ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PROFITABILITAS PERBANKAN (STUDI PADA PT. BANK NEGARA INDONESIA (PERSERO), TBK, PERIODE 2010-2015)
Notice bibliographique
Résumé
The financial condition of PT Bank Negara Indonesia (BNI) in each quarter of each year, the 2010-2015 period can be quite good. It can be seen from the growth in net profit generated by the BNI in each quarter of each year is always increasing. However, in the second quarter 2015 net income generated BNI only Rp. 2.46 Trillion. The net profit decreased compared to the net profit generated in the second quarter of 2014 amounted to Rp. 4.95 Trillion. In addition, ROA of BNI in the second quarter 2015 amounted to 1.14%. BNI ROA The ROA decreased compared with the second quarter of 2014 amounted to 2.43%. In this regard, it is necessary to do research on the factors that affect the profitability of BNI. The variables of this study is the Capital Adequacy Ratio (CAR), Non Performing Loan (NPL), Loan to Deposit Ratio (LDR), Operating Expenses Operating Income (ROA), and Net Interest Margin (NIM). As for profitability measurement tools using the Return On Asset (ROA). Source data extracted from BNI Quarterly Financial Statements First Quarter period 2010 to the third quarter of 2015. The data used is secondary data, which is a time series data. The analysis technique used is multiple linear regression. The results showed thatCAR, NPL, LDR, ROA and NIM simultaneously have significant effect on ROA. Partially, CAR, NPL, and LDR have not significant effect on ROA. BOPO have significant negative effect on ROA and NIM have significant positive effect on ROA. The magnitude of the influence CAR, NPL, LDR, ROA and NIM to ROA amounted to 94.3%, while the rest 5.7% is explained by other variables outside the model. Keywords : Capital Adequacy Ratio, Non Performing Loan, Loan to Deposit Ratio , Biaya Operasional Pendapatan Operasional, Net Interest Margin, Return On Asset
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».