METODE PENGUKURAN RISIKO

Di
Susun oleh:

Elya Fitriyani
1705906020077

PRODI MANAJEMEN
FAKULTAS EKONOMI
UNIVERSITAS TEUKU UMAR
2020
Pengukuran risiko dapat dihitung dengan berbagai metode yaitu:
1. Simpangan Baku

Simpangan baku adalah suatu nilai yang sering kali dipakai dalam menentukan
bagaimana sebaran data yang ada didalam sampel dan juga seberapa dekat titik data individu
dengan mean atau rata-rata nilai dari sampel itu sendiri. Simpangan baku difiniskan dengan
akar kuadrat varians, sebab bilangan nya berupa bilangan positif serta memiliki satuan yang
sama dengan sebuah data.

Sebagai contoh: jika sebuah data di ukur dengan menggunakan satuan meter, maka
simpangan baku itupun juga harus diukur dengan menggunakan satuan meter.

Kata simpangan baku pertma kali diperkenalkan oleh Karl Pearson pada tahun 1894
dalam buku yang berjudul “on the dissection of asymmetrical frequency curves”.

Nilai standar deviasi yang berasal dari kumpulan data yakni bisa saja = 0 atau bahkan
lebih besar ataupun lebih kecil dari 0.

Dengan ketentuan:
 Apabila nilainya sama dengan nol, maka seluruh nilai yang terdapat didalam
himpunan itu merupakan sama.
 Sedangkan jika pada nilai yang bernilai lebih besar atau bahkan lebih kecil
menandakan jika titik data dari individu itu jauh dari nilai rata-rata.
Langkah pertama yang harus kita lakuakan untuk mencari nilai simpangan baku ialah sebagai
berikut:

 Menghitung nilai mean atau rata-rata pada setiap titik data yang bersedia.
 Nilai mean atau rata-rata sama dengan jumlah dari masing-masing nilai yang terdapat
didalam kumpulan data.
 Selanjutnya bagi dengan jumlah total titik yang ada tersebut.
Langkah berikutnya:

 Menghitung penyimpangan pada masing-masing titik data dari nilai meannya atau
rata-ratanya.
 Selanjutnya, simpangan pada setiap titik data dikuadratkan kemudian cari
penyimpangan kuadrat individu rata-ratanya.
 Nilai yang dihasilkan tersebut sebagi varian.
 Setelah itu, untuk mencari standar deviasi yakni dengan cara mengakar kuadratkan
nilai variannya.
Rumus
Cara untuk menghitung simpangan baku sebatulnya cukup mudah jika telah hafal atau
mengetahui rumus dari standar deviasi itu sendiri.
Kita ambil contoh, apabila diketahui sekumpulan data kuantitatif yang tidak
dikelompokkan serta ditanyakan oleh x1, x2, …, xn. maka dari data diatas bisa kita dapatkan nilai
simpangan baku (S) yang ditentukan dengan menggunakan rumus dibawah:
1) Simpangan Baku Populasi

Suatu populasi disimbolkan dengan σ (sigma) dan dapat didefinisikan dengan rumus:
2) Simpangan Baku Sampel

Rumusnya yaitu:

3) Perhitungan

Salah satu cara atau metode dalam mengetahui keragaman dari sebuah kelompok data
yakni dengan cara mengurangi masing – masing nilai data dengan mean kelompok
data itu. Lalu seluruh hasilnya dijumlahkan.

Tetapi, cara seperti di atas tidak dapat diterapkan sebab akan hasilnya akan selalu 0.

Oleh sebab itu, solusi supaya hasilnya tidak 0 yakni dengan cara mengkuadratkan
masing – masing pengurangan nilai data serta mean kelompok data itu.

Kemudian barulah dilakukan penjumlahan. Hasil dari penjumlahan kuadrat (sum of

squares) itu nantinya akan selalu bernilai positif.

Nilai varian akan didapatkan dari pembagian hasil jumlah kuadrat (sum of squares)
bersama ukuran data (n).
 Meski demikian, dalam penerapannya, nilai varian itu dapat digunakan untuk
menduga varian dari populasi. Dengan memakai rumus di atas, maka nilai varian
populasi akan bernilai lebih besar dari varian sampel.

Oleh sebab itu, supaya tidak bisa menduga varian populasi, maka n digunakan sebagai
pembagi penjumlahan kuadrat (sum of squares) kita ganti dengan menggunakan n-1
(derajat bebas) supaya nilai varian sampel mendekati nilai varian populasi.

Oleh sebab itu, rumus varian sampel akan menjadi:

Nilai varian yang diperoleh adalah nilai yang bentuknya kuadrat.

Sebagai contoh, satuan nilai rata-ratanya yaitu gram, maka nilai variannya juga akan
berbentuk gram kuadrat. Untuk menyamakan nilai satuannya, maka varian kita akar
kuadratkan sehingga menghasilnya standar deviasi.

4) Varian

5) Simpangan Baku

Keterangan:

 : Varian
s2
 s: Standar deviasi
 xi: Nilai x ke-i
  x: Rata-ratanya
 n: Ukuran sampel

2. Durasi dan konveksitas

Durasi adalah jumlah tahun yang diperlukan untuk dapat mengembalikan harga
pembelian obligasi, durasi juga dapat di artikan sebagai sensitivitas harga obligasi terhadap
perubahan suku bunga sedangkan konveksitas adalah ukuran kurva dari durasi.

Durasi mengukur berapa harga obligasi akan berubah sebagai fungsi dari suku bunga
yang berlaku. Namun, karena hasil durasi mencapai lebih jauh dari tingkat antar negara saat
ini, perubahan harga menjadi lebih jelas dari pada durasi yang dapat menjelaskan.

Durasi dapat digunakan sebagai alat ukur senasitivitas harga obligasi secara lebih
tepat dari pada jatuh tempo pada perubahan suku bunga.
Secara ringkas. durasi obligasi dinyatakan dengan jangka waktu tempo obligesi. Investor yang
memiliki durasi pendek biasanya disukai karena resiko yang dihadapi semakin kecil dari pada
wkatu jatuh tempo obligasi.

Apabila durasi obligasi dihubungkan dengan kupon obligasi, semakin kecil kupon
obligasi semakin panjang angka durasi yang memberikan arti semakin lama jatuh tempo
obligasi. sebaliknya jika kupon obligasi semakin tinggi, semakin rendah besaran durasi atau
semakin pendek jatuh tempo durasi. Namun, obligasi yang memiliki kupon tinggi juga
mempunyai kemungkinan tidak terbayar karena secara umumobligasi yang mempunyai kupon
tinggi biasanya dianggap obligasi yang jelek atau lebih dikenal denganjunk-bond.

Pada buku teks, durasi mempunyai dua pengertian, pengertian pertama adalah sebagi
rata-rata tertimbang dari arus kas yang diterima investor atau berapa lama uang investor
kembali atas investasi pada obligasi tersebut. Pengertian ini sama dengan periode
pengembalian dana investor. Investor biasanya mengharapkan veriode ini lebih pendek dari
pada periode jatuh tempo investor.

Pengertian kedua menyatakan sensitivitas terhadap obligasi terhadap tingkat bunga.

Jika terjadi perubahan (kenaikan atau penurunan) tingkat bunga yang berlaku, berapa
perubahan harga dari obligasi tersebut.

Durasi ini merupakan sebuah angka yang menyatakan besaran perubahan akibat
perubahan yang lain. Jika obligasi mempunyai durasi 3,5 obligasi tersebut akan mengalami
penurunan harga jika tingkat bunga mengalami kenaikan. Sebaliknya harga obligasi akan
mengalami kenaikan jika tingkat bunga menurun.

Seperti diuraikan sebelumnya bahwa durasi tidak dapat dilihat dari sertifikat obligasi,
tetapi melalui perhitungan secara matematik dan biasanya harus menggunakan perangkat
seperti kalkulator dan memakan waktu

Para investor diobligasi dan dealer obligasi biasanya memiliki program tertentu yang
hanya memasukkan beberapa pengubah seperti kupon, jatuh tempo, dan harga obligasi maka
akan diperoleh durasi.

Konvektivitas adalah ukuran kecembungan kurva obligasi yang menunjukkan

hubungan antara harga dengan yield. penggunaan metode durasi dan konvektivitas akan
menghasilkan perhitungan yang lebih akurat dalam menghitung tingkat harga obligasi yang
mengalami perubahan tingkat suku bunga.
3. Beta-Sharpe’s Capital Asset Pricing Model

Model CAPM diperkenalkan oleh Treynor, Sharpe dan Litner. Model CAPM
merupakan pengembangan teori portofolio yang dikemukan oleh Markowitz dengan
memperkenalkan istilah baru yaitu risiko sistematik (systematic risk) dan risiko spesifik/risiko
tidak sistematik (spesific risk /unsystematic risk). Pada tahun 1990, William Sharpe
memperoleh nobel ekonomi atas teori pembentukan harga aset keuangan yang kemudian
disebut Capital Asset Pricing Model (CAPM)
Bodie et al. (2005) menjelaskan bahwa Capital Asset Pricing Model (CAPM)
merupakan hasil utama dari ekonomi keuangan modern. Capital Asset Pricing Model (CAPM)
memberikan prediksi yang tepat antara hubungan risiko sebuah aset dan tingkat harapan
pengembalian (expected return). Walaupun Capital Asset Pricing Model belum dapat
dibuktikan secara empiris, Capital Asset Pricing Model sudah luas digunakan karena Capital
Asset Pricing Model akurasi yang cukup pada aplikasi penting.
Capital Asset Pricing Model mengasumsikan bahwa para investor adalah perencana
pada suatu periode tunggal yang memiliki persepsi yang sama mengenai keadaan pasar dan
mencari mean-variance dari portofolio yang optimal. Capital Asset Pricing Model juga
mengasumsikan bahwa pasar saham yang ideal adalah pasar saham yang besar, dan para
investor adalah para price-takers, tidak ada pajak maupun biaya transaksi, semua aset dapat
diperdagangkan secara umum, dan para investor dapat meminjam maupun meminjamkan
pada jumlah yang tidak terbatas pada tingkat suku bunga tetap yang tidak berisiko (fixed risk
free rate). Dengan asumsi ini, semua investor memiliki portofolio yang risikonya identik.
Capital Asset Pricing Model menyatakan bahwa dalam keadaan ekuilibrium,
portofolio pasar adalah tangensial dari rata-rata varians portofolio. Sehingga strategi yang
efisien adalah passive strategy. Capital Asset Pricing Model berimplikasi bahwa premium
risiko dari sembarang aset individu atau portofolio adalah hasil kali dari risk premium pada
portofolio pasar dan koefisien beta.
Capital Asset Pricing Model (CAPM) mencoba untuk menjelaskan hubungan antara
risk dan return. Dalam penilaian mengenai risiko biasanya saham biasa digolongkan sebagai
investasi yang berisiko. Risiko sendiri berarti kemungkinan penyimpangan perolehan aktual
dari perolehan yang diharapkan (possibility), sedangkan derajat risiko (degree of risk) adalah
jumlah dari kemungkinan fluktuasi (amount of potential fluctuation).
 Persamaan CAPM
Persamaan risiko dan perolehan (Equation Risk and Return) adalah:
Rs = Rf + Rp
Rs = Expected Return on a given risky security
Rf = Risk-free rate
Rp = Risk premium
 Bila nilai β = 1 artinya adanya hubungan yang sempurna dengan kinerja seluruh pasar
seperti yang diukur indek pasar (market index), contohnya nilai yang diukur oleh Dow-Jones
Industrials dan Standard and Poor’s 500-stock-index.

4. RAROC (Risk Adjusted Return on Capital)

Apa itu Return on Capital? RAROC yang 'Resiko-Adjusted Return' - RAROC 'adalah
return on investment (ROI) yang dimodifikasi yang memperhitungkan unsur-unsur risiko.
Rumus yang digunakan untuk menghitung RAROC adalah:
Penghasilan dari modal = (biaya modal) x (tingkat bebas risiko)

Kerugian yang diharapkan = kerugian rata-rata yang diperkirakan selama periode waktu
tertentu

Dalam analisis keuangan, proyek dan investasi dengan tingkat risiko yang lebih tinggi
harus dievaluasi secara berbeda; RAROC menyumbang perubahan dalam profil investasi
dengan mendiskontokan arus kas berisiko terhadap arus kas yang kurang berisiko.
Asumsi dasar umum RAROC adalah investasi atau proyek dengan tingkat risiko yang
lebih tinggi menawarkan pengembalian yang jauh lebih tinggi. Perusahaan yang perlu
membandingkan dua atau lebih proyek atau investasi yang berbeda harus mengingat hal ini.
Metrik RAROC dikembangkan pada akhir tahun 1970 oleh Bankers Trust, lebih
khusus lagi Dan Borge, perancang utamanya. Alat ini mulai populer sejak tahun 1980an,
berfungsi sebagai penyesuaian yang baru dikembangkan untuk pengembalian modal
sederhana (ROC). Bank komersial pada saat itu, Bankers Trust mengadopsi model bisnis yang
serupa dengan bank investasi. Bankir Trust telah menurunkan bisnis pinjaman dan deposit
ritelnya dan secara aktif melakukan sekuritas yang dikecualikan, dengan bisnis turunan mulai
berakar.
Aktivitas grosir ini memfasilitasi pengembangan model RAROC. Publisitas nasional
membawa sejumlah bank lain mengembangkan sistem RAROC mereka sendiri. Bank-bank
memberi nama berbeda pada sistem mereka, yang pada dasarnya istilah digunakan untuk
menunjukkan jenis metrik yang sama. Nama lain termasuk return on risk-adjusted capital
(RORAC) dan risk-adjusted return on risk-adjusted capital (RARORAC). Istilah sekarang
yang paling sering digunakan untuk metrik masih RAROC. Perusahaan non bank
menggunakan RAROC sebagai metrik untuk efek risiko operasional, pasar dan kredit
terhadap keuangan.
Return on risk-adjusted capital (RORAC) digunakan dalam analisis keuangan untuk
menghitung tingkat pengembalian, dimana proyek dan investasi dengan tingkat risiko yang
lebih tinggi dievaluasi berdasarkan jumlah modal beresiko Semakin banyak, perusahaan
menggunakan RORAC karena penekanan yang lebih besar ditempatkan pada manajemen
risiko di seluruh perusahaan. Perhitungan untuk metrik ini sangat mirip dengan RAROC,
dengan perbedaan utama adalah modal disesuaikan dengan risiko RAROC dan bukan tingkat
pengembalian.
5. Pengujian Penekanan (Stress Testing)
Pengujian stres (terkadang disebut pengujian penyiksaan) adalah bentuk pengujian
intens atau menyeluruh yang sengaja digunakan untuk menentukan stabilitas sistem,
infrastruktur atau entitas kritis tertentu. Ini melibatkan pengujian di luar kapasitas operasional
normal, seringkali sampai pada titik puncak, untuk mengamati hasilnya. Alasannya bisa
meliputi:

 untuk menentukan titik putus atau batas penggunaan yang aman

 untuk memastikan model matematika cukup akurat dalam memprediksi titik putus
atau batas penggunaan yang aman
 untuk memastikan spesifikasi yang dimaksud terpenuhi
 untuk menentuka metode kegagalan (bagaimana tepatnya sistem gagal)
 untuk menguji operasi yang stabil dari suatu bagian atau sistem di luar penggunaan
standar

Istilah " stres " mungkin memiliki arti yang lebih spesifik dalam industri tertentu, seperti ilmu
material, dan oleh karena itu pengujian stres terkadang memiliki arti teknis - salah satu
contohnya adalah dalam pengujia fisik untuk material.

Stress testing digunakan untuk menguji stabilitas dan keandalan sistem. Tes ini dapat
menentukan sistem pada ketahanan dan penanganan kesalahan dalam kondisi beban yang
sangat berat. Bahkan tes di luar titik operasi normal dan mengevaluasi bagaimana sistem
bekerja di bawah kondisi ekstrim tersebut. Stress Testing dilakukan untuk memastikan bahwa
sistem tidak akan crash di bawah situasi krisis.

Stress testing juga dikenal sebagai pengujian daya tahan. Di bawah Stress Testing,

AUT ditekankan untuk waktu yang singkat untuk mengetahui kapasitas yang bertahan.
Penggunaan stress testing yang paling menonjol adalah untuk menentukan batas, di mana
sistem atau perangkat lunak atau perangkat keras rusak. Ini juga memeriksa apakah sistem
menunjukkan manajemen kesalahan yang efektif dalam kondisi ekstrim. Berikut ini adalah
alasan diperlukannya Stress Testin: Selama waktu festival / promo diskon yang besar, situs
belanja online dapat menyaksikan lonjakan lalu lintas, atau ketika mengumumkan penjualan.
Maka dari itu, sangat penting melakukan Stress Testing untuk mengakomodasi lonjakan trafik
yang tidak normal. Kegagalan untuk mengakomodasi lalu lintas yang tiba-tiba ini dapat
mengakibatkan hilangnya pendapatan dan reputasi.

Stress testing juga sangat penting untuk alasan berikut: Untuk memeriksa apakah
sistem bekerja dalam kondisi tidak normal. Menampilkan pesan kesalahan yang tepat ketika
sistem sedang dalam tekanan. Kegagalan sistem dalam kondisi ekstrim dapat mengakibatkan
hilangnya pendapatan yang sangat besar. Lebih baik bersiap untuk kondisi ekstrim dengan
mengeksekusi Stress Testing.

Beberapa contoh sekenarionya adalah:

 Sejumlah besar pengguna login pada saat yang bersamaan
  Jika pemindai virus dimulai di semua mesin secara bersamaan
 Jika Database offline ketika sedang diakses dari situs web
 Ketika sejumlah besar data dimasukkan ke database secara bersamaan

6. Value at Risk (VaR)

VAR merupakan salah satu alat analisis untuk mengukur risiko disamping notional
amount, sensivity measures, dan scenario (Sumber Philippe Jorion; Financial Risk Manager).
Untuk notional amount hanya dapat memberikan indikasi dari potensi kerugian yang mungkin
terjadi. Walaupun sensivity measures dapat memberikan informasi terkait dengan sensitivitas
dari surat berharga atau bunga namun tidak mampu mengukur perubahan yang mendatangkan
kerugian dan juga mengabaikan hubungan hubungan yang tidak segaris antara harga dan
keuntungan. Sedangkan scenario mampu untuk menggambarkan hubungan nonlinier dan juga
pengaruh yang ektreme terhadap harga namun tidak dapat menghubungkannya dengan potensi
kerugian yang mungkin terjadi. Disamping ia tidak mampu menghubungkan atau
menggabungkan risiko yang mungkin terjadi antar berbagai pasar. Namun kesemua kendala
dalam alat ukur diatas dapat dilakukan atau diukur dengan menggunakan VAR. VAR Metode
Historis (Back Simulations) Metode historis pada dasarnya mengukur risiko berdasrkan data-
data historis yang dari unit yang akan diukur. Selanjutnya data yang telah dikumpuakan
diurutkan yang dimulai dengan data terkecil sampai yang terbesar. Dari urutan ini selanjutnya
dapat dilakukan pengukuran peluang atau kemungkinan terjadinya suatu kejadian. Misalnya
suatu perusahaan memegang saham PT X. Return harian saham tersebut untuk 20 hari terakhir
(data historis) bisa dilihat pada kolom (1) pada tabel berikut. Seperti biasa, return dihitung
sebagai berikut ini. Return = {[ P(t+1) – Pt] / Pt} * 100% Keterangan Pt = return pada hari t
Pt+1 = return pada hari t+1

Dalam financial mathematics dan financial risk management, Value at Risk (VaR)
banyak digunakan sebagai pengukur risiko dalam risiko kerugian dari spesifik portofolio aset
finansial. Apa yang dimaksud dengan Value at Risk?

Untuk portfolio, probabilitas dan time horizon tertentu, VaR didefinisikan sebagai
nilai ambang sehingga probabilitas bahwa kerugian mark-to market atau fair value accounting
pada portofolio sepanjang time horizon yang diberikan akan melebihi nilai ambang ini
(dengan asumsi pasar normal dan tidak ada perdagangan portofolio) adalah tingkat
probabilitas yang diberikan. Dan dalam bentuk yang paling umum, Value at Risk mengukur
potensi kerugian nilai aset berisiko atau portofolio selama periode waktu tertentu untuk
interval kepercayaan yang diberikan.

VaR adalah alat prediksi yang digunakan untuk mencegah manajer portofolio
melakukan keputusan yang melebihi toleransi risiko yang telah dikembangkan dalam
kebijakan portofolio.
Perlu dicatat bahwa VaR adalah nilai estimasi, bukan nilai yang didefinisikan secara
unik. Selain itu, posisi perdagangan yang sedang dikaji ulang adalah tetap untuk periode yang
bersangkutan. VaR melibatkan dua parameter yang dipilih secara sembarang: holding period
dan tingkat kepercayaan. Holding period sesuai dengan time horizon analisis risiko. Dengan
kata lain, ketika komputasi VaR harian, kami tertarik dalam memperkirakan kerugian
terburuk diharapkan yang mungkin terjadi pada akhir hari perdagangan berikutnya pada
tingkat kepercayaan tertentu dalam kondisi pasar normal.

Terdapat 3 metode dasar untuk menghitung VaR, yaitu: metode parametric (tanpa
data), metode non parametric (berdasarkan data historis) dan metode simulasi Monte Carlo
(berdasarkan data masa depan).

1) Metode parametric atau metode variansi atau metode korelasi atau

metode analytic.
Metode ini mengasumsikan pengembalian faktor risiko terdistribusi secara
normal, korelasi antara faktor-faktor risiko (sensitivitas atau harga terhadap
perubahan faktor risiko) konstan dan delta masing-masing portofolio
konstituen adalah konstan.
2) Metode non parametric atau juga disebut simulasi historical.
Metode non parametric untuk menghitung VaR adalah yang paling sederhana
dan menghindari beberapa kesulitan yang tersembunyi dari metode korelasi.
Secara khusus, tiga asumsi utama di balik korelasi (terdistribusi normal,
korelasi konstan, delta konstan) tidak diperlukan dalam kasus ini. Untuk
simulasi historis model menghitung potensi kerugian menggunakan kembali
experience yang sebenarnya dalam faktor-faktor risiko dan menangkap
kembali distribusi non-normal faktor risiko. Ini berarti kejadian yang jarang
terjadi dan crash dapat dimasukkan dalam hasil. Faktor risiko yang digunakan
untuk menilai kembali portofolio adalah actual past movements, begitu juga
dengan korelasi dalam perhitungan adalah actual past correlations. Metode ini
menangkap sifat dinamis dari korelasi serta sebagai skenario ketika hubungan
korelasi yang biasa tidak berjalan dengan baik.
 3) Metode simulasi monte carlo.
Metode ketiga, simulasi Monte Carlo lebih fleksibel dibandingkan dengan dua
metode sebelumnya. Seperti simulasi historical, simulasi Monte Carlo
memungkinkan manajer risiko untuk menggunakan distribusi historis yang
sebenarnya untuk faktor risiko daripada harus mengasumsikan normal.

7. Probabilitas Default
Probability of default ( PD ) adalah istilah keuangan yang menggambarkan
kemungkinan default selama jangka waktu tertentu. Ini memberikan perkiraan kemungkinan
bahwa peminjam tidak akan dapat memenuhi kewajiban utangnya. 
PD digunakan dalam berbagai analisis kredit dan kerangka kerja manajemen risiko.

PD adalah risiko bahwa peminjam tidak dapat atau tidak mau membayar kembali
utangnya secara penuh atau tepat waktu. Risiko gagal bayar diperoleh dengan menganalisis
kemampuan obligor untuk membayar kembali hutangnya sesuai dengan persyaratan
kontraktual. 

PD umumnya dikaitkan dengan karakteristik keuangan seperti arus kas yang tidak
memadai untuk membayar hutang, pendapatan atau margin operasi yang menurun, leverage
yang tinggi, likuiditas yang menurun atau marjinal, dan ketidakmampuan untuk berhasil
melaksanakan rencana bisnis. Selain faktor-faktor yang dapat dihitung tersebut, kesediaan
peminjam untuk membayar juga harus dievaluasi.

Probabilitas default adalah estimasi kemungkinan terjadinya default event. Ini berlaku

untuk cakrawala penilaian tertentu, biasanya satu tahun.
PD suatu obligor tidak hanya bergantung pada karakteristik risiko obligor tertentu tetapi juga
lingkungan ekonomi dan sejauh mana hal itu mempengaruhi obligor tersebut . Dengan
demikian, informasi yang tersedia untuk memperkirakan PD dapat dibagi menjadi dua
kategori besar.
 Informasi makroekonomi seperti indeks harga rumah, pengangguran, tingkat
pertumbuhan PDB, dll. - informasi ini tetap sama untuk beberapa obligor .
 Informasi spesifik Obligor seperti pertumbuhan pendapatan (grosir), berapa kali
menunggak dalam enam bulan terakhir (eceran), dll. - informasi ini khusus
untuk obligor tunggal dan dapat bersifat statis atau dinamis. Contoh karakteristik
statis adalah industri untuk pinjaman grosir dan origination "rasio pinjaman terhadap
nilai" untuk pinjaman eceran.

PD tanpa tekanan adalah perkiraan bahwa obligor akan default selama jangka waktu

tertentu dengan mempertimbangkan informasi spesifik makroekonomi dan obligor saat
ini. Artinya, apabila kondisi makroekonomi memburuk maka PD suatu obligor akan
cenderung meningkat sedangkan akan cenderung menurun jika kondisi perekonomian
membaik.

PD tertekan adalah perkiraan bahwa obligor akan gagal bayar selama jangka waktu

tertentu dengan mempertimbangkan informasi spesifik obligor saat ini, tetapi
mempertimbangkan faktor makroekonomi yang "tertekan" terlepas dari keadaan
perekonomian saat ini. PD yang mengalami stres dari obligor berubah seiring waktu
tergantung pada karakteristik risiko obligor , tetapi tidak terlalu terpengaruh oleh perubahan
siklus ekonomi karena kondisi ekonomi yang merugikan sudah menjadi faktor dalam estimasi.
 Probabilitas default dapat diperkirakan dari basis data historis default aktual
menggunakan teknik modern seperti regresi logistik . Probabilitas gagal bayar juga dapat
diperkirakan dari harga yang dapat diamati dari credit default swap , obligasi , dan opsi pada
saham biasa.

8. Teori Nilai Ektrim

Teori nilai ekstrim atau analisi nilai ekstrim (EVA) adalah cabang statistik yang
berhubungan dengan penyimpangan ekstrim dari median distribusi probabilitas . Ini berusaha
untuk menilai, dari sampel yang dipesan dari variabel acak tertentu, kemungkinan kejadian
yang lebih ekstrim daripada yang diamati sebelumnya. Analisis nilai ekstrim banyak
digunakan dalam banyak disiplin ilmu, seperti teknik struktur keuangan, ilmu kebumian ,
prediksi lalu lintas, dan teknik geologi . Misalnya, EVA dapat digunakan di
bidang hidrologi untuk memperkirakan kemungkinan peristiwa banjir besar yang tidak biasa,
seperti banjir 100 tahun.
Demikian pula, untuk desain pemecah gelombang , seorang insinyur pantai akan berusaha
untuk memperkirakan gelombang 50 tahun dan merancang struktur yang sesuai.

Teori nilai ekstrim digunakan untuk memodelkan risiko kejadian ekstrim dan langka,
seperti gempa bumi Lisbon 1755 .
Ada dua pendekatan untuk analisis nilai ekstrim praktis.
Metode pertama mengandalkan penurunan deret blok maxima (minima) sebagai
langkah awal. Dalam banyak situasi, merupakan kebiasaan dan nyaman untuk mengekstrak
maksima tahunan (minimum), menghasilkan "Seri Maksima Tahunan" (AMS).

Metode kedua bergantung pada penggalian, dari catatan kontinu, nilai puncak yang
dicapai untuk setiap periode di mana nilai melebihi ambang tertentu (jatuh di bawah ambang
tertentu). Metode ini umumnya disebut sebagai metode "Peak Over Threshold"
 
Bidang teori nilai ekstrim dipelopori oleh Leonard Tippett (1902–1985). Tippett
bekerja di Asosiasi Riset Industri Kapas Inggris , di mana dia bekerja untuk membuat benang
 kapas lebih kuat. Dalam studinya, dia menyadari bahwa kekuatan benang dikendalikan oleh
kekuatan serat terlemahnya. Dengan bantuan RA Fisher , Tippet memperoleh tiga batas
asimtotik yang menggambarkan distribusi variabel independen yang ekstrem. Emil Julius
Gumbel menyusun teori ini dalam bukunya tahun 1958, Statistics of Extremes ,
termasuk distribusi Gumbel yang menyandang namanya. Hasil ini dapat diperluas untuk
memungkinkan adanya sedikit korelasi antar variabel, tetapi teori klasik tidak memperluas
korelasi yang kuat dari urutan varians. Satu kelas universalitas yang menjadi perhatian khusus
adalah bidang berkorelasi log , di mana korelasinya meluruh secara logaritmik dengan jarak.

9. Risiko Sistematis

Risiko sistematis atau systematic risk adalah suatu jenis risiko yang bersifat eksternal
atau tidak dapat dikendalikan oleh suatu korporasi (perusahaan). Dengan kata lain, risiko ini
disebut juga sebagai risiko pasar (market risk). Dalam dunia bisnis atau investasi, risiko
sistematis pasti akan Anda ditemui. Apa contoh risiko sistematik? Misalnya, risiko suku
bunga, nilai kurs, inflasi, gejolak pasar global, dan sejenisnya. Tentu saja, risiko semacam ini
tidak dapat dikontrol dan tidak dapat dihindari oleh perusahaan. Lalu, apa yang mesti
dilakukan oleh perusahaan? Ya, perusahaan harus bisa mendeteksi dan melakukan antisipasi
terhadap risiko tersebut sehingga perusahaan dapat meminimalkan efek negatif yang
ditimbulkan oleh risiko pasar tersebut.

a. Mengatasi Risiko Sistematis

Seperti yang telah disinggung sebelumnya, bahwa perusahaan tidak dapat mengelak
dari risiko sistematis. Satu-satunya jalan dan cara mengatasi risiko sistematis
(systematic risk) tersebut yaitu dengan menghadapinya. Maksudnya? Perusahaan
harus mampu mendeteksi terjadinya risiko tersebut, kemudian membuat strategi
bagaimana bisa meminimalkan agar tidak terjadi efek negatif yang terlalu besar dari
dampak risiko tersebut. Itu dari sudut pandang perusahaan, beda hal jika dilihat dari
perspektif investor. Bagaimana cara investor mengatasi risiko sistematis? Lakukan
diversifikasi! Sebagai contoh, sebagai investor saham, Anda jangan hanya terpaku
untuk berinvestasi pada satu perusahaan atau satu sektor industri saja, misalnya Anda
berinvestasi pada perusahaan Perbankan saja. Jangan seperti itu.

Sebagai langkah preventif untuk mencegah dan meminimalkan risiko sistematis,

mestinya membagi portofolio dengan membeli saham di perusahaan dengan sektor
industri yang berbeda (tidak sejenis), misalnya di industri pertanian, barang konsumsi,
dan lainnya. Dengan demikian, jika terjadi risiko sistematis yang berimbas pada
sektor perbankan, maka Anda masih memiliki portofolio investasi di sektor pertanian
dan sebagainya.

Selain itu, Anda juga bisa misalnya melakukan diversifikasi pada instrumen investasi
yang berbeda. Misalnya, Anda sekarang berinvestasi di instrumen saham. Untuk
meminimalkan risiko investasi, Anda juga bisa berinvestasi di instrumen deposito atau
obligasi. Jika terjadi kerugian pada investasi di instrumen saham, Anda masih
memiliki portofolio investasi di instrumen lainnya yang mungkin menguntungkan,
sehingga kerugian di instrumen saham dapat di-cover.

b. Pengukuran dan Rumus Mencari Risiko Sistematis

Sebagai investor saham, misalnya. Salah satu cara yang paling umum dilakukan
sebagai alat ukur risiko sistematis yaitu dengan menggunakan beta saham.

Rumus Risiko Sistematik = Beta (β)

Dalam penilaian beta, dapat dibagi menjadi tiga kondisi, yaitu ketika nilai beta = 1
(sama dengan 1), ketika nilai beta > 1 (besar dari 1), dan ketika nilai beta < 1 (kecil
dari 1). Apa arti dari ketiga kondisi tersebut?

 Nilai Beta (β) = 1

Jika Anda mendapati nilai beta suatu perusahaan sama dengan 1, maka
tingkat keuntungan dan kerugian saham sama dengan nilai keuntungan dan
kerugian pasar. Misalnya, saham PT ABC memiliki nilai beta = 1. Ketika
nilai pasar saham turun sebesar 1 satuan, maka nilai saham perusahaan
juga turun sebesar 1 satuan. Begitu juga dengan kenaikan nilai saham yang
sama dengan kenaikan nilai pasar.

 Nilai Beta (β) > 1

Jika Anda mendapati nilai beta suatu perusahaan lebih besar dari 1, maka
tingkat keuntungan dan kerugian saham lebih besar dari nilai keuntungan
dan kerugian pasar. Misalnya, saham PT ABC memiliki nilai beta > 1.
Ketika nilai pasar saham turun sebesar 1 satuan, maka nilai saham
perusahaan turun lebih besar dari satu satuan. Begitu juga dengan kenaikan
nilai saham yang lebih besar dari kenaikan nilai pasar.

 Nilai Beta (β) < 1

Jika Anda mendapati nilai beta suatu perusahaan lebih kecil dari 1, maka
tingkat keuntungan dan kerugian saham lebih kecil dari nilai keuntungan
dan kerugian pasar. Misalnya, saham PT ABC memiliki nilai beta < 1.
Ketika nilai pasar saham turun sebesar 2 satuan, maka nilai saham
perusahaan turun lebih kecil dari dua satuan. Begitu juga dengan kenaikan
nilai saham yang lebih kecil dari kenaikan nilai pasar.
10. Fungsi Probabilitas Densitas

Dalam teori probabilitas, fungsi kepadatan probabilitas (PDF) atau kepadatan variabel

acak kontinu , adalah fungsi yang nilainya pada sampel (atau titik) tertentu dalam ruang
sampel (kumpulan nilai yang mungkin diambil oleh variabel acak) dapat diinterpretasikan
sebagai memberikan kemungkinan relatif bahwa nilai variabel acak akan sama dengan sampel
itu. Dengan kata lain, meskipun kemungkinan absolut untuk variabel acak kontinu untuk
mengambil nilai tertentu adalah 0 (karena ada himpunan tak terbatas dari kemungkinan nilai
untuk memulai), nilai PDF pada dua sampel berbeda dapat digunakan untuk menyimpulkan,
dalam penarikan variabel acak tertentu, seberapa besar kemungkinan variabel acak akan sama
dengan satu sampel dibandingkan dengan sampel lainnya.

Boxplot dan fungsi kepadatan probabilitas dari distribusi normal N (0, σ 2 ) .

Visualisasi geometris dari mode , median , dan mean dari fungsi kepadatan probabilitas
arbitrer. 
Penting untuk diingat perbedaan antara domain famili kepadatan dan parameter
famili. Nilai yang berbeda dari parameter menggambarkan distribusi yang berbeda
dari variabel acak yang berbeda pada ruang sampel yang sama (kumpulan yang sama dari
semua nilai yang mungkin dari variabel) ruang sampel ini adalah domain dari keluarga
variabel acak yang dideskripsikan oleh keluarga distribusi ini. Sekumpulan parameter yang
diberikan menggambarkan distribusi tunggal dalam keluarga yang berbagi bentuk fungsional
dari kepadatan. Dari perspektif distribusi tertentu, parameternya adalah konstanta, dan suku-
suku dalam fungsi kerapatan yang hanya berisi parameter, bukan variabel, adalah bagian
dari faktor normalisasi suatu distribusi (faktor perkalian yang memastikan bahwa area di
bawah kerapatan— kemungkinan terjadinya sesuatu dalam domain— sama dengan 1). Faktor
normalisasi ini berada di luar inti distribusi.

Karena parameternya adalah konstanta, melakukan parameter ulang kepadatan dalam

hal parameter yang berbeda, untuk memberikan karakterisasi variabel acak yang berbeda
dalam keluarga, berarti hanya mengganti nilai parameter baru ke dalam rumus menggantikan
yang lama. Namun, mengubah domain kepadatan probabilitas lebih rumit dan membutuhkan
lebih banyak pekerjaan.