Prediksi Dinamika Status Top-Tier ESG dengan Algoritma XGBoost: Evaluasi Ketepatan Model

Abstract

Penelitian ini bertujuan mengembangkan model klasifikasi berbasis XGBoost untuk memprediksi status perusahaan dalam kategori Top-Tier ESG pada periode berikutnya serta mengevaluasi ketepatan prediksi model. Penelitian menggunakan data sekunder dari 1.000 perusahaan global pada periode 2015–2025 yang mencakup skor ESG, indikator lingkungan, karakteristik keuangan, industri, dan wilayah. Data tahun 2016–2022 digunakan sebagai data pelatihan, sedangkan periode 2023–2024 digunakan sebagai data pengujian berbasis waktu. Model XGBoost dikonfigurasi dengan 300 pohon, learning rate 0,03, kedalaman maksimum 4, rasio sampling 0,8, serta pembobotan kelas untuk menangani ketidakseimbangan data. Hasil pengujian menunjukkan akurasi sebesar 93% dan macro F1-score sebesar 0,91. Pada kelas ESG Top-Tier, model menghasilkan precision 78% dan recall 100%. Dari 331 perusahaan yang diprediksi sebagai Top-Tier, sebanyak 251 perusahaan (75,83%) terbukti berada pada kategori tersebut, sedangkan 80 perusahaan (24,17%) merupakan false alarm. Hasil tersebut menunjukkan bahwa XGBoost dapat digunakan untuk memproyeksikan dinamika status ESG satu tahun ke depan dan mendukung identifikasi perusahaan yang berpotensi mempertahankan atau mencapai kategori ESG Top-Tier.