09e02839 PDF
09e02839 PDF
SKRIPSI
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2009
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
ii
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar sarjana
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2009
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
iii
PERSETUJUAN
Judul
PENGUKURAN
RISIKO
OPERASIONAL
DENGAN
SKRIPSI
Nama
Nim
070823024
Prog. Studi
Departemen
MATEMATIKA
Fakultas
Diajukan di
Medan, Juli 2009
Komisi Pembimbing :
Pembimbing 2
Pembimbing 1
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
iv
PERNYATAAN
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan,
Juli 2009
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Pengasih dan
Maha Penyayang dengan limpah kasih dan pimpinan-Nya sehingga skripsi ini dapat
diselesaikan.
Ucapan terimakasih saya sampaikan kepada Bapak Prof. Dr. Herman
Mawengkang dan Bapak Syahrial Lubis, S.Si. M.Si selaku pembimbing yang telah
memberikan panduan dan kepercayaan untuk menyelesaikan skripsi ini. Ucapan
terimakasih juga ditunjukan kepada Bapak Drs. Saib Suwilo, M.Sc dan Bapak Drs.
Henry Rani Sitepu, M.Si selaku ketua dan sekretaris Departemen Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, semua
dosen pada Departemen Matematika FMIPA USU, pegawai FMIPA USU, rekanrekan mahasiswa Ext-2007. Akhirnya tidak terlupakan pada bapak dan mama
tercinta, saudara-saudara Penulis (BIndra, KKris dan suami, KRoma, Kiki dan Uun)
sahabat-sahabat penulis yang paling setia dalam suka dan duka terimakasih untuk doa
dan cintanya, serta semua keluarga yang selama ini memberikan bantuan secara moril
dan materil. Terimakasih untuk doa dan dukungannya. Tuhan Yesus Memberkati.
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
ii
ABSTRAK
x EX (t )
Fx
VarX (t )
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
iii
ABSTRACT
Ability to manage risk in the banking sector has increasingly become concerned with
the increasing complexity and volume of business operations increased frequency and
number of banking losses due to criminal actions involving the internal (bank
employees ) and external (customers) and some events such as natural disarters, fire
and terrorist attacks has resulted in very significant losses in a banking system that
lead to a bank collaps.
After doing 10.000 times simulation will result total operational loses value, which is
total from the operational losses potency every simulation. Then amount of the totals
losses the potency is sorted from big value to the small value and the named the big
losses risk operational.
Data analysed by combination between losses distribution frequency and losses
distribution severitas. It can be describe into cumulative operational probability
distribution such as;
x EX (t )
Fx
VarX (t )
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
iv
DAFTAR ISI
halaman
Penghargaan
Abstrak
Abstract
Daftar Isi
Daftar Tabel
i
ii
iii
iv
vi
BAB 1 PENDAHULUAN
1.1
Latar Belakang
1.2
Perumusan Masalah
1.3
Tujuan Penelitian
1.4
Kontribusi Penelitian
1.5
Metodologi Penelitian
1.6
Sistematika Penelitian
1
1
2
3
3
3
4
6
7
8
8
9
10
10
11
11
12
13
2.2
13
14
15
16
17
18
19
19
2.3
20
20
21
22
24
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
2.4
25
25
26
26
27
27
28
BAB 3 PEMBAHASAN
3.1
Testing karakteristik Distribusi Frekuensi (Frequency of loss Distribution)
3.2
Testing karakteristik Distribusi Severitas (Severity of Loss Distribution)
3.3
Prosedur Uji Chi-square
3.4
Contoh kasus
3.5
Aggregated Loss Distribution
29
29
29
30
31
34
39
39
39
DAFTAR PUSTAKA
LAMPIRAN
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
vi
DAFTAR TABEL
Halaman
Tabel 2.1 Multiplier untuk tiap bisnis usaha
15
31
33
37
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
38
BAB 1
PENDAHULUAN
1.1
Latar Belakang
teknologi). Sebaliknya, kejadian besar seperti serangan teroris dan kebakaran jarang
terjadi namun dapat menimbulkan kerugian yang sangat besar pada setiap kejadiannya
(disebut dengan kerugian yang bersifat Low frequencyHigh severity).
1.2
Perumusan Masalah
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
Adapun tujuan dari penelitian ini adalah memformulasikan model matematis untuk
menghitung potensi kerugian maksimal risiko operasional dengan menggunakan
pendekatan Aggregating Value at Risk (OpVar), sehingga diharapkan aktivitas
operasional tidak menimbulkan kerugian yang melebihi kemampuan bank.
1.4
Kontribusi Penelitian
1.5
Metodologi Penelitian
Metode penelitian yang digunakan pada tugas akhir bersifat literatur yaitu disusun
berdasarkan rujukan pustaka dengan langkah-langkah sebagai berikut :
a. Mengumpulkan dan mempelajari bahan-bahan berupa buku, jurnal ilmiah, dan
makalah yang menimbulkan gagasan dan mendasari penelitian yang dilakukan.
b. Identifikasi risiko operasional
Pada bagian ini diuraikan mengenai identifikasi risiko operasional yang
merupakan subproses awal dalam manajemen risiko operasional. Risiko
operasional ini timbul sejak bank melakukan transaksi pertamanya.
c. Formulasikan model matematis pengukuran pembebanan risiko operasional
dengan menggunakan metode Aggregating Value at Risk yang dapat di
implementasikan sebagai alat ukur besarnya risiko operasioanal.
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
x EX (t )
F ( x)
VarX (t )
d. Studi kasus
Pada bagian ini dikemukakan contoh kasus penggunaan model Aggregating
Value at Risk, dan menentukan insentif yang diterima bank sehubungan
penggunaan model ini dibandingkan dengan model pengukuran pembebanan
risiko operasional yang standar.
1.6
Sistematika Penulisan
Tugas akhir ini ditulis dalam beberapa bab yang dalam tiap bab berisikan sub-sub bab
yang telah disusun guna memudahkan pembaca untuk mengerti dan memahami isi
tulisan ini. Adapun sistematika penulisan tugas akhir ini adalah :
BAB I
: PENDAHULUAN
Berisikan latar belakang permasalahan, perumusan masalah, tujuan
penelitian, kontribusi penelitian, metodologi penelitian dan sistematika
penulisan.
BAB II
: LANDASAN TEORI
Yang berisikan tentang suatu tinjauan yang merupakan uraian teori untuk
diterapkan dalam pengolahan dan penganalisaan data yang relevan.
BAB III
BAB IV
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
Bab ini merupakan bab penutup yang menyatakan suatu kesimpulan dari
seluruh perubahan dan saran-saran penulis berdasarkan kesimpulan yang
diperoleh.
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
BAB 2
LANDASAN TEORI
2.1
manajemen risiko
akan
Adapun tahap evolusi manajemen risiko operasional dibagi menjadi 4 tahap, yakni :
1. Identifikasi dan pengumpulan data
Perusahaan pada tahap ini perlu melakukan maping berbagai risiko
operasional yang ada dalam perusahaan dan menciptakan suatu proses
untuk mengumpulkan data dan menjumlahkan kerugian
2. Penyusunan metric dan tracking.
Tahap ini perlu penyusunan metric dan key risk indicator untuk tiap risiko
operasional yang telah diidentifikasikan dalam tahap sebelumnya,
Risiko operasional sangat terkait banyaknya masalah yang timbul karena kelemahan
proses didalam pengawasan bank, namun risiko operasional tidak hanya terdapat pada
bank saja, tetapi pada setiap jenis usaha lainnya.
Berbagai bentuk risiko operasional, telah dikelola secara aktif dengan semakim
meningkatnya teknologi, pengendalian dan sistem keamanan yang telah dilakukan
oleh pihak bank. Pada pilar 1 Basel II Capital Accord bank dipersyaratkan untuk
mengkuantifikasi dan mengakolasikan kebutuhan modal sesuai ketentuan untuk
mengantisipasi potensi kerugian risiko operasional.
risiko kredit dan risiko pasar. Dalam Basel II mengenai manajemen risiko operasional,
dimana suatu bank dipersyaratkan untuk mengkuantifikasi,
mengukur dan
2)
3)
4)
Secara umum manajemen risiko operasional memfokuskan kepada dua jenis kejadian,
yaitu :
1)
2)
Karena bank berasumsi bahwa kerugian ini merupakan bagian dari operasional
bank, bank juga memasukkan Expected Losses dalam struktur harga produk. Bila
suatu bank dapat membuktikan kepada lembaga pengawas bahwa bank telah
menghitung Expected Losses, maka Expected Losses itu tidak perlu dihitung lagi
dalam perhitungan modal regulasi, dalam kondisi ini modal regulasi bank sama
dengan Unexpected Losses.
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
10
Cara yang paling mudah untuk memahami risiko operasional di bank adalah dengan
mengkategorikan risiko operasional sebagai risiko, oleh karena itu, pemahaman
mengenai kejadian operasional yang manyebabkan kerugian dilakukan dengan
mengelompokkan risiko operasional kedalam sejumlah kategori kejadian risiko dan
didasarkan kepada penyebab utama kejadian risiko.
2)
Risiko manusia
3)
Risiko sistem
4)
5)
Risiko proses internal didefinisikan sebagai risiko yang terkait dengan kegagalan
proses atau prosedur yang terdapat pada suatu bank.
Kejadian risiko operasional internal meliputi :
a. Dokumentasi yang tidak memenuhi atau tidak lengkap
b. Pengendalian yang lemah
c. Kelalaian pemasaran
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
11
Risiko manusia didefinisikan sebagai risiko yang terkait dengan karyawan bank. Bank
menyatakan bahwa asetnya yang paling berharga adalah pada karyawannya. Namum
demikian karyawanlah yang sering menjadi penyebab kejadian risiko operasional.
Kejadian risiko manusia dapat terjadi pada fungsi manajemen risiko, dimana
kualifikasi dan keahlian karyawan pada fungsi tersebut merupakan hal yang paling
diutamakan.
Risiko sistem adalah risiko yang terkait dengan penggunaan teknologi dan sistem.
Saat ini semua bank sangat bergantung pada sistem dan teknologi yang mendukung
kegiatan bank, penggunaan teknologi seperti ini banyak menimbulkan risiko
operasional.
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
12
Secara teoritis, kegagalan menyeluruh pada teknologi yang digunakan bank adalah
kejadian yang mungkin menyebabkan kejatuhan bank tersebut, saat ini ketergantungan
pada teknologi sudah tinggi sehingga tidak bekerjanya komputer dapat menyebabkan
bank tidak beroperasi dalam periode waktu tertentu.
Risiko eksternal adalah risiko yang terkait dengan kejadian yang berada diluar kendali
bank secara langsung. Kejadian risiko eksternal umumnya adalah kejadian Low
frequency/High severity dan sebagai konsekuensinya menyebabkan kerugian yang
tidak dapat diperkirakan, misalnya : perampokan dan serangan teroris dalam skala
besar.
13
j.
Secara historis, bank sebenarnya telah secara aktif memberikan perhatian pada
risiko eksternal dalam rangka melindungi usaha dari kerugian.
Risiko hukum adalah risiko yang timbul dari adanya ketidakpastian karena
dilakukannya suatu tindakan hukum atau ketidakpastian dalam penerapan atau
interpretasi suatu perjanjian, peraturan atau ketentuan. Risiko hukum berbeda antara
suatu negara dengan negara lain dan semakin meningkat sebagai akibat dari :
a. Penerapan ketentuan Know-Your-Costumer (KYC) yang terutama disebabkan
oleh tindakan terorisme
b. Penerapan ketentuan perlindungan data yang terutama disebabkan oleh reaksi
terhadap semakin meningkatnya penggunaan informasi nasabah untuk tujuan
pemasaran produk.
2.2
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
14
Basic Indicator Approach merupakan pendekatan yang paling sederhana dan dapat
digunakan oleh semua bank untuk menghitung kebutuhan modal risiko operasional
berdasarkan Basel Committee on Banking Supervision, yang tertuang dalam dokumen
New Basel Capital Accord 2001 (NBCA 2001).
Basic Indicator Approach menggunakan total gross income suatu bank sebagai
indikator besaran eksposur, dalam hal ini gross income mewakili skala kegiatan usaha
dan digunakan untuk menunjukan risiko operasional yang melekat pada bank.
Persentase yang digunakan dalam formula Basic Indicator Approach
ditetapkan
Formula untuk menghitung modal risiko operasional bank dapat dirumuskan sebagai
berikut :
K BIA = GI i / n
I =1
Dimana;
KBIA
GIi
N3
= jumlah n-data(n3 = 3)
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
15
b.
Multiplier i
Corporate Finance
18%
18%
Retail banking
12%
Commercial Banking
15%
18%
Agency Service
15%
Asset management
12%
Retail Brokerage
12%
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
16
Berdasarkan Committee Basel (Basel Capital Accord I) perhitungan nilai ratarata Standardized Approach (SA) selalu dihitung selama tiga tahun terakhir, dan dapat
dirumuskan sebagai berikut ;
K SA
=
3
Dimana;
KSA
GIi
= nilai laba kotor untuk masing-masing lini bisnis dalam satu tahun untuk
jangka tiga tahun
= nilai beta (suatu konstanta) yang telah ditetapkan oleh Basel untuk tiap
line sbisnis
17
2.2.3.1
Kij
Kij
= ij * (ELij.PEij.LGEij)
ij * ELij
Dimana :
ELij
EIij
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
18
PEij
ij
bisnis usaha dan tipe kejadian risiko operasional ditentukan bank atau melalui
konsorsium, metode ini mempunyai fleksibilitas dalam penentuan besarnya ij sesuai
dengan karakteristik tipe risiko dan bisnis usaha bank sehingga metode ini
menggambarkan nilai multiplier tiap jenis bisnis usaha daripada multiplier beta,
namun untuk mendapatkan nilai multiplier
ij
pengukuran risiko operasional yang Expected loss dan Unexpected loss yang cukup
rumit, dan oeh karena itu bank lebih sering menggunakan pendekatan Loss
Distribution Approach (LDA) atau Scoreboard Approach.
19
individu (X1, X2, ... XN ) sehingga jumlah kerugian operasional dapat dinyatakan
sebagai :
S = X1 + X2 + ... XN
Ada dua pendekatan yang ada pada pengukuran potensi kerugian operasional
dengan metode Loss Distribution Approach (LDA) yaitu :
Ui
i =1
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
20
Fx(x) = Pr Ui x
i =1
Fx(t)
VarX (t )
2.3
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
distribusi frekuensi dan distribusi severitas data kerugian.
21
Frekuensi kejadian atau kejadian bersifat integer karena jumlah bilangan merupakan
bilangan bulat positif.
f(X) =
e x
x!
dengan e = 2.718281...
sedangkan fungsi kumulatif dari distribusi Poisson dapat dirumuskan sebagai berikut :
F(x) = e t
i =0
(t ) i
i!
22
k =0
knk
k =0
nk
Mean
= E(x) =
Variance
= V(x) =
Distribusi Binomial merupakan salah satu distribusi discrete yang berguna untuk
memodelkan masalah probabilitas dari frekuensi atau jumlah sukses atas suatu
aktivitas yang bersifat independent, distribusi binomial dinyatakan dengan dua
parameter, yaitu m yang menunjukkan kerugian operasional tertentu yang bersifat
independent dan identik, dan q yang menunjukkan probabilitasnya, dan dinyatakan
dalam rumus berikut :
m
Pk = q k (1 q ) m k dimana k = 0,1,...m
r
Parameter distribusi Binomial adalah n dan p yang merupakan bilangan bulat positif
dan 0 > p > 1
Distribusi Binomial mempunyai nilai mean dan variance sebagai berikut :
Mean
= E(x) = np
Variance
= V(x) = np (1-p)
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
23
Sebagai contoh
Kesalahan dalam penggunaan nomor rekening dalam pembukuan transaksi tabungan.
dari data yang diperoleh oleh divisi audit diketahui bahwa operator mesin komputer
akan melakukan satu kali kesalahan dari 50 kali pembukuan. Jika dalam satu hari
terdapat 200 kali pembukuan transaksi tabungan, berapakah probabilitas operator
tidak melakukan kesalahan pembukuan, satu kali kesalahan, dua kali kesalahan, dan
berapakah besarnya kesalahan mean dan variance ?
Penyelesaian
Jumlah kesalahan pembukuan transaksi tabungan yang dilakukan operator mempunyai
karakteristik sebagai distribusi binomial karena kejadian pembukuan akan
menimbulkan dua kali kemungkinan, yaitu kejadian pembukuan sukses dilakukan
dengan benar dan pembukuan salah dilakukan. Dengan jumlah satu kali kesalahan
tiap 50 kali transaksi pembukuan, maka besarnya probabilitas q = 1/50 atau q = 0.02.
dengan demikian, besarnya probabilitas operator melakukan kesalahan adalah sebagai
berikut.
200
0
200
P0 =
0.02 * 0.98 = 0.02
0
200
1
199
P1 =
0.02 * 0.98 = 0.07
1
200
2
198
P2 =
0.02 * 0.98 = 0.15
2
Mean = 200(0.02)
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
24
Pk =
k
(1 + )k +1
1
knk
n k =1
= E ( x) =
Variance
= V ( x) =
p2
Sebagai contoh
Misalkan x adalah jumlah kegagalan membongkar password mesin ATM sebelum
terjadinya sukses membongkar password yang pertama. x diasumsikan mengikuti
distribusi geometric dengan nilai = 0,95 dan p = 0,05 maka besarnya probabilitas x
adalah :
Px = k
0.95 k
untuk k =0,1,2,3
=
(1 + 0.95) k +1
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
25
mean = E ( x) =
var iance = V ( x) =
0.95
= 19
0.05
0.95
= 380
0.05 2
Distribusi severitas kerugian operasional sangat perlu diketahui agar dalam pemodelan
kerugian risiko operasional dapat mempergunakan parameter data yang tepat, pada
penentuan 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 normal kerugian banyak terjadi pada risiko pasar dan risiko kredit,
distribusi normal atas suatu kerugian memiliki karakteristik mean ( ) dan standart
deviasi ( ).
Probabilitas fungsi densitas distribusi normal dinyatakan dengan ;
f(x) =
1 x
exp
2
2
1
untuk - x
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
26
Distribusi normal sangat bermanfaat untuk menganalisis kerugian risiko pasar karena
karakteristik kerugian pasar dapat terdistribusi 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 ;
(log( x ))2
f(x) =
exp
2
x 2
Mean
= E (Y ) = e
Variance
= V (Y ) = e 2 + e 1
2
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
27
untuk x 0
2.4
Mean
= E ( x) =
Variance
= V ( x) =
Salah satu tantangan yang dihadapi pada risiko operasional adalah mengukur risiko
pasar (market risk) secara konsisten terhadap seluruh posisi risiko yang sensitif
terhadap perubahan harga pasar. Hal ini telah dapat dijawab dengan perkembangan
model Value at Risk (VaR), pada sebelumnya model VaR ini limit risiko ditentukan
berdasarkan jumlah dari instrument tertentu yang dapat dimiliki (hold) oleh bank,
dengan cara ini evaluasi terhadap level risiko masing-masing limit sulit dilakukan.
Variabel-variabel utama dalam perhitungan VaR adalah jumlah data historis yang
digunakan untuk menghitung volatilitas dan jumlah hari untuk proyeksi harga pasar
diwaktu mendatang, dan Basel mensyaratkan data historis yang digunakan adalah
minimal satu tahun, walaupun mungkin bank menggunakan periode yang lebih lama
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
28
dan perlu diingat bahwa bank harus konsisten terhadap periode historis yang
ditentukan untuk menjaga stabilitas perhitungan VaR.
Perhitungan VaR untuk trading book dalam jumlah besar merupakan perhitungan
yang kompleks harus dapat mencakup interaksi berbagai faktor risiko dalam
mensimulasikan perubahan harga pasar. Model VaR menghitung risiko dengan
membuat distribusi kerugian yang mungkin terjadi selama periode waktu tertentu
untuk masing-masing posisi risiko yang dimiliki (hold).
Distribusi tersebut dapat dilakukan dengan proses dua langkah, yaitu langkah
pertama, distribusi harga pasar diwaktu mendatang dihitung berdasarkan data historis,
adapun faktor utama dalam perhitungan distribusi tersebut adalah volatilitas historis.
Hal ini dapat dilakukan untuk menghitung seberapa besar deviasi perubahan harga
pasar terhadap nilai mean dan pada umumnya hasilnya dapat dinyatakan sebagai
annual percentage.
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
BAB 3
PEMBAHASAN
3.1
Testing
Karakteristik
Distribusi
Frekuensi
(Frequency
of
Loss
Distribution)
Untuk
melakukan
testing
karakteristik
distribusi
frekuensi
kerugian
operasional dengan tes statistik akan digunakan test Goodness of Fit dengan
mempergunakan pengujian Chi-square. Jika nilai tes statistik Chi-square dari
distribusi yang diasumsikan lebih kecil dari nilai chi-square maka distribusi yang
diasumsikan adalah benar sehingga hasil pengujiannya dapat lebih dipercaya.
3.2
30
ditentukan secara tepat parameter distribusi data dan pengukuran risikonya dengan
model yang tepat.
Seperti pada distribusi frekuensi, distribusi severitas harus dilakukan uji
distribusi pula. Pada distribusi severitas dilakukan juga testing test Goodness of Fit
dengan pengujian Chi-square.
3.3
Chi-square merupakan variabel acak kontinu yang berhubungan dengan suatu obyek
ataupun respon yang dapat dibagi keberbagai macam kategori. Kegunaan Metode chisquare ditujukan untuk menguji apakah ada perbedaan yang cukup berarti (signifikan)
antara jumlah pengamatan suatu obyek atau respon tertentu pada tiap klasifikasinya
terhadap nilai harapannya (expected value) yang berdasarkan hipotesis nolnya.
Langkah-langkah pengujian Chi-square :
1. Pernyataan Hipotesis Nol dan Hipotesis Alternatif
Ho : Populasi/Sampel yang sedang dikaji memenuhi/selaras dengan suatu pola
distribusi probabilitas yang ditentukan.
Ha : Populasi/Sampel tidak memenuhi distribusi probabilitas yang ditentukan
tersebut.
2. Pemilihan tingkat kepentingan (Level of Significance)
Biasanya digunakan tingkat kepentingan 0.01 atau 0.05
(Oi Ei ) 2
=
Ei
j =i
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
31
j =i
3.4
Contoh Kasus
Data
Settlemen disuatu bank (Bank ABC) selama 25 bulan dari bulan Maret 2004 hingga
Maret 2006 sebagaimana terdapat pada tabel berikut
Bulan
Frek. Kesalahan
Bulan
Frek. Kesalahan
Maret 2004
April 2005
April 2004
Mei 2005
Mei 2004
Juni 2005
Juni 2004
Juli 2005
Juli 2004
Agustus 2005
Agustus 2004
September 2005
September 2004
Oktober 2005
Oktober 2004
November 2005
November 2004
Desember 2005
10
Desember 2004
Januari 2006
Januari 2005
Februari 2006
Februari 2005
Maret 2006
Maret 2005
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
32
Berdasarkan data dari tabel 3.1 diatas kita dapat menghitung besarnya rata-rata jumlah
kesalahan Settlement per bulan yaitu :
kn
k =0
n
k =0
98
= 3.92
25
Berdasarkan pada data Tabel 3.1, test Goodness of Fit dapat dilakukan dengan tahapan
sebagai berikut .
1) Testing Karakteristik Distribusi Poisson dengan Chi-Square :
1. Tentukan hipotesis nol bahwa distribusi frekuensi kerugian adalah Poisson
dengan hipotesis alternatif distribusi yang lainnya.
2. Besarnya mean ( ) = 3.92
3. Lakukan uji statistik chi-square dengan distribusi frekuensinya adalah
distribusi Poisson = 19.55
4. Tentukan critical value chi-square dengan degree of freedom n-k-1 pada
tinggkat = 1% yaitu 21.66
5. Karena chi-square test statistik = 19.55 < critical value = 21.66 maka distri
busi kesalahan Settlement benar terdistribusi secara Poisson.
Perhitungan untuk mendapatkan nilai chi-square test statistik diberikan pada tabel 3.2
di bawah ini.
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
33
No.Event
p(x)
Xi
Obs frq
Ei
(Oi)
p(x) n
Oi-Ei
(Oi-Ei)^2
(Oi*Ei)^2/Ei
0.020
0.496
0.504
0.254
0.512
0.078
1.944
2.056
4.225
2.173
0.152
3.811
-2.189
4.791
1.257
0.199
4.980
1.980
3.920
0.787
0.195
4.880
2.880
8.296
1.700
0.153
3.826
2.826
7.987
2.087
0.100
2.500
-0.500
0.250
0.100
0.056
1.400
0.400
0.160
0.114
0.027
0.686
-1.314
1.727
2.518
0.012
0.299
-0.701
0.492
1.646
10
0.005
10
0.117
-0.883
0.779
6.656
25
24.939
0.061
0.998
19.550
34
Interval
Cum
Cell.
Expec.
Obs.
end
Prob.
Prob.
Value (e)
(o)
0.225163
0.22516
5.629063
0.070299
0.399627
0.17466
4.361609
0.615444
0.639552
0.23993
5.998131
0.166096
0.832323
0.19277
4.819264
0.006778
10
0.921998
0.08968
2.241881
1.378745
25
2.237362
3.5
(e-o)^2/e
Berdasarkan Goodness of Fit dengan test Chi-square, distribusi frekuensi yang paling
fit adalah distribusi Poisson dengan parameter lambda ( ) dan frekuensi severitas
yang paling fit adalah distribusi Eksponensial dengan parameter lambda ( ).
Parameter tersebut akan digunakan pada waktu perhitungan Aggregated Loss
Distribution. Dengan mengkombinasikan kedua distribusi, yaitu distribusi poisson dan
distribusi eksponensial, maka terbentuklah sebuah Aggregated Loss Distribution yaitu
distribusi Poisson/Eksponensial.
Dengan
35
f ( x) =
e x
x!
f ( 2) =
2.7182813.92 2 2
2!
= 0.250061
f ( x) = 1 e x /
f ( 2) = 1 2.7182812 / 3.92
= 0.999606
e x
x /
+1 e
x!
= 0.250061+0.999606
= 1.24966762
Simulasi akan dilakukan sampai interasi ke 10.000 kali dan mengikuti langkahlangkah dibawah ini :
Dari tabel 3.1 diatas simulasi pengukuran risiko operasional dilakukan sebanyak
10.000 kali dengan tahapan sebagai berikut :
1. Dilakukan testing karekteristik distribusi frekuensi kerugian risiko operasional
dan diperoleh kesimpulan bahwa data frekuensi adalah Poisson dengan
besarnya mean kerugian = 3.92
2. Dilakukan testing karakteristik distribusi severitas kerugian risiko operasional
dan diperoleh kesimpulan bahwa distribusi severitas kerugian adalah
eksponensial.
3. Dengan dua parameter data mean frekuensi distribusi Poisson dan
mean
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
36
Proses iterasi pengukuran risiko dilakukan dengan simulasi dan sebagian hasilnya
diberikan pada tabel berikut ini ;
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
37
Tabel 3.4
Simulasi Pengukuran Risiko Operasional-Aggregating Model
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
35
36
37
38
#K
2
5
3
5
4
4
8
6
2
5
2
4
2
6
3
3
5
3
3
5
4
2
4
4
8
3
2
3
2
3
3
3
5
6
2
4
6
2
4
Probalitas
0.250061
0.797506
0.449254
0.797506
0.644462
0.644462
0.980924
0.897494
0.250061
0.797506
0.250061
0.644462
0.250061
0.897494
0.449254
0.449254
0.797506
0.449254
0.449254
0.797506
0.644462
0.250061
0.644462
0.644462
0.980924
0.449254
0.250061
0.449254
0.250061
0.449254
0.449254
0.449254
0.797506
0.897494
0.250061
0.644462
0.897494
0.250061
0.644462
Severitas
0.999606
0.624779
0.956117
0.82814
0.956117
0.920045
0.920045
0.978618
0.970347
0.624779
0.956117
0.624779
0.920045
0.624779
0.970347
0.82814
0.82814
0.956117
0.82814
0.82814
0.956117
0.920045
0.624779
0.920045
0.920045
0.978618
0.82814
0.624779
0.82814
0.624779
0.82814
0.82814
0.82814
0.956117
0.970347
0.624779
0.920045
0.970347
0.624779
Total Kerugian
1.24966762
1.42228457
1.40537031
1.62564535
1.60057878
1.56450707
1.9009692
1.87611226
1.22040781
1.42228457
1.20617799
1.26924113
1.17010629
1.52227295
1.41960013
1.27739343
1.62564535
1.40537031
1.27739343
1.62564535
1.60057878
1.17010629
1.26924113
1.56450707
1.9009692
1.42787197
1.07820112
1.07403266
1.07820112
1.07403266
1.27739343
1.27739343
1.62564535
1.8536106
1.22040781
1.26924113
1.81753889
1.22040781
1.26924113
Total Kerugian*1.000.000
1,249,667.62
1,422,284.57
1,405,370.31
1,625,645.35
1,600,578.78
1,564,507.07
1,900,969.20
1,876,112.26
1,220,407.81
1,422,284.57
1,206,177.99
1,269,241.13
1,170,106.29
1,522,272.95
1,419,600.13
1,277,393.43
1,625,645.35
1,405,370.31
1,277,393.43
1,625,645.35
1,600,578.78
1,170,106.29
1,269,241.13
1,564,507.07
1,900,969.20
1,427,871.97
1,078,201.12
1,074,032.66
1,078,201.12
1,074,032.66
1,277,393.43
1,277,393.43
1,625,645.35
1,853,610.60
1,220,407.81
1,269,241.13
1,817,538.89
1,220,407.81
1,269,241.13
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
38
Tabel 3.5
Simulasi Pengukuran Risiko Operasional-Aggregating Model
Total Kerugian
1,978,825.23
1,977,527.09
1,977,527.09
1,977,155.84
1,976,177.32
1,976,177.32
1,976,177.32
1,973,749.45
1,973,749.45
1,973,749.45
1,973,749.45
1,973,749.45
1,972,471.34
1,972,471.34
1,972,471.34
1,971,492.82
1,973,749.45
1,973,749.45
1,973,749.45
1,969,574.87
1,969,574.87
1,969,064.95
1,969,064.95
1,969,064.95
1,969,064.95
1,969,064.95
1,969,064.95
1,969,064.95
1,969,064.95
1,969,064.95
1,969,064.95
1,967,905.48
1,967,905.48
1,967,905.48
1,967,905.48
1,963,220.98
1,963,220.98
1,963,220.98
Prosen
99.99
99.98
99.97
99.96
99.95
99.94
99.93
99.92
99.91
99.90
99.89
99.88
99.87
99.86
99.85
99.84
99.83
99.82
99.81
99.80
99.79
99.78
99.77
99.76
99.75
99.74
99.73
99.72
99.71
.
.
.
.
.
.
.
.
99.00
39
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
40
BAB 4
4.1 Kesimpulan
1. Dalam Aggregating Value at Risk digunakan test Goodness Of Fit untuk
menentukan distribusi yang akan dipakai.
3. Jika kerugian ekstrim terjadi maka Aggregating VaR tidak dapat dipakai,
sehingga kita memodelkankan dengan model EVT.
4.2
Saran
Adapun saran yang dapat penulis berikan adalah :
1. Dengan diketahuinya besarnya risiko kesalahan pada bank diharapkan bank
dapat memprediksi berapa besarnya kerugian operasional yang akan
dihadapi bank.
2. Bank lebih memperhatikan dan memperhitungan hal lain yang dapat menjadi
faktor penyebab kerugian risiko operasional.
3. Bank harus tetap melakukan pengawasan aktif sekalipun nilai risiko kecil
karena akan sangat berpengaruh terhadap berjalannya kegiatan perusahan
guna memberi pelayanan yang baik.
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
41
LAMPIRAN
#K
5
7
2
3
5
3
2
3
5
4
1
5
3
7
9
7
4
4
1
3
5
2
5
7
6
8
3
6
3
4
6
6
4
5
4
4
4
3
3
3
4
2
3
1
5
3
Probabilitas
0.797506
0.953487
0.250061
0.449254
0.797506
0.449254
0.250061
0.449254
0.797506
0.644462
0.097618
0.797506
0.449254
0.953487
0.992874
0.953487
0.644462
0.644462
0.097618
0.449254
0.797506
0.250061
0.797506
0.953487
0.897494
0.980924
0.449254
0.897494
0.449254
0.644462
0.897494
0.897494
0.644462
0.797506
0.644462
0.644462
0.644462
0.449254
0.449254
0.449254
0.644462
0.250061
0.449254
0.097618
0.797506
0.449254
Severitas
0.920045
0.956117
0.97619
0.624779
0.82814
0.956117
0.82814
0.624779
0.82814
0.956117
0.920045
0.317957
0.956117
0.82814
0.97619
0.979597
0.97619
0.920045
0.920045
0.317957
0.82814
0.956117
0.624779
0.956117
0.97619
0.970347
0.978618
0.82814
0.970347
0.82814
0.920045
0.970347
0.970347
0.920045
0.956117
0.920045
0.920045
0.920045
0.82814
0.82814
0.82814
0.920045
0.624779
0.82814
0.317957
0.956117
Total Kerugian
1.71755051
1.90960409
1.22625178
1.07403266
1.62564535
1.40537031
1.07820112
1.07403266
1.62564535
1.60057878
1.01766319
1.115463
1.40537031
1.78162722
1.96906495
1.93308427
1.62065257
1.56450707
1.01766319
0.76721109
1.62564535
1.20617799
1.42228457
1.90960409
1.87368439
1.95127073
1.42787197
1.72563373
1.41960013
1.4726019
1.81753889
1.86784042
1.6148086
1.71755051
1.60057878
1.56450707
1.56450707
1.3692986
1.27739343
1.27739343
1.4726019
1.17010629
1.07403266
0.92575802
1.115463
1.40537031
Total Kerugian*1000000
1,717,550.51
1,909,604.09
1,226,251.78
1,074,032.66
1,625,645.35
1,405,370.31
1,078,201.12
1,074,032.66
1,625,645.35
1,600,578.78
1,017,663.19
1,115,463.00
1,405,370.31
1,781,627.22
1,969,064.95
1,933,084.27
1,620,652.57
1,564,507.07
1,017,663.19
767,211.09
1,625,645.35
1,206,177.99
1,422,284.57
1,909,604.09
1,873,684.39
1,951,270.73
1,427,871.97
1,725,633.73
1,419,600.13
1,472,601.90
1,817,538.89
1,867,840.42
1,614,808.60
1,717,550.51
1,600,578.78
1,564,507.07
1,564,507.07
1,369,298.60
1,277,393.43
1,277,393.43
1,472,601.90
1,170,106.29
1,074,032.66
925,758.02
1,115,463.00
1,405,370.31
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
42
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
5
5
3
4
6
1
8
4
3
3
5
7
5
8
0
2
6
5
3
6
4
1
2
5
0
1
6
6
6
2
4
5
4
2
6
1
3
6
6
2
6
4
5
3
2
7
3
6
4
6
4
0
0.797506
0.797506
0.449254
0.644462
0.897494
0.097618
0.980924
0.644462
0.449254
0.449254
0.797506
0.953487
0.797506
0.980924
0.019841
0.250061
0.897494
0.797506
0.449254
0.897494
0.644462
0.097618
0.250061
0.797506
0.019841
0.097618
0.897494
0.897494
0.897494
0.250061
0.644462
0.797506
0.644462
0.250061
0.897494
0.097618
0.449254
0.897494
0.897494
0.250061
0.897494
0.644462
0.797506
0.449254
0.250061
0.953487
0.449254
0.897494
0.644462
0.897494
0.644462
0.019841
0.82814
0.956117
0.956117
0.82814
0.920045
0.970347
0.317957
0.978618
0.920045
0.82814
0.82814
0.956117
0.97619
0.956117
0.978618
0.074829
0.624779
0.970347
0.956117
0.82814
0.970347
0.920045
0.317957
0.624779
0.956117
0.074829
0.317957
0.970347
0.970347
0.970347
0.624779
0.920045
0.956117
0.920045
0.624779
0.970347
0.317957
0.82814
0.970347
0.970347
0.624779
0.970347
0.920045
0.956117
0.82814
0.624779
0.97619
0.82814
0.970347
0.920045
0.970347
0.920045
1.62564535
1.75362222
1.40537031
1.4726019
1.81753889
1.06796471
1.29888169
1.62308044
1.3692986
1.27739343
1.62564535
1.90960409
1.77369601
1.93704091
0.99845946
0.32489065
1.52227295
1.76785204
1.40537031
1.72563373
1.6148086
1.01766319
0.56801877
1.42228457
0.9759578
0.17244755
1.21545138
1.86784042
1.86784042
1.22040781
1.26924113
1.71755051
1.60057878
1.17010629
1.52227295
1.06796471
0.76721109
1.72563373
1.86784042
1.22040781
1.52227295
1.6148086
1.71755051
1.40537031
1.07820112
1.57826644
1.4254441
1.72563373
1.6148086
1.81753889
1.6148086
0.9398861
1,625,645.35
1,753,622.22
1,405,370.31
1,472,601.90
1,817,538.89
1,067,964.71
1,298,881.69
1,623,080.44
1,369,298.60
1,277,393.43
1,625,645.35
1,909,604.09
1,773,696.01
1,937,040.91
998,459.46
324,890.65
1,522,272.95
1,767,852.04
1,405,370.31
1,725,633.73
1,614,808.60
1,017,663.19
568,018.77
1,422,284.57
975,957.80
172,447.55
1,215,451.38
1,867,840.42
1,867,840.42
1,220,407.81
1,269,241.13
1,717,550.51
1,600,578.78
1,170,106.29
1,522,272.95
1,067,964.71
767,211.09
1,725,633.73
1,867,840.42
1,220,407.81
1,522,272.95
1,614,808.60
1,717,550.51
1,405,370.31
1,078,201.12
1,578,266.44
1,425,444.10
1,725,633.73
1,614,808.60
1,817,538.89
1,614,808.60
939,886.10
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
43
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
3
3
2
4
1
5
4
3
6
4
5
3
5
6
5
6
3
2
2
0
5
1
5
5
7
1
4
5
6
3
3
1
11
3
4
3
7
5
5
5
1
4
2
3
3
5
5
2
2
4
4
2
0.449254
0.449254
0.250061
0.644462
0.097618
0.797506
0.644462
0.449254
0.897494
0.644462
0.797506
0.449254
0.797506
0.897494
0.797506
0.897494
0.449254
0.250061
0.250061
0.019841
0.797506
0.097618
0.797506
0.797506
0.953487
0.097618
0.644462
0.797506
0.897494
0.449254
0.449254
0.097618
0.999228
0.449254
0.644462
0.449254
0.953487
0.797506
0.797506
0.797506
0.097618
0.644462
0.250061
0.449254
0.449254
0.797506
0.797506
0.250061
0.250061
0.644462
0.644462
0.250061
0.074829
0.82814
0.82814
0.624779
0.920045
0.317957
0.956117
0.920045
0.82814
0.970347
0.920045
0.956117
0.82814
0.956117
0.970347
0.956117
0.970347
0.82814
0.624779
0.624779
0.074829
0.956117
0.317957
0.956117
0.956117
0.97619
0.317957
0.920045
0.956117
0.970347
0.82814
0.82814
0.317957
0.980099
0.82814
0.920045
0.82814
0.97619
0.956117
0.956117
0.956117
0.317957
0.920045
0.624779
0.82814
0.82814
0.956117
0.956117
0.624779
0.624779
0.920045
0.920045
0.52408297
1.27739343
1.07820112
1.26924113
1.01766319
1.115463
1.60057878
1.3692986
1.72563373
1.6148086
1.71755051
1.40537031
1.62564535
1.8536106
1.76785204
1.8536106
1.41960013
1.07820112
0.87484034
0.64462015
0.87233488
1.05373489
1.115463
1.75362222
1.90960409
1.07380868
0.96241956
1.71755051
1.8536106
1.41960013
1.27739343
0.92575802
1.31718583
1.4293524
1.4726019
1.3692986
1.78162722
1.77369601
1.75362222
1.75362222
1.05373489
0.96241956
1.17010629
1.07403266
1.27739343
1.62564535
1.75362222
1.20617799
0.87484034
1.26924113
1.56450707
1.17010629
524,082.97
1,277,393.43
1,078,201.12
1,269,241.13
1,017,663.19
1,115,463.00
1,600,578.78
1,369,298.60
1,725,633.73
1,614,808.60
1,717,550.51
1,405,370.31
1,625,645.35
1,853,610.60
1,767,852.04
1,853,610.60
1,419,600.13
1,078,201.12
874,840.34
644,620.15
872,334.88
1,053,734.89
1,115,463.00
1,753,622.22
1,909,604.09
1,073,808.68
962,419.56
1,717,550.51
1,853,610.60
1,419,600.13
1,277,393.43
925,758.02
1,317,185.83
1,429,352.40
1,472,601.90
1,369,298.60
1,781,627.22
1,773,696.01
1,753,622.22
1,753,622.22
1,053,734.89
962,419.56
1,170,106.29
1,074,032.66
1,277,393.43
1,625,645.35
1,753,622.22
1,206,177.99
874,840.34
1,269,241.13
1,564,507.07
1,170,106.29
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
44
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
1
4
1
8
1
4
2
1
3
2
3
5
5
7
3
5
7
6
1
6
3
4
4
2
3
3
4
5
2
8
7
5
2
2
7
5
5
4
3
7
3
0
4
5
2
5
7
2
3
2
4
0.097618
0.644462
0.097618
0.980924
0.097618
0.644462
0.250061
0.097618
0.449254
0.250061
0.449254
0.797506
0.797506
0.953487
0.449254
0.797506
0.953487
0.897494
0.097618
0.897494
0.449254
0.644462
0.644462
0.250061
0.449254
0.449254
0.644462
0.797506
0.250061
0.980924
0.953487
0.797506
0.250061
0.250061
0.953487
0.797506
0.797506
0.644462
0.449254
0.953487
0.449254
0.019841
0.644462
0.797506
0.250061
0.797506
0.953487
0.250061
0.449254
0.250061
0.644462
0.624779
0.317957
0.920045
0.317957
0.978618
0.317957
0.920045
0.624779
0.317957
0.82814
0.624779
0.82814
0.956117
0.956117
0.97619
0.82814
0.956117
0.97619
0.970347
0.317957
0.970347
0.82814
0.920045
0.920045
0.624779
0.82814
0.82814
0.920045
0.956117
0.624779
0.978618
0.97619
0.956117
0.624779
0.624779
0.97619
0.956117
0.956117
0.920045
0.82814
0.97619
0.82814
0.074829
0.920045
0.956117
0.624779
0.956117
0.97619
0.624779
0.82814
0.624779
0.72239724
0.96241956
1.01766319
1.29888169
1.07623655
0.96241956
1.17010629
0.72239724
0.76721109
1.07820112
1.07403266
1.62564535
1.75362222
1.90960409
1.4254441
1.62564535
1.90960409
1.87368439
1.06796471
1.21545138
1.41960013
1.4726019
1.56450707
1.17010629
1.07403266
1.27739343
1.4726019
1.71755051
1.20617799
1.60570325
1.93210575
1.77369601
1.20617799
0.87484034
1.57826644
1.77369601
1.75362222
1.60057878
1.3692986
1.78162722
1.4254441
0.84798093
0.71929144
1.71755051
1.20617799
1.42228457
1.90960409
1.22625178
1.07403266
1.07820112
1.26924113
722,397.24
962,419.56
1,017,663.19
1,298,881.69
1,076,236.55
962,419.56
1,170,106.29
722,397.24
767,211.09
1,078,201.12
1,074,032.66
1,625,645.35
1,753,622.22
1,909,604.09
1,425,444.10
1,625,645.35
1,909,604.09
1,873,684.39
1,067,964.71
1,215,451.38
1,419,600.13
1,472,601.90
1,564,507.07
1,170,106.29
1,074,032.66
1,277,393.43
1,472,601.90
1,717,550.51
1,206,177.99
1,605,703.25
1,932,105.75
1,773,696.01
1,206,177.99
874,840.34
1,578,266.44
1,773,696.01
1,753,622.22
1,600,578.78
1,369,298.60
1,781,627.22
1,425,444.10
847,980.93
719,291.44
1,717,550.51
1,206,177.99
1,422,284.57
1,909,604.09
1,226,251.78
1,074,032.66
1,078,201.12
1,269,241.13
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
45
9905
9906
9907
9908
9909
9910
9911
9912
9913
9914
9915
9916
9917
9918
9919
9920
9921
9922
9923
9924
9925
9926
9927
9928
9929
9930
9931
9932
9933
9934
9935
9936
9937
9938
9939
9940
9941
9942
9943
9944
9945
9946
9947
9948
9949
9950
9951
9952
9953
9954
9955
5
5
4
2
9
9
8
6
3
4
3
5
8
4
7
3
4
4
5
7
3
5
4
3
7
5
4
7
5
2
3
4
0
3
4
5
2
5
3
3
3
4
6
5
4
4
8
4
4
1
5
0.797506
0.797506
0.644462
0.250061
0.992874
0.992874
0.980924
0.897494
0.449254
0.644462
0.449254
0.797506
0.980924
0.644462
0.953487
0.449254
0.644462
0.644462
0.797506
0.953487
0.449254
0.797506
0.644462
0.449254
0.953487
0.797506
0.644462
0.953487
0.797506
0.250061
0.449254
0.644462
0.019841
0.449254
0.644462
0.797506
0.250061
0.797506
0.449254
0.449254
0.449254
0.644462
0.897494
0.797506
0.644462
0.644462
0.980924
0.644462
0.644462
0.097618
0.797506
0.956117
0.956117
0.956117
0.920045
0.624779
0.979597
0.979597
0.978618
0.970347
0.82814
0.920045
0.82814
0.956117
0.978618
0.920045
0.97619
0.82814
0.920045
0.920045
0.956117
0.97619
0.82814
0.956117
0.920045
0.82814
0.97619
0.956117
0.920045
0.97619
0.956117
0.624779
0.82814
0.920045
0.074829
0.82814
0.920045
0.956117
0.624779
0.956117
0.82814
0.82814
0.82814
0.920045
0.970347
0.956117
0.920045
0.920045
0.978618
0.920045
0.920045
0.317957
1.75362222
1.75362222
1.60057878
1.17010629
1.61765351
1.97247134
1.96052109
1.87611226
1.41960013
1.4726019
1.3692986
1.62564535
1.93704091
1.62308044
1.87353239
1.4254441
1.4726019
1.56450707
1.71755051
1.90960409
1.4254441
1.62564535
1.60057878
1.3692986
1.78162722
1.77369601
1.60057878
1.87353239
1.77369601
1.20617799
1.07403266
1.4726019
0.9398861
0.52408297
1.4726019
1.71755051
1.20617799
1.42228457
1.40537031
1.27739343
1.27739343
1.4726019
1.81753889
1.76785204
1.60057878
1.56450707
1.9009692
1.62308044
1.56450707
1.01766319
1.115463
1,753,622.22
1,753,622.22
1,600,578.78
1,170,106.29
1,617,653.51
1,972,471.34
1,960,521.09
1,876,112.26
1,419,600.13
1,472,601.90
1,369,298.60
1,625,645.35
1,937,040.91
1,623,080.44
1,873,532.39
1,425,444.10
1,472,601.90
1,564,507.07
1,717,550.51
1,909,604.09
1,425,444.10
1,625,645.35
1,600,578.78
1,369,298.60
1,781,627.22
1,773,696.01
1,600,578.78
1,873,532.39
1,773,696.01
1,206,177.99
1,074,032.66
1,472,601.90
939,886.10
524,082.97
1,472,601.90
1,717,550.51
1,206,177.99
1,422,284.57
1,405,370.31
1,277,393.43
1,277,393.43
1,472,601.90
1,817,538.89
1,767,852.04
1,600,578.78
1,564,507.07
1,900,969.20
1,623,080.44
1,564,507.07
1,017,663.19
1,115,463.00
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
46
9956
9957
9958
9959
9960
9961
9962
9963
9964
9965
9966
9967
9968
9969
9970
9971
9972
9973
9974
9975
9976
9977
9978
9979
9980
9981
9982
9983
9984
9985
9986
9987
9988
9989
9990
9991
9992
9993
9994
9995
9996
9997
9998
9999
10000
4
4
5
4
0
4
4
6
2
3
4
3
0
5
3
3
7
4
4
4
6
6
3
6
4
5
3
7
1
4
2
4
1
6
4
2
4
4
5
10
7
4
8
5
4
0.644462
0.644462
0.797506
0.644462
0.019841
0.644462
0.644462
0.897494
0.250061
0.449254
0.644462
0.449254
0.019841
0.797506
0.449254
0.449254
0.953487
0.644462
0.644462
0.644462
0.897494
0.897494
0.449254
0.897494
0.644462
0.797506
0.449254
0.953487
0.097618
0.644462
0.250061
0.644462
0.097618
0.897494
0.644462
0.250061
0.644462
0.644462
0.797506
0.997559
0.953487
0.644462
0.980924
0.797506
0.644462
0.956117
0.920045
0.920045
0.956117
0.920045
0.074829
0.920045
0.920045
0.970347
0.624779
0.82814
0.920045
0.82814
0.074829
0.956117
0.82814
0.82814
0.97619
0.920045
0.920045
0.920045
0.970347
0.970347
0.82814
0.970347
0.920045
0.956117
0.82814
0.97619
0.317957
0.920045
0.624779
0.920045
0.317957
0.970347
0.920045
0.624779
0.920045
0.920045
0.956117
0.979968
0.97619
0.920045
0.978618
0.956117
1.60057878
1.56450707
1.71755051
1.60057878
0.9398861
0.71929144
1.56450707
1.81753889
1.22040781
1.07403266
1.4726019
1.3692986
0.84798093
0.87233488
1.40537031
1.27739343
1.78162722
1.62065257
1.56450707
1.56450707
1.81753889
1.86784042
1.41960013
1.72563373
1.6148086
1.71755051
1.40537031
1.78162722
1.07380868
0.96241956
1.17010629
1.26924113
1.01766319
1.21545138
1.6148086
1.17010629
1.26924113
1.56450707
1.71755051
1.95367566
1.93345552
1.62065257
1.9009692
1.77612388
1.60057878
1,600,578.78
1,564,507.07
1,717,550.51
1,600,578.78
939,886.10
719,291.44
1,564,507.07
1,817,538.89
1,220,407.81
1,074,032.66
1,472,601.90
1,369,298.60
847,980.93
872,334.88
1,405,370.31
1,277,393.43
1,781,627.22
1,620,652.57
1,564,507.07
1,564,507.07
1,817,538.89
1,867,840.42
1,419,600.13
1,725,633.73
1,614,808.60
1,717,550.51
1,405,370.31
1,781,627.22
1,073,808.68
962,419.56
1,170,106.29
1,269,241.13
1,017,663.19
1,215,451.38
1,614,808.60
1,170,106.29
1,269,241.13
1,564,507.07
1,717,550.51
1,953,675.66
1,933,455.52
1,620,652.57
1,900,969.20
1,776,123.88
1,600,578.78
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
47
DAFTAR PUSTAKA
Harinaldi. 2005. Prinsip-prinsip Statistik untuk Teknik dan Sains. Jakarta: Erlangga.
Stulz, Rene.2003. Risk Management and Derivatives 1/e, USA: Thomson, SouthWastern.
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.
48
Sri Jayanti Napitupulu : Pengukuran Risiko Operasional Dengan Metode Aggregating Value At Risk, 2009.