Notice bibliographique
Résumé
The purpose of this study is to analyze the soundness of banking in Indonesia before and during the pandemic using RGEC, which consists of Non Performing Loans (NPL), Good Corporate Governance (GCG), Return on Assets (ROA), and Capital Adequacy Ratio (CAR). The impact of this research is to assist banking companies in analyzing their level of health before and during the pandemic. This research is a quantitative study with a descriptive approach, using secondary data from the first quarter to the fourth quarter of 2019 (before the pandemic) and the first quarter to the fourth quarter of 2020 (during the pandemic). Based on data from banking companies listed on the Indonesia Stock Exchange, the population studied was 45 companies, with a sample of 35 companies. The results showed that there was no significant difference in the soundness of banks using the RGEC method as proxied by NPL, GCG, ROA, and CAR.
 Keywords: Banking Health; NPL; GCG; ROA; CAR
 
 
 Tujuan penelitian ini adalah menganalisis tingkat kesehatan perbankan di Indonesia sebelum dan saat pandemi menggunakan RGEC, yang terdiri dari Non-Performing Loan (NPL), Good Corporate Governance (GCG), Return on Assets (ROA), dan Capital Adequacy Ratio (CAR). Dampak dari penelitian ini adalah membantu perusahaan perbankan dalam menganalisis tingkat kesehatannya pada sebelum dan saat pandemi. Penelitian ini merupakan penelitian kuantitatif dengan pendekatan deskriptif, menggunakan data sekunder dari triwulan I hingga triwulan IV tahun 2019 (sebelum pandemi) dan triwulan I hingga triwulan IV 2020 (saat pandemi). Berdasarkan data perusahaan perbankan yang terdaftar di Bursa Efek Indonesia, populasi yang diteliti adalah 45 perusahaan, dengan sampel 35 perusahaan. Hasil penelitian menunjukkan bahwa tidak terdapat perbedaan signifikan pada tingkat kesehatan bank menggunakan metode RGEC yang diproksi dengan NPL, GCG, ROA dan CAR.
 Kata Kunci: Tingkat Kesehatan Bank; NPL; GCG; ROA; CAR
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,000 |
| 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 ».