<![CDATA[ABSTRAKIndustri otomotif menghadapi tantangan besar dalam mengelola dan menyajikan informasi yang relevan serta terstruktur di tengah meningkatnya volume data digital. Penelitian ini memperkenalkan sistem pencarian dan peringkasan berbasis teks menggunakan model BART (Bidirectional and Auto-Regressive Transformers) untuk meningkatkan efisiensi pencarian informasi dan peringkasan konten. Sistem ini mengintegrasikan web scraping, preprocessing teks, TF-IDF, dan teknik cosine similarity untuk mengekstrak dan memproses data, menghasilkan hasil yang ringkas dan akurat. Evaluasi menggunakan metrik ROUGE dan umpan balik pengguna menunjukkan kemampuan sistem dalam menghasilkan ringkasan yang informatif dan efisien dengan waktu pemrosesan yang lebih cepat. Sistem ini mencapai performa sebesar rata rata 78.5 berdasarkan evaluasi yang dilakukan. Temuan ini menyoroti efektivitas BART dalam menangani data otomotif yang kompleks dan memenuhi kebutuhan pengguna untuk mendapatkan ringkasan berita yang relevan, mendukung pengambilan keputusan berbasis data di sektor otomotif.Kata kunci: Pencarian Informasi, BART, NLP, Otomotif, Peringkasan Teks.ABSTRACTThe automotive industry faces significant challenges in managing and presenting relevant and structured information amidst the growing volume of digital data. This study introduces a text-based search and summarization system using the BART (Bidirectional and Auto-Regressive Transformers) model to enhance the efficiency of information retrieval and content summarization. The system integrates web scraping, text preprocessing, TF-IDF, and cosine similarity techniques to extract and process data, delivering concise and accurate results. Evaluations using ROUGE metrics and user feedback demonstrate the system’s ability to produce informative and efficient summaries with reduced processing time. The system achieved a performance average score of 78.5 based on the evaluation. The findings highlight the effectiveness of BART in handling complex automotive data and meeting user needs relevant news summaries, thereby supporting data-driven decision-making in the automotive sector.Keywords: Information Retrieval, BART, NLP, Automotive, Text Summarization.]]>
