Sistem rekomendasi berperan penting dalam membantu pengguna menemukan item sesuai preferensi mereka, khususnya dalam domain film. Penelitian ini mengembangkan sistem rekomendasi berbasis website menggunakan pendekatan collaborative filtering dengan metode weighted hybridization yang menggabungkan algoritma Singular Value Decomposition (SVD) dan item-based K-Nearest Neighbors (KNN) berbasis cosine similarity. Evaluasi dilakukan pada dua dataset, MovieLens-100K dan MovieLens-1M, menggunakan metrik evaluasi Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasil menunjukkan bahwa pendekatan weighted hybrid memberikan peningkatan akurasi prediksi dibandingkan metode SVD dan KNN secara independen. Pada dataset MovieLens-100K, terjadi peningkatan sebesar 8,53% (RMSE) dan 8,50% (MAE) dibandingkan dengan KNN, serta 0,17% (RMSE) dan 0,11% (MAE) dibandingkan dengan SVD. Pada dataset MovieLens-1M, meningkat sebesar 12,73% (RMSE) dan 12,17% (MAE) dibandingkan dengan KNN, serta 0,14% (RMSE) dan 0,03% (MAE) dibandingkan dengan SVD. Sistem diimplementasikan dalam website framework Streamlit yang dapat digunakan pengguna untuk mendapatkan hasil rekomendasi secara interaktif. Metode penggabungan SVD dan KNN dengan weighted hybrid terbukti efektif dalam meningkatkan akurasi dan stabilitas prediksi sistem rekomendasi film, terutama dalam menghadapi variasi jumlah dan dimensi data.