Kelompok 6 :
Achmad Farizal I
21070111130090
Numan Hadi
21070111130029
Muthiah Hanifah
21070111140104
Meila Zulhiana
21070111110095
Billy Ibrahim T
21070110141058
BAB I
PENDAHULUAN
Dewasa ini manajemen risiko sangat penting kaitannya di dalam setiap aspek
kehidupan. Orang mulai menyadari bahwa setiap hal yang dilakukan akan menimbulkan
risiko. Orang juga mulai menyadari bahwa risiko seperti energi yang tidak dapat
dihilangkan atau diciptakan namun risiko hanya dapat ditranfer dari satu pihak ke pihak
lainnya. akan pentingnya manajemen risiko. Mereka juga mulai menyadari akan pentingnya
manajemen risiko baik itu dalam kehidupan pribadinya terlebih dalam organisasiya.
Manajemen risiko adalah seperangkat kebijakan, prosedur yang lengkap, yang dipunyai
organisasi, untuk mengelola, memonitor, dan mengendalikan eksposur organisasi terhadap
risiko (Warburg, 2004).
Menurut Williams di dalam buku Risk Manajemen and Insurance manajemen risiko
di dalam organisasi mempunyai elemen-elemen antara lain :
BAB II
TINJAUAN PUSTAKA
Philip Best
yang
memperkirakan kerugian
maksimum yang mungkin terjadi atas suatu portfolio pada tingkat kepercayaan
(level of confidence) tertentu. Nilai VaR selalu disertai dengan probabilitas yang
menunjukkan seberapa mungkin kerugian yang terjadi akan lebih kecil dari nilai
VaR tersebut. VaR adalah suatu nilai kerugian moneter yang mungkin dialami
dalam jangka waktu yang telah ditentukan. Pernyataan berikut ini merupakan
definisi formal dar i VaR yang dikutip dari Philip Best (1998): Value at Risk is the
maximum amount of money that may be lost on a portfolio over a given period of
time, with a given level of confidence. Pernyataan berikut ini merupakan definisi
formal dari VaR yang diungkapkan oleh Philippe Jorion (2002): VaR summarizes
the worst loss over a target horizon with a given level of confidence. Cormac
Butler (1999) memberikan definisi VaR sebagai berikut: Value at Risk measures
the worst expected loss that an institution can suffer over a given time interval
under normal market conditions at a given confidence level. It assesses risk by
using statistical and simulation models designed to capture the volatility of assets in
a banks portfolio.
Pendek kata, Value at Risk (VaR) dapat diartikan sebagai suatu besaran
angka yang merangkum total risiko dari portfolio yang berisikan beragam asset
keuangan. What loss level is such that we are X% confident it will not be
exceeded in N business days? Pertanyaan singkat yang mengantar kita pada
definisi ringkas dari Value at Risk. VaR merupakan estimasi potensi kerugian
maksimal pada periode tertentu dengan tingkat keyakinan (confidence level) tertentu
dan dalam kondisi pasar yang normal. Jadi VaR mengukur kerugian maksimal yang
mungkin terjadi esok hari, lusa, minggu depan, dan seterusnya sesuai dengan periode
waktu yang diinginkan.
Kelebihan dari VaR adalah bahwa metoda ini fokus pada downside
risk, tidak tergantung pada asumsi distribusi dari return, dan pengukuran ini dapat
diaplikasikan
ke
seluruh produk-produk
finansial
yang
diperdagangkan.
Angka yang diperoleh dari pengukuran dengan metoda ini merupakan hasil
perhitungan
secara agregat atau menyeluruh terhadap risiko produk-produk sebagai
suatu kesatuan.
VaR juga memberikan estimasi kemungkinan atau probabilitas mengenai
timbulnya kerugian yang jumlahnya lebih besar daripada angka kerugian
yang telah ditentukan. Hal ini merupakan sesuatu yang t idak didapat dari
metoda- metoda pengukuran risiko lainnya. VaR juga memperhatikan perubahan
harga aset- aset
lain.
Hal
yang
ada
dan
pengaruhnya
terhadap
aset -aset
yang
VaR mulai dikenal secara luas sejak tahun 1994 saat J.P. Morgan membuat
Risk
Metrics
system
(berbasis
metoda
VaR)
yang
tersedia
di
internet
memiliki tiga
metoda untuk
perhitungan,
yaitu
Historical
Variance-covariance
method memiliki
approach
keunggulan
atau
dari
sisi
disebut
juga
kemudahan
delta
normal
komputasi
dan
menggunakan
distribusi
100 trading day atau dua samapai tiga hari dalam satu tahun. Lebih singkat lagi
dapat dikatakan dengan kita memiliki keyakinan sebesar 99% kerugian tidak akan
melebihi Rp.100 milyar dalam beberapa hari kedepan. Jadi kesimpulannya, VaR
berusaha menjawab pertanyaan, How bad can things get?
Hasil perhitungan VaR biasanya disajikan dalam bentuk jumlah uang
dan bukan dalam persentase. Hal ini membuat VaR menjadi sangat mudah
dipahami. Contoh dalam paragraf di atas telah mengilustrasikan hal tersebut. Dalam
kaitannya dengan kemudahan pemahaman atas nilai VaR, Stambaugh (1996) dalam
Prihantoro (2005) menyatakan bahwa VaR memiliki fungsi sebagai berikut: 1)
providing a common language for risk, 2) allowing for more effective and consistent
internal risk management, risk limit setting and evaluation, 3) providing an
enterprise-wide mechanism
for
external
regulation,
and
4)
providing
No
Gambar
Nama
Keterangan
Input data dari
Awan
lingkungan sistem
yang lebih
Kotak
Kontrol input
Lingkaran
Variabel setiap
komponen
Oval
pengukuran kinerja
sistem
Anak panah
Pengaruh hubungan
antar simbol
suatu
risiko
terhadap
keseluruhan
model
risiko,
dibentuk
dengan
menggambarkan korelasi antara variasi input terhadap distribusi hasil. Tornado diagram
digunakan untuk analisis sensitivitas sebagai salah satu metode untuk analisis risiko
quantitative. Tornado diagram mempresentasikan risiko yang memiliki dampak yang paling
besar pada suatu proyek.
Contoh Kasus:
Analisis Risiko terhadap Pendapatan pada PT Taman Wisata Candi (TWC)
Borobudur, Prambanan dan Ratu Boko Yogyakarta
Oleh: Leonardus Adityo Nugroho
Pada jurnal ini, penggunan tornado diagram terletak pada analisis sensitivitas yaitu
dengan mengganti beberapa peubah bebas satu per satu, dimana peubah bebas lainnya tetap
konstan dan kemudian hasil dari perubahan peubah tak bebas yang akan diamati, seperti
NPV dan pendapatan (Brigham and Houston, 2007).
Peubah tak bebas yang mengalami perubahan paling signifikan dengan melakukan
perubahan pada peubah bebas, maka peubah bebas ini perlu mendapat perhatian yang lebih
serius dibandingkan dengan peubah bebas lainnya yang berdampak sedang atau rendah
terhadap perubahan peubah tak bebas.
Seperti sudah disebutkan sebelumnya, bahwa objek wisata yang dikelola PT TWC
Borobudur, Prambanan, dan Ratu Boko memiliki ciri tersendiri dan hamper tidak ada yang
menyamai dengan objek wisata lainnya, meskipun itu sesama candi. Jadi sebenarnya ada
semacam monopoli dalam pengelolaannya. Dengan berbagai upaya dalam pelayanan
dimaksudkan untuk memperoleh laba secara maksimal.
Faktor di atas cenderung tidak terduga dan memberikan dampak yang cukup
signifikan terhadap pendapatan yang dapat dihasilkan. Oleh karena itu, untuk mengetahui
seberapa besar perubahan suatu kondisi yang berpengaruh terhadap laba rugi PT TWC
Borobudur, Prambanan, dan Ratu Boko., maka layak untuk dilakukan suatu analisis
sensitivitas. Berikut hasil pengolahan analisis sensitivitas:
Gambar 1. Sensivitas Beberapa Asumsi; Sumber diolah dari Laporan Keuangan PT TWC Borobudur,
Prambanan dan Ratu Boko (2008-2012) dan Data Inflasi BPS (2008-2012).
Prambanan dan Ratu Boko dalam menetapkan beberapa kebijakan dalam rangka
meningkatkan laba pendapatan.
Gambar 2. Tornado Chart Beberapa Asumsi; Sumber diolah dari Laporan Keuangan PT TWC
Borobudur, Prambanan dan Ratu Boko (2008-2012) dan Data Inflasi BPS (2008-2012).
Pada Gambar 1 dan 2, memperlihatkan variabel asumsi input yang paling sensitif
terhadap laba-rugi PT TWC Borobudur, Prambanan dan Ratu Boko adalah Biaya Tidak
Langsung. Laba maksimum yang dapat dihasilkan sebesar Rp (419.487.929,27) dan
minimum sebesar Rp 3.658.064.937,42. Variabel Biaya Tidak Langsung sebaiknya menjadi
perhatian utama oleh manajemen PT TWC Borobudur, Prambanan dan Ratu Boko terkait
laba yang dapat dihasilkan.
nilai deterministik dari variabel acak yang digunakan. Elemen utama dari proses Monte
Carlo adalah membangkitkan angka acak dari distribusi probabilitas yang telah ditentukan.
Sebelum memulai proses simulasi, terlebih dahulu ditentukan berapa jumlah
minimum simulasi yang harus dilakukan. Rumus yang digunakan untuk menghitungnya
menurut Amir D. Aczel (1999:256) adalah:
dimana:
n = jumlah simulasi yang diperlukan
Z = nilai invers dari distribusi normal
= standar deviasi
B = interval kesalahan (margin of error)
Beberapa rumus dan asumsi yang harus dihitung terlebih dahulu adalah:
a. Standar deviasi
b. Tingkat kepercayaan = diambil sebesar 95%
c. Tingkat signifikansi = 100% - tingkat kepercayaan
d. Interval kesalahan B = /N
e. Perhitungan nilai Z
Dalam simulasi Monte Carlo sebuah model dibangun berdasarkan sistem yang
sebenarnya. Setiap variabel dalam model tersebut memiliki nilai yang memiliki probabilitas
yang berbeda, yang ditunjukkan oleh distribusi probabilitas atau biasa disebut dengan
probability
distribution
function
dari
setiap
variabel.
Metode
Monte
Carlo
mengsimulasikan sistem tersebut berulang-ulang kali, ratusan bahkan sampai ribuan kali
tergantung sistem yang ditinjau, dengan cara memilih sebuah nilai random untuk setiap
variabel dari distribusi probabilitasnya. Hasil yang didapatkan dari simulasi tersebut adalah
sebuah distribusi probabilitas dari nilai sebuah sistem secara keseluruhan.
Sejak pertama kali digunakan untuk keperluan militer pada Manhattan Project
(Eckhardt, 1987), simulasi Monte Carlo telah diaplikasikan pada berbagai bidang antara
lain; manajemen proyek, transportasi, desain komputer, finansial, meteorologi, biologi dan
biokimia (Kwak & Ingall, 2007). Dalam bidang manajemen proyek simulasi Monte Carlo
digunakan untuk menghitung atau mengiterasi biaya dan waktu sebuah proyek dengan
menggunakan nilai-nilai yang dipilih secara random dari distribusi probabilitas biaya dan
waktu yang mungkin terjadi, dengan tujuan untuk menghitung distribusi kemungkinan
biaya dan waktu total dari sebuah proyek (Project Management Institute, 2004).
Pada umumnya literatur-literatur manajemen proyek menempatkan simulasi Monte
Carlo dibawah topikmanajemen resiko, atau kadang berada pada topik manajemen waktu
dan manajemen biaya. Project Management Institute (2004) menerapkan sebuah
pendekatan standar manajemen resiko yang meliputi enam proses; Perencanaan Manajemen
Resiko, Identifikasi Resiko, Kualifikasi Resiko, Kuantifikasi Resiko, Perencanaan Respon
Resiko, dan Pemantauan & Evaluasi Resiko, simulasi Monte Carlo ditempatkan sebagai
bagian dari proses Kuantifikasi Resiko
Meskipun simulasi Monte Carlo adalah sebuah metode yang sangat bermanfaat
untuk diaplikasikan dalam bidang manajemen proyek, simulasi jadwal proyek (McCabe,
2003) dan simulasi perataan sumberdaya (Hanna & Ruwanpura, 2007) contohnya, dalam
praktiknya metode ini belum banyak digunakan oleh para manajer proyek kecuali
disyaratkan oleh organisasi atau perusahaannya. Kwak & Ingall (2007) berpendapat bahwa
alasan utama simulasi Monte Carlo jarang digunakan oleh kebanyakan manajer proyek
adalah kurangnya pemahaman terhadap metode Monte Carlo dan statistik; alih-alih sebagai
manfaat manajer proyek umumnya menganggap penggunaan metode ini lebih sebagai
beban terhadap organisasi atau perusahaannya. Alasan lainnya adalah software khusus
simulasi Monte Carlo pada proyek baru ada belakangan ini, @RISK for Project
(www.palisade.com) adalah salah satunya, software ini tersedia dalam bentuk add-in pada
program Microsoft Project. Meskipun demikian, Microsoft Excel sebenarnya dapat
digunakan untuk simulasi Monte Carlo dengan menggunakan fungsi RAND.
Metode
1. Desain Simulasi
Yang akan disimulasikan adalah sebuah proyek yang terdiri dari enam aktifitas.
Setiap aktifitas memiliki total biaya dalam batasan yang telah ditentukan seperti
yang ditunjukkan pada Tabel 1. Setiap variabel tersebut dapat saja mempunyai
distribusi tertentu yang unik, tetapi untuk proyek ini dapat diasumsikan bahwa
setiap variabel memiliki distribusi seragam (uniform distribution) tanpa
mengurangi validitas hasil simulasi. Estimasi terhadap total biaya proyek tersebut
adalah sebuah variabel random dengan nilai yang terletak
antara nilai total biaya minimum dan maksimum. Karena nilai variabel ini adalah
jumlah dari beberapa variabel random lainnya yaitu biaya dari setiap
aktifitas, variabel ini akan memiliki distribusi normal. Ini menjelaskan mengapa
penggunaan distribusi tertentu yang unik untuk setiap variabel dapat diabaikan.
2. Bilangan Random
Karena alasan praktis, metode yang sering digunakan untuk menghasilkan angka
random antara 0 dan 1 dalam simulasi adalah multiplicative congrueantal method
(Taha, 1997). Angka yang dihasilkan oleh metode tersebut sebenarnya tidak dapat
dikatakan sebagai angka random yang sebenarnya karena menggunakan operasi
aritmetika yang hasilnya dapat diketahui sehingga lebih
tepat jika dikatakan sebagai angka random semu (pseudorandom numbers). Jika
parameter u0, b, c dan m diberikan maka sebuah angka random semu Rn.
3. Penentuan Nilai Iterasi
Metode Monte Carlo dapat meprediksi kesalahan (error) dari simulasi, yang mana
proporsional terhadap jumlah iterasinya. Total error dihitung dengan formula:
=
adalah deviasi standar dari variabel random dan N adalah jumlah iterasi. Deviasi
standar dihitung berdasarkan seluruh populasi, yang dalam simulasi ini
anggotanya hanya dua yaitu nilai minimum (79.700) dan maksimum (104.800),
dengan menggunakan formula:
( )2
=
Jika diinginkan nilai absolute error yang kurang dari 2%, maka nilai tersebut
didapatkan dengan menggunakan formula:
=
1
)
0,02
b. Klik Add-ins, lalu bagian Manage : Excel Add-ins, klik tombol Go, maka akan muncul:
c. Beri tanda cek pada Analysis ToolPak dan Analysis ToolPak-VBA , klik OK.
d. Selesai untuk pengaktifan Data Analysis melalui menu Add-ins. Klik menu Data, cari
pada Data Analysis untuk melihat apakah Data Analysis sudah masuk atau belum pada
menu excel.