Akses terhadap informasi terus mengalami perkembangan yang signifikan. Dengan kemajuan internet yang pesat, jumlah konten berita yang tersedia di platform digital juga meningkat pesat. Pengguna internet dapat dengan cepat dan mudah mengakses berita dan informasi dari berbagai sumber. Namun, hal ini juga membawa tantangan baru bagi para pengguna internet, khususnya pembaca berita digital. Dengan banyaknya berita yang tersedia, pembaca sering kali mendapatkan rekomendasi berita yang tidak relevan dengan minat mereka. Hal ini disebabkan oleh preferensi yang berbeda dari setiap pengguna. Selain itu, setiap pengguna dapat memiliki lebih dari satu preferensi, yang menyebabkan munculnya rekomendasi berita yang acak dan tidak diinginkan. Oleh karena itu, penelitian ini bertujuan untuk meningkatkan personalisasi rekomendasi berita dengan memanfaatkan teknologi POS-Tagger untuk menganalisis konten berita. Selain itu, metode content-based filtering digunakan untuk mencocokkan berita dengan preferensi pengguna berdasarkan konten yang telah dikonsumsi sebelumnya. Pencocokan berita dilakukan setelah melakukan perhitungan vektor menggunakan TF-IDF, dilanjutkan dengan pencocokan menggunakan perhitungan cosine similarity. Sistem rekomendasi menunjukkan kemampuan yang baik dalam memberikan rekomendasi yang relevan dengan preferensi pengguna. Evaluasi kinerja menunjukkan hasil yang memuaskan. F1-score menunjukkan hasil rata-rata 90% dari ketiga pengguna, dan nilai cosine similarity yang tinggi dengan rata-rata dari ketiga pengguna sebesar 8% dari keseluruhan hasil rekomendasi yang mengindikasikan relevansi yang tinggi antara rekomendasi dengan berita yang telah dibaca oleh pengguna.