Terciptanya internet, jejaring sosial, forum, dan teknologi informasi yang tersebar secara cepat, menyebabkan interaksi terhadap informasi semakin sulit untuk dipahami, dibuat, dikembangkan, dan disimpan. Dengan luasnya informasi sehingga hampir tidak mungkin untuk seorang pun untuk memproses dan meringkas semua data informasi yang tersedia. Indonesia memiliki literasi yang sangat rendah dari negara lain dengan beberapa faktor seperti belum membiasakan membaca buku dari rumah, perkembangan teknologi yang semakin pesat, sarana membaca yang minim, kurangnya motivasi untuk membaca, dan malas untuk mengembangkan gagasan. Automatic text summarization adalah salah satu alternatif teknologi yang bisa digunakan untuk menyelesaikan masalah tersebut. Automatic text summarization merupakan cabang dari ilmu Natural Language Processing (NLP) yang bertujuan untuk merepresentasikan dokumen teks panjang yang dikompresi sehingga informasi yang didapatkan dengan cepat dimengerti dan dapat dibaca oleh pengguna. Telah dilakukan berbagai metode untuk mengatasi masalah automatic text summarization untuk objek Bahasa Indonesia yaitu berbasis extractive dan abstractive. Untuk mengatasi masalah ini, pada penelitian digunakan extractive text summarization berbasis machine learning. Pada penelitian ini menggunakan dataset publik yang bisa digunakan untuk penelitian-penelitian selanjtnya. Metode yang digunakan untuk medapatkan hasil summarization dengan menggunakan metode Word2Vec dengan penerapan model Continous Bag-of-Word (CBOW) dan Skip-Gram. Metode yang digunakan untuk evaluasi akurasi hasil ringkasan adalah Recall-Oriented Understudy for Gisting Evaluation (ROUGE).