Pada era digital, jumlah novel yang tersedia di berbagai platform digital berkembang pesat sehingga menyulitkan pembaca dalam memilih judul yang sesuai dengan minat dan preferensinya. Penelitian sistem rekomendasi bacaan umumnya masih berfokus pada buku secara umum dan menggunakan pendekatan tunggal, yaitu content-based filtering atau collaborative filtering, yang memiliki keterbatasan dalam menangani teks naratif panjang maupun permasalahan cold-start. Penelitian ini bertujuan menerapkan dan mengevaluasi 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 min-max normalization. Dataset yang digunakan berasal dari Goodreads-books dan Goodbooks-10k, menghasilkan 8.481 novel, 16.220 pengguna, dan 981.756 Rating setelah tahap Pre-Processing. Kinerja sistem dievaluasi menggunakan NDCG dan Precision pada rekomendasi Top-10. Hasil evaluasi menunjukkan nilai NDCG sebesar 0,943 dan Precision sebesar 0,488, dengan runtime 137,20 detik untuk 15.813 pengguna. Pengujian variasi Alpha, data split, dan Top-N menunjukkan bahwa Matrix Factorization memberikan kontribusi lebih dominan terhadap kualitas pemeringkatan, sedangkan BM25 tetap berperan dalam menjaga relevansi berbasis konten. Sistem diimplementasikan dalam bentuk website berbasis Flask sehingga pengguna dapat memperoleh rekomendasi novel secara interaktif. Meskipun BM25 masih memiliki keterbatasan dalam menangkap hubungan semantik antar kata, hasil penelitian menunjukkan bahwa pendekatan Hybrid BM25 dan Matrix Factorization mampu menghasilkan rekomendasi novel yang relevan dan efisien serta berkontribusi pada pengembangan sistem rekomendasi yang menggabungkan information retrieval dan collaborative filtering.