MétaCan
Menu
Retour à la cohorte
Enregistrement W7116923934 · doi:10.55927/jambak.v4i1.166

Strategy to Strengthen Unumart's Performance through the Role of Digital Payment Optimization in the First Quarter of 2025

2025· article· W7116923934 sur OpenAlexaboutno aff
Dina Nadiyah Faiqoh, Sastya Putri, Denny Kurniawan, Reni Diah Setyowati, Nuari Anisa Sivi

Notice bibliographique

RevueJurnal Ilmiah Pendidikan Holistik (JIPH) · 2025
Typearticle
Langue
DomaineHealth Professions
ThématiqueHealth, Technology, Consumer Behavior
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPaymentBoosting (machine learning)Quarter (Canadian coin)Nonprobability samplingTest (biology)Data collectionVariables

Résumé

récupéré en direct d'OpenAlex

Digital transformation emphasizes digitalization as a strategy for enhancing efficiency and competitiveness. The shift to tech-based payment systems, like QR Codes and e-wallets, simplifies transactions, boosting operational efficiency and potential sales for businesses. This study aims to empirically test the effect of Digital Payments (QRIS) on UNU Mart Performance (Sales). This study is a causal research with quantitative methods. The examples obtained through purposive sampling techniques, from 90 data only 70 can be processed during the first 3 months of 2025, using primary data from the UNU Mart cashier application. In this study, SPSS statistical software version 24 was used. The results of the study showed that the variables taken, namely QRIS on Sales, were proven to have a positive and significant effect. In addition, seen from the multiple correlation, more than 50% of QRIS variables affect Sales.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,162
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,367
Écart entre enseignants0,313 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Ilmiah Pendidikan Holistik (JIPH)Même sujetHealth, Technology, Consumer BehaviorTravaux en français237 207