ANALISIS PENGARUH KINERJA KEUANGAN DAN EKONOMI \nMAKRO TERHADAP PENYALURAN KREDIT PERBANKAN DI \nINDONESIA PERIODE 2010-2019
Notice bibliographique
Résumé
Credit distribution constitutes a banking capability in providing or implementing a loan under payment agreement executed at the beginning of agreement within period of time agreed by both parties. This study aimed to analyze the effect of financial performance and macro in banking sector on the of banking credit distribution in Indonesia. This study used secondary data in quarter I-IV during the period of 2010-2019, derived from official website of Financial Services Authority (www.ojk.go.id) and Statistics Indonesia (Badan Pusat Statistik (www.bps.go.id)). Analysis technique in processing data used analysis of panel data regression using a software of statistics program Eviews10. \nResult of this study suggested that Third Party Funds (DPK), Operating Expenses and Operating Income (BOPO), Loan to Funding Ratio (LDR), and BI Rate simultaneously affect the of credit distribution in banking particularly in Indonesia with calculated-F value of (11132.4) > (2.41). The result of t test revealed that DPK and LDR partially promoted significant positive effect of banking credit distribution, then BOPO promoted significant negative impact of banking credit distribution in Indonesia. Subsequently, for BI Rate, it did not have significant effect on banking credit distribution in Indonesia.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».