Penelitian ini bertujuan menganalisis efektivitas dan efisiensi komputasi metode TF-IDF, TF-IDF + WordNet, dan Sentence-BERT (SBERT) dalam Information retrieval dokumen berita menggunakan Cosine Similarity. Dataset yang digunakan adalah BBC News Dataset sebanyak 42.115 dokumen mentah, setelah proses cleaning diperoleh 40.111 dokumen bersih dan 14.305 dokumen dengan label ground truth hierarkis dari struktur URL (5 Topik L1 dan 53 Subtopik L2) dijadikan korpus final. Representasi dokumen dibatasi pada atribut title dan description. Relevansi ditentukan berdasarkan kesesuaian Topik dan Subtopik (L2) terhadap target query. Evaluasi dilakukan pada 10 query eksperimen (5 query L1 dan 5 query L2) menggunakan Precision@K, Recall@K, F1-score@K (K = 5, 10, 20), serta execution time. Hasilnya, SBERT mengungguli kedua metode lain pada K=20 mencapai Precision 0,8850, Recall 0,0288, dan F1-score 0,0539, dibandingkan TF-IDF (0,8000; 0,0234; 0,0441) dan TF-IDF + WordNet (0,7450; 0,0221; 0,0417). Pada fase retrieval online, SBERT (0,013 detik/query) sebanding dengan TF-IDF, sedangkan TF-IDF + WordNet paling lambat (0,036 detik/query) tanpa peningkatan akurasi, karena ekspansi sinonim tanpa disambiguasi konteks justru menurunkan presisi. SBERT direkomendasikan untuk sistem yang mengutamakan akurasi semantik, sedangkan TF-IDF sesuai untuk sistem dengan sumber daya terbatas.