PENGARUH TINGKAT INFLASI, SUKU BUNGA BI, DAN NILAI TUKAR RUPIAH TERHADAP RETURN ON ASSET PERBANKAN
Notice bibliographique
Résumé
<p><strong><em>ABSTRACT:</em></strong><em> This research aims to find out how inflation, BI interest rates, and rupiah exchange rates affect the return on assets of persero banks in Indonesia. The method used in this research is descriptive and verifikative research method. The data was obtained from the financial statements of persero banks, consisting of Bank Mandiri, Bank Tabungan Negara, Bank Negara Indonesia, and Bank Rakyat Indonesia which were published on the official website of the Financial Services Authority during the quarter of 2017 to the quarter of 2019. Sampling in this study is based on saturated sampling techniques, i.e. all members of the population are sampled. The data in this research is processed using SPSS software. Data processing and analysis techniques use multiple regression analysis. The results of this study showed that together (simultaneously) independent variables of Inflation Rate, BI Interest Rate, and Rupiah Exchange Rate had a significant effect on Bank Persero's ROA in Indonesia in 2017-2019. The test results partially showed that the Variable Inflation Rate negatively and significantly affects return on assets at the persero banks registered with the Financial Services Authority for the period 2017-2019, bi interest rate variables have no effect on Return On Assets on persero banks registered with the Financial Services Authority for the period 2017-2019, rupiah exchange rate variables have a positive and significant effect on Return On Assets on persero banks registered with the Financial Services Authority for the period 2017-2019. Based on the test results determining the amount of coefficient of determination of 18% while the remaining 82% is explained by other variables that are not included in the regression model equation.</em></p><p><strong><em>Keywords</em></strong><em>: Inflation Rate, Bi Interest Rate, Rupiah Exchange Rate, Return On Assets</em></p><p align="center"> </p><p><strong>ABSTRAK:</strong> Penelitian ini bertujuan untuk mengetahui bagaimana pengaruh inflasi, suku bunga BI, dan nilai tukar rupiah terhadap <em>return on asset</em> bank persero yang ada di Indonesia. Metode yang digunakan dalam penelitian ini adalah metode penelitian deskriptif dan verifikatif. Data diperoleh dari laporan keuangan bank persero, yang terdiri dari Bank Mandiri, Bank Tabungan Negara, Bank Negara Indonesia, dan Bank Rakyat Indonesia yang publikasi di website resmi Otoritas Jasa Keuangan selama triwulan tahun 2017 sampai dengan triwulan tahun 2019. Pengambilan sampel dalam penelitian ini didasarkan pada teknik sampling jenuh, yaitu semua anggota populasi dijadikan sampel. Data dalam penelitian ini diolah menggunakan software SPSS. Teknik pengolahan dan analisis data menggunakan analisis regresi berganda. Hasil dari penelitian ini menunjukkan hasil bahwa secara bersama-sama (simultan) variabel independen Tingkat Inflasi, Suku Bunga BI, dan Nilai Tukar Rupiah berpengaruh signifikan terhadap ROA Bank Persero di Indonesia tahun 2017-2019. Hasil pengujian secara parsial menunjukkan hasil bahwa variabel Tingkat Inflasi berpengaruh negatif dan signifikan terhadap Return On Asset pada bank persero yang terdaftar di Otoritas Jasa Keuangan periode 2017-2019, variabel Suku Bunga BI tidak memiliki pengaruh terhadap Return On Asset pada bank persero yang terdaftar di Otoritas Jasa Keuangan periode 2017-2019, variabel Nilai Tukar Rupiah berpengaruh positif dan signifikan terhadap Return On Asset pada bank persero yang terdaftar di Otoritas Jasa Keuangan periode 2017-2019. Berdasarkan hasil uji determinasi besarnya koefisien determinasi sebesar 18% sedangkan sisanya 82% dijelaskan oleh variabel lain yang tidak dimasukkan dalam persamaan model regresi.</p><p><strong>Kata Kunci:</strong> Tingkat Inflasi, Suku Bunga BI, Nilai Tukar Rupiah, <em>Return On Assets.</em></p>
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,012 | 0,003 |
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 ».