Asset Quality as a Predictor of Rural Bank Bankruptcy in Indonesia
Notice bibliographique
Résumé
The study aims to form a bankruptcy prediction model of rural bank in Indonesia at a time variation of 1 quarter (MP1), 2 quarters (MP2), 4 quarters (MP4), and 8 quarters (MP8) before bankruptcy. The quality of productive assets as a predictor variable consist of CEA, CEAEA, and NPL. The condition of rural bank bankrupt and non bankrupt as a dependent variable. The analytical method used is logistic regression followed by testing the model accuration. The population of this study is rural bank in Indonesia. The sample used was 241 rural banks that consist of 41 bankrupt rural banks and 200 non bankrupt rural banks. The data used are the quarterly financial statements of 2006 to 2019. The study result showed that of the four prediction models that successfully built, the 1 quarter (MP1) is the most feasible and accurate used as bankruptcy prediction model of rural banks in Indonesia that formed by CEAEA and NPL ratio. The MP1 has a classification accuracy of 93,8% at the level of modelling with cut off point of 0,29 and it has a classification accuracy of 83,93% at the level of validation with cut off point of 0,12. Based on those advantage, the MP1 was chosen as a model that able to predict the bankruptcy of rural bank in Indonesia.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».