DETERMINAN MARJIN PERBANKAN DI INDONESIA (Studi pada Bank Umum yang terdaftar dalam Bursa Efek Indonesia Periode Tahun 2012-2017)
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk mengetahui determinan marjin perbankan di Indonesia. Adapun variabel dependen penelitian adalah marjin bank, sedangkan variabel independen penelitian fokus kepada faktor internal perusahaan diantaranya adalah biaya operasional, efisiensi operasional, risiko kredit, risiko likuiditas, risk aversion, dan ukuran bank. Data penelitian merupakan data panel yaitu gabungan antara data cross section dengan sampel penelitian sebanyak 39 perusahaan perbankan yang terdaftar dalam Bursa Efek Indonesia (BEI) dan data time series yaitu pengambilan data penelitian dilakukan selama 6 (enam) tahun yaitu tahun 2012-2017. Pengujian hipotesis dilakukan menggunakan analisis regresi linier berganda, yang sebelumnya telah dilakukan terlebih dahulu pengujian asumsi klasik. Hasil pengujian menunjukkan bahwa biaya operasional berpengaruh positif terhadap marjin bank, efisiensi operasional yang ditunjukkan melalui rasio BOPO berpengaruh negatif terhadap marjin bank, risiko kredit yang ditunjukkan melalui rasio Non Performing Loan (NPL) tidak berpengaruh terhadap marjin bank, risiko likuiditas yang ditunjukkan melalui rasio Loan Deposit Ratio (LDR) berpengaruh positif terhadap marjin bank, risk aversion ditunjukkan melalui rasio Capital Adequacy Ratio (CAR) berpengaruh positif terhadap marjin bank, dan ukuran bank merupakan logaritma total kredit berpengaruh positif terhadap marjin bank.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,007 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».