Seperti yang kita tahu, model BERT saat ini sudah menjadi salah satu standar andalan untuk tugas-tugas Natural Language Processing (NLP) yang membutuhkan pemahaman konteks, salah satunya adalah Named Entity Recognition (NER). Nah, di artikel kali ini saya ingin me-review sebuah model bernama cahya/bert-base-indonesian-NER, yaitu model BERT bahasa Indonesia yang kemudian di-finetune menjadi AptaArkana/indonesian_bert_base_NER_indoNLU.

Menariknya, model hasil finetune ini lebih disederhanakan karena hanya mendukung enam label saja (O, B-PERSON, I-PERSON, B-ORGANISATION, I-ORGANISATION, B-PLACE, I-PLACE). Padahal, model dasarnya punya sampai 39 label! Di sini saya akan membagikan hasil evaluasinya, label apa saja yang didukung, contoh penerapan, hingga analisis kelebihan dan kekurangannya. Tenang saja, model ini bisa langsung anda akses secara gratis melalui Hugging Face.

Warning

Sayangnya, data training asli dari model cahya/bert-base-indonesian-NER tidak dipublikasikan di halaman Hugging Face mereka. Jadi, cukup sulit untuk memverifikasi secara pasti bagaimana kualitas dan keragaman datanya.

Pendahuluan

Bagi anda yang sering membuat aplikasi NLP, pasti paham kalau pengenalan entitas (NER) itu ibarat fondasi utama. Fungsinya sangat krusial untuk pencarian informasi, ekstraksi fakta, analisis sentimen, sampai aplikasi chatbot. Bahasa Indonesia sendiri punya bentuk kata dan susunan kalimat yang cukup berbeda dari bahasa Inggris. Sehingga, jika kita memaksa menggunakan model multilingual, akurasinya seringkali kurang memuaskan.

Model cahya/bert-base-indonesian-NER hadir sebagai model BERT-base (dengan 12 layer dan 768 dimensi) yang dilatih khusus menggunakan teks bahasa Indonesia dan sudah dioptimalkan untuk klasifikasi token. Model ini lalu di-finetune oleh pengguna bernama AptaArkana menggunakan dataset indonlu_nergrit, sehingga melahirkan model indonesian_bert_base_NER_indoNLU. Labelnya sengaja disederhanakan agar developer lebih mudah mengintegrasikannya ke lingkungan production.

Mengingat Indonesia punya penetrasi internet tinggi dan pengguna yang banyak sekali, kebutuhan akan AI bahasa Indonesia ini makin mendesak. Terutama di sektor edukasi, keuangan, e-commerce, dan layanan publik. Kalau kita punya model NER yang akurat, rasanya kita bisa memangkas waktu analisis dokumen dan menekan biaya operasional dengan cukup signifikan.

Temuan

Note

Perlu diketahui, proses finetune ini dilakukan oleh kontributor lain ya. Saya di sini hanya bertindak sebagai pengguna yang me-review, memberikan gambaran use-case, dan mencoba implementasi kodenya dalam program sederhana.

Walaupun model dasarnya tidak menyertakan informasi hasil pelatihan yang rinci, namun saya berhasil menemukan metrik evaluasi dari model hasil finetune-nya (indonesian_bert_base_NER_indoNLU).

Hasil Evaluasi

Dari tabel di atas, bisa kita lihat bahwa model ini memiliki keseimbangan yang cukup baik antara precision dan recall, serta akurasi keseluruhan yang lumayan tinggi untuk kelas token-level classification.

Label yang Didukung

Label Finetune (6 label)

Untuk versi finetune yang siap pakai ini, ada 6 label yang bisa anda gunakan:

Seluruh Label pada Model Dasar (cahya/bert-base-indonesian-NER)

Namun kalau anda ingin melakukan finetuning sendiri, sebenarnya model dasar ini mendukung jauh lebih banyak label (total 39 label), yaitu:

Ide Pengembangan (Use-Case)

Untuk memberikan gambaran model NER ini sebetulnya bisa dipakai untuk aplikasi apa saja sih di dunia nyata, berikut beberapa ide use-case yang menarik untuk dieksplorasi:

Contoh Penggunaan (Python)

Bagi anda yang ingin langsung mencoba bereksperimen, berikut adalah snippet sintaks sederhana menggunakan bahasa pemrograman Python dan library Transformers.

from transformers import AutoTokenizer, AutoModelForTokenClassification
import torch

model_name = "AptaArkana/indonesian_bert_base_NER_indoNLU"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForTokenClassification.from_pretrained(model_name)

def ner(text: str):
    inputs = tokenizer(text, return_tensors="pt", truncation=True, max_length=512)
    with torch.no_grad():
        logits = model(**inputs).logits
    pred_ids = torch.argmax(logits, dim=2).squeeze().tolist()
    tokens   = tokenizer.convert_ids_to_tokens(inputs["input_ids"].squeeze())
    id2label = model.config.id2label          # kunci = integer

    entities = []
    cur = None
    for tok, pid in zip(tokens, pred_ids):
        label = id2label[pid]                 # ← gunakan integer, bukan string
        if label == "O":
            if cur:
                entities.append(cur)
                cur = None
            continue
        clean = tok.replace("##", "")
        if label.startswith("B-"):
            if cur:
                entities.append(cur)
            cur = {"type": label[2:], "text": clean}
        else:  # I-
            cur["text"] += clean
    if cur:
        entities.append(cur)
    return entities

sample_teks = "Universitas Gadjah Mada mengadakan konferensi AI pada 15 September 2023 di Yogyakarta."
print(ner(sample_teks))

Bentuk Output (contoh)

[
  {"type": "ORGANISATION", "text": "UniversitasGadjahMada"},
  {"type": "PLACE", "text": "Yogyakarta"},
  {"type": "PLACE", "text": "15September2023"}
]

Note

Karena model finetune ini lebih sederhana (hanya membaca entitas pokok PERSON, ORGANISATION, dan PLACE), maka frasa waktu seperti 15 September yang terdapat pada teks sampel di atas kadang terdeteksi melenceng menjadi PLACE atau bahkan sekedar diabaikan sebagai O. Inilah mengapa finetuning mandiri dengan dataset yang variatif acapkali masih dibutuhkan.

Analisis Kelebihan & Kekurangan

Berikut adalah ulasan saya mengenai poin plus dan minus setelah menguji model ini.

Kesimpulan

cahya/bert-base-indonesian-NER merupakan fondasi yang kuat untuk NER Bahasa Indonesia, dengan arsitektur BERT‑base dan dukungan label yang luas. Versi finetune AptaArkana/indonesian_bert_base_NER_indoNLU menyederhanakan label menjadi enam kelas yang umum (person, organisation, place, dan outside), menghasilkan metrik yang kompetitif (F1 ≈ 0.796, akurasi ≈ 0.948).

Namun, model ini tidak bebas dari kekurangan. Kurangnya transparansi mengenai komposisi dataset pelatihan sering menjadi perhatian krusial, terutama untuk aplikasi yang melibatkan data sensitif seperti di sektor perbankan, kesehatan, atau hukum, kecuali jika ditambahkan lapisan validasi tambahan yang ketat.

Di era digital kini, adaptasi NLP tidak selalu sekadar perihal otomasi melainkan nilai daya tahan komersial. Berbekal teknologi inilah sederet perusahaan maupun pegiat inovasi AI ditantang kreatif menciptakan jalan ringkas dan menyikapi derasnya arus literasi modern di negara tercinta ini tanpa perlu lagi harus mereplika fungsional algoritma dari titik nol.

Penutup

Model-model NLP berbahasa Indonesia tentu akan terus berkembang semakin mutakhir seiring solidnya kontributor lokal kita merilis karya basis dataset open source terbaru untuk umum. Dengan merujuk pada cahya/bert-base-indonesian-NER layaknya pondasi dasar, semoga inovasi pemecahan solusi analitik ke depan bakal tampil makin mumpuni.

Tunggu apa lagi? Buat anda yang mau iseng-iseng nge-tes modelnya atau malah sekadar penasaran dengan kemampuannya, langsung saja kunjungi deretan referensi ini:

• Model Dasar: cahya/bert-base-indonesian-NER
• Versi Finetune: AptaArkana/indonesian_bert_base_NER_indoNLU

Artikel review ini adalah bagian dari hobi tulis menulis rutinitas saya belaka. Ke depannya, saya harap bisa belajar dan menyuguhkan variasi bahasan coding hingga review hal teknologi asik lainnya buat teman-teman pembaca. 😊 Terimakasih!