1.

Distribusi Poisson
Distribusi poisson adalah Distribusi nilai-nilai bagi suatu variabel random X (X diskret), yaitu
banyaknya hasil percobaan yang terjadi dalam suatu interval waktu tertentu atau di suatu daerah
tertentu. Distribusi probabilitas diskret yang menyatakan peluang jumlah peristiwa yang terjadi pada
periode waktu tertentu apabila rata-rata kejadian tersebut diketahui dan dalam waktu yang saling
bebas sejak kejadian terakhir.

Ciri distribusi poisson
Banyaknya hasil percobaan yang terjadi dalam suatu interval waktu atau suatu daerah tertentu
tidak bergantung pada banyaknya hasil percobaan yang terjadi pada interval waktu atau daerah
lain yang terpisah.
Probabilitas terjadinya hasil percobaan selama suatu interval waktu yang singkat atau dalam
suatu daerah yang kecil, sebanding dengan panjang interval waktu atau besarnya daerah
tersebut dan tidak bergantung pada banyaknya hasil percobaan yang terjadi di luar interval
waktu atau daerah tersebut.

Rumus Pendekatan Peluang Poisson untuk Binomial
Pendekatan Peluang Poisson untuk Peluang Binomial dilakukan untuk mendekatkan probabilitas
probabilitas dari kelas sukses (x) dari n percobaan Binomial dalam situasi dimana n sangat besar dan
probabilitas kelas sukses (p) sangat kecil. Aturan yang diikuti oleh kebanyakan ahli statistika adalah
bahwa n cukup besar dan p cukup kecil, jika n adalah 20 atau lebih dari 20 dan p adalah 0.05 atau kurang
dari 0.05.

Rumus pendekatannya adalah :



Dimana :
e=2.71828
=rata rata keberhasilan = n . p
x=Banyaknya unsur berhasil dalam sampel
n= Jumlah / ukuran populasi
p = probabilitas kelas sukses

Contoh soal:
Dua ratus penumpang telah memesan tiket untuk sebuah penerbangan luar negeri. Jika probabilitas
penumpang yang telah mempunyai tiket tidak akan datang adalah 0.01 maka berapakah peluang ada 3
orang yang tidak datang.
Jawaban:
Dik : n = 200, P = 0.01, X = 3, = n . p = 200 . 0.01 = 2
P ( x ; ) = e

.
X
/(X !)
= (2,71828^(-2).2^3) /3!
= 0.1804 atau 18.04 %

P ( x ; ) = e

.
X

(X !)
Rumus Proses Poisson
Distribusi Poisson dalam konteks yang lebih luas dari pada rumus pertama tadi. Sebagai ilustrasi,
misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu bank, dan kita tertarik oleh jumlah
nasabah yang mungkin datang selama jam kerja tersebut, dengan ketertarikan kita sebenarnya terletak
pada interval waktu dan jumlah kedatangan dalam interval waktu jika proses kedatangannya
mempunyai karakteristik sebagai berikut:

1. Tingkat kedatangan rata rata setiap unit waktu adalah konstant.
Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata rata untuk periode jam
adalah, misalkan 72 kedatangan setiap jam, maka tingkat ini melambangkan interval waktu pada
jam kerja tadi : yaitu tingkat yang dapat dirubah kepada rata rata yaitu 36 kedatangan setiap
jam atau 1.2 kedatangan setiap menit.

2. Jumlah kedatangan pada interval waktu tidak bergantung pada ( bebas apa yang terjadi di interval
waktu yang sudah lewat. Dalam ilustrasi tadi, dapat berarti bahwa kesempatan dari sebuah
kedatangan di menit berikutnya adalah sama.

3. Tidak memiliki kesamaan bahwa akan lebih dari satu kedatangan dalam interval pendek, semakin
pendek interval, semakin mendekati nol adalah probabilitas yang lebih dari satu kedatangan. Dalam
ilustrasi tadi, bisa berarti bahwa adalah tidak mungkin untuk lebih dari satu nasabah yang dapat
melawati jalan masuk dalam waktu satu detik.

Rumus proses poisson :





Dimana :
= Tingkat rata rata kedatangan tiap unit waktu
t = Jumlah unit waktu
x = Jumlah kedatangan dalam t unit waktu

Contoh soal :
Jika rata rata kedatangan = 72 setiap jam, berapakah peluang dari x = 4 kedatangan dan t = 3 menit.
Gunakan proses poisson.!
Jawab :
Dik : = 72 kedatangan setiap jam atau 72 / jam maka 1 jam atau 60 menit adalah unit waktunya.
Berarti 3 menit adalah 3 / 60 = 1 / 20 unit waktu maka t t = 1 / 20 dan x = 4

P ( x ) = e . t . ( . t ) x /X!
P ( x ) = e 72 . ( 1/ 20 ) . ( 72 . 1 / 20 ) 4 /4!
P ( x ) = 0.191 atau 19.1 %








DISTRIBUSI BINOMIAL
Distribusi binomial berasal dari percobaan binomial yaitu suatu proses Bernoulli yang
diulang sebanyak n kali dan saling bebas. Distribusi Binomial merupakan distribusi peubah acak diskrit.

Ciri-ciri Distribusi Binomial. Distribusi Binomial dapat diterapkan pada peristiwa yang memiliki ciri-ciri
percobaan Binomial atau Bernoulli trial sebagai berikut :
1. Setiap percobaan hanya mempunyai 2 kemungkinan hasil : sukses(hasil yang dikehendakai, dan
gagal(hasil yang tidak dikehendaki)
2. Setiap percobaan beersifat independen atau dengan pengembalian.
3. Probabilita sukses setiap percobaan harus sama, dinyatakan dengan p. Sedangkan probabilita gagal
dinyatakan dengan q, dan jumlah p dan q harus sama dengan satu.
4. Jumlah percobaan, dinyatakan dengan n, harus tertentu jumlahnya.

Syarat Distribusi Binomial
1. Jumlah trial merupakan bilangan bulat Contoh melambungkan coin 2 kali, tidak mungkin2 kali.
2. Setiap eksperiman mempunya idua outcome (hasil).
Contoh:sukses/gagal,laki/perempuan, sehat/sakit,setuju/tidak setuju.
3. Peluang sukses sama setiap eksperimen.

Rumus Distribusi Binomial
b(x;n,p) = nCx px qn-x dimana x = 0,1,2,3,,n
n : banyaknya ulangan
x : banyaknya keberhasilan dalam peubah acak x
p : peluang berhasil dalam setiap ulangan
q : peluang gagal, dimana q = 1-p dalam setiap ulangan

Contoh Distribusi Binomial :
1.Berdasarkan data biro perjalanan PT Mandala Wisata air, yang khusus menangani perjalanan wisata
turis manca negara, 20% dari turis menyatakan sangat puas berkunjung ke Indonesia, 40% menyatakan
puas, 25% menyatakan biasa saja dan sisanya menyatakan kurang puas. Apabila kita bertemu dengan 5
orang dari peserta wisata turis manca negara yang pernah berkunjung ke Indonesia, berapakah
probabilitas :
a) Paling banyak 2 di antaranya menyatakan sangat puas.
b) Paling sedikit 1 di antaranya menyatakan kurang puas
c) Tepat 2 diantaranya menyatakan biasa saja
d) Ada 2 sampai 4 yang menyatakan puas

Jawab :
a.X 2

Lihat tabel dan lakukan penjumlahan sebagai berikut :

b(x; n, p) = b(0; 5, 0.20) + b(1; 5, 0.20) + b(2; 5, 0.20) =
0.32768 + 0.40960 + 0.20480 = 0.94208 atau
b(x=0) = 5C0 (0.20)0 (0.80)5 = 0.32768
b(x=1) = 5C1 (0.20)0 (0.80)4 = 0.40960
b(x=2) = 5C2 (0.20)0 (0.80)3 = 0.20480
+Maka hasil x 2 adalah = 0.94208


b.X 1

Lihat tabel dan lakukan penjumlahan sebagai berikut :

b(1; 5, 0.15) + b(2; 5, 0.15) + b(3; 5, 0.15) + b(4; 5, 0.15) + b(5; 5, 0.15) =
0.3915 + 0.1382 + 0.0244 + 0.002 + 0.0001 = 0.5562 atau
b(x 1; 5, 0.15) = 1 b(x = 0)
1 5C0 (0.15)0 (0.85)5
1 0.4437 = 0.5563

A-SCORE
Model Altman (Z-Score) merupakan salah satu model analisis multivariate yang berfungsi untuk
memprediksi kebangkrutan perusahaan dengan tingkat ketepatan dan keakuratan yang relatif dapat
dipercaya.
Rasio-rasio yang dinilai dalam metode Altman antara lain :
1. Rasio modal kerja terhadap total aktiva. Rasio ini mengukur likuiditas suatu perusahaan. Modal
kerja merupakan selisish antara total aktiva lancar dengan total kewajiban lancar.
2. Rasio laba ditahan terhadap total aktiva. Rasio ini menggambarkan efisiensi usaha dan
kemampuan perusahaan dalam memperoleh keuntungan
3. Rasio EBIT terhadap total aktiva. Rasio ini mengukur produktivitas aktiva perusahaan terhadap
laba sebelum bunga dan pajak.
4. Rasio modal sendiri terhadap total hutang. Rasio ini mengukur kemampuan perusahaan dalam
memberikan jaminan kepada setiap hutangnya melalui modal sendirinya.
5. Rasio penjualan terhadap total aktiva. Rasio ini menggambarkan kemampuan peningkatan
penjualan dari aktiva perusahaan merupakan suatu ukuran dari kemampuan manajemen dalam
menghadapi kondisi yang kompetitif.

Original z-score component definitions variable definition weighting factor
T
1
= Working Capital / Total Assets
T
2
= Retained Earnings / Total Assets
T
3
= Earnings Before Interest and Taxes / Total Assets
T
4
= Market Value of Equity / Total Liabilities
T
5
= Sales/ Total Assets
Z score bankruptcy model:
Z = 1.2T
1
+ 1.4T
2
+ 3.3T
3
+ 0.6T
4
+ .999T
5

Zones of Discrimination:
Z > 2.99 -Safe Zones
1.81 < Z < 2.99 -Grey Zones
Z < 1.81 -Distress Zones

Kelebihan dan kekurangan
kelebihan dari analisis z-score ini adalah bahwa dengan mengetahui nilai z perusahaan dengan
metode diskriminan kebangkrutan Altman maka perusahaan dapat mengetahui tingkat
kesehatan keuangan perusahaannya. Selain itu jika nilai z perusahaan termasuk dalam kategori
bangkrut atau kritis (rawan), maka perusahaan bisa memperbaiki kesehatan keuangan
perusahaannya dengan segera (early warning system). Perhitungan diskriminan (Altman) ini juga
bisa diterapkan untuk perusahaan - perusahaan yang go public atau tidak go public

Kelemahan analisis z-score ini adalah bahwa analisis ini hanyalah bersifat prediksi atau ramalan
keuangan perusahaan sehingga nilai z ini tidak bisa dijadikan tolok ukur dalam penentuan apakah
perusahaan tersebut akan benar benar bangkrut ataupun tidak bangkrut, karena manajemen
harus melihat dari segi indikator indikator kegagalan perusahaan. Jika penyusunan laporan
keuangan terdapat kesalahan maka hasil dari nilai z ini juga tidak akan akurat lagi.





Contoh perhitungan


Modifikasi Altman Z-Score
Untuk perusahaan pribadi, kita tidak bisa menghitung market value of equity. Oleh karena itu dilakukan
perbaikan formula sebagai berikut:
Z-Score = 0.717T
1
+ 0.847T
2
+ 3.107T
3
+ 0.420T
4
+ 0.998T
5

Terdapat sedikit perubahan pada nilai T
4
di mana T
4
= book value of equity/liabilities.

Sedangkan penafsiran hasil Z-Score yang didapatkan adalah sebagai berikut:
Z-Score > 2,90 Berdasarkan laporan keuangan, perusahaan dianggap aman
1,23 Z-Score < 2,90 Terdapat kondisi keuangan di suatu bagian yang membutuhkan perhatian
khusus
Z < 1,23 Perusahaan berpotensi kuat akan mengalami kebangkrutan

Untuk perusahaan non-manufaktur, formulanya dimodifikasi menjadi sebagai berikut:
Z-Score = 6.56T
1
+ 3.26T
2
+ 6.72T
3
+ 1.05T
4

Terlihat bahwa T
5
dihilangkan untuk menghilangkan bias assets turnover seperti yang dijelaskan
sebelumnya.

Penafsiran hasil Z-Score adalah sebagai berikut:
Z-Score > 2,60 Berdasarkan laporan keuangan, perusahaan dianggap aman
1,1 Z-Score < 2,60 Terdapat kondisi keuangan di suatu bagian yang membutuhkan perhatian khusus
Z < 1,1 Perusahaan berpotensi kuat akan mengalami kebangkrutan


Value at Risk (VaR)
Valu e at Risk ( VaR ) merupakan metoda perhitungan market risk untuk menentukan risiko kerugian
maksimum yang dapat terjadi pada suatu portfolio, baik single - instrument ataupun multi - instruments,
pada confidence level tertentu, selama holding period tertentu, dan dalam kondisi market yang normal.
Penggunaan VaR dalam mengukur dampak risiko hanya dapat dilakukan apabila ada historis
sebelumnya. Setiap kali terjadi risiko akan memberikan dampak kerugian. Pada umumnya, kerugian
dapat dihitung dalam satuan mata uang (rupiah misalnya). Tentu saja, besarnya kerugian yang
diperkirakan ini tidak persis sama dengan yang sesungguhnya terjadi, tetapi kita bisa tetapkan besarnya
kerugian dengan suatu tingkat keyakinan. Misalnya, kita yakin 95% bahwa ruginya tidak akan lebih dari
Rp 50 juta atau dengan kata lain masih ada kemungkinan 5% ruginya lebih besar dari Rp 50 juta. Ini
dapat ditulis menjadi: VaR Rp 50 juta at 5%.

Langkahnya:
1) Tentukan risikonya
2) Kumpulkan data historis
3) Hitung rata-rata kerugian
4) Hitung standar deviasi
5) Tentukan tingkat keyakinan yang diinginkan
6) Cari nilai z sesuai dengan tingkat keyakinan yang telah ditetapkan.
7) Hitung VaR-nya dengan rumus

Proses Pengukuran VaR
Model untuk menghitung VaR bermacam-macam, namun secara umum pengukuran VaR
mengikuti proses lazim yang dapat diringkaskan dalam tiga tahap di bawah. Metode baku dalam
mengukur risiko pasar ialah dengan melihat pada selang kepercayaan tertentu, peluang kerugian
portofolio dalam jangka waktu tertentu (biasanya jangka pendek). Menghitung VaR membutuhkan
sebaran peluang (distribusi probabilitas) dari perubahan nilai portofolio. Dalam model manajemen risiko
sebaran peluang diperoleh dengan menempatkan asumsi (1) bagaimana fungsi portofolio diperkirakan,
dan (2) bagaimana variabel yang berpengaruh dimodelkan.

Tahap pengukuran VaR:
1. Identifikasi faktor risiko dan distribusi kerugian
2. Ukur risiko dan hitung VaR berdasarkan distribusi kerugian tersebut. Dalam hal ini terdapat
beberapa metoda yang lazim digunakan, yaitu:
o a. Pendekatan Variance-Covariance
o b. Pendekatan Simulasi Historis
o c. Pendekatan Simulasi Monte Carlo
o d. Pendekatan Simulasi Bootstrapping
3. Melaksanakan prosedur back-testing

Perbedaan utama berbagai metoda VaR pada umumnya terkait dengan cara melihat (membatasi)
masalah, dan bagaimana mengestimasi perubahan yang mungkin terjadi terhadap portfolio
aset/sekuritas yang dipegang. Secara teknis, tahapan dalam mengukur VaR mencakup:
1. Penentuan nilai pasar dari posisi yang dipilih,
2. Mengukur sensitivitas sumber risiko dan korelasi diantara mereka,
3. Identifikasi horizon-waktu dari investasi,
4. Menetapkan derajat kepercayaan (confidence degree), dan
5. Menghitung kerugian maksimum yang diperkirakan.
Berbagai metoda pengukuran VaR lazim pada awalnya mengikuti tahap-tahap: pemilihan faktor risiko
dan pemilihan metoda pemodelan risiko.
(1) Pemilihan Faktor Risiko
Perubahan nilai portfolio dihela oleh perubahan faktor-faktor yang mempengaruhi harga aset. Faktor
risiko yang relevan tergantung pada komposisi portfolio. Pemilihan faktor risiko akan sederhana untuk
sekuritas yang sederhana dan rumit untuk sekuritas yang kompleks.
(2) Pemilihan Metoda Pemodelan Risiko
Terdapat beberapa metoda untuk mengukur VaR yaitu metode historis, metode analitis dan simulasi
Monte-Carlo
(3) Back-testing
Verifikasi merupakan prosedur lazim untuk mencek kekuatan model. Pencekan kekuatan model VaR
dapat dilakukan menggunakan backtesting, stress testing, atau independent review dan oversight.
Backtesting adalah kerangka pengujian stratistis yang berisi pencekan apakah kerugian pada prakteknya
sejalan dengan peramalan VaR. Suatu penyimpangan akan disebut sebagai pengecualian.

Teknik perhitungan VAR bisa menggunakan metode historis, metode analitis dan simulasi Monte-Carlo.
1. VAR Metode Historis ( Back Simulation )
Return dapat dihitung dengan cara
Return = {[P(t+1) Pt)] / Pt}*100%
Dimana
Pt = return pada hari t
Pt+1= return pada hari t+1
Metode historis mempunyai kelebihan yaitu tidak mengamsumsikan distribusi tertentu dan
sederhana.Namun ada juga kelemahannya seperti asumsi bahwa data masa lalu bisa digunakan untuk
memperediksi masa datang.
VAR portofolio = [ VAR X2 + VAR Y2 + 2 x PXY X VARX VARY] 1/2
VAR x = VAR (value at risk saham X)
VARy = VAR (value at risk saham Y)
Pxy = korelasi return saham X dengan saham Y

2. VAR Metode Modeling ( Analytical )
Metode analitis biasanya mengasumsikan distribusi tertentu yang mendasari return atau harga.
Biasanya distribusi normal ( yang berbentuk bel ) yang diasumsikan mendasari pergerakan harga.
Kemudian dapat dihtung nilai yang diharapkan ( misal rata rata ) dan penyimpangan dari nilai yang
diharapkan. VAR dapat dihitung dengan parameter yang dideduksi ( diambil ) dari distribusi ( nilai yang
diharapkan dan penyimpangan )
Tabel data perhitungan VAR untuk Portofolio
A B
Return yang diharapkan 12% 10,5%
Standar deviasi 15% 18%
Nilai investasi Rp 20 M Rp 12 M
95% value at risk Rp 2,55 M Rp 2,3 M
Korelasi A dengan B 0,55

Nilai portofolio diatas adalah Rp 32 M. Tingkat keuntungan yang diharapkan untuk portofolio adalah
rata rata tertimbang dari return asset individualnya.
Return portofolio = Xa E(Ra) + Xb E(Rb)
= (20/32) x 12 + (12/32) X 10,5 = 11,44 %
Deviasi Standar Portofolio:
p = XA22 + XB2B2 + 2 XAXB Tab a b]
p = deviasi standar poryofolio
ab devaluasi standarmaset A dan B
Tab = korelasi antar return aset A dan aset B

3. VAR dengan simulasi Monte Carlo
Metode simulasi akan terbentuk distribusi tertentu, kemudian melalui distribusi tersebut VAR dapat
dihitung yang memerlukan sumber daya computer yang lebih besar disbanding kedua etode
sebelumnya.
Tingkat Keuntungan dengan Probabilitasnya
Tingkat keuntungan (%) Probabilitas Probabilitas
Kumulatif
1
2
3
4
5
6
7
8
9
10
-0,5
-0,25
0
0,1
0,5
1
1,2
1,25
2,25
3

0,05
0,05
0,1
0,1
0,25
0,15
0,1
0,1
0,05
0,05
0-4
5-9
10-19
20-29
30-54
54-69
70-79
80-89
90-94
95-99
Jumlah 1

Tingkat keuntungan bisa dilihat pada kolom 2, sementara probabilitas bisa dilihat pada kolom 3.
Probabilitas komulatif merupakan kumulasi angka probabilitas yang akan diperlukan untuk menjalankan
simulasi. Sebagai contoh, untuk tingkat keuntungan -0,5 karena ada 5% probabilitas terjadi, maka
probabilitas kumulatif yang dipasangkan adalah angka 0,1,2,3 dan 4 (ada lima angka ). Total probabilitas
komulatif adalah 100 angka (dari 0 sampai dengan 99), yang mencerminkan total probabilitas yang
berjumlah 100 (atau 5 angka seperti terlihat diatas).

Tabel sampel simulasi Monte Carlo
Angka Random Tingkat Keuntungan Yang Berkaitan
1
2
3
4
5
6
7
8
9
10
31
29
11
65
54
6
45
26
50
33
0,5
0,1
0
1
1
-0,25
0,5
0,1
0,5
0,5

Run pertama memunculkan angka random 31. Angka 31 tersebut berkaitan dengan tingkat keuntungan
0,5 (probabilitas komulatifnya 30-54). Proses tersebut bisa diulang-ulang sampe 100 kali, 500 kali , atau
1.000 kali. Setelah proses tersebut diulang ulang, kita akan memperoleh distribusinya. Sebagai contoh,
tabel dan bagan berikut ini menyajikan distribusi yang dihasilkan melalui 100 kali run.

Tabel Distribusi Frekuensi hasil simulasi
Tingkat Keuntungan Frekuensi
-0,5
-0,25
0
0,1
0,5
1
1,2
1,25
2,25
3
3
5
10
7
25
18
6
12
3
11
Jumlah 100
Distribusi diatas belum sepenuhnya normal. Jika kita melakukan run lebih banyak lagi (misal 1.000 kali),
maka sesuai dengan Central Limit Theorem. Distribusinya akan mendekati atau menjadi distribusi
normal. Setelah kita mengetahui distribusinya, kita bisa menghitung VAR dengan menggunakan deviasi
standar dan nilai rata ratanya. Untuk distribusi di atas, nilai rata rata dan deviasi standarnya adalah :

Rata rata tingkat keuntungan = 0,904%
Deviasi standar = 0,927%

95% VAR- harian bisa dihitung seperti berikut ini :
VAR 95% - harian = 0,904 1,65 (0,927) = - 0,627
Misalkan kita mempunyai portofolio senilai Rp 1 M , maka VAR 95% harian adalah 0,627% x Rp 1 M =
- Rp 6,27 juta.