Pengaruh Perbankan Syariah terhadap Pertumbuhan Ekonomi Indonesia
Notice bibliographique
Résumé
The purpose of this research is to determine the effect of total assets, financing provided, Third Party Funds (TPF), Non Performing Financing (NPF) on Indonesia's economic growth for 6 (six) years from 2017 to 2022. This research using quarterly secondary data from the first quarter of 2017 to the fourth quarter of 2022 sourced from Sharia Banking Statistics (SPS) published by the Financial Services Authority (OJK) for data on assets, Financing Provided, Third Party Funds, and Non Performing Financing (NPF). Meanwhile, economic growth data is measured using Gross Domestic Product (GDP) data from the Indonesian Central Statistics Agency (BPS). The data processing technique used in this research is multiple linear regression using Eviews version 12 software to determine the relationship between the dependent variable and the independent variable. The research results show: 1) Partially Total Assets and Financing Provided (PyD) have a significant and positive influence on Indonesia's economic growth. 2) Partially, Third Party Funds (TPF) and Non Performing Financing (NPF) have a insignificant influence on Indonesia's economic growth. 3) Simultaneously Total Assets, Financing Provided (PyD), Third Party Funds (TPF), and Non Performing Financing (NPF) have a significant positive influence on Indonesia's economic growth
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 | 0,000 | 0,001 |
| 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 | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».