Pertumbuhan koleksi buku pada perpustakaan digital sering memicu permasalahan information overload, di mana pengguna kesulitan menemukan buku yang relevan dari ribuan pilihan yang tersedia, sementara platform koleksi digital pada umumnya masih mengandalkan daftar statis atau pencarian berbasis kata kunci yang kurang adaptif terhadap preferensi personal pengguna. Penelitian ini bertujuan merancang dan mengukur performa model sistem rekomendasi buku berbasis Content-Based Filtering (CBF) yang memanfaatkan metadata judul, penulis, penerbit, genre, dan deskripsi buku. Pemodelan data mengikuti kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM), dimulai dari analisis kebutuhan data, pengumpulan data sekunder melalui web scraping dan integrasi API dari platform Amazon Books, OpenLibrary, Goodreads, dan Gramedia, hingga pembersihan dan penyeimbangan data antar-genre. Fitur teks diekstraksi menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) dengan skema pembobotan unigram-bigram, sedangkan tingkat kemiripan antarbuku dihitung menggunakan Cosine Similarity. Model diuji secara acak pada setiap representasi genre menggunakan metrik Precision dan Recall, dengan relevansi ditentukan melalui koefisien Jaccard antara genre buku sampel dan buku hasil rekomendasi. Hasil evaluasi menunjukkan performa rata-rata precision dan recall sebesar 83,3% baik pada dataset buku berbahasa Inggris maupun Indonesia, dengan genre yang memiliki kosakata deskriptif lebih khas seperti Fiction dan Romance mencapai skor sempurna, sementara genre dengan variasi kosakata lebih luas seperti Horror dan Biography menunjukkan performa relatif lebih rendah. Hasil ini membuktikan bahwa pendekatan TF-IDF dan Cosine Similarity mampu menghasilkan rekomendasi buku yang relevan berdasarkan kemiripan konten tanpa bergantung pada data interaksi antar pengguna, sekaligus membuka peluang pengembangan pendekatan hibrida dengan Collaborative Filtering pada penelitian selanjutnya.