Al-Qur’an sebagai kitab suci dan sumber hukum yang wajib diimani oleh lebih dari satu miliar umat Islam di dunia . Dokumen Al-Qur’an yang panjang, menyebabkan orang awam sulit untuk menemukan keterkaitan antar ayat baik di dalam surat yang sama atau surat yang berbeda. Skripsi ini bertujuan menganalisis perbandingan antara information retrieval yang tidak dikombinasikan dengan Wordnet dengan information retrieval yang dikombinasikan dengan tiga proses di dalam Wordnet yaitu sinonim, hipernim, hiponim. Empat proses tersebut akan dibandingkan dan dianalisis bagaimanakah cara yang paling optimal dalam mencari keterkaitan antar ayat melalui sebuah inputan queri. Metode yang digunakan penulis dalam analisis skripsi ini adalah information retrieval dengan metode vector space model. Perbandingan dan pembuktian didapat dengan menghitung proses akhir dari information retrieval yang terdiri dari tokenization, stopword removal dan stemming. Hasil stemming akan menjadi acuan di dalam proses metode vector space model yang terdiri dari perhitungan Tf, Idf, Panjang Vektor dan Cosinus dalam menganalisis keterkaitan ayat di dalam korpus. Sebagai contoh jika terdapat inputan queri misalkan Name of lord Allah who give life for man and devil dengan surat uji adalah surat No 55, maka sistem akan menghasilkan precision & recall untuk Wordnet sinonim, hipernim dan hiponim masing-masing sebesar 90.5% dan 65.7% untuk sinonim, 0% dan 0% untuk hipernim, 7.8% dan 12.9% untuk hiponim, sedangkan untuk information retrieval yang tidak menggunakan Wordnet menghasilkan 61.53% untuk precisionya dan 63,8% untuk recallnya. Hasil analisis sistem tersebut memberikan kesimpulan bagi peneliti bahwa proses information retrieval yang dikombinasikan dengan sinonim Wordnet memberikan hasil keterkaitan kata yang lebih banyak dan akurat dibandingkan dengan information retrieval yang tidak dikombinasikan dengan Wordnet dan yang dikombinasikan dengan hipernim dan hiponim.
Kata Kunci : Al-Quran, information retrieval, Sinonim, Hipernim, Hiponim, precision ,recall, Wordnet, korpus, Vector Space Model