Add new SentenceTransformer model

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+tokenizer.json filter=lfs diff=lfs merge=lfs -text

1_Pooling/config.json

@@ -0,0 +1,10 @@
+{
+    "word_embedding_dimension": 768,
+    "pooling_mode_cls_token": false,
+    "pooling_mode_mean_tokens": true,
+    "pooling_mode_max_tokens": false,
+    "pooling_mode_mean_sqrt_len_tokens": false,
+    "pooling_mode_weightedmean_tokens": false,
+    "pooling_mode_lasttoken": false,
+    "include_prompt": true
+}

2_Dense/config.json

@@ -0,0 +1,6 @@
+{
+    "in_features": 768,
+    "out_features": 3072,
+    "bias": false,
+    "activation_function": "torch.nn.modules.linear.Identity"
+}

2_Dense/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:50eeab9116dd480e7069c8739e7b6c7341b637b0ccc40c98048f4472f5d6dd4e
+size 9437272

3_Dense/config.json

@@ -0,0 +1,6 @@
+{
+    "in_features": 3072,
+    "out_features": 768,
+    "bias": false,
+    "activation_function": "torch.nn.modules.linear.Identity"
+}

3_Dense/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:2c6af6516d363fd9595260eb759565025535c3c274da8440f3dcf1c924cbf7d0
+size 9437272

README.md

@@ -0,0 +1,534 @@
+---
+tags:
+- sentence-transformers
+- sentence-similarity
+- feature-extraction
+- dense
+- generated_from_trainer
+- dataset_size:2004
+- loss:MultipleNegativesRankingLoss
+base_model: google/embeddinggemma-300m
+widget:
+- source_sentence: 'query: Seorang pria bernama Eko Santoso di Kota Semarang pada
+    tahun 2024 secara terang-terangan di hadapan kerumunan massa di alun-alun kota
+    menyampaikan orasi yang berisi hasutan untuk melakukan diskriminasi terhadap penganut
+    agama tertentu yang ada di Indonesia, dengan menyatakan bahwa agama tersebut adalah
+    ancaman dan harus dilawan. Pernyataan tersebut disampaikan secara langsung di
+    muka umum dan direkam oleh banyak orang. Pasal apa yang tepat dikenakan kepada
+    Eko Santoso?'
+  sentences:
+  - 'passage: Ya, karena mantan pejabat yang tanpa izin dari pejabat berwenang menahan
+    atau tetap menyimpan surat dinas yang ada padanya setelah tidak lagi menjabat
+    dapat dipidana penjara paling lama 6 bulan atau denda paling banyak kategori II.
+    (Pasal 541 KUHP)'
+  - 'passage: Pasal 300: Setiap Orang Di Muka Umum yang: a. melakukan perbuatan yang
+    bersifat permusuhan; b. menyatakan kebencian atau permusuhan; atau c. menghasut
+    untuk melakukan Kekerasan, atau diskriminasi, terhadap agama, kepercayaan orang
+    lain, golongan, atau kelompok atas dasar agama atau kepercayaan di Indonesia,
+    dipidana dengan pidana penjara paling lama 3 (tiga) tahun atau pidana denda paling
+    banyak kategori IV.. Pasal ini berlaku karena Eko Santoso secara Di Muka Umum
+    menyatakan kebencian dan menghasut untuk melakukan diskriminasi terhadap penganut
+    agama tertentu di Indonesia berdasarkan agama mereka, yang secara langsung memenuhi
+    unsur tindak pidana dalam Pasal 300 KUHP 2023..'
+  - 'passage: Pasal 301: (1) Setiap Orang yang menyiarkan, mempertunjukkan, menempelkan
+    tulisan atau gambar, atau memperdengarkan suatu rekaman, termasuk menyebarluaskan
+    melalui sarana teknologi informasi yang berisi Tindak Pidana sebagaimana dimaksud
+    dalam Pasal 300, dengan maksud agar isi tulisan, gambar, atau rekaman tersebut
+    diketahui atau lebih diketahui oleh umum, dipidana dengan pidana penjara paling
+    lama 5 (lima) tahun atau pidana denda paling banyak kategori V. (2) Jika Setiap
+    Orang sebagaimana dimaksud pada ayat (1) melakukan perbuatan tersebut dalam menjalankan
+    profesinya dan pada waktu itu belum lewat 2 (dua) tahun sejak adanya putusan pemidanaan
+    yang telah memperoleh kekuatan hukum tetap karena melakukan Tindak Pidana yang
+    sama, dapat dijatuhi pidana tambahan berupa pencabutan hak sebagaimana dimaksud
+    dalam Pasal 86 huruf f.. Pasal ini mengatur penyebarluasan melalui media konten
+    yang memuat tindak pidana Pasal 300, merupakan pasal turunan dari Pasal 300 bukan
+    pasal induk kebencian berbasis agama itu sendiri..'
+- source_sentence: 'query: Dimas Pratama, seorang mantan karyawan IT perusahaan swasta
+    di Jakarta, pada tahun 2023 secara diam-diam memasang perangkat lunak penyadap
+    pada server perusahaan PT Maju Sejahtera tanpa izin. Melalui perangkat tersebut,
+    Dimas berhasil merekam dan mengakses transmisi email internal serta dokumen elektronik
+    rahasia yang tidak bersifat publik milik direksi perusahaan. Ia kemudian menyebarluaskan
+    rekaman percakapan tersebut kepada kompetitor bisnis. Setelah dilaporkan, penyidik
+    menemukan bukti kegiatan penyadapan dan penyebaran informasi rahasia yang dilakukan
+    Dimas. Pasal apa yang dapat dikenakan kepada Dimas Pratama?'
+  sentences:
+  - 'passage: Pasal 258: (1) Setiap Orang yang secara melawan hukum mendengarkan,
+    merekam, membelokkan, mengubah, menghambat, dan/atau mencatat transmisi Informasi
+    Elektronik dan/atau Dokumen Elektronik yang tidak bersifat publik, baik menggunakan
+    jaringan kabel komunikasi maupun jaringan nirkabel, dipidana dengan pidana penjara
+    paling lama 10 (sepuluh) tahun atau pidana denda paling banyak kategori VI. (2)
+    Setiap Orang yang menyiarkan atau menyebarluaskan hasil pembicaraan atau perekaman
+    sebagaimana dimaksud pada ayat (1), dipidana dengan pidana penjara paling lama
+    10 (sepuluh) tahun atau pidana denda paling banyak kategori VI.. Pasal ini berlaku
+    karena Dimas Pratama telah secara melawan hukum merekam dan mencatat transmisi
+    Informasi Elektronik dan Dokumen Elektronik yang tidak bersifat publik milik PT
+    Maju Sejahtera melalui jaringan komunikasi (ayat 1), dan kemudian menyebarluaskan
+    hasil perekaman tersebut kepada pihak lain (ayat 2), yang keduanya merupakan perbuatan
+    yang dilarang dalam Pasal 258 KUHP 2023..'
+  - 'passage: Membuat dan menyebarluaskan pornografi melalui media sosial dapat dipidana
+    penjara paling singkat 6 bulan dan paling lama 10 tahun atau denda kategori IV
+    sampai VI. (Pasal 407 ayat (1) KUHP)'
+  - 'passage: Pasal 407: (1) Setiap Orang yang memproduksi, membuat, memperbanyak,
+    menggandakan, menyebarluaskan, menyiarkan, mengimpor, mengekspor, menawarkan,
+    memperjualbelikan, menyewakan, atau menyediakan Pornografi, dipidana dengan pidana
+    penjara paling singkat 6 (enam) Bulan dan pidana penjara paling lama 10 (sepuluh)
+    tahun atau pidana denda paling sedikit kategori IV dan pidana denda paling banyak
+    kategori VI. (2) Perbuatan sebagaimana dimaksud pada ayat (1) tidak dipidana jika
+    merupakan karya seni, budaya, olahraga, kesehatan, dan/atau ilmu pengetahuan..
+    Pasal ini mengatur produksi dan distribusi konten pornografi, yang berbeda dengan
+    penyadapan dan penyebaran informasi elektronik yang tidak bersifat publik..'
+- source_sentence: 'query: Apa artinya menimbulkan persangkaan palsu dalam KUHP?'
+  sentences:
+  - 'passage: Pengaduan fitnah adalah mengajukan pengaduan atau pemberitahuan palsu
+    secara tertulis kepada pejabat yang berwenang sehingga kehormatan orang lain diserang.
+    (Pasal 437 ayat (1) KUHP)'
+  - 'passage: Menimbulkan persangkaan palsu adalah melakukan suatu perbuatan yang
+    menyebabkan orang lain disangka telah melakukan suatu tindak pidana, padahal sebenarnya
+    tidak. (Pasal 438 KUHP)'
+  - 'passage: Ya, karena pejabat di lembaga pengangkutan surat atau barang yang menyerahkan
+    surat, kartu pos, barang, atau paket kepada orang yang tidak berhak menerimanya,
+    atau merusak, memusnahkan, mengubah isi, maupun mengambil barang di dalamnya untuk
+    diri sendiri, dapat dipidana penjara paling lama 5 tahun atau denda paling banyak
+    kategori IV. (Pasal 537 KUHP)'
+- source_sentence: 'query: Kalau saya kasih hadiah ke pejabat karena berharap dia
+    gunakan wewenangnya untuk bantu urusan saya, apakah saya bisa kena Pasal 606?'
+  sentences:
+  - 'passage: Bisa, karena pasal ini melarang pemberian hadiah atau janji kepada pegawai
+    negeri atau penyelenggara negara yang dikaitkan dengan kekuasaan atau wewenang
+    yang melekat pada jabatan atau kedudukannya, meski tanpa permintaan eksplisit
+    dari pejabat tersebut. (Pasal 606 KUHP)'
+  - 'passage: Pasal 471: (1) Selain penganiayaan sebagaimana dimaksud dalam Pasal
+    467 dan Pasal 470, penganiayaan yang tidak menimbulkan penyakit atau halangan
+    untuk menjalankan profesi jabatan atau mata pencaharian, dipidana karena penganiayaan
+    ringan, dengan pidana penjara paling lama 6 (enam) Bulan atau pidana denda paling
+    banyak kategori II. (2) Jika Tindak Pidana sebagaimana dimaksud pada ayat (1)
+    dilakukan terhadap orang yang bekerja padanya atau menjadi bawahannya, pidananya
+    dapat ditambah 1/3 (satu per tiga). (3) Percobaan melakukan Tindak Pidana sebagaimana
+    dimaksud pada ayat (1), tidak dipidana. Pasal ini berlaku karena pukulan Ronald
+    yang tidak menimbulkan penyakit atau halangan bekerja, serta dilakukan terhadap
+    bawahan, memenuhi unsur penganiayaan ringan dengan pemberatan pidana pada ayat
+    (1) dan ayat (2).'
+  - 'passage: Bisa, pasal ini melarang setiap orang yang secara melawan hukum melakukan
+    tindakan memperkaya dirinya, pihak lain, maupun korporasi sehingga mengakibatkan
+    kerugian pada keuangan negara. (Pasal 603 KUHP)'
+- source_sentence: 'query: Di Bandung, seorang dokter bedah bernama Dr. Lestari melakukan
+    operasi pada pasien bernama Tn. Agus. Karena kurang teliti dalam memeriksa alat
+    operasi, Dr. Lestari menyebabkan komplikasi serius yang mengakibatkan Tn. Agus
+    mengalami cacat permanen dan tidak dapat bekerja lagi sebagai tukang bangunan.
+    Pasal apa yang dapat dikenakan kepada Dr. Lestari?'
+  sentences:
+  - 'passage: Pasal 459: Setiap Orang yang dengan rencana terlebih dahulu merampas
+    nyawa orang lain, dipidana karena pembunuhan berencana, dengan pidana mati atau
+    pidana penjara seumur hidup atau pidana penjara paling lama 20 (dua puluh) tahun.
+    Pasal ini mengatur pembunuhan dengan unsur perencanaan atau premeditasi.'
+  - 'passage: Pasal 475: (1) Jika Tindak Pidana sebagaimana dimaksud dalam Pasal 474
+    dilakukan dalam menjalankan jabatan, mata pencaharian, atau profesi, pidananya
+    dapat ditambah 1/3 (satu per tiga). (2) Setiap Orang sebagaimana dimaksud pada
+    ayat (1) dapat juga dijatuhi pidana tambahan berupa pengumuman putusan hakim sebagaimana
+    dimaksud dalam Pasal 66 ayat (1) huruf c dan pencabutan hak sebagaimana dimaksud
+    dalam Pasal 86 huruf f. Pasal ini berlaku karena kasus tersebut melibatkan kelalaian
+    dalam menjalankan profesi medis yang mengakibatkan Luka Berat, sehingga merupakan
+    aggravating circumstance dari Pasal 474 yang diatur dalam Pasal 475.'
+  - 'passage: Pasal 448: (1) Dipidana dengan pidana penjara paling lama 1 (satu) tahun
+    atau pidana denda paling banyak kategori II, Setiap Orang yang: a. secara melawan
+    hukum memaksa orang lain supaya melakukan, tidak melakukan, atau membiarkan sesuatu,
+    dengan Kekerasan atau Ancaman Kekerasan, baik terhadap orang itu sendiri maupun
+    orang lain; atau b. memaksa orang lain supaya melakukan, tidak melakukan, atau
+    membiarkan sesuatu dengan ancaman pencemaran atau pencemaran tertulis. (2) Tindak
+    Pidana sebagaimana dimaksud pada ayat (1) huruf b hanya dapat dituntut atas pengaduan
+    dari Korban Tindak Pidana. Pasal ini berlaku karena Bram Sulistyo memaksa Andi
+    Firmansyah untuk melakukan sesuatu (mencabut laporan ketenagakerjaan) dengan ancaman
+    pencemaran nama baik (ancaman membocorkan aib pribadi), yang memenuhi unsur tindak
+    pidana dalam Pasal 448 ayat (1) huruf b KUHP 2023. Karena menggunakan ancaman
+    pencemaran, tindak pidana ini merupakan delik aduan sebagaimana Pasal 448 ayat
+    (2)'
+pipeline_tag: sentence-similarity
+library_name: sentence-transformers
+metrics:
+- cosine_accuracy
+model-index:
+- name: SentenceTransformer based on google/embeddinggemma-300m
+  results:
+  - task:
+      type: triplet
+      name: Triplet
+    dataset:
+      name: val
+      type: val
+    metrics:
+    - type: cosine_accuracy
+      value: 0.9608802199363708
+      name: Cosine Accuracy
+  - task:
+      type: triplet
+      name: Triplet
+    dataset:
+      name: test
+      type: test
+    metrics:
+    - type: cosine_accuracy
+      value: 0.9560975432395935
+      name: Cosine Accuracy
+---
+
+# SentenceTransformer based on google/embeddinggemma-300m
+
+This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [google/embeddinggemma-300m](https://huggingface.co/google/embeddinggemma-300m). It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
+
+## Model Details
+
+### Model Description
+- **Model Type:** Sentence Transformer
+- **Base model:** [google/embeddinggemma-300m](https://huggingface.co/google/embeddinggemma-300m) <!-- at revision 57c266a740f537b4dc058e1b0cda161fd15afa75 -->
+- **Maximum Sequence Length:** 2048 tokens
+- **Output Dimensionality:** 768 dimensions
+- **Similarity Function:** Cosine Similarity
+<!-- - **Training Dataset:** Unknown -->
+<!-- - **Language:** Unknown -->
+<!-- - **License:** Unknown -->
+
+### Model Sources
+
+- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
+- **Repository:** [Sentence Transformers on GitHub](https://github.com/huggingface/sentence-transformers)
+- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
+
+### Full Model Architecture
+
+```
+SentenceTransformer(
+  (0): Transformer({'max_seq_length': 2048, 'do_lower_case': False, 'architecture': 'Gemma3TextModel'})
+  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
+  (2): Dense({'in_features': 768, 'out_features': 3072, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
+  (3): Dense({'in_features': 3072, 'out_features': 768, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
+  (4): Normalize()
+)
+```
+
+## Usage
+
+### Direct Usage (Sentence Transformers)
+
+First install the Sentence Transformers library:
+
+```bash
+pip install -U sentence-transformers
+```
+
+Then you can load this model and run inference.
+```python
+from sentence_transformers import SentenceTransformer
+
+# Download from the 🤗 Hub
+model = SentenceTransformer("TextModel/gemma-embedding-kuhp-indo")
+# Run inference
+queries = [
+    "query: Di Bandung, seorang dokter bedah bernama Dr. Lestari melakukan operasi pada pasien bernama Tn. Agus. Karena kurang teliti dalam memeriksa alat operasi, Dr. Lestari menyebabkan komplikasi serius yang mengakibatkan Tn. Agus mengalami cacat permanen dan tidak dapat bekerja lagi sebagai tukang bangunan. Pasal apa yang dapat dikenakan kepada Dr. Lestari?",
+]
+documents = [
+    'passage: Pasal 475: (1) Jika Tindak Pidana sebagaimana dimaksud dalam Pasal 474 dilakukan dalam menjalankan jabatan, mata pencaharian, atau profesi, pidananya dapat ditambah 1/3 (satu per tiga). (2) Setiap Orang sebagaimana dimaksud pada ayat (1) dapat juga dijatuhi pidana tambahan berupa pengumuman putusan hakim sebagaimana dimaksud dalam Pasal 66 ayat (1) huruf c dan pencabutan hak sebagaimana dimaksud dalam Pasal 86 huruf f. Pasal ini berlaku karena kasus tersebut melibatkan kelalaian dalam menjalankan profesi medis yang mengakibatkan Luka Berat, sehingga merupakan aggravating circumstance dari Pasal 474 yang diatur dalam Pasal 475.',
+    'passage: Pasal 459: Setiap Orang yang dengan rencana terlebih dahulu merampas nyawa orang lain, dipidana karena pembunuhan berencana, dengan pidana mati atau pidana penjara seumur hidup atau pidana penjara paling lama 20 (dua puluh) tahun. Pasal ini mengatur pembunuhan dengan unsur perencanaan atau premeditasi.',
+    'passage: Pasal 448: (1) Dipidana dengan pidana penjara paling lama 1 (satu) tahun atau pidana denda paling banyak kategori II, Setiap Orang yang: a. secara melawan hukum memaksa orang lain supaya melakukan, tidak melakukan, atau membiarkan sesuatu, dengan Kekerasan atau Ancaman Kekerasan, baik terhadap orang itu sendiri maupun orang lain; atau b. memaksa orang lain supaya melakukan, tidak melakukan, atau membiarkan sesuatu dengan ancaman pencemaran atau pencemaran tertulis. (2) Tindak Pidana sebagaimana dimaksud pada ayat (1) huruf b hanya dapat dituntut atas pengaduan dari Korban Tindak Pidana. Pasal ini berlaku karena Bram Sulistyo memaksa Andi Firmansyah untuk melakukan sesuatu (mencabut laporan ketenagakerjaan) dengan ancaman pencemaran nama baik (ancaman membocorkan aib pribadi), yang memenuhi unsur tindak pidana dalam Pasal 448 ayat (1) huruf b KUHP 2023. Karena menggunakan ancaman pencemaran, tindak pidana ini merupakan delik aduan sebagaimana Pasal 448 ayat (2)',
+]
+query_embeddings = model.encode_query(queries)
+document_embeddings = model.encode_document(documents)
+print(query_embeddings.shape, document_embeddings.shape)
+# [1, 768] [3, 768]
+
+# Get the similarity scores for the embeddings
+similarities = model.similarity(query_embeddings, document_embeddings)
+print(similarities)
+# tensor([[ 0.5937, -0.0470,  0.0099]])
+```
+
+<!--
+### Direct Usage (Transformers)
+
+<details><summary>Click to see the direct usage in Transformers</summary>
+
+</details>
+-->
+
+<!--
+### Downstream Usage (Sentence Transformers)
+
+You can finetune this model on your own dataset.
+
+<details><summary>Click to expand</summary>
+
+</details>
+-->
+
+<!--
+### Out-of-Scope Use
+
+*List how the model may foreseeably be misused and address what users ought not to do with the model.*
+-->
+
+## Evaluation
+
+### Metrics
+
+#### Triplet
+
+* Datasets: `val` and `test`
+* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
+
+| Metric              | val        | test       |
+|:--------------------|:-----------|:-----------|
+| **cosine_accuracy** | **0.9609** | **0.9561** |
+
+<!--
+## Bias, Risks and Limitations
+
+*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
+-->
+
+<!--
+### Recommendations
+
+*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
+-->
+
+## Training Details
+
+### Training Dataset
+
+#### Unnamed Dataset
+
+* Size: 2,004 training samples
+* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
+* Approximate statistics based on the first 1000 samples:
+  |         | anchor                                                                            | positive                                                                            | negative                                                                            |
+  |:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
+  | type    | string                                                                            | string                                                                              | string                                                                              |
+  | details | <ul><li>min: 16 tokens</li><li>mean: 28.3 tokens</li><li>max: 65 tokens</li></ul> | <ul><li>min: 23 tokens</li><li>mean: 60.41 tokens</li><li>max: 129 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 50.38 tokens</li><li>max: 119 tokens</li></ul> |
+* Samples:
+  | anchor                                                                                                                                                                                                                                                                      | positive                                                                                                                                                                                                                                                                                                     | negative                                                                                                                                                                                                                                                                                                                                                  |
+  |:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>query: Kalo mau lapor ke polisi soal pencemaran nama baik, apa emang harus nunggu korban datang lapor sendiri atau polisi bisa langsung tangkap pelakunya?</code>                                                                                                     | <code>passage: Pasal 24: Dalam hal tertentu, pelaku Tindak Pidana hanya dapat dituntut atas dasar pengaduan. Tindak Pidana aduan harus ditentukan secara tegas dalam Undang-Undang.</code>                                                                                                                   | <code>passage: Pasal 28: Pengaduan dilakukan dengan cara menyampaikan pemberitahuan dan permohonan untuk dituntut. Pengaduan sebagaimana dimaksud diajukan secara lisan atau tertulis kepada Pejabat yang berwenang.</code>                                                                                                                               |
+  | <code>query: Anak saya yang masih 14 tahun kena aniaya sama tetangga, saya sebagai bapaknya yang lapor polisi. Tapi ternyata Anak saya yang masih 14 tahun kena aniaya, saya sebagai bapaknya yang mau lapor polisi. Apakah saya berhak melapor mewakili anak saya??</code> | <code>passage: Pasal 25: Dalam hal Korban Tindak Pidana aduan belum berumur 16 tahun, yang berhak mengadu merupakan Orang Tua atau walinya. Dalam hal Orang Tua atau wali tidak ada atau Orang Tua/wali itu sendiri yang harus diadukan, pengaduan dilakukan oleh keluarga sedarah dalam garis lurus.</code> | <code>passage: Pasal 26: Dalam hal Korban Tindak Pidana aduan berada di bawah pengampuan, yang berhak mengadu merupakan pengampunya, kecuali bagi Korban yang berada dalam pengampuan karena boros. Jika pengampu tidak ada atau pengampu itu sendiri yang harus diadukan, pengaduan dilakukan oleh suami/istri atau keluarga sedarah.</code>             |
+  | <code>query: Saya kemarin udah lapor polisi soal kejadian yang menimpa saya, tapi sekarang saya udah maafin pelakunya dan mau cabut laporan. Apa yang bakal terjadi sama perkara ini?</code>                                                                                | <code>passage: Pasal 30: Pengaduan dapat ditarik kembali oleh pengadu dalam waktu 3 Bulan terhitung sejak tanggal pengaduan diajukan. Pengaduan yang ditarik kembali tidak dapat diajukan lagi.</code>                                                                                                       | <code>passage: Pasal 29: Pengaduan harus diajukan dalam tenggang waktu 6 Bulan terhitung sejak tanggal orang yang berhak mengadu mengetahui adanya Tindak Pidana jika bertempat tinggal di wilayah NKRI. Jika yang berhak mengadu lebih dari 1 orang, tenggang waktu dihitung sejak tanggal masing-masing pengadu mengetahui adanya Tindak Pidana.</code> |
+* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
+  ```json
+  {
+      "scale": 20.0,
+      "similarity_fct": "cos_sim",
+      "gather_across_devices": false
+  }
+  ```
+
+### Evaluation Dataset
+
+#### Unnamed Dataset
+
+* Size: 409 evaluation samples
+* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
+* Approximate statistics based on the first 409 samples:
+  |         | anchor                                                                              | positive                                                                             | negative                                                                            |
+  |:--------|:------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
+  | type    | string                                                                              | string                                                                               | string                                                                              |
+  | details | <ul><li>min: 14 tokens</li><li>mean: 52.59 tokens</li><li>max: 138 tokens</li></ul> | <ul><li>min: 27 tokens</li><li>mean: 109.49 tokens</li><li>max: 643 tokens</li></ul> | <ul><li>min: 23 tokens</li><li>mean: 86.18 tokens</li><li>max: 615 tokens</li></ul> |
+* Samples:
+  | anchor                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                 | positive                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                 | negative                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                 |
+  |:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+  | <code>query: Berapa hukuman untuk menyatakan kebencian terhadap suku tertentu di depan orang banyak?</code>                                                                                                                                                                                                                                                                                                                                                                                                                                            | <code>passage: Orang yang menyatakan kebencian terhadap suatu suku atau golongan penduduk di depan umum dapat dihukum penjara paling lama 3 tahun atau denda paling banyak kategori IV. (Pasal 242 KUHP)</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                          | <code>passage: Orang yang menyatakan kebencian terhadap suatu golongan agama atau kepercayaan tertentu di depan umum dapat dihukum penjara paling lama 3 tahun atau denda paling banyak kategori IV. (Pasal 300 KUHP)</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                             |
+  | <code>query: Arief Budiman, warga Kota Semarang, pada bulan Maret 2024 secara lisan menyampaikan tuduhan kepada sejumlah tetangganya bahwa DR. Santi Rahayu, seorang dokter terhormat di lingkungan mereka, terlibat dalam praktik penipuan pasien. Pernyataan tersebut diucapkan di depan warga dalam rapat RT dengan tujuan agar tuduhan tersebut diketahui umum. Pernyataan Arief tidak disertai bukti apapun dan terbukti tidak benar. DR. Santi merasa nama baiknya sangat dirugikan. Pasal apa yang dapat dikenakan kepada Arief Budiman?</code> | <code>passage: Pasal 433: (1) Setiap Orang yang dengan lisan menyerang kehormatan atau nama baik orang lain dengan cara menuduhkan suatu hal, dengan maksud supaya hal tersebut diketahui umum, dipidana karena pencemaran, dengan pidana penjara paling lama 9 (sembilan) Bulan atau pidana denda paling banyak kategori II. (2) Jika perbuatan sebagaimana dimaksud pada ayat (1) dilakukan dengan tulisan atau gambar yang disiarkan, dipertunjukkan, atau ditempelkan di tempat umum, dipidana karena pencemaran tertulis, dengan pidana penjara paling lama 1 (satu) tahun 6 (enam) Bulan atau pidana denda paling banyak kategori III.. Pasal ini berlaku karena Arief Budiman secara lisan menyerang kehormatan dan nama baik DR. Santi Rahayu dengan cara menuduhkan suatu hal (keterlibatan dalam penipuan pasien) dengan maksud agar hal tersebut diketahui umum, yang tepat masuk dalam kualifikasi pencemaran sebagaimana diatur dalam Pasal 433 ayat (1) KUHP 2023..</code> | <code>passage: Pasal 434: (1) Jika Setiap Orang sebagaimana dimaksud dalam Pasal 433 diberi kesempatan membuktikan kebenaran hal yang dituduhkan tetapi tidak dapat membuktikannya, dan tuduhan tersebut bertentangan dengan yang diketahuinya, dipidana karena fitnah, dengan pidana penjara paling lama 3 (tiga) tahun atau pidana denda paling banyak kategori IV. (2) Pembuktian kebenaran tuduhan sebagaimana dimaksud pada ayat (1), hanya dapat dilakukan dalam hal: a. hakim memandang perlu untuk memeriksa kebenaran tuduhan tersebut guna mempertimbangkan keterangan terdakwa bahwa terdakwa melakukan perbuatan tersebut untuk kepentingan umum atau karena terpaksa untuk membela diri; atau b. Pejabat dituduh melakukan suatu hal dalam menjalankan tugas jabatannya.. Pasal ini mengatur fitnah, yaitu pencemaran di mana pelaku diberikan kesempatan membuktikan kebenaran tuduhan tetapi tidak dapat membuktikannya dan tuduhan bertentangan dengan yang diketahuinya, merupakan kualifikasi lebih berat dari pencemaran bi...</code> |
+  | <code>query: Kalau orang yang saya tuduh dibebaskan pengadilan, apakah itu otomatis jadi bukti kalau tuduhan saya salah?</code>                                                                                                                                                                                                                                                                                                                                                                                                                        | <code>passage: Ya, jika putusan pengadilan yang telah berkekuatan hukum tetap menyatakan orang yang dihina dibebaskan dari hal yang dituduhkan, putusan tersebut dianggap sebagai bukti sempurna bahwa hal yang dituduhkan tidak benar. (Pasal 435 ayat (2) KUHP)</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                 | <code>passage: Jika tuduhan tersebut hanya dapat dituntut atas pengaduan dan pengaduan tidak diajukan, maka pembuktian kebenaran tuduhan tidak dapat dilakukan meskipun ada bukti lain. (Pasal 434 ayat (3) KUHP)</code>                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                 |
+* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
+  ```json
+  {
+      "scale": 20.0,
+      "similarity_fct": "cos_sim",
+      "gather_across_devices": false
+  }
+  ```
+
+### Training Hyperparameters
+#### Non-Default Hyperparameters
+
+- `eval_strategy`: epoch
+- `per_device_train_batch_size`: 4
+- `per_device_eval_batch_size`: 4
+- `gradient_accumulation_steps`: 4
+- `learning_rate`: 1e-05
+- `weight_decay`: 0.01
+- `num_train_epochs`: 4
+- `warmup_ratio`: 0.3
+- `warmup_steps`: 0.3
+- `fp16`: True
+- `load_best_model_at_end`: True
+- `dataloader_pin_memory`: False
+- `gradient_checkpointing`: True
+- `batch_sampler`: no_duplicates
+
+#### All Hyperparameters
+<details><summary>Click to expand</summary>
+
+- `do_predict`: False
+- `eval_strategy`: epoch
+- `prediction_loss_only`: True
+- `per_device_train_batch_size`: 4
+- `per_device_eval_batch_size`: 4
+- `gradient_accumulation_steps`: 4
+- `eval_accumulation_steps`: None
+- `torch_empty_cache_steps`: None
+- `learning_rate`: 1e-05
+- `weight_decay`: 0.01
+- `adam_beta1`: 0.9
+- `adam_beta2`: 0.999
+- `adam_epsilon`: 1e-08
+- `max_grad_norm`: 1.0
+- `num_train_epochs`: 4
+- `max_steps`: -1
+- `lr_scheduler_type`: linear
+- `lr_scheduler_kwargs`: None
+- `warmup_ratio`: 0.3
+- `warmup_steps`: 0.3
+- `log_level`: passive
+- `log_level_replica`: warning
+- `log_on_each_node`: True
+- `logging_nan_inf_filter`: True
+- `enable_jit_checkpoint`: False
+- `save_on_each_node`: False
+- `save_only_model`: False
+- `restore_callback_states_from_checkpoint`: False
+- `use_cpu`: False
+- `seed`: 42
+- `data_seed`: None
+- `bf16`: False
+- `fp16`: True
+- `bf16_full_eval`: False
+- `fp16_full_eval`: False
+- `tf32`: None
+- `local_rank`: -1
+- `ddp_backend`: None
+- `debug`: []
+- `dataloader_drop_last`: False
+- `dataloader_num_workers`: 0
+- `dataloader_prefetch_factor`: None
+- `disable_tqdm`: False
+- `remove_unused_columns`: True
+- `label_names`: None
+- `load_best_model_at_end`: True
+- `ignore_data_skip`: False
+- `fsdp`: []
+- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
+- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
+- `parallelism_config`: None
+- `deepspeed`: None
+- `label_smoothing_factor`: 0.0
+- `optim`: adamw_torch_fused
+- `optim_args`: None
+- `group_by_length`: False
+- `length_column_name`: length
+- `project`: huggingface
+- `trackio_space_id`: trackio
+- `ddp_find_unused_parameters`: None
+- `ddp_bucket_cap_mb`: None
+- `ddp_broadcast_buffers`: False
+- `dataloader_pin_memory`: False
+- `dataloader_persistent_workers`: False
+- `skip_memory_metrics`: True
+- `push_to_hub`: False
+- `resume_from_checkpoint`: None
+- `hub_model_id`: None
+- `hub_strategy`: every_save
+- `hub_private_repo`: None
+- `hub_always_push`: False
+- `hub_revision`: None
+- `gradient_checkpointing`: True
+- `gradient_checkpointing_kwargs`: None
+- `include_for_metrics`: []
+- `eval_do_concat_batches`: True
+- `auto_find_batch_size`: False
+- `full_determinism`: False
+- `ddp_timeout`: 1800
+- `torch_compile`: False
+- `torch_compile_backend`: None
+- `torch_compile_mode`: None
+- `include_num_input_tokens_seen`: no
+- `neftune_noise_alpha`: None
+- `optim_target_modules`: None
+- `batch_eval_metrics`: False
+- `eval_on_start`: False
+- `use_liger_kernel`: False
+- `liger_kernel_config`: None
+- `eval_use_gather_object`: False
+- `average_tokens_across_devices`: True
+- `use_cache`: False
+- `prompts`: None
+- `batch_sampler`: no_duplicates
+- `multi_dataset_batch_sampler`: proportional
+- `router_mapping`: {}
+- `learning_rate_mapping`: {}
+
+</details>
+
+### Training Logs
+| Epoch   | Step    | Training Loss | Validation Loss | val_cosine_accuracy | test_cosine_accuracy |
+|:-------:|:-------:|:-------------:|:---------------:|:-------------------:|:--------------------:|
+| -1      | -1      | -             | -               | 0.9218              | 0.9000               |
+| 1.0     | 63      | 0.3562        | 0.2100          | 0.9584              | -                    |
+| 2.0     | 126     | 0.1233        | 0.2214          | 0.9462              | -                    |
+| **3.0** | **189** | **0.0562**    | **0.2024**      | **0.9609**          | **-**                |
+| 4.0     | 252     | 0.0221        | 0.1882          | 0.9560              | -                    |
+| -1      | -1      | -             | -               | 0.9609              | 0.9561               |
+
+* The bold row denotes the saved checkpoint.
+
+### Framework Versions
+- Python: 3.12.12
+- Sentence Transformers: 5.2.3
+- Transformers: 5.0.0
+- PyTorch: 2.10.0+cu128
+- Accelerate: 1.12.0
+- Datasets: 4.8.3
+- Tokenizers: 0.22.2
+
+## Citation
+
+### BibTeX
+
+#### Sentence Transformers
+```bibtex
+@inproceedings{reimers-2019-sentence-bert,
+    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
+    author = "Reimers, Nils and Gurevych, Iryna",
+    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
+    month = "11",
+    year = "2019",
+    publisher = "Association for Computational Linguistics",
+    url = "https://arxiv.org/abs/1908.10084",
+}
+```
+
+#### MultipleNegativesRankingLoss
+```bibtex
+@misc{henderson2017efficient,
+    title={Efficient Natural Language Response Suggestion for Smart Reply},
+    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
+    year={2017},
+    eprint={1705.00652},
+    archivePrefix={arXiv},
+    primaryClass={cs.CL}
+}
+```
+
+<!--
+## Glossary
+
+*Clearly define terms in order to be accessible across audiences.*
+-->
+
+<!--
+## Model Card Authors
+
+*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
+-->
+
+<!--
+## Model Card Contact
+
+*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
+-->

config.json

@@ -0,0 +1,68 @@
+{
+  "_sliding_window_pattern": 6,
+  "architectures": [
+    "Gemma3TextModel"
+  ],
+  "attention_bias": false,
+  "attention_dropout": 0.0,
+  "attn_logit_softcapping": null,
+  "bos_token_id": 2,
+  "dtype": "float32",
+  "eos_token_id": 1,
+  "final_logit_softcapping": null,
+  "head_dim": 256,
+  "hidden_activation": "gelu_pytorch_tanh",
+  "hidden_size": 768,
+  "initializer_range": 0.02,
+  "intermediate_size": 1152,
+  "layer_types": [
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention"
+  ],
+  "max_position_embeddings": 2048,
+  "model_type": "gemma3_text",
+  "num_attention_heads": 3,
+  "num_hidden_layers": 24,
+  "num_key_value_heads": 1,
+  "pad_token_id": 0,
+  "query_pre_attn_scalar": 256,
+  "rms_norm_eps": 1e-06,
+  "rope_parameters": {
+    "full_attention": {
+      "rope_theta": 1000000.0,
+      "rope_type": "default"
+    },
+    "sliding_attention": {
+      "rope_theta": 10000.0,
+      "rope_type": "default"
+    }
+  },
+  "sliding_window": 257,
+  "tie_word_embeddings": true,
+  "transformers_version": "5.0.0",
+  "use_bidirectional_attention": true,
+  "use_cache": true,
+  "vocab_size": 262144
+}

config_sentence_transformers.json

@@ -0,0 +1,26 @@
+{
+  "model_type": "SentenceTransformer",
+  "__version__": {
+    "sentence_transformers": "5.2.3",
+    "transformers": "5.0.0",
+    "pytorch": "2.10.0+cu128"
+  },
+  "prompts": {
+    "query": "task: search result | query: ",
+    "document": "title: none | text: ",
+    "BitextMining": "task: search result | query: ",
+    "Clustering": "task: clustering | query: ",
+    "Classification": "task: classification | query: ",
+    "InstructionRetrieval": "task: code retrieval | query: ",
+    "MultilabelClassification": "task: classification | query: ",
+    "PairClassification": "task: sentence similarity | query: ",
+    "Reranking": "task: search result | query: ",
+    "Retrieval": "task: search result | query: ",
+    "Retrieval-query": "task: search result | query: ",
+    "Retrieval-document": "title: none | text: ",
+    "STS": "task: sentence similarity | query: ",
+    "Summarization": "task: summarization | query: "
+  },
+  "default_prompt_name": null,
+  "similarity_fn_name": "cosine"
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f240706a64a63615cc1b973d38519a22a0c9dadd1f6b4132f468f49a946f120a
+size 1211486072

modules.json

@@ -0,0 +1,32 @@
+[
+  {
+    "idx": 0,
+    "name": "0",
+    "path": "",
+    "type": "sentence_transformers.models.Transformer"
+  },
+  {
+    "idx": 1,
+    "name": "1",
+    "path": "1_Pooling",
+    "type": "sentence_transformers.models.Pooling"
+  },
+  {
+    "idx": 2,
+    "name": "2",
+    "path": "2_Dense",
+    "type": "sentence_transformers.models.Dense"
+  },
+  {
+    "idx": 3,
+    "name": "3",
+    "path": "3_Dense",
+    "type": "sentence_transformers.models.Dense"
+  },
+  {
+    "idx": 4,
+    "name": "4",
+    "path": "4_Normalize",
+    "type": "sentence_transformers.models.Normalize"
+  }
+]

sentence_bert_config.json

@@ -0,0 +1,4 @@
+{
+    "max_seq_length": 2048,
+    "do_lower_case": false
+}

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:37a36b975fbb51fe36f93e6d156cc4eefbce6d4209aee46c4575cbe9a6a1542e
+size 33385137

tokenizer_config.json

@@ -0,0 +1,24 @@
+{
+  "backend": "tokenizers",
+  "boi_token": "<start_of_image>",
+  "bos_token": "<bos>",
+  "clean_up_tokenization_spaces": false,
+  "eoi_token": "<end_of_image>",
+  "eos_token": "<eos>",
+  "image_token": "<image_soft_token>",
+  "is_local": false,
+  "mask_token": "<mask>",
+  "model_max_length": 2048,
+  "model_specific_special_tokens": {
+    "boi_token": "<start_of_image>",
+    "eoi_token": "<end_of_image>",
+    "image_token": "<image_soft_token>"
+  },
+  "pad_token": "<pad>",
+  "padding_side": "right",
+  "sp_model_kwargs": null,
+  "spaces_between_special_tokens": false,
+  "tokenizer_class": "GemmaTokenizer",
+  "unk_token": "<unk>",
+  "use_default_system_prompt": false
+}