PenelitianinimengkajipengaruhEnvironmental,Social,andGovernance(ESG) terhadap return sahamdi Indonesia. DataESGtahun2023digunakanuntuk merepresentasikan kinerja jangka panjang perusahaan secara komprehensif. Analisis dilakukan menggunakan model Fama-French yang dikombinasikan denganmachinelearning(ClusteringdanGeneticAlgorithm).Metodeclustering danpendekatantradisionaldigunakanuntukklasifikasiukuran(kecil,sedang,dan besar) pada variabel independen model Fama-French, sedangkan Genetic Algorithm, equal-weighted, dan value-weighted digunakan untukmembentuk portofoliopadavariabel dependen. Penelitian ini tidakbertujuanmenyangkal teknik Fama-French tradisional, melainkanmemberikan perbandingan antara pendekatan tradisional dan penggunaanmachine learning. Hasil penelitian menunjukkanbahwaperusahaandengannilai ESGtinggi, sedang, dan rendah secarakonsistenmenghasilkanreturnlebihtinggidibandingkanperusahaantanpa nilaiESG.Pendekatantradisionaldanclusteringmenghasilkanhasilserupauntuk variabel seperti Intercept, MRP, danMOM, meskipun ditemukan perbedaan signifikanpadavariabelHML, yangmenunjukkanadanyaperbedaannilai yang dihasilkanantarakeduametode. Dari segi portofolio,metode equalweighted memberikan kestabilan terbaik bagi investor konservatif, sementara genetic algorithmmenawarkanalternatifyanglebihstabildibandingkanportofoliovalue weightedyanglebihfluktuatif. Tidakterdapatperbedaansignifikanantaramodel Fama-French 3, 5, dan 6 dalammengevaluasi dampak ESG. Penelitian ini berkontribusipadaliteraturESGdipasarberkembang,khususnyaIndonesia,serta memberikanwawasanbagi investordanpembuatkebijakan. Keterbatasanseperti kegagalanujiasumsiklasikperludievaluasidalampenelitianselanjutnya. / ThisstudyexaminestheimpactofEnvironmental,Social,andGovernance(ESG) onstock returns in Indonesia. ESGdata from2023wasused to represent the long-termperformance of companies more comprehensively. The analysis combinestheFama-Frenchmodelwithmachinelearningmethods(Clusteringand GeneticAlgorithm). Theclusteringmethodandtraditionalapproacheswereused toclassifysizes (small,medium, andlarge) for the independentvariables inthe Fama-French model, while the Genetic Algorithm, equal-weighted, and value-weightedmethodswereapplied toconstruct portfolios for thedependent variables.Thisstudydoesnotaimtoreject thetraditionalFama-Frenchtechnique but rather toprovideacomparisonbetween traditionalmethodsand theuseof machinelearning. Theresultsshowthatcompanieswithhigh,medium, andlow ESGscoresconsistentlydeliverhigherreturnscomparedtonon-ESGcompanies. Traditionalapproachesandclusteringproducedsimilar resultsforvariablessuch asIntercept,MRP,andMOM,butsignificantdifferenceswerefoundintheHML variable, showingdiscrepanciesbetween the twomethods. For portfolios, the equal-weightedmethod provided the best stability for conservative investors, while theGeneticAlgorithmofferedamore stablealternativecompared to the morevolatilevalue-weightedportfolios. Therewerenosignificant differences amongtheFama-French3,5,and6modelsinevaluatingESGimpacts.Thisstudy contributes toESGliterature inemergingmarkets, especially Indonesia, while providinginsightsforinvestorsandpolicymakers.Limitations,suchasthefailure ofclassicalassumptiontests,shouldbeevaluatedinfuturestudies.