Banyaknya ulasan di platform seperti Google Maps membuat pengguna kesulitan menemukan rekomendasi restoran yang relevan. Metode konvensional seperti Word2Vec, Bag of Words, analisis leksikal, dan TF-IDF sering gagal menangkap konteks ulasan yang bersifat subjektif, sementara pendekatan deep learning seperti CNN-LSTM rentan overfitting dan memerlukan sumber daya komputasi tinggi. Selain itu, sebagian sistem rekomendasi hanya berfokus pada perilaku individu tanpa mempertimbangkan interaksi antar pengguna dan item. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan sistem rekomendasi hybrid yang menggabungkan analisis sentimen, feature based, dan item-based collaborative filtering. Sistem memanfaatkan model pre-trained Word2Vec dari pustaka spaCy untuk merepresentasikan ulasan secara semantik. Setiap ulasan diubah menjadi vektor dan dirata-rata untuk membentuk representasi restoran, kemudian skor akhir dihitung menggunakan kombinasi berbobot dari skor sentimen, kemiripan konten, dan kemiripan item. Evaluasi menggunakan metode train-test split (80:20) pada lebih dari 80.000 ulasan dari 339 restoran menunjukkan adanya peningkatan performa pada seluruh metrik. Model hybrid tanpa sentimen memperoleh Hit Rate sebesar 0,0300, MRR sebesar 0,0109, dan NDCG sebesar 0,0128, sedangkan model hybrid dengan sentimen memperoleh Hit Rate sebesar 0,0777, MRR sebesar 0,0270, dan NDCG sebesar 0,0352. Peningkatan ini mengindikasikan bahwa integrasi analisis sentimen membantu sistem menghasilkan rekomendasi yang lebih relevan dan menempatkan restoran pada posisi peringkat yang lebih tinggi.