DAMPAK PANDEMI COVID-19 TERHADAP KINERJA KEUANGAN DI PERUSAHAAN PERBANKAN
Notice bibliographique
Résumé
The country's unstable economic condition due to the COVID-19 pandemic has a major impact on economic growth. The condition of the company is experiencing liquidity pressure which can result in default. This study is a quantitative study to determine the effect of financial performance in banking companies. This study uses a sample of commercial banks listed on the Indonesia Stock Exchange (IDX) before the COVID-19 pandemic occurred in the 2019 quarter period and the COVID-19 pandemic period in the 2020 quarter. The sampling technique used purposive sampling with certain criteria. The analysis technique using regression analysis was carried out with the classical assumption test. Based on the results of the analysis found that TPF has a positive and significant effect on Return on Assets (ROA), NPL has a negative and significant effect on Return on Assets (ROA), LDR has a positive effect on Return on Assets (ROA), CAR has a positive effect on Return on Assets ( ROA), and NIM have a positive and significant effect on Return on Assets (ROA). The contribution of this research is to determine the impact of the COVID-19 pandemic on the banking industry, which serves as an intermediary function between recipients and distributors of fundsKeyword : CAR, DPK, NIM, NPL, Covid-19 Pandemic, ROA
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 | 0,002 | 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 | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».