indobert-ner-for-fraud-identification

rakan416/indobert-ner-for-fraud-identification

indobert-ner-for-fraud-identification is a token classification model from rakan416. Use it when you need labels on individual words, such as names. It is set up for transformers. The card lists the license as cc-by-nc-sa-4.0.

Model ini adalah model Named Entity Recognition (NER) yang dibangun di atas arsitektur IndoBERT (indolem/indobert-base-uncased). Model ini telah di-fine-tune khusus untuk mendeteksi entitas-entitas penting terkait mod…

Downloads · 30 days

10% of all-time downloads

All-time downloads

Public

Parameters

124M

495 MB on disk

Likes

Public

Hugging Face

Repo makeup

Click a slice to open those files.

.safetensors495 MB · 100%

At a glance

Task: Token Classification
Library: transformers
License: cc-by-nc-sa-4.0
Model type: bert
Access: Public
Created: Jan 13, 2026
Updated: Jan 13, 2026
SHA: ad3197f3

Base models

indobenchmark/indobert-base-p2

Model card

From the Hugging Face model README

IndoBERT for Fraud Detection NER 🕵️‍♂️💸

Model ini adalah model Named Entity Recognition (NER) yang dibangun di atas arsitektur IndoBERT (indolem/indobert-base-uncased). Model ini telah di-fine-tune khusus untuk mendeteksi entitas-entitas penting terkait modus penipuan (fraud) dalam teks berbahasa Indonesia, khususnya yang berasal dari media sosial dan forum daring.

Note: Detail dari project ini bisa dilihat di repository github.

1. Kegunaan Model (Model Use)

Model ini dirancang untuk mengekstraksi informasi terstruktur dari teks narasi penipuan yang tidak terstruktur. Model ini dapat mengenali 9 jenis entitas (label) berikut:

Label	Deskripsi	Contoh
MODUS	Jenis atau skema penipuan	skema segitiga, investasi bodong
PERSON	Identitas pelaku atau orang terkait	admin, penipu, nama orang
REK	Informasi rekening bank atau e-wallet	BCA 123xxxx, Dana, Gopay
ACTION	Tindakan atau instruksi yang dilakukan	transfer, klik link, blokir
NOMINAL	Nilai kerugian atau jumlah uang	5 juta, 100rb, jutaan
PRODUK	Objek fisik yang menjadi umpan	mobil, tanah, iPhone
LAYANAN	Jasa/Layanan yang ditawarkan pelaku	jual beli, joki tugas, top up
KONTAK	Informasi kontak pelaku	0812xxxx, email
PLATFORM	Platform tempat kejadian perkara	WhatsApp, Instagram, Twitter

Contoh Penggunaan: Model ini cocok digunakan untuk sistem pelaporan penipuan otomatis, analisis tren kejahatan siber, atau content moderation di platform komunitas.

Cara Menggunakan (How to Use)

Untuk memastikan model berjalan dengan benar dan hasil yang reproduksibel, proyek ini dikembangkan menggunakan versi library berikut:

transformers == 4.53.2
huggingface-hub == 0.33.4

from transformers import AutoTokenizer, AutoModelForTokenClassification, pipeline

# Load model & tokenizer
model_name = "rakan416/indobert-ner-for-fraud-identification" # Ganti dengan path/username model Anda
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForTokenClassification.from_pretrained(model_name)

# Buat pipeline NER
nlp = pipeline("ner", model=model, tokenizer=tokenizer, aggregation_strategy="simple")

# Contoh teks
text = "Hati-hati penipuan modus jual beli mobil, saya diminta transfer 5 juta ke rekening BCA penipu."

# Prediksi
results = nlp(text)
print(results)

📊 Results & Performance

Model NER yang telah dilatih menunjukkan performa yang sangat kuat dalam mengenali entitas penipuan pada data validasi.

Overall Accuracy: 96%

Berikut adalah rincian metrik evaluasi per entitas:

Label Entitas	Precision	Recall	F1-Score
ACTION	0.95	0.95	0.95
REK	0.89	1.00	0.94
MODUS	0.88	0.88	0.88
PLATFORM	0.82	0.85	0.84
NOMINAL	0.81	0.85	0.83
KONTAK	0.73	0.80	0.76
PERSON	0.73	0.69	0.71

Insight: Model sangat efektif mengenali aksi penipuan dan informasi rekening, namun memiliki sedikit tantangan pada entitas Produk dan Layanan dikarenakan variasi data yang tinggi.

👥 Authors

Rakan Refaya Dewangga
Moch. Faiz Febriawan
Alisha Deana Tabina

Task: Token Classification
Library: transformers
Type: bert
License: cc-by-nc-sa-4.0
Languages: id
Created: Jan 13, 2026
Updated: Jan 13, 2026