Peringkasan teks otomatis merupakan sub-bidang penting dalam pemrosesan bahasa alami. Tujuan utamanya adalah merangkum teks panjang dalam waktu singkat tanpa mengurangi esensi informasi. Penelitian ini menggunakan model T5 yang di fine-tuning pada dataset artikel Medium dan dievaluasi menggunakan metrik ROUGE. Hasilnya menunjukkan bahwa model T5 memiliki kinerja yang baik dengan ROUGE-1 precision 0.8956, recall 0.8107, dan F1-score 0.8466; ROUGE-2 precision 0.8640, recall 0.7655, dan F1-score 0.8062 serta ROUGE-L precision 0.8897, recall 0.8060, dan F1-score 0.8414. Penelitian ini juga mengevaluasi pengaruh teknik chunking pada inferensi model T5 terhadap kinerja peringkasan. Ringkasan dengan chunking menunjukkan precision lebih rendah namun recall lebih tinggi, sedangkan tanpa chunking menunjukkan precision lebih tinggi dan keseimbangan recall yang baik. Ringkasan tanpa chunking memberikan kinerja keseluruhan yang lebih baik dengan ROUGE-1 precision 0.8817, recall 0.6406, dan F1-score 0.7421; ROUGE-2 precision 0.8432, recall 0.6118, dan F1-score 0.7091 serta ROUGE-L precision 0.8441, recall 0.6133, dan F1-score 0.7104.
Kata Kunci: Peringkasan teks otomatis, NLP, T5, Artikel Medium, Metriks ROUGE, Teknik chunking.