Ringkasan teks otomatis merupakan salah satu tugas utama dalam sub-bidang pemrosesan bahasa alami, yang berfokus pada penyederhanaan dan ekstraksi informasi penting dari teks panjang. Penelitian ini bertujuan untuk merangkum artikel panjang menjadi lebih singkat tanpa menghilangkan inti informasi, serta mengevaluasi kualitas hasil ringkasan tersebut. Dalam penelitian ini, digunakan model BART yang telah melalui proses finetuning menggunakan dataset artikel Medium, dan hasil ringkasannya dievaluasi dengan menggunakan metrik BERTScore dan ROUGE. Berdasarkan hasil evaluasi, model BART menunjukkan performa yang sangat baik dalam tugas peringkasan teks. Secara rinci, pada metrik ROUGE-1, model BART memperoleh nilai Precision 0.83, Recall 0.82, dan F1Score 0.82; pada ROUGE-2, model ini mencapai Precision 0.76, Recall 0.75, dan F1Score 0.75; dan pada ROUGE-L, nilai Precision 0.78, Recall 0.76, dan F1Score 0.77. Selain itu, pada metrik BERTScore, model BART berhasil memperoleh hasil yang sangat memuaskan dengan nilai Precision 0.94, Recall 0.94, dan F1Score 0.94. Hasil evaluasi metrik tersebut menunjukkan bahwa model BART lebih unggul dalam menghasilkan ringkasan abstraktif yang lebih berkualitas dibandingkan dengan model lainnya.
Kata Kunci: NLP, Ringkasan Teks Otomatis, BART, BERTScore, ROUGE.