File size: 44,695 Bytes
027bf3e |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:46095
- loss:MultipleNegativesRankingLoss
base_model: intfloat/multilingual-e5-small
widget:
- source_sentence: Bulog Sudah Serap 328 Ribu Ton Beras tapi Ada Masalah. Perum Bulog
telah menyerap 633 ribu ton setara gabah atau 329 ribu ton setara beras. Direktur
Utama Perum Bulog Bayu Krisnamurthi mengungkapkan masih ada sejumlah kendala yang
dihadapi dalam proses penyerapan ini. Pertama, adalah periode panen pendek tetapi
jumlah panen banyak. Bayu mengatakan hal ini membuat petani lama mengantri agar
padi yang dihasilkan bisa masuk ke proses pengering Bulog maupun penggilingan
mitra Bulog. "Dengan jumlah yang banyak, tapi waktu yang pendek. Sehingga semua
rebutan, rebutan untuk masuk ke Bulog maupun penggilingan padi," kata Bayu di
Bulog Corporate University Kamis (25/4/2024). ADVERTISEMENT SCROLL TO CONTINUE
WITH CONTENT "Waktu yang pendek ini menimbulkan kendala di mesin pengering. Karena
pada saat yang sama mataharinya masih ada dan tiada seperti sore hari ini. Jadi
mau dijemur pakai lantai jemur sangat tergantung sinar matahari, padahal mataharinya
mendung, kadang hujan," sambungnya. Sementara masalah kedua, adalah dampak dari
dari situasi pupuk di tahun 2023 dan awal tahun 2024. Gara-gara hal itu, komposisi
ketersediaan pupuk tidak optimal, hal itu pun berpengaruh terhadap tidak optimalnya
kualitas gabah petani. "Jadi pecahnya banyak, kuningnya banyak. Ini nggak masuk
ke tabel persyaratan mutu yang telah ditetapkan. Tapi kalau untuk kadar air kami
terpaksa menegakkan disiplin, (sedangkan) kalau untuk yang lain itu kami berusaha
mencari cara atau solusinya," ucapnya. Hingga saat ini, Bayu pun menjelaskan bahwa
Bulog memiliki stok beras cukup banyak. Jumlahnya berkisar di angka 1,457 juta
ton. "Jumlah yang agak banyak ini terjadi karena program bantuan pangan belum
berjalan, masih menunggu update data. Mudah-mudahan dalam minggu ini segera selesai,
dan nanti kita segera salurkan bantuan pangan itu dalam sisa bulan Mei-Juni, untuk
3 bulan jumlahnya," ujar dia.
sentences:
- Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat
yang dapat meningkatkan citra atau reputasi Kementerian Pertanian?
- Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi
tanpa memberikan opini atau emosi terhadap rumah sakit (rs)?
- Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi
tanpa memberikan opini atau emosi terhadap Kementerian Pertanian?
- source_sentence: Kepala BNPP Hadiri Pembukaan Turnamen Olahraga Antar Instansi.
Acara yang digelar di Jakarta ini diikuti berbagai lembaga pemerintah untuk mempererat
tali silaturahmi.
sentences:
- Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan
atau menciptakan persepsi buruk terhadap Kepolisian Nasional Indonesia (Polri)?
- Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat
yang dapat meningkatkan citra atau reputasi Badan Nasional Pengelola Perbatasan?
- Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi
tanpa memberikan opini atau emosi terhadap Badan Nasional Pengelola Perbatasan?
- source_sentence: 'KKP perkuat pengawasan penangkapan ikan ilegal di perbatasan.
JAKARTA (ANTARA) - Direktorat Jendral (Ditjen) Pengawasan Sumber Daya Kelautan
dan Perikanan (PSDKP) Kementerian Kelautan dan Perikanan (KKP) memperkuat pengawasan
penangkapan ikan ilegal atau illegal fishing di wilayah perbatasan dengan mengalokasikan
anggaran sebesar Rp1,14 triliun. "Untuk memberantas illegal fishing oleh kapal
asing di Selat Malaka, laut Natuna Utara dan laut Sulawesi," kata Direktur Jenderal
PSDKP KKP Adin Nurawaluddin saat dihubungi ANTARA, di Jakarta, Senin. Adin mengatakan
PSDKP juga melakukan pengawasan terhadap kepatuhan kapal-kapal ikan Indonesia
agar penangakapan ikan sesuai dengan regulasi untuk melaporkan hasil tangkap ikan
guna menjaga keberlanjutan potensi ikan. "Harus melaporkan hasil tangkapan ikannya
dalam rangka memastikan data potensi perikanan tangkap pasca produksi untuk menjaga
keberlanjutan potensi perikanan," kata dia. Selain itu, kata Adin PSDKP juga mengalokasikan
anggaran untuk melaksanakan pengawasan sumber daya kelautan seperti pengawasan
terhadap wilayah pesisir dan pulau-pulau kecil, pengawasan pemanfaatan ruang laut
dan reklamasi tanpa izin, dan pengawasan d estructive fishing atau penangkapan
ikan dengan cara merusak dengan bom ikan, bahan kimia dan listrik. Selanjutnya,
pihaknya juga melakukan pengawasan terhadap si stem komunikasi kabel laut (SKKL)
, pengawasan b arang muatan kapal tenggelam (BMKT) dan pengawasan pencemaran di
laut. Diketahui, KKP mendapatkan anggaran 2024 sebesar Rp7,04 triliun yang kemudian
mendapatkan tambahan anggaran pada sebesar Rp57,1 miliar. Dari total anggaran
yang didapat, pihaknya akan mengalokasikan sebesar Rp659,66 miliar untuk Sekretariat
Jenderal (Setjen), kemudian Inspektorat Jenderal sebesar Rp87,25 miliar, Direktorat
Jenderal (Ditjen) Perikanan Tangkap sebesar Rp946,54 miliar. Serta Ditjen Perikanan
Budi Daya sebesar Rp1,22 triliun, Ditjen Pengawasan Sumber Daya Kelautan dan Perikanan
(PSDKP) sebesar Rp 1,14 triliun, Ditjen Penguatan Daya Saing Produk Kelautan dan
Perikanan (PDSKP) Rp386,88 miliar. Ditjen Pengelolaan Kelautan dan Ruang Laut
sebesar Rp657,63 miliar, sementara untuk Badan Penyuluhan dan Pengembangan Sumber
Daya Manusia Kelautan dan Perikanan sebesar Rp1,47 triliun serta Badan Pengendalian
dan Pengawasan Mutu Hasil Kelautan dan Perikanan sebesar Rp529,61 miliar. Luhut
ingatkan pengelolaan laut harus perhatikan aspek keberlanjutan KKP: 91 persen
nelayan dan pengusaha perikanan tahu aplikasi "e-PIT" Pewarta: Erlangga Bregas
Prakoso Editor: Sella Panduarsa Gareta COPYRIGHT © ANTARA 2023'
sentences:
- Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat
yang dapat meningkatkan citra atau reputasi Adin Nurawaluddin?
- Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi
tanpa memberikan opini atau emosi terhadap Pemerintah Provinsi DKI Jakarta?
- Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan
atau menciptakan persepsi buruk terhadap Adin Nurawaluddin?
- source_sentence: 'Ciri-ciri Snack Tidak Sehat untuk Anak, Salah Satunya Tinggi Gula.
KabarDKI.com - Camilan atau snack untuk anak banyak beredar di pasaran. Banyak
ciri-ciri yang dapat dikenali dari snack yang tidak sehat (unhealthy snack) ini.
dr. Melanie Rakhmi Mantu, SpA (K), Mkes, dokter spesialis tumbuh kembang anak
menjelaskan ciri-ciri snack tidak sehat, beberapa di antaranya mengandung gula
dan garam yang tinggi. "Kalau unhealthy snack itu mengandung garam, gula, sodium
yang tinggi. Pilihan makanan tergantung dari orangtuanya yang memilihkan snack
untuk anak. Untuk efeknya terhadap kesehatan, makanan yang fresh, rendah garam,
gula, sodium, mengandung vitamin dan mineral, " kata dr. Melanie dalam acara \''Mengungkap
Bahaya Peredaran Produk Pangan Impor llegal Asal China yang Luput dari Pengawasan:
Membangun Kesadaran dan Perlindungan Kesehatan Anak\'' yang digelar Yayasan Lembaga
Konsumen Indonesia (YLKI) dan Sekjen Koalisi Perlindungan Kesehatan Masyarakat
(KOPMAS), Rabu, 23 Oktober 2024. Sementara itu Sekjen KOPMAS, Yuli Supriati mengungkapkan
peredaran makanan impor memicu sejumlah keracunan. "Peredaran makanan dan minuman
impor China yang minim pengawasan/tidak ada izin BPOM ilegal memicu sejumlah kasus
keracunan pada anak, " katanya. Pit. Ketua Pengurus Harian YLKI, Dra Indah Sukaningsih
punya harapan terhadap pemerintahan Prabowo-Gibran. Menurutnya seharusnya ada
kementerian khusus yang menangani perlindungan konsumen. "Harusnya ada kementerian
khusus perlindungan konsumen, kan seharusnya itu yang diperhatikan. Dari prespektif
YLKI, harusnya ada SOP nya. Kalau kita menduga impor ini tidak sehat, perlu di
survey, bahwa ini tidak sehat," terangnya. \n\n\nBerita Pilihan\n\n\n\n\n\n\n\n\n\n\n5
Jurus Ampuh Atasi Bau Badan, Dijamin Wangi Seharian!\n\n\n\n\n\n\n\n\n\n\n\n\n\nDeteksi
Kanker Lebih Akurat lewat Biograph Vision Quadra PET/CT Scanner, Pertama di Asia\n\n\n\n\n\n\n\n\n\n\n\n\n\nHapus
Stigma Negatif Tehadap ODHIV, KPA Jakarta Selatan Lakukan Ini\n\n\n\n\n\n\n\n
Disamping itu, dirinya menyambut baik adanya program makan gratis yang digaungkan
pemerintah., " Program ini cukup bagus apabila orangtuanya bekerja, anak-anak
bisa mendapatkan gizi yang seimbang, daripada harus jajan di luar, " katanya.
***, Berita Pilihan 5 Jurus Ampuh Atasi Bau Badan, Dijamin Wangi Seharian! Deteksi
Kanker Lebih Akurat lewat Biograph Vision Quadra PET/CT Scanner, Pertama di Asia
Hapus Stigma Negatif Tehadap ODHIV, KPA Jakarta Selatan Lakukan Ini'
sentences:
- Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat
yang dapat meningkatkan citra atau reputasi sekretaris jenderal koalisi perlindungan
kesehatan masyarakat (kopmas)?
- Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan
atau menciptakan persepsi buruk terhadap sekretaris jenderal koalisi perlindungan
kesehatan masyarakat (kopmas)?
- Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan
atau menciptakan persepsi buruk terhadap timnas u-17?
- source_sentence: Warganet Kaitkan Zulkifli Hasan dengan Kasus Impor Gula, Kejagung
langsung Pasang Badan!. JAKARTA, ExtraNews – Kasus korupsi impor gula makin memanas
dengan diramaikannya linimasa Twitter (X) yang dipenuhi beragam komentar atas
kasus korupsi itu. Sebagaimana diketahui, Thomas Trikasih Lembong atau Tom Lembong
ditetapkan Kejaksaan Agung sebagai tersangka dalam dugaan korupsi impor gula pada
2015. Jaksa menjerat Menteri Perdagangan atau Mendag periode 2015-2016 itu membuat
kebijakan impor gula yang merugikan negara senilai Rp 400 miliar. Sejumlah netizen
Indonesia tampaknya tidak puas kalau cuma Tom Lembong yang di jadikan tersangka
atas korupsi impor gula itu, dan berharap penegak hukum untuk memeriksa Mentri
Perdagangan era Jokowi terutama Mendag Zulkifli Hasan. Di ketahui Menteri Perdagangan
terakhir di era Presiden Joko Widodo Zulkifli Hasan yang juga Ketua Umum Partai
Amanat Nasional itu pada 2023 mengimpor gula sebanyak 5,06 juta ton. Nampak di
tangkapan layar Twitter (X) tanggapan kaum netizen yang berharap Zulkifli Hasan
juga di periksa terkait kebijakan impor gula pada saat menjabat sebagai Mentri
Perdagangan dan menjadi trending topik dan mendapat beraneka ragam tanggapan dari
kaum netizen Indonesia. “Impor gula Zulkifli Hasan 18 juta ton, ini impornya 3x
lipat yang dilakukan oleh Tom Lembong. Kalo berdasarkan laporan masyarakat, ini
lebih gila laporannya. Segera prosessss!!!! “ tulis pengguna akun @har*m*nAZ “Kapan
impor gula Zulkifli Hasan 18 juta ton diusut, ini impornya 3x lipat yang dilakukan
oleh Tom Lembong Kasus Zulhas kalau diusut mungkin lebih mengerikan,” tulis pengguna
@Ca**hum “Banyak yg lupa bhw Airlangga,Dito yg bahkan ada bukti di kembalikan
uangnya itu tdk tersentuh sampai sekarang. Zulkifli Hasan terkait korupsi kasus
“GULA”. Kalaulah Tom Lembong bersalah, jelas sekali hukum kita masih jauh dari
kata adil, karna hanya menyasar lawan” politik saja,” tulis pengguna @sim*nj*nta9*ico
impor gula Zulkifli Hasan 18 juta ton, ini impornya 3x lipat yang dilakukan oleh
Tom Lembong. Kalo berdasarkan laporan masyarakat, ini lebih gila laporannya. Segera
prosessss!!!! pic.twitter.com/CcD62G9bG7 — Hariman Amir (@HarimanAz) October 31,
2024 Sementara itu ramainya warganet yang mulai mengkaitkan kasus Tom Lembong
ke Zulkifli Hasan (zulhas) rupanya mendapatkan respon dari Kejaksaan Agung. Melalui
rilis resmi Kejaksaan Agung pada 2023 lalu menyatakan bahwa mereka tidak akan
memanggil kembali Menteri Perdagangan periode 2022-2024 Zulkifli Hasan sebagai
sebagai saksi terkait kasus dugaan korupsi penyalahgunaan kewenangan dalam kegiatan
importasi gula tersebut. Menurut Kepala Pusat Penerangan Hukum (Kapuspenkum) Kejagung,
Ketut Sumedana, tidak ada keterkaitan Menteri Zulkifli Hasan dalam perkara dimaksud.
Dijelaskan Ketut, perkara yang sedang ditangani Kejagung adalah penyelewengan
kebijakan yang telah dilaksanakan sejak tahun 2015. “Adapun perkara dimaksud tidak
ada kaitannya dengan kebijakan Menteri Perdagangan Zulkifli Hasan yang dilantik
pada bulan Juni 2022. Oleh karena tidak adanya hubungan dengan penanganan perkara
tersebut, Menteri Perdagangan Zulkifli Hasan tidak akan dilakukan pemanggilan
sebagai saksi dalam perkara dimaksud,” jelas Ketut dalam keterangan resminya pada
Jumat 6 Oktober 2023 lalu. (*)
sentences:
- Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat
yang dapat meningkatkan citra atau reputasi Marshanda?
- Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat
yang dapat meningkatkan citra atau reputasi presiden joko widodo?
- Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi
tanpa memberikan opini atau emosi terhadap presiden joko widodo?
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy
model-index:
- name: SentenceTransformer based on intfloat/multilingual-e5-small
results:
- task:
type: triplet
name: Triplet
dataset:
name: Unknown
type: unknown
metrics:
- type: cosine_accuracy
value: 0.4019196971745302
name: Cosine Accuracy
---
# SentenceTransformer based on intfloat/multilingual-e5-small
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-small](https://huggingface.co/intfloat/multilingual-e5-small) on the preskripsi-sentiment-analysis-dataset-for-embedding-ft dataset. It maps sentences & paragraphs to a 384-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:** [intfloat/multilingual-e5-small](https://huggingface.co/intfloat/multilingual-e5-small) <!-- at revision fd1525a9fd15316a2d503bf26ab031a61d056e98 -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 384 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- preskripsi-sentiment-analysis-dataset-for-embedding-ft
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/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': 512, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 384, '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): 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("masa-research/me5-small-preskripsi-embedding-pos-neg")
# Run inference
sentences = [
'Warganet Kaitkan Zulkifli Hasan dengan Kasus Impor Gula, Kejagung langsung Pasang Badan!. JAKARTA, ExtraNews – Kasus korupsi impor gula makin memanas dengan diramaikannya linimasa Twitter (X) yang dipenuhi beragam komentar atas kasus korupsi itu. Sebagaimana diketahui, Thomas Trikasih Lembong atau Tom Lembong ditetapkan Kejaksaan Agung sebagai tersangka dalam dugaan korupsi impor gula pada 2015. Jaksa menjerat Menteri Perdagangan atau Mendag periode 2015-2016 itu membuat kebijakan impor gula yang merugikan negara senilai Rp 400 miliar. Sejumlah netizen Indonesia tampaknya tidak puas kalau cuma Tom Lembong yang di jadikan tersangka atas korupsi impor gula itu, dan berharap penegak hukum untuk memeriksa Mentri Perdagangan era Jokowi terutama Mendag Zulkifli Hasan. Di ketahui Menteri Perdagangan terakhir di era Presiden Joko Widodo Zulkifli Hasan yang juga Ketua Umum Partai Amanat Nasional itu pada 2023 mengimpor gula sebanyak 5,06 juta ton. Nampak di tangkapan layar Twitter (X) tanggapan kaum netizen yang berharap Zulkifli Hasan juga di periksa terkait kebijakan impor gula pada saat menjabat sebagai Mentri Perdagangan dan menjadi trending topik dan mendapat beraneka ragam tanggapan dari kaum netizen Indonesia. “Impor gula Zulkifli Hasan 18 juta ton, ini impornya 3x lipat yang dilakukan oleh Tom Lembong. Kalo berdasarkan laporan masyarakat, ini lebih gila laporannya. Segera prosessss!!!! “ tulis pengguna akun @har*m*nAZ “Kapan impor gula Zulkifli Hasan 18 juta ton diusut, ini impornya 3x lipat yang dilakukan oleh Tom Lembong Kasus Zulhas kalau diusut mungkin lebih mengerikan,” tulis pengguna @Ca**hum “Banyak yg lupa bhw Airlangga,Dito yg bahkan ada bukti di kembalikan uangnya itu tdk tersentuh sampai sekarang. Zulkifli Hasan terkait korupsi kasus “GULA”. Kalaulah Tom Lembong bersalah, jelas sekali hukum kita masih jauh dari kata adil, karna hanya menyasar lawan” politik saja,” tulis pengguna @sim*nj*nta9*ico impor gula Zulkifli Hasan 18 juta ton, ini impornya 3x lipat yang dilakukan oleh Tom Lembong. Kalo berdasarkan laporan masyarakat, ini lebih gila laporannya. Segera prosessss!!!! pic.twitter.com/CcD62G9bG7 — Hariman Amir (@HarimanAz) October 31, 2024 Sementara itu ramainya warganet yang mulai mengkaitkan kasus Tom Lembong ke Zulkifli Hasan (zulhas) rupanya mendapatkan respon dari Kejaksaan Agung. Melalui rilis resmi Kejaksaan Agung pada 2023 lalu menyatakan bahwa mereka tidak akan memanggil kembali Menteri Perdagangan periode 2022-2024 Zulkifli Hasan sebagai sebagai saksi terkait kasus dugaan korupsi penyalahgunaan kewenangan dalam kegiatan importasi gula tersebut. Menurut Kepala Pusat Penerangan Hukum (Kapuspenkum) Kejagung, Ketut Sumedana, tidak ada keterkaitan Menteri Zulkifli Hasan dalam perkara dimaksud. Dijelaskan Ketut, perkara yang sedang ditangani Kejagung adalah penyelewengan kebijakan yang telah dilaksanakan sejak tahun 2015. “Adapun perkara dimaksud tidak ada kaitannya dengan kebijakan Menteri Perdagangan Zulkifli Hasan yang dilantik pada bulan Juni 2022. Oleh karena tidak adanya hubungan dengan penanganan perkara tersebut, Menteri Perdagangan Zulkifli Hasan tidak akan dilakukan pemanggilan sebagai saksi dalam perkara dimaksud,” jelas Ketut dalam keterangan resminya pada Jumat 6 Oktober 2023 lalu. (*)',
'Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi tanpa memberikan opini atau emosi terhadap presiden joko widodo?',
'Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi presiden joko widodo?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
```
<!--
### 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
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| **cosine_accuracy** | **0.4019** |
<!--
## 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
#### preskripsi-sentiment-analysis-dataset-for-embedding-ft
* Dataset: preskripsi-sentiment-analysis-dataset-for-embedding-ft
* Size: 46,095 training samples
* Columns: <code>artikel</code>, <code>positive</code>, and <code>negative_1</code>
* Approximate statistics based on the first 1000 samples:
| | artikel | positive | negative_1 |
|:--------|:-------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 32 tokens</li><li>mean: 439.08 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 24 tokens</li><li>mean: 28.16 tokens</li><li>max: 78 tokens</li></ul> | <ul><li>min: 27 tokens</li><li>mean: 31.16 tokens</li><li>max: 81 tokens</li></ul> |
* Samples:
| artikel | positive | negative_1 |
|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Apa Kabar Elkan Baggott Setelah Absen 10 Bulan dari Timnas Indonesia? Lagi Terapi Cedera Pergelangan Kaki dan Segera Comeback. Bola.com, Blackpool - Cedera pergelangan kaki Elkan Baggott hampir sembuh. Bek berusia 22 tahun itu segera kembali bermain untuk Blackpool FC di kasta ketiga Liga Inggris? Elkan Baggott telah absen membela Blackpool sejak Agustus 2024 akibat cedera pergelangan kaki yang membuatnya baru bermain empat kali pada musim ini. Penampilan terakhir Elkan Baggott di Blackpool terjadi pada 24 Agustus 2024, ketika bermain imbang 4-4 melawan Cambridge United dalam matchday ketiga League One 2024/2025. Elkan Baggott sedang menjalani peminjaman di Blackpool selama semusim dari Ipswich Town. Pemain kelahiran Bangkok, Thailand, itu diperkirakan akan kembali membela Blackpool kontra Liverpool U-21 dalam EFL Trophy 2024/2025 pada 7 November 2024. "Elkan Baggott menjalani sesi latihan pertamanya, jadi senang bisa melihatnya kembali bersama tim," ujar pelatih Blackpool, Stephen Dob...</code> | <code>Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan atau menciptakan persepsi buruk terhadap timnas indonesia?</code> | <code>Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi timnas indonesia?</code> |
| <code>Di Balik Penangkapan Terduga Teroris di 3 Wilayah Jawa Timur dan NTB. KOMPAS.com- Detasemen Khusus (Densus) 88 Antiteror Mabes Polri menangkap sejumlah terduga teroris di Nusa Tenggara Barat dan Jawa Timur, beberapa hari terakhir. Mulanya penangkapan dilakukan terhadap MT di Bima, NTB pada 31 Mei 2023. Dari keterangan Mabes Polri, MT difasilitasi untuk berangkat ke Yaman dan bergabung dengan organisasi AQAP (cabang AlQaedah). Selanjutnya, berdasarkan pengembangan, Densus menangkap sejumlah terduga teroris lainnya. Pada Jumat (2/6/2023) pagi Densus menangkap ABU, terduga teroris di Jalan Kalimas Madya III Nyamplungan, Kecamatan Pabean Cantian, Surabaya, Jawa Timur. "Diamankan 07.30 WIB, setahu saya di rumahnya," kata Ketua RT M. Abri, Sabtu (3/6/2023). Setelah penangkapan tersebut dilakukan penggeledahan di rumah ABU. Abri yang turut serta dalam penggeledahan mengatakan polisi menyita sejumlah buku, busur, dan anak panah. "Iya ada panah. Ujungnya memang sangat tajam. Tapi tadi saya liha...</code> | <code>Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan atau menciptakan persepsi buruk terhadap MT?</code> | <code>Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi MT?</code> |
| <code>Dirjen Imigrasi Enggan Salahkan Siapapun Soal Peretasan: Sesama Bus Kota Enggak Boleh Saling Menyalip. JAKARTA, KOMPAS.com - Direktur Jenderal (Dirjen) Imigrasi Silmy Karim enggan menyalahkan siapa pun atas peristiwa gangguan sistem pelayanan imigrasi, yang terjadi karena peretasan Pusat Data Nasional (PDN). Menurutnya, ia tak berwenang untuk menilai kementerian/lembaga lain atas peristiwa peretasan yang terjadi. "Ya enggak mungkin saya gitu (menilai)," kata Silmy dalam konferensi pers di kawasan Jakarta Selatan, Jumat (28/6/2024). "Sudah lah, sesama bus kota enggak boleh saling menyalip," tambahnya. Ia menambahkan, hanya pakar di luar kementerian/lembaga yang berhak menilai atas peristiwa yang terjadi. Termasuk, siapa yang patut bertanggungjawab atas peristiwa ini. "Itu yang bisa ngomong kayak gitu pengamat, bisa lah. Saya enggak bisa," tegas Silmy. Sebelumnya, muncul petisi online untuk meminta Menkominfo Budi Arie Setiadi mundur karena dianggap tak bisa menyelesaikan PDN yang disera...</code> | <code>Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan atau menciptakan persepsi buruk terhadap Budi Arie Setiadi?</code> | <code>Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi Budi Arie Setiadi?</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"
}
```
### Evaluation Dataset
#### preskripsi-sentiment-analysis-dataset-for-embedding-ft
* Dataset: preskripsi-sentiment-analysis-dataset-for-embedding-ft
* Size: 14,794 evaluation samples
* Columns: <code>artikel</code>, <code>positive</code>, and <code>negative_1</code>
* Approximate statistics based on the first 1000 samples:
| | artikel | positive | negative_1 |
|:--------|:-------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 18 tokens</li><li>mean: 432.85 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 24 tokens</li><li>mean: 30.76 tokens</li><li>max: 49 tokens</li></ul> | <ul><li>min: 24 tokens</li><li>mean: 30.36 tokens</li><li>max: 52 tokens</li></ul> |
* Samples:
| artikel | positive | negative_1 |
|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Capai NZE, PLN EPI kembangkan energi bersih basis ekonomi kerakyatan. Lewat teknologi co-firing (bahan bakar alternatif) di PLTU, PLN EPI mengembangkan ekosistem biomassa yang justru banyak melibatkan masyarakat sehingga program transisi ini juga mendorong perekonomian rakyat Jakarta (ANTARA) - Sekretaris Perusahaan PLN Energi Primer Indonesia (PLN EPI) Mamit Setiawan mengatakan PLN EPI mengambil peran penting dalam era transisi energi saat ini dengan mengembangkan energi bersih berbasis ekonomi kerakyatan. Program transisi energi selain mencapai pengurangan emisi juga sekaligus menjadi katalisator pertumbuhan ekonomi, sehingga PLN EPI sebagai Subholding PT PLN (Persero) mengambil bagian penting dalam agenda ini. "Lewat teknologi co-firing (bahan bakar alternatif) di PLTU, PLN EPI mengembangkan ekosistem biomassa yang justru banyak melibatkan masyarakat sehingga program transisi ini juga mendorong perekonomian rakyat," kata Mamit di Jakarta, Senin. Sebagai perusahaan yang menjamin paso...</code> | <code>Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi Pembangkit Listrik Tenaga Uap (PLTU)?</code> | <code>Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan atau menciptakan persepsi buruk terhadap Pembangkit Listrik Tenaga Uap (PLTU)?</code> |
| <code>Mahasiswa UNS ikut menggali potensi energi baru terbarukan. Melihat krisis sumber daya energi nonterbarukan makin mendesak dunia untuk mencari alternatif energi yang berkelanjutan. Solo (ANTARA) - Mahasiswa Universitas Sebelas Maret (UNS) Surakarta berupaya ikut menggali potensi energi baru terbarukan dengan membuat penelitian yang menggabungkan sistem pemantauan berbasis yaw dengan teknologi Internet of Things (IoT). Ketua tim Alif Ilham, di Solo, Jawa Tengah, Rabu, mengatakan sistem pemantauan berbasis yaw ini dirancang untuk memonitor kinerja Horizontal Axis Wind Turbine (HAWT) secara realtime. Ia mengatakan penelitian dilakukan karena melihat krisis sumber daya energi nonterbarukan makin mendesak dunia untuk mencari alternatif energi yang berkelanjutan. "Dari data kebutuhan Indonesia, 50,3 persen listrik yang digunakan masih berasal dari energi nonterbarukan, yaitu batu bara," katanya. Menurut dia, salah satu solusi yang menjanjikan adalah energi angin. Energi ini dapat diubah menj...</code> | <code>Seberapa netral artikel ini? Apakah artikel ini hanya menyajikan fakta atau informasi tanpa memberikan opini atau emosi terhadap BRIN (Badan Riset dan Inovasi Nasional)?</code> | <code>Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi BRIN (Badan Riset dan Inovasi Nasional)?</code> |
| <code>Mengapa Manufaktur Terpuruk dan Apa Urgensinya?. Tema terpuruknya manufaktur di Tanah Air menjadi salah satu pemberitaan media massa pekan ini. Hal ini berawal dari rilis S&P tentang Purchasing Manager Indeks (PMI) Indonesia periode Agustus 2024 pada 2 September 2024. Intinya, indeks Indonesia terpuruk makin dalam di bawah batas minimal indikasi ekspansi. Namun apa yang sebenarnya terjadi? Mengapa demikian? Dan apa urgensinya bagi perekonomian nasional? Apa yang Anda pelajari dari artikel ini? 1.Apa yang terjadi dengan manufaktur? 2.Apa konsekuensinya bagi buruh? 3.Apa pentingnya manufaktur bagi perekonomian Indonesia? PMI Indonesia pada Agustus 2024 melanjutkan kontraksi yang sudah terjadi sejak Juli 2024. PMI manufaktur Indonesia di periode ini anjlok ke 48,9. Angka di bawah 50 menunjukkan kondisi kontraksi. Pada Juli, indeksnya adalah 49,3. Artinya, kontraksi pada Agustus kian dalam. Padahal, sebelumnya, manufaktur Indonesia dalam posisi ekspansi selama 34 bulan berturut-turut. ...</code> | <code>Seberapa kuat artikel ini mengandung sentimen negatif atau kritik yang dapat merugikan atau menciptakan persepsi buruk terhadap Ekonomi Indonesia?</code> | <code>Seberapa kuat artikel ini mengandung sentimen positif, dukungan, atau manfaat yang dapat meningkatkan citra atau reputasi Ekonomi Indonesia?</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"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `learning_rate`: 2e-05
- `num_train_epochs`: 1
- `warmup_ratio`: 0.1
- `push_to_hub`: True
- `hub_model_id`: masa-research/me5-small-preskripsi-embedding-pos-neg
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `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`: 1
- `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`: False
- `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`: False
- `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`: masa-research/me5-small-preskripsi-embedding-pos-neg
- `hub_strategy`: every_save
- `hub_private_repo`: None
- `hub_always_push`: False
- `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
- `dispatch_batches`: None
- `split_batches`: 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
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | Validation Loss | cosine_accuracy |
|:------:|:----:|:-------------:|:---------------:|:---------------:|
| 0.0347 | 100 | 2.2799 | 3.0897 | 0.6039 |
| 0.0694 | 200 | 1.0007 | 3.7314 | 0.6032 |
| 0.1041 | 300 | 0.6538 | 3.9361 | 0.6031 |
| 0.2083 | 600 | 0.8024 | 4.0135 | 0.6029 |
| 0.3124 | 900 | 0.7212 | 4.2401 | 0.6025 |
| 0.4165 | 1200 | 0.9165 | 4.3140 | 0.6034 |
| 0.5207 | 1500 | 0.8918 | 4.6178 | 0.6033 |
| 0.6248 | 1800 | 0.8376 | 4.6052 | 0.6034 |
| 0.7289 | 2100 | 0.9715 | 2.9251 | 0.4035 |
| 0.8330 | 2400 | 0.4864 | 3.3840 | 0.4045 |
| 0.9372 | 2700 | 0.4698 | 3.7879 | 0.4019 |
### Framework Versions
- Python: 3.11.11
- Sentence Transformers: 3.3.1
- Transformers: 4.47.1
- PyTorch: 2.5.1+cu124
- Accelerate: 1.2.1
- Datasets: 3.2.0
- Tokenizers: 0.21.0
## 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.*
--> |