Pada proses prior art search dalam pengajuan hak paten terdapat permasalahan utama yaitu pencarian yang masih mengandalkan metode berbasis kata kunci. Metode ini menghasilkan ribuan hasil yang sulit dianalisis secara manual dan tidak dilengkapi informasi skor kemiripan, sehingga menyulitkan pengguna dalam menilai relevansi antar paten serta kebaruan ide yang diajukan. Peningkatan volume paten global setiap tahun juga memperberat tantangan ini, sementara penemu memerlukan proses prior art search yang lebih efisien untuk mendukung pembuatan draft paten. Penelitian ini mengembangkan sistem pengecekan similaritas hak paten berbasis web untuk mendukung proses prior art search dan pembuatan draft paten. Sistem menggunakan model embedding berbasis Patent SBERTa dan perhitungan Cosine Similarity untuk menghasilkan skor kemiripan antar abstrak paten. Untuk menjaga relevansi dan kelengkapan basis data, sistem dilengkapi dengan fitur pembaruan data otomatis yang memungkinkan sinkronisasi rutin dengan sumber data paten. Proses pengembangan dilakukan dengan pendekatan berbasis vektor menggunakan Milvus dan ElasticSearch sebagai infrastruktur utama. Hasil penelitian menunjukkan bahwa model Patent SBERTa yang digunakan memiliki kemampuan yang baik dalam mengukur kemiripan semantik antar abstrak paten, ditunjukkan melalui korelasi yang tinggi dengan penilaian model bahasa besar yang digunakan sebagai proxy pakar. Nilai Pearson correlation sebesar 0,81 terhadap GPT 3.5 dan 0,85 terhadap Claude Sonnet 4 menunjukkan adanya hubungan linier yang kuat antara skor sistem dan penilaian LLM. Begitu pula dengan nilai Spearman correlation sebesar 0,87 untuk GPT 3.5 dan 0,89 untuk Claude Sonnet 4 yang menunjukkan konsistensi urutan relevansi paten. Mean Squared Error (MSE) yang diperoleh juga relatif rendah, yaitu 0,083 untuk GPT 3.5 dan 0,027 untuk Claude Sonnet 4, menandakan bahwa skor yang dihasilkan sistem tidak jauh berbeda dengan penilaian semantik dari LLM. Sementara itu, distribusi skor similarity dari sistem yang memiliki nilai rata-rata sekitar 0,65, lebih tinggi dibandingkan skor GPT 3.5 yang berada di angka 0,45 dan Claude Sonnet 4 sebesar 0,55, menunjukkan bahwa sistem masih cenderung memberikan skor yang cukup tinggi secara umum, sehingga diperlukan optimalisasi lebih lanjut. Di sisi lain, sistem juga terbukti mampu menjalankan pembaruan data paten secara berkala, sehingga menjaga relevansi informasi dan meningkatkan efisiensi proses pencarian prior art.