Analisis Faktor - Faktor Keberlanjutan Sektor Perbankan di Indonesia dengan Unsupervised Learning
Keywords:
bank, clustering ESG, keberlanjutan, unsupervised learningAbstract
Bank berperan penting dalam menyalurkan dana dan pembiayaan sektor riil. Saat ini investor modern semakin mempertimbangkan aspek keberlanjutan dalam keputusan investasinya. Penelitian ini menganalisis pengelompokan bank di Indonesia berdasarkan variabel keberlanjutan dan keuangan menggunakan pendekatan unsupervised learning. Data berasal dari laporan keberlanjutan dan laporan tahunan bank konvensional. Preprocessing data meliputi proses cleaning, imputasi, feature engineering, serta penentuan tier Environment, Social, and Governance (ESG). Metode yang digunakan meliputi K-Means, Agglomerative Clustering, DBSCAN, dan PCA. Hasilnya menunjukkan adanya klaster bank dengan karakteristik berbeda berdasarkan ukuran aset, ekuitas, dan skor ESG. PCA dua komponen mampu menjelaskan sekitar 31% variasi data dan memperlihatkan pemisahan klaster yang cukup jelas. Temuan ini menunjukkan bahwa variabel keberlanjutan memiliki pola tertentu ketika dianalisis bersama indikator keuangan, sehingga klasterisasi dapat menjadi alat pemetaan profil keberlanjutan bank di Indonesia.
Kata kunci— bank, clustering, ESG, keberlanjutan, unsupervised learning,
References
M. Farnè and A. Vouldis, “Banks’ risk-taking within a banking union,” Econ Lett, vol. 204, Jul. 2021, doi: 10.1016/j.econlet.2021.109909.
A. M. H. I. G. Sri Masdiana, “Bank Syariah Sebagai Pilar Sistem Keuangan Islam: Analisis Kedudukan Dan Peran Di Indonesia. ,” Journal of Islamic Banking and Finance Studies, 2025.
Y. K. Tumewang, K. P. Ayunda, M. R. Azzahra, and M. K. Hassan, “The effects of diversity and inclusion on ESG performance: A comparison between Islamic and conventional banks,” Borsa Istanbul Review, vol. 24, no. 6, pp. 1101–1110, Nov. 2024, doi: 10.1016/j.bir.2024.10.001.
Moh. Farhan, “Keseimbangan Risiko Dan Imbal Hasil Dalam Strategi Investasi Berkelanjutan: Pendekatan Integratif Terhadap Faktor Lingkungan, Sosial, Dan Tata Kelola Perusahaan (Esg),” Currency: Jurnal Ekonomi Dan Perbankan Syariah, vol. 2, no. 2, pp. 243–264, Apr. 2024, doi: 10.32806/ccy.v2i2.241.
W. C. Lin, C. F. Tsai, Y. H. Hu, and J. S. Jhang, “Clustering-based undersampling in class-imbalanced data,” Inf Sci (N Y), vol. 409–410, pp. 17–26, 2017, doi: 10.1016/j.ins.2017.05.008.
C. Ergenç and R. Aktaş, “Clustering S&P 500 companies by machine learning for sustainable decision-making,” Economics and Business Review, vol. 11, no. 3, pp. 91–117, Sep. 2025, doi: 10.18559/ebr.2025.3.1895.
D. Tirkaamiana and S. S. A. Basuki, “Enhancing ESG Insights Using Machine Learning: A Case Study of Top Performing Banks in Indonesia,” Journal of Applied Informatics and Computing, vol. 9, no. 3, pp. 810–818, Jun. 2025, doi: 10.30871/jaic.v9i3.9480.
Zulfa Eza Sabila, “Pengaruh Green Banking Disclosure, Islamic Social Reporting Disclosure Terhadap Nilai Perusahaan Dimoderasi Oleh Mekanisme Corporate Governance (Studi pada Bank Umum Syariah yang Terdaftar di Bursa Efek Indonesia Periode 2018-2022),” 2023.
M. Mercadier, A. Tarazi, P. Armand, and J.-P. Lardy, “Monitoring bank risk around the world using unsupervised learning,” Eur J Oper Res, vol. 324, no. 2, pp. 590–615, Jul. 2025, doi: 10.1016/j.ejor.2025.01.036.
T. Nyitrai and M. Virág, “The effects of handling outliers on the performance of bankruptcy prediction models,” Socioecon Plann Sci, no. July, pp. 1–9, 2018, doi: 10.1016/j.seps.2018.08.004.
Azkia Husni Mubarok and Rini Widianingsih, “Pengaruh kinerja lingkungan, sosial, dan tata kelola (ESG) terhadap penilaian keberlanjutan perusahaan (CSA),” Prosiding Seminar Nasional Penelitian dan Pengabdian Kepada Masyarakat, vol. 3, no. 1, pp. 80–86, Sep. 2025, doi: 10.24002/senapas.v3i1.12602.
