ABSTRAKSI: Recommender system dengan metode collaborative filtering banyak digunakan saat ini memiliki problematika cold-start, yakni sistem tidak dapat memberikan rekomendasi karena pada data item (barang) dan user (pengguna) tidak ada informasi kolaboratif yang dapat digunakan untuk membuat rekomendasi baik dengan pendekatan user-based maupun item-based. Digunakan tied Boltzmann machine untuk memodelkan preferensi dari pengguna dan melatih model tersebut dengan simulated annealing resilient backpropagation, sehingga ketika ada sebuah item baru (cold-start item) maka sistem dapat memutuskan apakah barang tersebut direkomendasikan atau tidak berdasarkan model yang telah dilatih. Untuk pelatihan dan pengujian model, digunakan dataset movie dari MovieLens untuk data kolaboratif dan dataset movie dari Internet Movie Database untuk informasi detail dari setiap movie. Skenario pelatihan dan pengujian dilakukan berdasarkan jumlah data item total, yakni 3475 item, dengan rasio jumlah data pelatihan banding pengujian 50:50, 60:40, dan 70:30, digabungkan dengan skenario pelatihan dan pengujian berdasarkan penggunaan feature/content data yang berupa data cast, genre, dan gabungan cast dan genre.Kata Kunci : recommender system, collaborative filtering, cold-start, Boltzmann machine, simulated annealing resilient backpropagation, MovieLens, Internet Movie Database, content information.ABSTRACT: Recommender systems with collaborative filtering method are used today, have cold-start problem, where system is not able to recommend because there is not collaborative information in the data of item and user that can be used to produce recommendation with user-based either item-based method. Tied Boltzmann machine is then used to model user preferences and train the model by using simulated annealing resilient backpropagation, so that when a new item (cold-start item) then system is able to decide whether the item is recommended or not for a certain user according to trained model. To train and test the model, movie dataset is required from MovieLens for collaborative data, and from Internet Movie Database detail information of eah movies. Training and testing scenario are done based on the number of total item, 3475 items, using several ratio 50:50, 60:40, and 70:30, combine with training and testing based on feature / content data, they are cast, genre, and combination of cast and genre.Keyword: recommender system, collaborative filtering, cold-start, Boltzmann machine, simulated annealing resilient backpropagation, MovieLens, Internet Movie Database, content information.