Faktor-Faktor yang Memengaruhi Implementasi SAK di UMKM Gudeg Daerah Istimewa Yogyakarta
Notice bibliographique
Résumé
This study aims to determine the effect of education level, understanding of accounting, information technology, and business size on the implementation of SAK on MSMEs Gudeg in the Special Region of Yogyakarta.The population in this study is the Gudeg MSME actors in the Special Region of Yogyakarta who are registered in the GrabFood application, totaling 88 business actors.Sampling by purposive sampling method was carried out through several criteria, in order to obtain 45 targeted MSMEs.The data analysis technique is through multiple linear regression analysis.Of the 4 hypotheses proposed, there are 2 accepted hypotheses and 2 rejected hypotheses.The accepted hypotheses are H2 and H3, namely accounting understanding has a positive effect on the implementation of SAK on MSMEs and information technology has a positive effect on SAK implementation on MSMEs.While the rejected hypotheses are H1 and H4, with the result that the level of education has no effect on the implementation of SAK on MSMEs and business size does not affect the implementation of SAK on MSMEs.The results of this research show that along with the existing developments, access to compiling financial reports is easier due to an understanding of accounting and information technology which no longer depends on the level of education and the size of the business.This research is expected to be a reference for MSME actors as well as policy makers so that effectiveness in efforts to implement SAK on MSMEs can be carried out, mainly by increasing accounting understanding and the use of information technology.
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 | 0,012 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,012 | 0,000 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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 ».