<![CDATA[Meningkatnya jumlah berita pada media daring menyulitkan pembaca memperoleh informasi secara cepat karena keterbatasan waktu untuk membaca seluruh artikel. Kondisi ini mendorong pengembangan sistem peringkasan teks abstraktif berbasis Transformer yang mampu menghasilkan ringkasan baru dengan tetap mempertahankan informasi penting. Model mBART memiliki kemampuan baik dalam berbagai tugas pemrosesan bahasa alami, namun masih memerlukan fine tuning agar sesuai dengan karakteristik data dan tugas spesifik. Hingga saat ini, penerapan metode BRIO pada model mBART untuk tugas peringkasan abstraktif berita berbahasa Indonesia masih belum banyak dilaporkan, sehingga efektivitas pendekatan tersebut belum diketahui secara memadai. Oleh karena itu, penelitian ini bertujuan mengevaluasi efektivitas BRIO sebagai metode fine-tuning pada model mBART untuk peringkasan abstraktif berita berbahasa Indonesia. Penelitian ini menggunakan dataset Liputan6 yang terdiri atas 26.903 pasangan artikel dan ringkasan. Evaluasi dilakukan menggunakan ROUGE, METEOR, Novel Unigram, dan Compression Ratio. Hasil menunjukkan ROUGE-1 sebesar 48,39%, ROUGE-2 sebesar 32,41%, ROUGE-L sebesar 41,72%, ROUGE-L sebesar 41,72%, METEOR sebesar 41,52%, Novel Unigram sebesar 0,0557, dan Compression Ratio sebesar 6,93. Hasil tersebut menunjukkan bahwa penerapan BRIO mampu menghasilkan ringkasan yang tetap mempertahankan informasi utama dengan tingkat pemadatan yang baik, sehingga berpotensi menjadi pendekatan fine tuning untuk pengembangan sistem peringkasan berita berbahasa Indonesia.]]>
