ANALISIS KINERJA BANK METODE RGEC PT. BPR BANK BOYOLALI (PERSERODA) Periode Tahun 2021 – 2023
Notice bibliographique
Résumé
A bank is a financial intermediary institution, generally established with the authority to accept money deposits, lend money, and issue promissory notes or known as banknotes. Financial performance is one of the important indicators to determine the financial condition of the bank. The better the financial performance, the better or healthier the health level of the bank. (Sukarno, 2011: 2). This study aims to analyze banking health performance using the RGEC method. The financial ratios used in this study are LDR, CGC, ROA, BOPO, and CAR. The research object in this study is the financial performance report of PT BPR Bank Boyolali using the RGEC method for the final quarter period of 2021 - 2023. This type of research is descriptive quantitative, a research method that utilizes quantitative data and is described descriptively. This study uses secondary data in the form of financial information obtained from financial reports published through the Financial Services Authority (OJK) website. The results of this study indicate a decrease in the LDR ratio from 98% in 2021 to 79.9% in 2023, reflecting a more balanced management of loans and deposits. The implementation of Good Corporate Governance (GCG) principles remains good with high regulatory compliance. Profitability remains solid with a stable ROA at 2.5% in 2021 and 2022, albeit slightly declining to 2.3% in 2023, and an efficient BOPO ratio of 79.9% in 2021.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,014 | 0,003 |
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 ».