Peningkatan jumlah test case pada proses pengembangan perangkat lunak sering kali menimbulkan kendala dalam hal pencarian informasi yang cepat dan relevan, terutama ketika pengelolaan data dilakukan secara manual tanpa dukungan sistem pencarian yang efisien. Tantangan serupa dihadapi oleh tim Software Quality Assurance di layanan Agree PT Telkom Indonesia, yang harus menangani penambahan test case pengujian. Untuk menjawab kebutuhan tersebut, penelitian ini mengembangkan chatbot berbasis pendekatan retrieval menggunakan kombinasi metode Text Preprocessing, TF IDF Vectorizer, dan Cosine Similarity. Pendekatan ini ditujukan untuk meningkatkan kemampuan chatbot dalam mengenali pertanyaan pengguna serta mencocokkannya dengan informasi test case yang paling relevan. Untuk meningkatkan fleksibilitas pencocokan konteks, sistem dilengkapi dengan pengenalan sinonim agar chatbot dapat memahami pertanyaan dengan variasi istilah yang berbeda namun makna yang serupa. Evaluasi dilakukan melalui pengukuran metrik klasifikasi seperti Confusion Matrix, Accuracy, Precision, Recall, dan F1 Score, dengan hasil akurasi keseluruhan sebesar 0.88 serta skor rata-rata Precision, Recall, dan F1 Score sebesar 0.89. Selain itu, chatbot mampu memahami pertanyaan dengan kalimat yang kompleks, serta waktu pencarian juga meningkat secara signifikan, dengan chatbot menjawab dalam waktu 3 hingga 5 detik, lebih cepat dibandingkan pencarian secara manual. Sistem ini dirancang sebagai solusi awal otomasi pencarian informasi test case dan berpotensi dikembangkan lebih lanjut menggunakan pendekatan generatif jika dibutuhkan untuk mendukung pemahaman konteks yang lebih kompleks di masa mendatang.