Pertumbuhan informasi digital yang semakin cepat menuntut adanya sistem temu balik informasi yang mampu menyajikan dokumen relevan secara efisien. Dalam konteks berita daring, terutama terkait peristiwa kecelakaan di jalan tol, pengguna sering mengalami kesulitan menemukan artikel yang sesuai dengan kebutuhan pencarian karena keragaman struktur teks dan banyaknya istilah yang memiliki kemiripan konteks. Penelitian ini mengusulkan implementasi metode Term Frequency–Inverse Document Frequency (TF-IDF) yang digunakan untuk membentuk representasi vektor setiap dokumen berdasarkan tingkat kepentingan kata, serta algoritma Cosine Similarity untuk menghitung kedekatan antara kueri pengguna dan artikel berita yang terdapat dalam basis data. Proses penelitian dimulai dari tahap pengumpulan data berita, dilanjutkan dengan praproses seperti pembersihan teks, tokenisasi, penghapusan stopword, dan stemming. Bobot TF-IDF kemudian dihitung untuk membangun model pencarian yang lebih sensitif terhadap makna kata dibandingkan pencocokan leksikal sederhana. Hasil pengujian menunjukkan bahwa kombinasi TF-IDF dan Cosine Similarity mampu menghasilkan peringkat dokumen yang lebih akurat, ditunjukkan oleh meningkatnya relevansi hasil pencarian terhadap kueri pengguna. Sistem yang dibangun juga memberikan respons yang cepat meskipun jumlah dokumen bertambah. Melalui pendekatan ini, penelitian diharapkan dapat memberikan kontribusi terhadap pengembangan metode pencarian berita berbasis teks yang lebih efektif, khususnya pada domain informasi mengenai kecelakaan di jalan tol.
You may also start an advanced similarity search for this article.