6779 17691 1 Ed
6779 17691 1 Ed
Received dd Month yyyy; revised dd Month yyyy; accepted dd Month yyyy.
ABSTRAK
Kehadiran sistem BI-RTGS sangat penting dalam transaksi pembayaran yang bernilai
besar namun berpotensi menimbulkan risiko sistemik dikarenakan besarnya total kliring harian.
Terlihat bahwa total transaksi RTGS harian mencapai 3,5% dari PDB Indonesia pada tahun 2019.
Nilai ini sangat fantastis. Sejak regulasi baru sistem kliring diterbitkan, Bank Indonesia telah
menetapkan kliring prefund yang dianggap cukup tinggi untuk bank kelas menengah ke bawah, hal
ini berdampak bagi perbankan karena tidak semua bank memiliki kemampuan untuk menyediakan
prefund tersebut sehingga bank harus mengorbankan potensi keuntungan dari dana tunai tersebut.
Sedangkan terdapat idle cash di prefund itu disebabkan prefund ditentukan berdasarkan data
nonoutlier dengan netting negatif harian terendah selama setahun terakhir. Untuk itu perlu
dilakukan pemodelan stokastik terhadap karakteristik sistem transaksi kliring untuk memperoleh
prefund optimal yang memiliki kegagalan setelmen 1% dan/atau 5%, serta prefund dengan potensi
kerugian terendah. Hasil dari proses stokastik transaksi kliring harian menunjukkan bahwa nilai
prefund dengan potensi terendah berada disekitar rata-rata nilai transaksi kliring harian, dan
prefund dengan kegagalan setelmen 1% dan 5% memiliki nilai yang jauh lebih rendah dari
prefund yang ditetapkan oleh Bank Indonesia.
Kata Kunci: kliring, pemodelan, prefund, stokastik, transaksi.
ABSTRACT
1
XXX-YYY-ZZZ
optimal prefund that has 1% and/or 5% failure of settlements, and also a prefund with the lowest
potential loss. The result of the stochastic process of daily clearing transactions shows that the
prefund value with the lowest potential is around the average daily clearing transaction value, and
the prefund with 1% and 5% settlement failure has a much lower value than the prefund set by
Bank Indonesia.
Keywords: clearing, modeling, prefund, stochastics, transaction.
PENDAHULUAN
Dalam bidang perbankan, terdapat berbagai macam masalah matematika,
salah satunya adalah masalah transfer dana atau kliring. Fenomena permasalahan
kliring memiliki potensi resiko yang besar. Sejak kehadiran sistem BI-RTGS di
Indonesia yang dinilai penting mengingat transaksi pembayaran bernilai besar
(High Value Payment System) yang memiliki potensi terjadinya resiko sistemik,
memiliki porsi mencapai 92% dari total transaksi pembayaran di Indonesia
bahkan transaksi pengelolaan moneter mencapai sekitar 40% dari total transaksi
RTGS. Belum lagi transaksi pasar modal, pasar uang antarbank maupun transaksi
terkait kebijakan pemerintah yang nilainya signifikan. Secara nominal nilai
transaksi yang diproses pada sistem ini nilainya mencapai 118 triliun rupiah
dalam sehari, setara 15% GDP Indonesia di tahun 2016. Untuk itu, diperlukan
suatu alat untuk mengetahui karakteristik transaksi kliring antarbank. Model
matematika merupakan salah satu alat yang bisa digunakan untuk mengetahui
karakteristik permasalahan kliring suatu bank.
Bank sebagai badan usaha yang menghimpun dana dari masyarakat dan
menyalurkan dana dalam bentuk kredit atau lainnya. Performa individual bank ini
sangat dipengaruhi oleh perilaku bank dalam mengelola manajemen asset dan
liabilitas. Likuiditas bank yang tidak stabil serta rentan, berpotensi terkuras
seketika. Berkaca dari sejarah, krisis likuiditas bank yang mengakibatkan
kegagalan dalam kewajiban pembayaran bank. Menurut Bagehot (1873), bank
sentral sebagai lender of the last resort (LLR) memberikan pinjaman likuiditas
sementara dengan syarat tertentu untuk menjaga stabilitas sistem perbankan.
Dahulu, Bank Indonesia sebagai bank sentral memiliki fasilitas bernama BLBI
untuk menjaga kestabilan sistem pembayaran yang terganggu karena
ketidakseimbangan antara penerimaan dan penarikan dana pada bank-bank, baik
2
Pemodelan Stokastik Transaksi Kliring Harian dan Prefund Kliring
jangka pendek maupun panjang. Suatu bank dengan kondisi sehat pun dapat
menghadapi masalah ketidakseimbangan aliran dana karena dalam perkembangan
harian, aliran dana masuk lebih kecil dari yang keluar. Salah satu masalah
transaksi yang terjadi antarbank adalah kliring. Kliring ini diatur dan
diselenggarakan oleh Bank Indonesia. Bank yang pemasukannya lebih kecil dari
pembayaran dananya disebut kalah kliring. Masalah kalah kliring suatu bank
berefek pada citra buruk terhadap nasabah ketika mendengar rumor adanya bank
sering kalah kliring, maka sebagian nasabah berpotensi menarik dana deposito dan
tabungannya secara besar-besaran dari bank yang didesas-desuskan kalah kliring
tersebut. Dengan transparansi yang belum ada ditambah kurangnya pemahaman
masyarakat mengenai kalah kliring, berpadu dengan memburuknya kredibilitas
otoritas, menyebabkan masyarakat secara ekstrem menarik dana besar maupun
mentransferkan dana mereka ke bank yang dianggap menang kliring.
Hal inilah yang membuat bank harus bisa menentukan kebijakan sendiri
mengenai besaran prefund untuk kliring pada Bank Sentral, namun sejak
peraturan SKNBI dan RTGS. Semakin besar tingkat likuiditas, maka semakin
besar pula jumlah prefund yang harus disediakan pada bank Sentral, namun hal ini
berakibat dengan prefund yang terlalu besar dapat menyebabkan banyak sisa dana
yang menganggur (idle cash) dan berdampak menurunnya potensi profitabilitas
bank, yang seharusnya dana tersebut dapat digunakan mencari potensi keuntungan
lain seperti investasi ataupun perkreditan. Berdasarkan Surat Edaran Bank
Indonesia No.17/13/DPSP tanggal 5 Juni 2015 dan Peraturan Bank Indonesia
Pasal 22 7/18/PBI/2005 bahwa Bank Indonesia mengatur nilai minimum nominal
Prefund sebesar total tagihan harian terbesar Peserta dalam Layanan Kliring
Warkat Debit dan Layanan Penagihan Reguler dalam kurun waktu 12 (dua belas)
bulan terakhir, dengan mengecualikan data transaksi yang nilai nominalnya di luar
kebiasaan (outlier). Prefund ini dianggap terlalu besar untuk bank kelas menengah
dan kelas bawah.
Untuk itu diperlukan pemodelan stokastik dan penentuan prefund transaksi
kliring yang tepat agar meminimalkan risiko likuiditas yang berkepanjangan
sekaligus mengoptimalkan potensi profitabilitas bank. Kemampuan untuk
memprediksi kejadian saldo prefund di masa depan, dapat memperkecil kegagalan
3
XXX-YYY-ZZZ
METODE PENELITIAN
Data yang digunakan dalam proses pendugaan model, yaitu data harian
total transaksi kliring inwards dan outwards pada suatu peserta kliring SKNBI
selama 7 bulan dari tanggal 8 Juni s.d. 31 Desember 2015, dan data yang
digunakan sebagai uji coba selama 1 tahun sejak 4 Januari s.d. 31 Desember 2016.
Data total transaksi kliring yang digunakan merupakan data total transaksi kliring
hari kerja (Senin sampai Jumat, tidak termasuk hari libur, dan hari yang terjadi
kendala) data ini berasal dari peserta kliring SKNBI.
Dalam penelitian ini digunakan data sekunder yang diambil dari Bank
Indonesia (jika ada). Pembangunan model transaksi kliring dan RTGS akan dibuat
secara stokastik serta menggunakan asumsi-asumsi yang disesuaikan dengan
SKNBI. Analisis data dilakukan menggunakan model yang sudah dibuat untuk
memperoleh nilai dugaan prefund minimum, lalu menentukan prefund optimal
yang meminiumkan resiko likuiditas, menimumkan biaya bunga FLI serta
meminumkan kehilangan potensi profitabilitas dari prefund yang terlalu besar
atau penggunaan idle cash serta penggunaan top up yang terlalu sering.
Dikarenakan pembangunan model stokastik transaksi kliring pada SKNBI
ini tidak ada sebelumnya, peneliti akan membangun model tersebut berdasarkan
pengalaman dan peraturan SKNBI yang berlaku disertai asumsi-asumsi yang
berlaku pada umumnya.
4
Pemodelan Stokastik Transaksi Kliring Harian dan Prefund Kliring
100000000000
80000000000
60000000000
40000000000
20000000000
Inwards Outwards
0
DATE 17-Feb-16 05-Apr-1623-May-16 15-Jul-16 31-Aug-16 17-Oct-16 30-Nov-16
Gambar 1. Plot data harian total transaksi kliring inwards & outwards
Penyusunan Model Stokastik Proses Kliring satu hari
Z ( t )=Z 0−V t +C t , t ∈¿
Z ( 0 ) =Z 0 >0 , Z0 =10000 n , n∈ N
Asumsi 1 bahwa Z ( 0 ) =Z 0 adalah prefund kliring. Model kliring satu hari
ini diasumsikan untuk periode t ∈[0,1] . Z 0=10000 n , n∈ N artinya kita
asumsikan nilai prefund merupakan kelipatan dari 10.000 satuan uang. Hal ini
untuk mempermudah algoritma optimasi. Nilai 10.000 dianggap peneliti
merupakan satuan terkecil yang wajar dalam hal dana kas.
Asumsi 2 bahwa waktu kerja bank dalam kliring atau Window Time adalah
10 jam dimulai pukul 06.30 s.d. 16.30, jika Z(t=0.5) artinya nominal Saldo
prefund kliring pada waktu t=0.5 ×10 jam = 5 jam, atau pada pukul
06.30+05.00=11.30, semua transaksi di luar waktu kerja tidak diproses, atau
dinyatakan tidak sah.
Model Stokastik Total Transaksi Kliring
V t merupakan total nominal transaksi kliring yang terjadi sampai waktu t
5
XXX-YYY-ZZZ
N 1 (t ) N 2 (t )
V 1 ( 0 )=V 2 ( 0 )=0
V 1 ( t ) merupakan total nominal transaksi kliring inwards sampai waktu t . V 2 ( t )
merupakan total nominal transaksi kliring outwards sampai waktu t. Jika model
menggunakan V 2 ( t )=0, maka model tersebut disebut kliring inwards murni.
Dengan kata lain tidak ada penambahan top up dari pemasukan kliring, namun
hanya dari top up bank tersebut. Dalam hal terjadi, pada saat t=1, akhir periode
kliring dalam hal ini harian. V 1 (1 ) ≥ V 2 ( 1 )artinya bnk dinyatakan “Menang
Kliring”, sebaliknya bank dinyatakan “Kalah Kliring”.
Model Stokastik Transaksi Kliring Inwards
Tabel 1. Asumsi 3 Transaksi Kliring
Inwards Outwards
( X 1, i , τ 1 ,i ) , τ 1 ,i ∈¿ ( X 2 ,u , τ 2 ,u ) , τ 2 ,u ∈¿
N 1 ( t )=max { n∨τ 1 ,n ≤t } N 2 ( t )=max { n∨τ 2 ,u ≤t }
N 1 ( 0 )=0 N 2 ( 0 )=0
( X 1, i , τ 1 ,i ) merupakan transaksi kliring inwards ke-i yang terjadi di waktu τ 1 , i
X 1 , nominal transaksi kliring inwards diasumsikan menyebar eksponensial ( λ x 1 )
Δ τ 1 ,i=τ 1 ,i+1 −τ 1 ,i , interval terjadinya kliring satu dengan lainnya menyebar
eksponensial ( λ τ 1 )
τ 1 , i ≠ τ 2 , u , ∀ i, u ∈ N
Asumsi ini diartikan bahwa tidak ada transaksi kliring inwards dan kliring
outwards di waktu yang bersamaan.
Asumsi 4 adalah banyak transaksi harian hari ke-k diasumsikan sebagai hasil dari
nilai total transaksi harianV i (t=k )
N i (t=k )=
1
rataanharian
λi (t =k )
Model Penambahan Prefund atau Top Up Prefund
M (t )
C t=C (t)= ∑ Y j
j=1
C ( 0 )=0
Y j artinya nominal penambahan prefund yang ke- j
a. Asumsi 5
6
Pemodelan Stokastik Transaksi Kliring Harian dan Prefund Kliring
M ( 0 )=0
M (t )=0 jika V t ≤ Z 0
M (t )=0 artinya tidak ada penambahan prefund dikarenakan V t ≤ Z 0, total transaksi
pada waktu t kurang dari atau sama dengan prefund akibatnya M (t )=1 jika
Z 0+Y ≥ V t > Z 0. Maksud dari M (t )=1 adalah terdapat 1 kali penambahan prefund
dikarenakan Z 0+Y ≥ V t > Z 0, total transaksi V t pada waktu t lebih dari prefund
yang tersedia namun kurang dari sama dengan nilai prefund ditambah dengan Y
besar penambahan prefund.
M (t )=2 saat Z 0+2 Y ≥V t >Z 0 +Y
⋮
M (t )=k saat Z 0+ kY ≥V t > Z 0 +(k−1) Y
F (t)={himpunan semua transaksi ( X 1, f , τ 1 , f ) yang terjadi sampai waktu t yang
7
XXX-YYY-ZZZ
N 1 (t ) N 2 (t )
Z ( t )=Z 0−∑ X 1 ,i + ∑ X 2 , u+ c Z 0 M ( t ) , t ∈¿
i=1 u=1
Z ( t )=Z 0−∑ X 1 ,i + ∑ X 2 , u+ c Z 0 M ( t ) , t ∈¿
i=1 u=1
8
Pemodelan Stokastik Transaksi Kliring Harian dan Prefund Kliring
L ( t=1 ) artinya kerugian yang diperoleh Bank sampai pukul 16.30 atau kerugian
dalam sehari atau hari pertama
Asumsi 8 adalah jika M (t=1 )=0 artinya dalam satu hari tidak terjadi
penambahan top up dengan kata lain V t ≤ Z 0 artinya terdapat kelebihan prefund
atau selisih antara prefund dengan total transaksi yang dibutuhkan. Sebagai
contoh misalnya kebutuhan kliring pada hari pertama sebesar 10 milyar, prefund
yang disediakan 25 milyar. Selisihnya adalah 15 milyar. Selisih dari prefund
dengan kebutuhan transaksi kliring ini kita sebut potensi idle cash. Idle cash atau
dana menganggur tersebut seharusnya bisa dimanfaatkan bank untuk berbagai
jenis investasi, perkreditan, pemodalan dan lain-lain yang dapat memperoleh
keuntungan terhadap bank. Dirumuskan pada masalah ini bahwa kerugian atas
potensi idle cash dengan model matematika sebagai berikut:
Lidle ( t )=0 , t ∈ ¿
Artinya kita hanya dapat mengetahui potensi kerugian potensi idle cash
setelah hari tersebut berlalu dengan melihat selisih antara total transaksi kliring
dengan prefund. Sedangkan untuk t=1yakni M (t=1 )=0 maka
Lidle ( t=1 )= ( Z 0−V 1) e i .8t
2
9
XXX-YYY-ZZZ
1
tersebut untuk mengetahui banyak transaksi harian. Setelah diperoleh , maka
λi
untuk memperoleh banyaknya transaksi sesuai asumsi 4.
10
Pemodelan Stokastik Transaksi Kliring Harian dan Prefund Kliring
4000
3500
3000
2500
2000
1500
1000
500
0
16 16 16 16 16
a n- pr- un- ep- ov-
J A J
6- 26- 30- 5-S 3-N
11
XXX-YYY-ZZZ
akan dikenakan biaya bunga. Dari kedua hal tersebut, maka potensi kerugian bank
merupakan penjumlahan dari kerugian dari potensi idle cash dan kerugian biaya
bunga dari top up dari collateral funds. Berikut hasil simulasi prefund dengan
model stokastik yang telah dibangun :
12
Pemodelan Stokastik Transaksi Kliring Harian dan Prefund Kliring
SIMPULAN
Model matematika pada transaksi kliring suatu bank peserta SKNBI dapat
dimodelkan stokastik dengan fungsi meminimumkan potensi kerugian dalam
13
XXX-YYY-ZZZ
14
Pemodelan Stokastik Transaksi Kliring Harian dan Prefund Kliring
15