Jurnal Analisis Dampak Penerapan PSAK 72 Terhadap Kinerja Keuangan Perusahaan Telekomunikasi Di Masa Pandemi Covid-19
Notice bibliographique
Résumé
Abstract \nThis study aims to determine how the impact of the application of PSAK 72 on the \nfinancial performance of telecommunications companies during the Covid-19 \npandemic. This research was conducted in the telecommunications sector, which was \naffected by the issuance of PSAK 72. This research uses descriptive quantitative \nanalysis techniques. The sampling technique uses non-probability purposive sampling \ntechnique, namely telecommunication companies listed on the Indonesia Stock \nExchange that meet the predetermined criteria. The following three telecommunication \ncompanies which become the research sample, namely PT. Telekomunikasi Indonesia \nTbk, PT. INDOSAT Tbk AND PT. XL AXIATA Tbk. The results of this study indicate \nthat the application of PSAK 72 resulted in the financial performance of the three \ncompanies not being a little better when compared to the previous standard. The \ndifference in the revenue recognition provisions based on PSAK 72 and the previous \nstandard caused a slight change in the value of revenue from contracts with customers \nin the third quarter of 2020, so that the revenue value was smaller when compared to \nusing the previous standard. On the other hand, based on the assessment of the three \ncompanies, the Covid-19 pandemic has not had a significant adverse impact on the \nbusiness continuity of PT Telkomsel Indonesia Tbk, PT. INDOSAT Tbk and PT. XL \nAXIATA Tbk. \nKeywords: PSAK 72, Financial Performance, Telecommunication Companies, Covid- \n19 Pandemic. \nAbstrak \nPenelitian ini memiliki tujuan untuk mengetahui bagaimana dampak penerapan \nPSAK 72 terhadap kinerja keuangan perusahaan telekomunikasi di masa pandemi \nCovid-19. Penelitian ini dilakukan pada sektor telekomunikasi yang terdampak atas \nterbitnya PSAK 72. Penelitian ini menggunakan teknik analisis deskriptif kuantitatif. \nTeknik pengambilan sampel menggunakan teknik non probability purposive sampling \nyakni perusahaan telekomunikasi yang terdaftar di Bursa Efek Indonesia yang \nmemenuhi kriteria yang telah ditentukan, berikut tiga perusahaan telekomunikasi yang \nmenjadi sampel penelitian yaitu PT. Telekomunikasi Indonesia Tbk, PT. INDOSAT \nTbk DAN PT. XL AXIATA Tbk. Hasil penelitian ini menyatakan bahwa penerapan PSAK 72 mengakibatkan kinerja keuangan ketiga perusahaan tersebut sedikit tidak \nlebih baik apabila dibandingkan dengan menggunakan standar sebelumnya. Perbedaan \nketentuan pengakuan pendapatan berdasarkan PSAK 72 dan standar sebelumnya \nmenyebabkan sedikit perubahan nilai pendapatan dari kontrak dengan pelanggan pada \nkuartal III tahun 2020, sehingga nilai pendapatan menjadi lebih kecil apabila \ndibandingkan dengan menggunakan standar sebelumnya. Disisi lain berdasarkan \npenilaian ketiga perusahaan tersebut, pandemi Covid-19 tidak memberikan dampak \nburuk secara signifikan terhadap kelangsungan bisnis PT.Telkomsel Indonesia Tbk, PT. \nINDOSAT Tbk dan PT. XL AXIATA Tbk. \nKata kunci: PSAK 72, kinerja keuangan, Perusahaan Telekomunikasi, Pandemi Covid- \n19
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 | 0,003 |
| 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 | 0,001 | 0,001 |
| 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) | 0,013 | 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 ».