<![CDATA[Pada era digital, jumlah novel yang tersedia di berbagai platform digital berkembang sangat pesat sehingga menyulitkan pembaca dalam memilih judul yang sesuai dengan minat dan preferensinya. Penelitian terdahulu mengenai sistem rekomendasi bacaan umumnya masih berfokus pada buku secara umum dan menggunakan pendekatan tunggal, baik content-based filtering maupun collaborative filtering, yang masing-masing memiliki keterbatasan dalam menangani teks naratif panjang atau permasalahan cold-start. Penelitian ini mengusulkan sistem rekomendasi novel berbasis hybrid yang mengombinasikan metode Best Matching 25 (BM25) untuk mengukur relevansi konten berdasarkan judul, genre, dan sinopsis, serta Matrix Factorization untuk memodelkan preferensi pengguna berdasarkan data rating. Kedua skor digabungkan menggunakan skema hybrid berbobot dengan nilai alpha = 0,6, setelah skor BM25 dinormalisasi menggunakan normalisasi min-max agar sebanding dengan skala rating 1-5 yang dihasilkan oleh Matrix Factorization. Dataset yang digunakan terdiri dari Goodreads-books untuk konten novel dan Goodbooks-10k untuk data rating pengguna, yang disaring sehingga hanya memuat item novel, menghasilkan 8.480 novel, 16.220 pengguna, dan 640.396 rating setelah pre-processing. Kinerja sistem dievaluasi menggunakan NDCG@10 dan Precision@10 pada daftar rekomendasi Top-10. Hasil evaluasi menunjukkan bahwa pendekatan hybrid memperoleh nilai NDCG@10 sebesar 0,943 dan Precision@10 sebesar 0,488, dengan rata-rata runtime 136,46 detik untuk 15.813 pengguna. Pengujian lanjutan terhadap variasi alpha, data split, dan Top-N menunjukkan bahwa Matrix Factorization memberikan kontribusi yang lebih dominan terhadap kualitas pemeringkatan, sedangkan BM25 tetap penting untuk menjaga relevansi berbasis konten. Temuan ini menunjukkan bahwa pendekatan hybrid BM25 dan Matrix Factorization dapat menghasilkan rekomendasi novel yang relevan dan efisien secara komputasi.]]>
