Sektor pariwisata di Kabupaten Jember memiliki potensi besar, namun wisatawan sering mengalami kesulitan menemukan destinasi yang sesuai akibat kelebihan informasi (information overload). Sistem rekomendasi konvensional umumnya bergantung pada data explicit feedback seperti rating, yang rentan terhadap masalah cold-start karena minimnya partisipasi pengguna dalam memberikan penilaian secara manual. Penelitian ini mengembangkan JemberTrip, sebuah sistem rekomendasi wisata berbasis implicit feedback (riwayat klik pengguna) yang mengombinasikan tiga metode: Content-Based Filtering (CBF) menggunakan model Transformer all-MiniLM-L6-v2 untuk ekstraksi fitur semantik, Memory-Based Collaborative Filtering (CF) berbasis kemiripan pola klik antar-pengguna, dan Hybrid Filtering sebagai penggabungan keduanya melalui Min-Max Normalization dan pembobotan Alpha. Sistem diuji menggunakan 56 data destinasi wisata dan 1.185 rekaman klik dari 100 pengguna simulasi, dengan skema 10-Fold Cross Validation dan metrik evaluasi Precision@6, Recall@6, dan F1-Score. Hasil pengujian menunjukkan CBF (K=10) mencapai F1-Score sebesar 52,21%, CF (K=30) mencapai 11,19%, sedangkan Hybrid Filtering (K=30, Alpha=0,6) mencapai 12,51%, meningkat 1,32% dibandingkan Memory-Based CF tunggal pada seluruh metrik evaluasi secara konsisten. Hasil ini membuktikan bahwa metode Hybrid Filtering mampu memperbaiki kelemahan Memory-Based Collaborative Filtering tunggal terkait data sparsity dan cold-start dengan memanfaatkan kekuatan pemahaman semantik dari Content-Based Filtering.