Di era informasi saat ini, jumlah makalah ilmiah berbahasa Indonesia yang diterbitkan terus meningkat, sehingga diperlukan sistem otomatis untuk meringkas dokumen agar informasi penting dapat diperoleh secara cepat dan efisien. Penelitian ini mengkaji penerapan aspect-controlled summarization pada makalah ilmiah berbahasa Indonesia menggunakan model Longformer Encoder-Decoder (LED). Sistem yang dikembangkan bertujuan menghasilkan ringkasan dengan mempertimbangkan aspek tertentu, yaitu Purpose, Method, Findings, dan Value. Penelitian ini menggunakan dataset FacetSum versi terjemahan Bahasa Indonesia, yang telah melalui tahap praproses dan reorganisasi struktur data agar sesuai dengan kebutuhan peringkasan berbasis aspek. Model LED kemudian di-fine-tune menggunakan dataset tersebut dan dievaluasi pada tingkat dokumen secara keseluruhan maupun pada tingkat facet-level. Evaluasi performa dilakukan menggunakan metrik ROUGE sebagai ukuran kuantitatif utama, serta didukung oleh analisis kualitatif. Hasil pengujian menunjukkan bahwa model LED mampu menghasilkan ringkasan berbasis aspek, namun performanya masih terbatas jika dibandingkan dengan model baseline pada dataset berbahasa Inggris. Skor ROUGE-L facet-level yang diperoleh adalah 34,28 untuk Purpose, 19,45 untuk Method, 19,37 untuk Findings, dan 21,37 untuk Value, sementara model BART-Facet pada dataset FacetSum asli berbahasa Inggris mencapai skor 42,55, 28,07, 28,98, dan 28,70. Analisis lebih lanjut menunjukkan bahwa keterbatasan performa ini terutama disebabkan oleh ketidaksesuaian arsitektur LED terhadap kebutuhan peringkasan berbasis aspek, di mana kemampuan memproses input panjang tidak secara langsung menjamin kualitas ringkasan facet-level yang lebih baik.