Pertumbuhan industri film dan layanan streaming digital memunculkan masalah
kelebihan informasi (information overload) bagi pengguna. Sistem temu kembali
informasi saat ini umumnya masih bergantung pada pencocokan kata berbasis
frekuensi (seperti TF-IDF) yang kaku secara leksikal, mengabaikan makna
semantik alur cerita, serta seringkali masih mensyaratkan judul film acuan (seed
movie). Penelitian ini bertujuan untuk mengimplementasikan metode ContentBased Filtering menggunakan Word Embeddings (Word2Vec dengan arsitektur
Skip-gram) dan Cosine Similarity pada sistem pencarian film. Pendekatan ini
memungkinkan sistem mengekstraksi kedalaman makna dari teks sinopsis dan
mencocokkannya secara langsung dengan masukan kata kunci (keyword) bebas dari
pengguna. Penelitian ini menggunakan 5.000 data film berbahasa Inggris dari
IMDb yang diperoleh melalui teknik web scraping. Pengujian kinerja algoritma
difokuskan pada jendela pencarian tiga besar (Top-3 Retrieval), yang dievaluasi
berdasarkan nilai kebenaran acuan (ground truth) dari validasi pakar menggunakan
metode Inter-Annotator Agreement (IAA). Hasil pengujian menunjukkan bahwa
sistem berkinerja sangat optimal dengan pencapaian nilai Precision@3 sebesar
53,33%, Recall@3 sebesar 78,00%, dan Mean Reciprocal Rank (MRR) sebesar
0,7300. Tingginya nilai MRR membuktikan bahwa algoritma berhasil
memposisikan film yang relevan pada peringkat pertama atau kedua teratas.
Kesimpulannya, integrasi Word2Vec terbukti tangguh dalam memahami variasi
konteks semantik kueri pengguna untuk menghasilkan daftar pencarian film lintas
genre yang relevan secara presisi.

Kata Kunci: Content-Based Filtering, Word Embeddings, Word2Vec, Cosine
Similarity, Sistem Temu Kembali Informasi, Web Scraping.