Named Entity Recognition (NER) adalah tugas penting dalam pemrosesan bahasa alami untuk mengidentifikasi dan mengklasifikasikan entitas seperti nama orang, organisasi, dan lokasi. Penelitian ini mengevaluasi efektivitas penambahan lapisan Conditional Random Field (CRF) pada dua arsitektur populer, BiLSTM dan BERT, untuk meningkatkan konsistensi prediksi label pada dataset CoNLL-2003. CRF dikenal mampu memodelkan ketergantungan sekuensial antar label, namun kontribusinya pada model modern berbasis transformer seperti BERT belum sepenuhnya jelas dan perlu dikaji ulang. Pemahaman ini penting untuk menentukan kapan penambahan kompleksitas CRF benar-benar memberikan manfaat yang sebanding dalam sistem NER praktis. Penelitian ini melakukan eksperimen komparatif dengan empat model: BiLSTM, BiLSTM-CRF, BERT, dan BERT-CRF. Model dievaluasi tidak hanya berdasarkan akurasi (F1-score), tetapi juga waktu inferensi, konsumsi parameter, dan analisis kesalahan mendalam per tipe entitas dan panjang kalimat. Implementasi dirancang untuk memastikan perbandingan yang adil antara model dengan dan tanpa CRF. Penelitian memberikan rekomendasi praktis berbasis data tentang kapan penggunaan CRF efektif berdasarkan arsitektur dasar, serta analisis mendalam tentang kondisi data di mana CRF paling berkontribusi. CRF meningkatkan F1-score BiLSTM sebesar 0.0195 dan BERT sebesar 0.0117. Namun, penambahan CRF pada BiLSTM menyebabkan inferensi 20 kali lebih lambat, sementara pada BERT hanya menambah waktu sebesar 7.49%.