BAB 2

LANDASAN TEORI



2.1 Risiko Operasional
2.1.1 Definisi

Dewasa ini risiko operasional semakin diakui sebagai salah satu faktor kunci yang
perlu dikelola dan dicermati oleh para pelaku usaha, khususnya di bidang jasa
keuangan. Dalam industri lain yang memiliki aktivitas perdagangan, risiko
operasional pun dianggap sebagai komponen vital dalam kerangka pengelolaan risiko
perusahaan yang lebih luas. Oleh karena itu, pemahaman mengenai konsep risiko
operasional beserta pendekatan matematis dan probabilistik menjadi sangat penting
dikuasai oleh para praktisi dunia usaha dan akademis.

Manajemen risiko operasional itu sendiri merupakan serangkaian prosedur dan
metodologi yang digunakan untuk mengidentifikasi, mengukur, memantau dan
mengendalikan risiko pasar yang timbul dari kegiatan perusahan. Untuk memahami
pengertian risiko operasional terlebih dahulu kita harus mengetahui apa sebenarnya
risiko itu sendiri.

Secara umum risiko dapat diartikan sebagai potensi terjadinya suatu peristiwa
yang dapat menimbulkan kerugian bagi perusahaan. Maka risiko operasional
merupakan risiko yang antara lain disebabkan adanya ketidakcukupan atau tidak
berfungsinya proses internal, kesalahan manusia, kegagalan sistem atau adanya
problem eksternal yang mempengaruhi operasional perusahaan.


2.1.2 Perubahan Risiko Operasional

Baik Lembaga Pengawas maupun bank menyadari bahwa perubahan dalam industri
perbankan telah mendorong pula perubahan karakteristik risiko operasional bank.
Event yang secara historis berasal dari kesalahan yang mengandung biaya rendah
sebagai pelengkap atau diganti dengan event yang memiliki frekuensi rendah tetapi
memiliki dampak yang besar.

Peristiwa risiko operasional dikelompokkan dalam dua faktor yaitu frekuensi
dan dampak. Frekuensi adalah seberapa sering suatu peristiwa operasional itu terjadi,
sedangkan dampak adalah jumlah kerugian yang timbul dari peristiwa tersebut.
Pengelompokkan risiko operasional didasarkan pada seberapa sering peristiwa terjadi
dan dampak kerugian yang ditimbulkan (severity). Misalkan ada empat jenis kejadian
operasional (events), yaitu:

a. Low Frequency/High Impact (LFHI)
b. High Frequency/High Impact (HFHI)
c. Low Frequency/Low Impact (LFLI)
d. High Frequency/Low Impact (HFLI)


Impact
Frequency
Gambar 2.1 Jenis Peristiwa Risiko Operasional


HFLI LFLI

LFHI

HFHI
Secara umum manajemen risiko operasional memfokuskan kepada dua jenis
peristiwa, yaitu low frequency/high impact (LFHI) dan high frequency/low impact
(HFLI). Bank mengabaikan suatu kejadian yang memiliki low frequency/low impact
(LFLI) karena membutuhkan biaya yang lebih besar untuk mengelola dan memantau
dibandingkan dengan tingkat kerugian yang timbul bila terjadi. Sedangkan high
frequency/high impact (HFHI) tidak relevan karena bila kejadian ini terjadi bank
secara cepat akan menderita kerugian yang besar dan harus menghentikan usahanya.
Kerugian ini juga tidak berkelanjutan dan pengawasan bank akan mengambil langkah-
langkah untuk menyelesaikan praktek-praktek bisnis yang buruk.


2.1.3 Kategori Kejadian Risiko Operasional

Cara sederhana untuk mengerti risiko operasional dalam bank adalah dengan
mengkategorikan setiap risiko yang tidak dicakup dalam risiko kredit dan risiko pasar.
Namun demikian, ini merupakan definisi yang terlalu luas dan tidak membantu dalam
mengelola risiko operasional

Meskipun Basel II Accord tidak secara resmi melakukan ini, operational risk
events dapat dikelompokkan dalam kategorik-kategorik seperti risiko yang melekat
pada:

a. Risiko proses internal didefinisikan sebagai risiko yang timbul dari kegagalan
proses dan prosedur bank
b. Risiko manusia didefinisikan sebagai risiko yang melekat pada karyawan
suatu bank
c. Risiko sistem adalah risiko yang melekat pada teknologi dan sistem yang
digunakan
d. Risiko eksternal adalah risiko yang terjadi di luar kendali bank secara
langsung
e. Risiko hukum adalah risiko ketidakpastian dari tindakan hukum atau
ketidakpastian untuk mengaplikasikan atau menginterprestasikan suatu
kontrak, peraturan dan perundang-undangan
2.2 Pengukuran Risiko Operasional

Basel II Accord membolehkan bank untuk menggunakan salah satu dari tiga
pendekatan untuk menghitung pendapatan risiko operasional. Pengukuran potensi
kerugian risiko operasional dapat dilakukan dengan metode standard atau metode
internal. Pengukuran potensi kerugian risiko operasional berdasarkan pendekatan
metode standard dapat dilakukan melalui tiga pendekatan yaitu:

a. The Basic Indicator Approach (BIA)
b. The Standardized Approach (SA)
c. The Alternative Standardized Approach (ASA)

Sedangkan pengukuran potensi kerugian risiko operasional dengan metode
internal tersebut disebut sebagai The Advanced Measurement Approach (AMA). The
Advanced Measurement Approach adalah cara yang paling canggih. Pendekatan ini
membolehkan bank menggunakan internalnya untuk menghitung operasional risk
capital. Namun, ini terkena standard regulator yang ketat.

Basel Committee tidak menentukan model untuk Advanced Measurement
Approach karena bank diperbolehkan menggunakan sistem pengukuran risiko
operasional internal mereka. Pengukuran potensi kerugian risiko operasional dengan
metode internal dapat dipergunakan oleh semua perusahaan termasuk juga bank yang
ingin mengukur risiko operasionalnya dengan metode internal.

Dibandingkan dengan model yang standard, pendekatan model AMA lebih
menekankan pada analisis kerugian operasional. Untuk bank yang ingin menerapkan
model AMA dalam pengukuran risiko operasional harus mempunyai database
kerugian operasional sekurang-kurangnya dua hingga lima tahun ke belakang. Bank
yang ingin menggunakan metode ini harus memiliki teknologi yang tinggi sehingga
dengan bantuan teknologi tersebut dapat dibuat model yang menangkap, menyeleksi
dan melaporkan informasi risiko operasional eksternal untuk tujuan validasi model.
Pendekatan menggunakan metode The Advanced Measurement Approach (AMA) ini
ada beberapa pendekatan yang sering digunakan yaitu sebagai berikut:
a. Internal Measurement Approach (IMA)
b. Loss Distribution Approach (LDA)
c. Risk Driver and Control Approach (RDCA) Scorecards


2.3 Sifat-Sifat Deskriptif Statistik

Pengukuran potensi kerugian risiko operasional dan untuk melakukan pemodelan pada
suatu bank perlu terlebih dahulu mengetahui karakteristik dari distribusi kerugian
operasional. Adapun distribusi kerugian risiko operasional dapat dikelompokkan
menjadi distribusi frekuensi kerugian operasional dan distribusi severitas kerugian
operasional.


2.3.1 Distribusi Frekuensi Kerugian Operasional

Distribusi frekuensi menunjukkan jumlah atau frekuensi terjadinya suatu jenis
kerugian operasional dalam suatu periode tertentu, tanpa melihat nilai atau rupiah
kerugian. Distribusi frekuensi kerugian operasional merupakan distribusi diskrit yaitu
distribusi atas data yang nilai data harus bilangan integer atau tidak pecahan.
Frekuensi kejadian bersifat integer karena jumlah bilangan merupakan bilangan bulat
positif. Distribusi frekuensi kerugian operasional dapat dikelompokkan dalam
distribusi Poisson, geometric, binomial dan hypergeometric.


2.3.1.1 Distribusi Poisson

Distribusi frekuensi Poisson merupakan distribusi frekuensi kerugian operasional yang
paling banyak terjadi karena karakteristiknya yang sederhana dan paling sesuai
dengan frekuensi terjadinya kerugian operasional. Distribusi Poisson mencerminkan
probabilitas jumlah atau frekuensi.

Rata-rata jumlah atau frekuensi terjadinya kesalahan bayar kasir atau rata-rata
frekuensi terjadinya kecelakaan kerja dapat dinyatakan sebagai (lambda) dalam
suatu periode waktu tertentu. Dengan demikian secara umum frekuensi terjadinya
kerugian operasional atas suatu kejadian tertentu dapat dinyatakan sebagai distribusi
Poisson. Distribuisi Poisson dari suatu kejadian kerugian tertentu dapat ditentukan
probabilitasnya dengan rumus:


! k
e
P
k
k

=

Dengan: k =variabel acak diskrit yang menyatakan jumlah atau frekuensi
kejadian per interval waktu dimana k! =k(k-1)(k-2).........1
=rata-rata jumlah atau frekuensi kejadian k per interval waktu
e =2,71828 (bilangan konstan)

Parameter dapat diestimasi sebagai berikut:

=
=
0
0
k
k
k
k
n
kn

Distribusi Poisson memiliki mean dan varians sebagai berikut:

Mean: ( ) = X E
Varians: ( )
( )
1
0
2

=
k
k
n
k
X V

2.3.1.2 Distribusi Geometric

Distribusi geometric digunakan untuk mengetahui berapa banyak kegagalan akan
terjadi sebelum terjadinya kejadian sukses dari suatu seri aktivitas yang bersifat
independen. Karakteristik dari distribusi geometric adalah suatu kejadian yang gagal
dan sukses pertama. Distribusi geometric tidak berkaitan dengan kepentingan sukses
pertama, sukses kedua dan seterusnya. Distribusi geometric mempunyai probabilitas
fungsi sebagai berikut:

( )
1
1
+
+
=
k
k
k
P

Parameter dapat diestimasi dengan

=
=
1
1
k
k
kn
n

Distribusi geometric memiliki mean dan varians sebagai berikut:


Mean: ( )
p
X E

=
Varians: ( )
2
p
X V

=


2.3.1.3 Distribusi Binomial

Distribusi binomial merupakan salah satu distribusi diskrit yang berguna untuk
memodelkan masalah probabilitas dari frekuensi atau jumlah sukses atas suatu
aktivitas yang bersifat independen. Distribusi binomial dinyatakan dengan dua
parameter yaitu m yang menunjukkan kerugian operasional tertentu yang bersifat
independen dan identik sedangkan q yang menunjukkan probabilitasnya dan k
menyatakan kejadian ke-i dimana 0 > k . Probabilitas fungsi distribusi binomial
dinyatakan sebagai berikut:

( )
k m k
m
k
k
q q P

|
.
|

\
|
= 1 , dengan k =1,2,..,m

Dengan parameter distribusi binomial yang dapat diestimasi sebagai berikut:

kejadian kemungkina jumlah maksimum
kejadian observasi jumlah
= q
Distribusi binomial memiliki mean dan varians sebagai berikut:

Mean: ( ) mq X E =
Varians: ( ) ( ) q mq X V = 1


2.3.1.4 Distribusi Hypergeometric

Distribusi hypergeometric menunjukkan suatu proses yang dilakukan secara acak
tanpa perubahan jumlah sampel dari suatu populasi dan menentukan berapa jumlah
atau frekuensi kejadian yang terdapat dalam sampel yang memiliki karakteristik
tertentu. Probabilitas fungsi distribusi hypergeometric dinyatakan sebagai berikut:

( )
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
=
n
M
x n
D M
x
D
x f

Sedangkan probabilita kumulatifnya adalah sebagai berikut:

( )
| |

=
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
=
x
i
n
M
i n
D M
i
D
x F
0


Dengan: M =jumlah kelompok individu item yang diteliti
D =jumlah atau frekuensi yang memiliki karakteristik tertentu
yang diinginkan

Distribusi hypergeometric memiliki mean dan varians sebagai berikut:

Mean: ( ) |
.
|

\
|
=
M
D
n x E
Varians: ( ) |
.
|

\
|

|
.
|

\
|
|
.
|

\
|
=
1
1
M
n M
M
D
M
D
n x V


2.3.2 Distribusi Severitas Kerugian Operasional

Distribusi severitas kerugian operasional sangat perlu diketahui agar dalam pemodelan
kerugian risiko operasional dapat mempergunakan parameter data yang tepat. Dalam
menentukan jenis distribusi severitas kerugian, pendekatan yang dilakukan adalah
memilih kelompok umum dari distribusi probabilitas dan kemudian menetapkan nilai
parameter yang paling cocok dengan data severitas kerugian yang diobservasi.

Distribusi severitas data kerugian menunjukkan nilai rupiah kerugian dari jenis
kerugian operasional dalam periode waktu tertentu. Distribusi severitas kerugian
operasional dapat dikelompokkan dalam distribusi normal, distribusi lognormal,
distribusi eksponensial dan distribusi weibull.


2.3.2.1 Distribusi Normal

Distribusi normal kerugian banyak terjadi pada risiko pasar dan risiko kredit.
Distribusi normal atas suatu kerugian memiliki karakteristik parameter mean ( ) dan
standard deviasi ( ). Probabilitas fungsi densitas distribusi normal dinyatakan
dengan:

( ) ( ) < < |
.
|

\
|
= x x x f - untuk ,
2
1
exp
2
1
2
2
2

J ika =0 dan =1 maka distribusinya disebut distribusi normal standard.
Distribusi normal standard mempunyai bentuk umum yang simetris disekitar nilai
meannya. Hal ini berarti bahwa distribusi normal mempunyai karakteristik nilai
skewness sama dengan nol dan nilai median serta modusnya sama dengan nilai
meannya. Parameter dan dapat diestimasi dengan rumus momen kesatu dan
kedua sebagai berikut:
n
X
n
i
i
=
=
1

( )
n
X X
n
i
i
=

=
1
2

2.3.2.2 Distribusi Lognormal

Distribusi normal sangat bermanfaat untuk mengantisipasi kerugian risiko pasar
karena karakteristik kerugian pasar dapat terdistribusi secara normal. Namun distribusi
kerugian operasional tidak cocok dengan distribusi normal yang bersifat simetris.
Distribusi lognormal mempunyai bentuk yang tidak simetris dan merupakan salah satu
bentuk distribusi severitas yang cocok untuk kerugian operasional.

Suatu data kerugian operasional dikatakan terdistribusikan secara lognormal,
jika logaritma natural dari data kerugian tersebut terdistribusi secara normal.
Probabilitas fungsi densitas dari variabel x dapat dirumuskan dengan:

( )
( )
(

=
2
2
2
ln
exp
2
1

x
x
x f

Dengan: =parameter scale
x =variabel random

Distribusi lognormal mempunyai mean dan varians sebagai berikut:

Mean: ( )
2
2

+
= e X E

Varians: ( ) ( ) 1
2 2
2
=
+
e e X V
2.3.2.3 Distribusi Eksponensial

Distribusi eksponensial menjelaskan probabilita waktu menunggu diantara kejadian
dalam distribusi Poisson. Sebagai contoh adalah jika rata-rata jumlah pemalsuan kartu
kredit adalah dua per bulan atau =2, maka waktu terjadinya pemalsuan kartu kredit
dijelaskan dengan distribusi eksponensial. Fungsi densitas eksponensisal dari suatu
variabel random kerugian eksponensial dirumuskan sebagai berikut:

( )
( )
0 dan untuk , exp
1
> >
(

x
x
x f

Distribusi eksponensial juga dapat digunakan untuk menjelaskan tingkat
kegagalan atau failure rate, dimana failure rate dalam distribusi eksponensial adalah
bersifat konstan dan selalu sama dengan . Besarnya failure rate dapat ditentukan
dengan persamaan sebagai berikut:

( )
( )
( )

= =

x
x
e
e
t F
t f
t
1


Distribusi eksponensial mempunyai nilai mean dan varians sebagai berikut:

Mean: ( )

1
= X E

Varians: ( )
2
1

= X V


2.3.2.4 Distribusi Weibull

Dalam distribusi eksponensial di atas telah diketahui bahwa tingkat kegagalan
dinyatakan sebagai konstan. J ika tingkat kegagalan meningkat bersamaan dengan
waktu atau umur, maka distribusi Weibull merupakan model yang digunakan. Dalam
distribusi Weibull tingkat kegagalan dinyatakan sebagai ( )
1
=

x x . J ika
0 dan 0 > > , maka tingkat kegagalan akan meningkat dengan meningkatnya nilai
x. Fungsi densitas distribusi Weibull adalah sebagai berikut:

( ) 0 dan 0 dan 0 untuk ,
1
> > > =
|
.
|

\
|

x e x x f
x

Nilai mean dan varians dari distribusi Weibull dihitung dengan fungsi gamma ( ) x I
yaitu:
Mean: ( )

1
1
1 |
.
|

\
|
+ I
x E

Varians: ( )
(
(

|
.
|

\
|
+ I |
.
|

\
|
+ I =
2
2
1
1
2
1
1

x V