Portfolio detail
Environmental Disclosure–Performance Intelligence
NLP, PROPER data & statistical validation
Riset intelligence yang menghubungkan sustainability report, human-validated NLP, data PROPER, entity resolution, dan statistical validation untuk mempelajari disclosure–performance divergence.
Tentang proyek
Environmental Disclosure–Performance Intelligence adalah proyek NLP dan data analytics end-to-end untuk menelusuri hubungan antara pengungkapan lingkungan perusahaan dan catatan kinerja yang tersedia secara publik.
Pipeline memproses 24.947 kalimat inti, memetakan 120 fasilitas PROPER, dan membentuk 36 company-years final. Setiap hasil dapat ditelusuri dari skor kembali ke komponen, kalimat, halaman laporan, fasilitas, rating, dan sumber.
Proyek ini sengaja mempertahankan hasil validasi eksternal yang null. Disclosure–Performance Divergence digunakan sebagai ukuran deskriptif, bukan prediktor dan bukan label greenwashing.
NLP & environmental intelligence
Menguji jarak antara apa yang diungkapkan dan apa yang tercatat dalam kinerja.
Environmental Disclosure–Performance Intelligence menggabungkan sustainability report, NLP tervalidasi manusia, data PROPER Indonesia, entity resolution, dan pengujian statistik untuk mempelajari disclosure–performance divergence tanpa mengklaim niat atau pelanggaran.
Unit observasi final untuk analisis disclosure dan performance standing.
Kalimat lingkungan yang diproses dan ditelusuri kembali ke halaman laporan.
Fasilitas yang dipetakan melalui entity resolution dan review evidence.
Pemeriksaan statistik dan reproducibility untuk menjaga konsistensi pipeline.
Analytical workflow
Dari evidence menuju keputusan yang dapat diperiksa.
Setiap tahap menjaga agar output tetap terhubung dengan sumber, asumsi, dan batas penggunaannya.
Document intelligence
Mengekstrak laporan keberlanjutan, mempertahankan nomor halaman, dan menyeleksi kalimat yang relevan terhadap lingkungan.
Human-validated NLP
Membandingkan pendekatan, melakukan anotasi manusia, lalu memakai rule-based NLP yang lebih mudah diaudit untuk corpus ini.
Performance linkage
Memetakan entitas perusahaan ke fasilitas PROPER dan membangun performance standing pada skala yang sebanding.
Statistical validation
Menguji korelasi, bootstrap, permutation test, dan leave-one-company-out sambil mempertahankan hasil null apa adanya.
Method note
Disclosure–Performance Divergence
Disclosure Standing dan Performance Standing dinormalisasi pada rentang 0–1 agar dapat dibandingkan. Nilai positif adalah sinyal perbedaan deskriptif—bukan bukti penipuan, niat, atau klasifikasi greenwashing.
Selected findings
Angka penting, dengan konteks yang menyertainya.
External relevance validation dengan balanced accuracy 0,866; theme classification tetap lebih lemah.
Cohen’s kappa menunjukkan konsistensi tinggi pada tahap validasi manusia.
Korelasi DPD terhadap benchmark eksternal mendekati nol; 95% CI [−0,346, 0,282].
Criterion validity tidak didukung. Ukuran tetap berguna secara deskriptif, tetapi tidak boleh diposisikan sebagai prediktor.
Evidence & resources
Telusuri artefak proyek.
Analisis ini tidak memberi label greenwashing pada perusahaan. Coverage terbatas, sampel final 36 company-years, periode cross-section FY2024, dan validasi eksternal menghasilkan null result. Setiap temuan harus dibaca sebagai exploratory research dengan evidence trail, bukan penilaian hukum atau reputasi.