Kemampuan untuk mengenali entitas dalam teks, termasuk orang, tempat, tanggal, dan organisasi, menjadikan Named Entity Recognition sangat penting untuk banyak aplikasi Pemrosesan Bahasa Alami. Dalam beberapa tahun terakhir, model berbasis BiLSTM, terutama BiLSTM-CRF telah mendapatkan popularitas untuk ekstraksi entitas entitas karena efisiensinya. Namun, masih ada tantangan yaitu kesulitan untuk mengenali entitas dengan tepat di teks yang kompleks. Penelitian ini menyelidiki seberapa baik BiLSTM-CRF, BiLSTM, dan CRF dalam mengidentifikasi entitas orang dalam dataset CoNLL 2003 versi Inggris. Didapatkan hasil model CRF memperoleh precision sebesar 84,67%, recall sebesar 90%, dan F1-Score sebesar 87,24%, model BiLSTM memiliki precision tertinggi, yaitu 91,9%, dengan recall sebesar 82,45% dan F1-Score sebesar 86,75%, sedangkan model BiLSTM-CRF menunjukkan precision sebesar 88,68%, recall sebesar 67,59%, dan F1-Score sebesar 76,56%.