Penggunaan Data Envelopment Analysis (DEA) dalam Pengukuran Efisiensi Bank Umum Syari'ah di Indonesia
Notice bibliographique
Résumé
The purpose of the research is to analayze efficiency level of Sharia Commercial Bank in Indonesia (Bank Mega Syariah, Bank Muamalat Indonesia, Bank Panin Dubai Syariah, Bank BNI Syariah, Bank BRI Syariah, and Bank Syariah Mandiri) 2014-2015 period. Data used in this research is secondary data taken from Financial Statement Publication issued by Otoritas Jasa Keuangan (OJK). This research uses input-output variable with Data Envelopment Analysis (DEA) Method.The result shows the difference of efficiency score for each Sharia Commercial Bank. Based on the calculacy using Data Envelopment Analysis (DEA) Method on BUSN Foreign Exchange of Sharia Commercial Bank in Indonesia only Bank Panin Dubai Syariah that has been succeeded with 100 percent of continuously efficiency during the research. The highest efficiency is experienced by Bank BNI Syariah and BRI Syariah because during the research they experienced inefficiency. During the research Bank Mega Syariah experienced efficiency three times on quarter March 2014, March 2015, and June 2015. Bank Muamalat Indonesia only experienced efficiency twice on quarter March 2014 and March 2015, beside that Bank Muamalat Indonesia experienced inefficiency. Bank Syariah Mandiri experienced efficiency twice on quarter March 2015 and quarter December 2015.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».