MUST: Journal of Mathematics Education, Science and Technology

Vol. ..., No. ..., Juli 20... Hal ...-..

DOI: http://doi.org/10.30651/must.v5i1.

PEMODELAN STOKASTIK TRANSAKSI KLIRING HARIAN DAN

PREFUND KLIRING

 
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

The presence of the BI-RTGS system is very important in large-value payment

transactions but it has potential for systemic risk, because of the total daily clearing, the daily
RTGS transactions reached 3.5% of Indonesia GDP in 2019. This value is very enormous. Since
the new clearing system regulation was issued, Bank Indonesia has set a clearing prefund that is
quite high for middle down class bank, it has impacts for banks because not all banks have ability
to provide the prefund so that banks have to sacrifice potential profits from these cash funds.
Meanwhile there are idle cash in prefund because the prefund is determined based on non-outlier
data with the lowest daily negative netting over the past year. For this reason, it is necessary to
model stochastically regarding to the characteristics of the clearing transaction system to obtain an

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

suatu bank dikarenakan krisis likuiditas serta memungkinkan bank melakukan

tindakan untuk melindungi diri dari dampak buruk dari krisis tersebut.
Tujuan dari penelitian ini adalah mengetahui karakteristik dan model
matematika dari transaksi kliring harian, mensimulasikan skenario prefund pada
model transaksi kliring harian, menentukan nilai minimum prefund agar
kegagalan setelmen 1% dan 5% dari banyak transaksi dalam setahun serta
menentukan nilai prefund untuk suatu preiode ke depan dengan meminimumkan
resiko likuiditas dan/atau memaksimumkan potensi profitabilitas.

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

HASIL PENELITIAN DAN PEMBAHASAN

Pada bagian ini dipaparkan pembahasan sesuai metode penelitian pada
bagian sebelumnya. Data yang dipakai dalam proses pendugaan model yakni data
harian total transaksi kliring selama 141 periode dimulai dari tanggal 8 Juni 2015
hingga 31 Desember 2015. Gambar 1 merupakan plot data total transaksi kliring
141 periode selama 7 bulan.
120000000000

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 t =V ( t )=V 1 ( t )−V 2 ( t )= ∑ X 1 ,i− ∑ X 2 , u

i=1 u=1

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

Lama waktu proses penambahan prefund dengan collateral fund diasumsikan

seketika langsung bertambah (instant) dengan model sebagai berikut:
Y j=Y =c Z 0 , c ∈ ( 0,1 ] sehingga
M (t ) M (t)
C t= ∑ Y j = ∑ Y
j =1 j=1

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

mengakibatkan top up prefund dengan f ≤ N 1 (t )} artinya

f
V t =V 1 ( t )−V 2 ( t )=∑ X 1 , i−V 2 ( t )
i=1

mengakibatkan terdapat ∃ j∈ N sedemikian sehingga berlaku M (t )= j memenuhi

f
Z 0+ jY ≥ V t=V 1 ( t )−V 2 ( t )=∑ X 1 ,i −V 2 ( t )> Z 0 +( j−1)Y
i=1

( X 1, f , τ 1 , f ) ∈ F merupakan transaksi kliring inwards ke-f yang mengalami

kegagalan settlement dikarenakan saldo prefund kurang dari total transaksi kliring
pada waktu t. Banyaknya kegagalan settlement di hari ke-1 adalah banyaknya
anggota F (t=1). Banyaknya kegagalan settlement selama setahun adalah
banyaknya anggota dari gabungan F ( t=1 ) ∪ F ( t=2 ) ∪ …∪ F (t=k ) , k=¿banyak
hari kerja efektif dalam setahun.
Kita simpulkan bahwa Z ( 0 ) =Z 0 >0

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

Model stokastik ini digunakan untuk periode

Z ( 0 ) =Z 0 >0 , t=0
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

Untuk periode selanjutnya, ( 1,2 ] , ( 2,3 ] , ( 3,4 ] , … , ( k ,k + 1 ] , k ∈ Ν , k =¿banyak hari

kerja efektif dalam setahun merupakan pengulangan proses stokastik pada model
periode ( 0,1 ] . Sehingga total kegagalan transaksi kliring setahun adalah
Failure=M (t=1 ) + M ( t=2 ) + M ( t=3 )+ …+ M (t=k +1)
Model Loss & Potential Idle Cash
Kerugian yang dialami oleh adalah ketika menentukan Z 0 terlalu kecil,
maka akan meningkatkan potensi kegagalan dalam settlement kliring, yakni nilai
M (t) akan naik, hal ini secara tidak langsung berdampak terhadap kepuasan
nasabah, atau indeks pelayanan terhadap fasilitas yang berkurang. Namun, bila Z 0
terlalu besar, bank akan berpotensi untuk kehilangan keuntungan sebab selisih
antara Z 0 dengan total transaksi harian V t bisa dimanfaatkan untuk mencari
keuntungan untuk bank seperti investasi produk jangka pendek dengan tanpa
resiko, atau digunakan untuk pemodalan, atau dana untu kredit. Untuk itu
diperlukan Z 0 yang memiliki nilai sekiranya mampu mengurangi potensi
kegagalan, dan memiliki potensi keutungan yang cukup.
Asumsi 6 merupakan nilai present value ditiadakan. Sedangkan asumsi 7
bahwa kerugian atas Z 0<V t diasumsikan
M (t )
i1 1
Lfailure ( t )=∑ × × 8× Y j ×(1−ϕ j )
j=1 365 10,5
artinya ketika t yang membuat M (t )=0 maka Lfailure ( t )=0 , sedangkan M (t )
merupakan banyaknya penambahan prefund sampai waktu t.
i 1 merupakan suku bunga kredit per tahun, diasumsikan i 1=10 % p . a untuk kasus
1, dan i 1=5.5 % p.a untuk kasus 2.
Y j merupakan nominal top up prefund dan ϕ j merupakan waktu terjadinya top up
prefund.

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

i 2 adalah suku bunga deposito kontinu. Jika M (t=1 )> 0 maka

Lidle ( t=1 )=0
Artinya Ketika terdapat top up pada suatu waktu di hari tersebut maka potensi idle
cash tidak ada disebabkan bank kekurangan prefund, dalam hal ini maka tidak ada
dana menganggur sebab semua prefund dipergunakan untuk kebutuhan transaksi
kliring.
Dengan kata lain setelah menggabungnkan Asumsi #6 dan Asumsi #7
maka diperoleh bahwa
L ( t )=L failure ( t )+ Lidle ( t ) , t ∈[ 0,1]
Untuk periode selanjutnya, ( 1,2 ] , ( 2,3 ] , ( 3,4 ] , … , ( k ,k + 1 ] , k ∈ Ν , k ≤banyak hari
kerja efektif dalam setahun dan juga merupakan pengulangan proses stokastik
pada model periode ¿ sehingga
Total Kerugian dan Pontesi Idle Cash setahun=L ( t=1 )+ L ( t=2 ) + L ( t=3 ) +…+ L ( t=k +1 )=LI setahun

9
 XXX-YYY-ZZZ

Tujuan dari penelitian ini adalah menentukan nilai pilihan alternatif Z 0

agar 1) meminimumkan LI setahun, 2) meminimumkan Failure, banyak kegagalan
transaksi dalam setahun maksimal 5% dan 1% kegagalan. Dikarenakan proses
stokastik yang cukup rumit maka diperlukan algoritma komputasi untuk
menyelesaikan masalah ini.
Pembangkitan Data
Pertama mengidentifikasi bentuk sebaran rataan transaksi kliring bulanan
pada bulan Januari s.d. Desember 2016, berikut merupakan grafik identifikasi
sebaran untuk data dari situs web Bank Indonesia. Rataan transaksi kliring
bulanan menyebar 2-parameter eksponensial. Selanjutnya, penulis
membangkitkan rataan untuk inwards dan outwards dengan parameter mengikuti
grafik sebelumnya untuk memperoleh λ i
Tabel 2. ML Estimates of Distribution Parameters

Locatio Shap Threshol

Distribution n e Scale d
2-Parameter     6.0113 24.21199
Exponential 4
Setelah mengidentifikasi rataan nominal transaksi kliring harian, langkah
selanjutnya memplot rataan tersebut yang kemudian akan digunakan rataan

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

Banyak Inwards Banyak Outwards

Gambar 2. Banyaknya Transaksi berdasarkan rataan bangkitan Tahun 2016

Simulasi Penentuan Prefund

Pada proses perhitungan ini, prefund bisa dilakukan penambahan atau top
up dengan 2 cara yakni confirmed incoming atau transaksi outwards serta
collateral prefund. Untuk perhitungan kliring tersebut, nilai dari transaksi tidak
selalu positif. Jika total transaksi kliring bernilai negatif, artinya bank
mendapatkan transaksi outwards lebih besar transaksi inwards, biasa disebut
dengan bank menang kliring.
Kelebihan prefund harian dikarenakan total transaksi harian lebih kecil
dari prefund yang ditetapkan, atau seleisih dari prefund dengan total transaksi
dianggap sebagai idle cash (dana menganggur), yang seharusnya bisa
dimanfaatkan untuk investasi dan lainnya. Selisih tersebut akan diperhitungkan
sebagai suatu kerugian sebab bank kehilangan potensi untuk mendapatkan
keuntungan dari dana Idle tersebut, maka kita sebut potential idle cash.
Jika bank memiliki prefund harian yang lebih rendah dari total transaksi
harian, maka bank akan melakukan penambahan prefund ketika terjadi total
transaksi harian lebih besar dari prefund tersedia. Prefund akan bertambah
otomatis ketika ada confirmed outwards, namun untuk penambahan melalui
collateral fund ini berdampak kerugian bank, sebab bank harus mengeluarkan
dana untuk melakukan penambahan prefund, diasumsikan setiap penambahan

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 :

Gambar 3. Nominal prefund terhadap potensi kerugian serta banyak kegagalan

setelmen
a. Berdasarkan Transformasi Johnson Normalitas 95%. Data aktual total transaksi
harian tahun 2016 tidak bersifat normal untuk itu perlu transformasi dengan suatu
fungsi. Setelah data ditransformasi dengan fungsi Johnson membuat data bersifat
normal dengan p-value0,936, prefund pertama yang menjadi pilihan adalah nilai
rata-rata dari data yang sudah ditransformasi fungsi ohnson ditambah dengan 1,96
dikalikan standar deviasi dari data transformasi tersebut. Kemudian setelah
terpilih, nilai tersebut dikonversi kembali dengan invers dari fungsi johnsonnya
maka akan diperoleh nilai prefund sebesar Rp 45,092,861,965.58.
b. Berdasarkan aturan terbaru Bank Indonesia Peraturan Anggota Dewan
Gubernur Nomor 22/17/PADG/2020 tentang Perubahan Atas Peraturan Anggota
Dewawn Gubernur Nomor 19/21/PADG/2017 tentang Penyediaan Prefund dalam
Penyelenggaraan Transfer Dana dan Kliring Berjadwal oleh Bank Indonesia
bahwa perhitungan minimum Prefund Debit dilakukan oleh Penyelenggara
berdasarkan jumlah netting hasil kliring harian Layanan Kliring Warkat Debit dan
Layanan Penagihan Reguler, yang bernilai negatif terbesar selama 12 (dua belas)
bulan terakhir. Jumlah netting hasil kliring harian Layanan Kliring Warkat Debit
dan Layanan Penagihan Reguler yang nilainya di luar kebiasaan (outlier)
merupakan jumlah netting hasil kliring harian yang nilai negatifnya lebih besar
dari rata-rata jumlah netting hasil kliring harian yang bernilai negatif dalam kurun
waktu 12 (dua belas) bulan terakhir ditambah 3 (tiga) kali standar deviasi.

12
 Pemodelan Stokastik Transaksi Kliring Harian dan Prefund Kliring

Nilai prefund sebesar Rp46,705,128,374.31diperoleh berdasarkan aturan

BI terbaru tersebut berdasarkan data prefund tahun 2015 ditambahkan dengan
memasukkan data pada tanggal 26 ke atas. Sedangkan nilai Rp 34,140,181,559.00
diperoleh berdasarkan aturan BI terbaru tersebut berdasarkan data prefund tahun
2015 dengan menginput data pada tanggal 1 hingga tanggal 25 pada tiap bulan.
c. Berdasarkan perhitungan loss dan potential idle cash terrendah dari data yang
tersedia di tahun 2016. Simulasi untuk pencarian perhitungan prefund dengan loss
& potential idle cash terrendah. Setelah dilakukan simulasi maka diperoleh Rp
6,961,180,000.00.
d. Berdasarkan perhitungan kegagalan transaksi 5% dari data yang tersedia di
tahun 2016. Simulasi untuk pencarian perhitungan prefund dengan tingkat
kegagalan 5%. Setelah dilakukan simulasi maka diperoleh Rp 1,662,240,000.00.
e. Average NettingPrefund merupakan pilihan prefund berdasarkan rataan netting
tahun 2015 maka akan diperoleh rataan nilai netting harian sebesar Rp
7,606,399,762.00.
Suku bunga FLI yang digunakan bernilai 10% p.a. dengan perhitungan
sesuai aturan FLI. Sedangkan suku bunga deposito sebagai acuan potential idle
cash sebesar 5.5%. Data Transaksi tahun 2016 setelah dibangkitkan memiliki
informasi banyaknya transaksi inwards selama setahun terdapat 116.529 transaksi,
sedangkan transaksi outwards selama setahun terdapat 64.517 transaksi.
Tabel 3. Potensi Kerugian dan Kegagalan Setelmen terhadap Pilihan Prefund
Loss Top Up & Banyak Banyak
Jenis Prefund
Potential Idle Cash Kendala Top Up
Aturan BI 46,705,128,374.31 1,130,549,378.96 16 16
Johnson Transformation 45,092,861,965.58 1,086,458,236.10 16 16
5% failure 1,662,240,000.00 279,377,191.40 5827 5835
1% failure 5 , 780 ,720 , 000 .00 234 , 421, 372.83 1166 1166
Minimum Loss Top Up &
6,961,180,000.00 221,160,804.04 857 857
idle cash*
Average Netting 7,606,399,762.00 233,975,904.96 729 729

SIMPULAN
Model matematika pada transaksi kliring suatu bank peserta SKNBI dapat
dimodelkan stokastik dengan fungsi meminimumkan potensi kerugian dalam

13
 XXX-YYY-ZZZ

setahun dan fungsi meminimukan banyaknya kegagalan setelmen dalam setahun.

Implementasi dengan menggunakan bantuan software SCILAB untuk menentukan
prefund yang harus disediakan bank untuk setahun ke depan sesuai dengan
skenario tertentu.
Model stokastik tersebut memberikan prefund dengan kegagalan setelmen
paling besar 1% dan 5% memiliki nilai kurang dari 15% prefund yang harus
disediakan. Nilai ini jauh lebih kecil sehingga bank mampu mengalokasikan dana
tersebut untuk memperoleh potensi keuntungan. Di samping itu, model stokastik
untuk transaksi kliring harian ini menghasilkan prefund yang meminimumkan
potensi kerugian dengan skenario tertentu. Temuan menarik masalah prefund
optimum adalah nilai tersebut berada di sekitar rata-rata total transaksi harian
dalam setahun. Dalam kasus ini lebih rendah dari rata-rata total transaksi harian
setahun. Nilai prefund dengan potensi kerugian terendah mampu mengurangi
potensi kerugian mencapai 80.5%.
Saran yang diajukan peneliti untuk penelitian selanjutnya adalah adanya
Data Keuangan yang lengkap seperti nilai transaksi dan waktu transaksi sangat
diperlukan untuk meningkatkan kualitas hasil simulasi, dan juga rentang DKE
yang diperlukan selama setahun.Perlu penelitian lebih lanjut untuk menguji pada
proses kliring dengan nominal top up tidak konstan. Perlu pengembangan lebih
lanjut mengenai kerugian suatu bank bukan hanya dari kredit dan potential idle
cash, masih ada faktor lain seperti indeks kepuasan nasabah dalam kliring, dan
lain-lain. Bulan Desember – Januari, pada bulan ini terjadi fluktuasi transaksi
kliring yang signifikan. Diperlukan kebijakan prefund kliring yang berbeda atau
bersifat khusus untuk kebijakan prefund bulan Desember dan Januari.

DAFTAR PUSTAKA (minimal 10 referensi menggunakan APA style)

[BI] Bank Indonesia. (2006). Sistem Bank Indonesia – Real Time Gross
Settlement. Jakarta (ID) : Biro Pengembangan Sistem Pembayaran Nasional.
[BI] Bank Indonesia. (tahun terbit tidak diketahui). Sistem Kliring Nasional Bank
Indonesia. Jakarta (ID) : Biro Pengembangan Sistem Pembayaran Nasional.
[BI] Bank Indonesia. (2017). Peraturan Bank Indonesia Nomor : 19/3/PBI/2017
tentang PLJP. Jakarta (ID) : BI.
[BI] Bank Indonesia. (2015). Surat Edaran Bank Indonesia No.17/13/DPSP.
Jakarta (ID) : BI.
Bagehot, W. (1873). Lombard Street. Homewood, I11 : Richard D. Irwin.

14
 Pemodelan Stokastik Transaksi Kliring Harian dan Prefund Kliring

Djiwandono. (2003). Masalah BLBI : Berbagai Catatan [internet]. [diunduh pada

10 Oktober 2017]. Tersedia pada
http://www.pacific.net.id/pakar/sj/000920.html
Ghahramani, S. (2005). Fundamentals of Probability. Ed ke-3. New Jersey (NY):
Prentice Hall.
Hogg, RV., McKean, JW., & Craig, AT. (2005). Introduction to Mathematical
Statistics Ed ke-9. USA: Pearson Education International.
Jogianto. (2000). Teori Portofolio dan Analisis Investasi, Edisi 2, BPFE,
Yogyakarta.
Maulana, R., Noviyanti, L., & Soleh, AZ. (2013). Aplikasi Model Stokastik
Dalam Penentuan Saldo Kas Harian Optimal Bak dengan Pendekatan
Distribusi Generalized Logistic (Study Kasus Salah Satu Kanto Cabang di
PT. Bank XYZ, Tbk). Jurnal Ekonomi dan Kebijakan Publik. 4(1):
https://doi.org/10.22212/jekp.v4i1.65
Montgomery, DC., Jennings, CL., & Kulahci, M. (2008). Introduction to Time
Series Analysis and Forecasting. New Jersey: John Wiley & Sons.
Muhammad. (2002). Manajemen Bank Syariah. Yogyakarta : UPP AMP YKPN.
Pemerintah Republik Indonesia. (1998). UU Nomor 10 Tahun 1998 tentang
Perbankan. Jakarta (ID) : Sekretaris Negara.
Ross, SM. (2010). Introduction to Probability Models Ed ke-10. Oxford (UK).
Elsevier.
Walpole, RW., et al. (2012). Probability and Statistics for Engineers and
Scientists. Ed ke-3.US: Prentice Hall.

15