exp_data_scale_1files / README.md

yosriku

Selesai. Test Accuracy: 0.9944

b867396 verified 4 months ago

preview code

raw

history blame contribute delete

26.2 kB

metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:1242
  - loss:MultipleNegativesRankingLoss
base_model: LazarusNLP/congen-indobert-lite-base
widget:
  - source_sentence: Ketiga Bagian Keempat Masuk ke Bagian Kedua kataphras kata
    sentences:
      - >-
        (4) Ketentuan lebih lanjut mengenai tata cara penetapan daya dukung dan
        daya tampung lingkungan hidup sebagaimana dimaksud pada ayat (3) diatur
        dalam peraturan pemerintah. BAB V PENGENDALIAN Bagian Kesatu Umum Pasal
        13 (1) Pengendalian pencemaran dan/atau kerusakan lingkungan hidup
        dilaksanakan dalam rangka pelestarian fungsi lingkungan hidup.
      - >-
        (2) Apabila dalam penyelesaian sengketa di luar pengadilan sebagaimana
        dimaksud pada ayat (1) tida k tercapai kesepakatan, para pihak yang
        bersengketa dapat mengajukannya ke pengadilan. Bagian Ketiga
        Penyelesaian Sengketa di Dalam Pengadilan Pasal 35 (1) Penyelesaian
        sengketa persampahan di dalam pengadilan dilakukan melalui gugatan
        perbuatan melawan hukum.
      - >-
        Jumlah pengunjung di Kawasan Wisata Pantai Parangtritis mencapai 9.870
        orang/hari 1. Sedangkan, sampah yang dihasilkan oleh para wisatawan rata
        -rata 1,5 – 2,0 ton per hari pada hari biasa, dan bisa mencapai 20 ton
        sampah per hari pada saat liburan seperli libur lebaran 2.
  - source_sentence: Bagaimana pandangan Anda mengenai ketersediaan sarana prasarana sampah?
    sentences:
      - >-
        Abstra ct Parangtritis Beach is a tourist attraction that is visited by
        many tourists. The number of tourists visiting during the 2018 holiday
        reached 9,870 people in one day.
      - >-
        organik. Hal ini berfungsi untuk mengolah sampah, baik itu organik
        maupun non organik, menjadi bahan yang lebih menguntungkan, seperti
        membuat pupuk kompos yang berasal dari sampah organik atau mendaur ulang
        sampah non organik menjadi benda seni. Selain menguntungkan dari segi
        ekonomi, hal tersebut akan mengurangi volume sampah yang dibuang ke TPA
        atau akan mengurangi volume sampah itu sendiri. Dengan berkurangnya
        volume sampah yang dibuang ke TPA maka akan menghemat lahan yang
        dibutuhkan untuk dijadikan TPA. Sehingga dampak lingkungan yang
        disebabkan oleh sampah akan ikut berkurang. Masyarakat di kawasan wisata
        Pantai Parangtritis telah menganggap bahwa
      - >-
        Amanat Undang-Unda ng Dasar tersebut memberikan konsekuensi bahwa
        pemerintah wajib memberikan pelayanan publik dalam pengelolaan sampah.
        Hal itu membaw a konsekuensi hukum bahwa pemerintah merupakan pihak yang
        berwenang dan bertanggung jawab di bidang pengelola an sampah meskipun
        secara operasional pengelolaannya dapat be rmitra dengan badan usaha.
  - source_sentence: Bagaimana jika kelalaian mengakibatkan orang mati?
    sentences:
      - >-
        36. Izin usaha dan/atau kegiatan adalah izin yang diterbitkan oleh
        instansi teknis untuk melakukan usaha dan/atau kegiatan. 37. Pemerintah
        pusat, yang selanjutnya disebut Pemerintah, adalah Presiden Republik
        Indonesia yang memegang kekuasaan pemerintahan Negara Republik Indonesia
        sebagaimana dimaksud dalam Undang-Undang Dasar Negara Republik Indonesia
        Tahun 1945. 38.
      - >-
        Rp2.000.000.000,00 (dua miliar rupiah) dan paling banyak
        Rp6.000.000.000,00 (enam miliar rupiah). (3) Apabila perbuatan
        sebagaimana dimaksud pada ayat (1) mengakibatkan orang luka berat atau
        mati, dipidana dengan pidana penjara paling singkat 3 (tiga) tahun dan
        paling lama 9 (sembilan) tahun dan denda paling sedikit
        Rp3.000.000.000,00 (tiga miliar rupiah) dan paling banyak
        Rp9.000.000.000,00 (sembilan miliar rupiah).
      - Sebutkan beberapa jenis destinasi wisata di Yogyakarta.
  - source_sentence: Penjelasan Pasal 43 Ayat 3 Huruf e f
    sentences:
      - >-
        Jumlah pengunjung di Kawasan Wisata Pantai Parangtritis mencapai 9.870
        orang/hari 1. Sedangkan, sampah yang dihasilkan oleh para wisatawan rata
        -rata 1,5 – 2,0 ton per hari pada hari biasa, dan bisa mencapai 20 ton
        sampah per hari pada saat liburan seperli libur lebaran 2.
      - >-
        kegiatan. Huruf e - 22 - Huruf e Yang dimaksud dengan “pembayaran jasa
        lingkungan hidup” adalah pembayaran/imbal yang diberikan oleh pemanfaat
        jasa lingkungan hidup kepada penyedia jasa lingkungan hidup
      - Ayat (3) Cukup jelas. Pasal 55 Cukup jelas. Pasal 56 Cukup jelas
  - source_sentence: Masukkan I KETENTUAN UMUM BAB I?
    sentences:
      - >-
        UNDANG-UNDANG TENTANG PENGELOLAAN SAM PAH. BAB I KETENTUAN UMUM Bagian
        Kesatu Definisi Pasal 1 Dalam Undang-Undang ini yang dimaksud dengan: 1.
        Sampah adalah sisa kegiatan sehari-hari manusia dan/atau proses alam
        yang berbentuk padat. 2.
      - >-
        Penelitian ini dilakukan dengan mengambil sampel dari satu populasi
        penduduk dan menggunakan kuisioner sebagai alat pengumpul data.
        Penelitian difokuskan di lapangan yang dimaksudkan untuk mengetahui
      - >-
        e. penempatan perusahaan di bawah pengampuan paling lama 3 (tiga) tahun.
        Pasal 120 (1) Dalam melaksanakan ketentuan sebagaimana dimaksud dalam
        Pasal 119 huruf a, huruf b, huruf c, dan huruf d, jaksa berkoordinasi
        dengan instansi yang bertanggung jawab di bidang perlindungan dan
        pengelolaan lingkungan hidup untuk melaksanakan eksekusi.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - cosine_accuracy
model-index:
  - name: SentenceTransformer based on LazarusNLP/congen-indobert-lite-base
    results:
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: retrieval validation
          type: retrieval-validation
        metrics:
          - type: cosine_accuracy
            value: 0.9887640476226807
            name: Cosine Accuracy
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: test
          type: test
        metrics:
          - type: cosine_accuracy
            value: 0.9943820238113403
            name: Cosine Accuracy

SentenceTransformer based on LazarusNLP/congen-indobert-lite-base

This is a sentence-transformers model finetuned from LazarusNLP/congen-indobert-lite-base. 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: LazarusNLP/congen-indobert-lite-base
Maximum Sequence Length: 32 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 32, 'do_lower_case': False}) with Transformer model: AlbertModel 
  (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': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("yosriku/exp_data_scale_1files")
# Run inference
sentences = [
    'Masukkan I KETENTUAN UMUM BAB I?',
    'UNDANG-UNDANG TENTANG PENGELOLAAN SAM PAH. BAB I KETENTUAN UMUM Bagian Kesatu Definisi Pasal 1 Dalam Undang-Undang ini yang dimaksud dengan: 1. Sampah adalah sisa kegiatan sehari-hari manusia dan/atau proses alam yang berbentuk padat. 2.',
    'Penelitian ini dilakukan dengan mengambil sampel dari satu populasi penduduk dan menggunakan kuisioner sebagai alat pengumpul data. Penelitian difokuskan di lapangan yang dimaksudkan untuk mengetahui',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Triplet

Datasets: retrieval-validation and test
Evaluated with TripletEvaluator

Metric	retrieval-validation	test
cosine_accuracy	0.9888	0.9944

Training Details

Training Dataset

Unnamed Dataset

Size: 1,242 training samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 3 tokens mean: 8.99 tokens max: 32 tokens	min: 11 tokens mean: 29.92 tokens max: 32 tokens	min: 5 tokens mean: 27.4 tokens max: 32 tokens

Samples:

anchor	positive	negative
`Pasal 21 Ayat 2`	`Ayat (1) Cukup jelas. Ayat (2) Cukup jelas`	`The number of tourists visiting during the 2018 holiday reached 9,870 people in one day. Every activity of tourists will produce waste in the tourist area, especially organic wast e. Organic waste has good energy potential`
`Penjelasan Pasal 43 Ayat 1 Huruf b`	`moneter. Huruf b Yang dimaksud dengan “produk domestik bruto” adalah nilai semua barang dan jasa yang diproduksi oleh suatu negara pada periode tertentu.`	`Manufaktur. Pendidikan S2 diselesaikan di Magister Teknik Mesin Teknik Mesin Universitas Gadjah Mada diselesaikan pada Tahun 2011 dengan riset Optimasi Industri.`
`Landasan hukum PP 81 Tahun 2012`	`8. Peraturan Pem erintah Nomor 81 Tahun 2012 tentang Pengelolaan Samp ah Rum ah Tangga dan Sampah Sejenis Sampah Rum ah Tangga (Lemb aran Nega ra Republik Indonesia Tahun 2012 Nomor 188, Tamb ahan Lembaran Negara Republik Indon esia Nom or 5347); 9. Peraturan Presiden Nomor 2 Tahun 2015 tentang Rencana Pembangunan Jangk a Menengah Nasional Tahun 2015- 2019 (Lembaran Negara Republik Indonesia Ta hun 2015 Nomor 3);`	`Sampah orga nik yang akan diproses sebanyak 1.400,36 kg per hari. Kemudian diproses menjadi arang, sehingga didapatkan arang sampah organik sebanyak 205,91 kg per hari. Berdasarkan perhitungan didapatkan potensi energi listrik yang dihasilkan adalah 1.392,38 kWh`

Loss: MultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim"
}

Evaluation Dataset

Unnamed Dataset

Size: 356 evaluation samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 356 samples:

	anchor	positive	negative
type	string	string	string
details	min: 3 tokens mean: 8.74 tokens max: 22 tokens	min: 12 tokens mean: 29.99 tokens max: 32 tokens	min: 6 tokens mean: 27.12 tokens max: 32 tokens

Samples:

anchor	positive	negative
`Bagaimana sistem informasi lingkungan hidup`	`(1) Pemerintah dan pemerintah daerah mengembangkan sistem informasi lingkungan hidup untuk mendukung pelaksanaan dan pengembangan kebijakan perlindungan dan pengelolaan lingkungan hidup. (2) Sistem informasi lingkungan hidup dilakukan secara terpadu dan terkoordinasi dan wajib dipublikasikan kepada masyarakat.`	`Bagaimana jika B3 telah kedaluwarsa?`
`Masukkan I KETENTUAN UMUM BAB I?`	`UNDANG-UNDANG TENTANG PENGELOLAAN SAM PAH. BAB I KETENTUAN UMUM Bagian Kesatu Definisi Pasal 1 Dalam Undang-Undang ini yang dimaksud dengan: 1. Sampah adalah sisa kegiatan sehari-hari manusia dan/atau proses alam yang berbentuk padat. 2.`	`Penelitian ini dilakukan dengan mengambil sampel dari satu populasi penduduk dan menggunakan kuisioner sebagai alat pengumpul data. Penelitian difokuskan di lapangan yang dimaksudkan untuk mengetahui`
`Sebutkan contoh`	`kondisi lingkungan dengan berbagai cara. Dampak positif kepariwisataan yaitu konservasi kawasan lindung, konservasi situs arkeologi dan sejarah, perbaikan kualitas lingkugan, peningkatan lingkungan, perbaikan infrastruktur, dan`	terletak pada area yang posisi geografisnya berada diantara 705833`` LS sampai dengan 80226 LS dan diantara 110025`15 BT sampai dengan 110028`15`` BT. Luas keseluruhan wilayah Kecamatan Kretek adalah 2.677 Ha (5,28 % dari luas

Loss: MultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim"
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 128
per_device_eval_batch_size: 128
learning_rate: 2e-05
warmup_ratio: 0.1
fp16: True
load_best_model_at_end: True
push_to_hub: True
hub_model_id: yosriku/exp_data_scale_1files
hub_private_repo: True

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 128
per_device_eval_batch_size: 128
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 2e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 3
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.1
warmup_steps: 0
log_level: passive
log_level_replica: warning
log_on_each_node: True
logging_nan_inf_filter: True
save_safetensors: True
save_on_each_node: False
save_only_model: False
restore_callback_states_from_checkpoint: False
no_cuda: False
use_cpu: False
use_mps_device: False
seed: 42
data_seed: None
jit_mode_eval: False
use_ipex: False
bf16: False
fp16: True
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: None
local_rank: 0
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_prefetch_factor: None
past_index: -1
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: True
ignore_data_skip: False
fsdp: []
fsdp_min_num_params: 0
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
fsdp_transformer_layer_cls_to_wrap: None
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
dataloader_pin_memory: True
dataloader_persistent_workers: False
skip_memory_metrics: True
use_legacy_prediction_loop: False
push_to_hub: True
resume_from_checkpoint: None
hub_model_id: yosriku/exp_data_scale_1files
hub_strategy: every_save
hub_private_repo: True
hub_always_push: False
hub_revision: None
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
include_for_metrics: []
eval_do_concat_batches: True
fp16_backend: auto
push_to_hub_model_id: None
push_to_hub_organization: None
mp_parameters:
auto_find_batch_size: False
full_determinism: False
torchdynamo: None
ray_scope: last
ddp_timeout: 1800
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
include_tokens_per_second: False
include_num_input_tokens_seen: False
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: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Validation Loss	retrieval-validation_cosine_accuracy	test_cosine_accuracy
1.0	5	3.6622	0.9888	-
2.0	10	3.4266	0.9888	-
3.0	15	3.3585	0.9888	-
-1	-1	-	-	0.9944

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.11.13
Sentence Transformers: 4.1.0
Transformers: 4.53.3
PyTorch: 2.6.0+cu124
Accelerate: 1.9.0
Datasets: 4.1.1
Tokenizers: 0.21.2

Citation

BibTeX

Sentence Transformers

@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

@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}
}