Banyaknya film yang beredar membuat masyarakat sulit menemukan film yang mereka inginkan. Solusi dari permasalahan diatas adalah disediakanya suatu sistem rekomendasi yang mampu memberikan rekomendasi film kepada pengguna. Penelitian ini menggunakan metode Item-Based Collaborative Filtering pada sistem rekomendasi film yang bertujuan untuk merekomendasikan film pada seorang user berdasarkan neighborhood similarity antar item yang dihitung menggunakan algoritma cosine similarity, dan Naïve Bayes untuk menghitung prediksi rating. Data yang digunakan merupakan MovieLens Datasets yang di dapat dari GroupLens Research. MovieLens Datasets memiliki data dengan skala [1-5], dimana pada umumnya nilai yang dihasilkan oleh fungsi similarity berkisar pada interval [0…1] atau biasa disebut data diskrit dan nilai yang berada di luar interval tersebut untuk memetakan hasil fungsinya harus di normalisasi. Hasil implementasi Item-based Collaborative Filtering dengan metode Naïve Bayes Classifier menggunakan algoritma cosine similarity dengan data testing sebesar 5% menggunakan nilai threshold sebesar 0,689 sebagai batas tertinggi, dan data testing sebesar 2% menggunakan nilai threshold sebesar 0,666 sebagai batas tertinggi, dan empat nilai threshold yang berbeda yaitu 0,6, 0,5, 0,4 dan 0,3, menghasilkan akurasi, presisi, recall, dan f-measure yang tidak memiliki selisih yang berarti. Semakin kecil nilai threshold menyebabkan semakin banyaknya jumlah tetangga yang dimiliki tiap item sehingga mempengaruhi nilai akurasi, presisi, recall dan f-measure yang cenderung meningkat. Namun demikian, semakin banyaknya jumlah tetangga mengakibatkan nilai posterior saat perhitungan prediksi rating menjadi sangat kecil sehingga pada progam terdeteksi dengan nilai 0 yang menyebabkan kegagalan prediksi (zero prediction).