Implementation of Loan Accounting Treatment for New Members in CU. Canaga Antutn
Notice bibliographique
Résumé
Research entitled Analysis of Accounting Treatment of Member Loans in CU. Canaga Antutn, aims to build a model of the accounting treatment for recording savings formation with loans and remuneration for services provided. This can formulate systems and procedures for providing productive credit to establish control and increase the productivity of CU members. This research will benefit CU because they have an accounting treatment model and credit granting system to build controls that will become a reference for CU members. The method used in this research is a survey with a qualitative approach, conducted by interviews and observing the process of accounting treatment results that have been carried out. Then it is studied to provide a solution for CU Canaga Antutn by designing a model for CU loan accounting treatment. The results of this research show that CU. Canada Antutn does not carry out journal entries, either when disbursed funds are recorded as member loans or when the loan funds are recorded as savings. Non-performing loans, both Mangala loans and productive loans, based on CU management policy, Canaga Antutn, the level of smooth payments is still considered smooth, with a range between 70% - 80%, with a limit of 60% - 90%. Mangala Loans Smooth payment rates from 2019 to 2022: 66.88%, 65.62%, 72.60% and 70.62%. Productive loans 92.88%, 92.60%, 90.72% and 95.35%. The credit disbursement control system and non-performing loans information system are still weak, and there is no analysis of the age of receivables.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».