Penelitian ini menyajikan pengembangan sistem rekomendasi hybrid berbasis analisis sentimen yang dirancang untuk mengatasi masalah cold-start dalam rekomendasi film. Pendekatan ini mengintegrasikan model analisis sentimen, termasuk BERT yang telah dilakukan fine-tuning, RoBERTa, DistilBERT, dan CNN-LSTM, dengan pemfilteran kolaboratif, pemfilteran berbasis konten, dan metode hibrida terbobot. Analisis sentimen mengubah ulasan pengguna menjadi rating, meningkatkan kemampuan sistem untuk membuat prediksi yang akurat bahkan dalam skenario data yang jarang. Metrik evaluasi seperti Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Precision@K, Recall@K, dan Normalized Discounted Cumulative Gain (NDCG@K) digunakan untuk menilai kinerja. Hasil menunjukkan bahwa model berbasis transformator mengungguli metode tradisional, dengan RoBERTa mencapai akurasi klasifikasi sentimen tertinggi sebesar 90,11%. Untuk pembuatan rekomendasi, pendekatan penyaringan hibrida dengan parameter pembobotan optimal (? = 0,1) memberikan akurasi terbaik, mencapai skor NDCG@5 sebesar 1,0000 dalam skenario pengguna cold-start. Temuan ini menunjukkan bahwa mengintegrasikan analisis sentimen ke dalam kerangka kerja hibrida secara signifikan meningkatkan akurasi rekomendasi, personalisasi, dan ketahanan, sehingga dapat diterapkan pada berbagai domain dengan data interaksi terbatas.