Saat ini banyak penelitian yang berkeinginan agar komputer mampu meniru kreativitas manusia dalam merangkai kata menjadi tulisan seperti layaknya seorang penulis. Penelitian ini bertujuan menggunakan algoritma RNN untuk menghasilkan penulisan cerita otomatis berbahasa Indonesia. Kontribusi utama dalam penelitian ini adalah pembuatan dan evaluasi algoritma RNN berbasis model skip-thoughts dengan menggunakan dataset berbahasa Indonesia. Model skip-thoughts terdiri dari sebuah encoder berupa satu layer GRU 500 hidden unit, dan dua buah decoder dengan masing-masing satu layer GRU 500 hidden unit. Encoder berfungsi yang melakukan proses pemetaan kata dari kalimat masukan, sedangkan decoder melakukan prediksi kalimat sebelum (previous decoder) dan kalimat sesudah (next decoder) dari kalimat masukan. Dataset yang digunakan dalam pelatihan model berupa cerita berbahasa Indonesia dengan genre cerita rakyat dan cerita pendek kehidupan. Proses pelatihan model dijalankan dalam 50 epoch, menggunakan ADAM optimizer untuk mendapatkan model yang optimal. Berdasarkan hasil penilaian responden berlatar belakang sebagai penulis, kinerja model skip-thought dalam menghasilkan cerita berbahasa Indonesia genre cerita rakyat menunjukkan penilaian cukup baik (rata-rata nilai 65) untuk kriteria SP-O-K, dan penilaian kurang untuk kriteria keterkaitan antar kalimat (rata-rata nilai 38), dan konteks keutuhan cerita (rata-rata nilai 32). Penilaian hasil cerita genre cerita pendek kehidupan, menunjukkan nilai baik (rata-rata nilai 73) untuk kriteria S-P-O-K, dan nilai kurang untuk kriteria keterkaitan antar kalimat (rata-rata nilai 48), dan konteks keutuhan cerita (rata-rata nilai 42). Berdasarkan hasil penilaian tersebut, model skip-thoughts yang digunakan dalam story generator bahasa Indonesia sudah bekerja dengan baik, namun masih dapat ditingkatkan dengan menambah jumlah dataset pelatihan dari masing-masing genre cerita yang digunakan, serta lebih spesifik lagi dalam penentuan genre agar mendapatkan keutuhan cerita yang lebih baik.