Prosiding Seminar Nasional Metode Kuantitatif 2017

ISBN No. 978-602-98559-3-7

Ukuran Risiko Cre-VaR

Insani Putri1 dan Khreshna I. A. Syuhada2
Program Studi Magister Aktuaria - Institut Teknologi Bandung
Jalan Ganesha 10 Bandung 40132 Indonesia
1 insaniputriedi@gmail.com, 2 khreshna@math.itb.ac.id

ABSTRAK
Asuransi adalah bentuk perlindungan dengan meminimalisir risiko. Agar kegiatan berasuransi berjalan lan-
car, perusahaan asuransi harus mampu mengelola risiko berupa klaim yang diajukan pemegang polis. Ukuran
risiko adalah alat untuk memprediksi risiko dimasa yang akan datang dan membantu perusahaan mempersiapkan
cadangan. Value-at-risk (VaR) adalah ukuran risiko yang sering digunakan. VaR adalah nilai risiko maksimum
yang dapat terjadi pada suatu tingkat kepercayaan tertentu. Jika tersedia suatu sampel acak risiko maka dapat
dihitung nilai VaR dari risiko tersebut. Mean sampel dapat diperoleh dari sampel acak risiko. Karena mean
sampel adalah fungsi dari peubah acak maka dapat dihitung VaR mean sampel. VaR mean sampel adalah VaR
dengan melibatkan informasi sebelumnya. VaR mean sampel lebih terpercaya daripada VaR karena mean sam-
pel yang digunakan mewakili sekelompok sampel. Namun mean sampel yang digunakan dalam perhitungan VaR
mean sampel, dianggap belum cukup baik dalam memprediksi risiko karena sifat mean sampel yang kurang stabil
jika data sangat bervariasi. Dalam asuransi, teori kredibilitas memprediksi risiko (credibility premium) dengan
mengkombinasikan mean sampel dengan informasi lain. Dapat dihitung VaR dari credibility premium yang dise-
but sebagai Credible VaR (Cre-VaR). Ukuran risiko yang optimal dapat dilihat dari keakuratannya. Keakuratan
VaR, VaR mean sampel, dan Cre-VaR dapat diketahui dengan menghitung peluang cakupannya. Semakin dekat
peluang cakupan dengan tingkat kepercayaan semakin akurat nilai VaR, VaR mean sampel, dan Cre-VaR yang
dihitung.

Kata kunci: kredibilitas, mean sampel, prediksi risiko, volatilitas.

1. PENDAHULUAN

Setiap kegiatan dalam kehidupan selalu memiliki risiko. Risiko yang bersifat merugikan tentu dihara-
pkan dapat diminimalisir keberadaannya. Salah satu cara yang digunakan masyarakat dalam memi-
nimalisir risiko adalah dengan berasuransi. Berasuransi adalah kegiatan memindahkan risiko dari pe-
megang polis ke perusahaan asuransi. Risiko yang dapat dipindahkan ke perusahaan asuransi adalah
risiko dapat dikuantifikasi, sehingga besar risiko yang mungkin akan ditanggung dapat diprediksi. Con-
tohnya adalah besarnya biaya pengobatan saat sakit, besarnya biaya perbaikan untuk rumah yang men-
galami kebakaran atau kendaraan yang mengalami kerusakan, dan besarnya biaya untuk mengembalikan
kegiatan usaha yang mengalami kegagalan karena peristiwa yang tak terduga.

Agar kegiatan berasuransi lancar, perusahaan asuransi harus mampu mengelola risiko berupa klaim
yang diajukan pemegang polis. Perusahaan asuransi harus memprediksi risiko dimasa yang akan datang
dengan akurat. Ukuran risiko adalah alat untuk memprediksi risiko dimasa yang akan datang dan mem-
bantu perusahaan mempersiapkan cadangan. Ukuran Risiko yang sering digunakan adalah Value-at-
Risk (VaR). VaR adalah nilai risiko maksimum yang dapat terjadi pada suatu tingkat kepercayaan ter-
tentu.

Dalam menghitung ukuran risiko VaR, perusahaan harus memperhatikan apakah data yang tersedia
kredibel atau terpercaya. Pada asuransi terdapat teori kredibilitas yang memperhatikan tingkat kredi-
bilitas data. Dalam teori kredibilitas, model risiko yang baik adalah model yang mengkombinasikan
data dengan informasi lain. Akan dihitung VaR menggunakan model risiko pada teori kredibilitas yang
selanjutnya disebut Credible-VaR (Cre-VaR). Ukuran risiko yang optimal dapat dilihat dari keakuratan-
nya. Keakuratan VaR dan Cre-VaR dapat diketahui dengan menghitung peluang cakupan. Semakin
dekat peluang cakupan dengan tingkat kepercayaan, semakin akurat nilai VaR dan Cre-VaR yang dihi-
tung.

69
Prosiding Seminar Nasional Metode Kuantitatif 2017
ISBN No. 978-602-98559-3-7

2. TEORI KREDIBILITAS

Perusahaan asuransi harus memprediksi risiko (klaim) dimasa yang akan datang secara akurat. Misalkan
sampel acak risiko X berukuran n dan diketahui data X1 , ..., Xn . Diharapkan dapat diprediksi risiko Xn+1 .
Misalkan E(Xi ) = µ dan Var(Xi ) = σ 2 untuk i = 1, 2, ..., n . Mean sampel X̄ = ∑ni=1 Xi /n dapat mewakili
sampel acak X. Mean sampel X̄ merupakan fungsi dari peubah acak sehingga X̄ adalah peubah acak
dengan E(X̄) = µ dan Var(X̄) = σ 2 /n. Mean sampel memiliki variansi yang lebih kecil. Semakin besar
ukuran sampel semakin kecil variansi dari mean sampel. Gambar 1 adalah ilustrasi yang menunjukkan
pengaruh ukuran sampel terhadap variansi mean sampel.

Gambar 1: Ilustrasi fungsi peluang mean sampel

Mean sampel X̄ dapat digunakan untuk memprediksi Xn+1 . Tetapi X̄ belum cukup baik dalam mem-
prediksi risiko karena X̄ kurang stabil jika data X1 , ..., Xn sangat bervariasi. Dalam asuransi, terdapat
teori kredibilitas yang memodelkan risiko sebagai kombinasi dari mean sampel dan informasi lain.

C = Z X̄ + (1 − Z)M, (1)

dengan

C adalah prediksi risiko (credibility premium)

X̄ adalah mean sampel
M adalah informasi lain (manual rate)
Z adalah faktor kredibilitas
Z ∈ (0, 1)

Pada persamaan (1), Z adalah proporsi dari X̄ dan (1 − Z) adalah proporsi dari M. Jika nilai Z mendekati
1 artinya memberikan proporsi yang lebih besar untuk X̄ atau dengan kata lain ’lebih percaya’ kepada
mean sampel. Begitu sebaliknya, jika nilai Z mendekati 0 artinya proporsi yang lebih kecil untuk X̄ atau
dengan kata lain ’kurang percaya’ pada mean sampel.

2.1. Manual Rate

Manual rate adalah informasi dari risiko yang hampir sama tapi tidak identik. Manual rate bisa berasal
dari

• prediksi risiko awal yang ditetapkan perusahaan.

• prediksi risiko dari ketetapan pemerintah (manual rate yang dibuat dengan melibatkan data dalam
jumlah besar untuk risiko yang hampir sama).

70
 Prosiding Seminar Nasional Metode Kuantitatif 2017
ISBN No. 978-602-98559-3-7

Berikut adalah ilustasi manual rate berupa tarif premi yang ditetapkan oleh Otoritas Jasa Keuangan
(OJK)[1] .

Tabel 1: Tarif Premi Asuransi Kendaraan Bermotor dengan Jenis Kendaraan Non Bus dan Non Truk
untuk Pertanggungan Comprehensive pada wilayah DKI Jakarta, Jawa Barat, dan Banten.

Rate Batas
Kategori Uang Pertanggungan
Bawah Atas
1 0 s.d. 125.000.000 3,26% 3,59%
2 >125.000.000 s.d. 200.000.000 2,47% 2,72%
3 >200.000.000 s.d. 400.000.000 2,08% 2,29%
4 >400.000.000 s.d. 800.000.000 1,20% 1,32%
5 >800.000.000 1,05% 1,16%

Misalkan untuk suatu polis asuransi kendaraan bermotor di kota Bandung memiliki uang pertanggungan
sebesar 120.000.000 dan memiliki mean sampel 3.000.000 dari data klaim yang tersedia. Misalkan
pula manual rate untuk polis ini adalah 3, 26% (dipilih) × 120.000.000 = 3.912.000. Perusahaan harus
menentukan apakah prediksi risiko untuk polis ini adalah 3.000.000 (full credibility, Z = 1), 3.912.000
(no credibility, Z = 0), atau kombinasi dari keduanya (partial credibility, Z ∈ (0, 1)). Selanjutnya akan
dibahas bagaimana cara menetukan faktor kredibilitas Z.

2.2. Faktor Kredibilitas

Salah satu cara untuk menentukan faktor kredibilitas Z adalah dengan teori kredibilitas klasik [2] . Pada
dasarnya, teori kredibilitas klasik adalah menentukan standar untuk mencapai full credibility (Z = 1).
Standar untuk full credibility dapat dinyatakan sebagai banyaknya data yang dibutuhkan agar mene-
mukan kestabilan dari mean sampel X̄. Mean sampel X̄ dikatakan stabil jika X̄ dekat dengan mean
populasi µ dengan peluang yang tinggi. Secara matematis, X̄ dikatakan stabil jika X̄ berada antara ±r
dari mean populasi µ dengan peluang lebih besar dari p (r mendekati 0 dan p mendekati 1).

P(µ − rµ ≤ X̄ ≤ µ + rµ) ≥ p (2)

Gambar 2: Ilustrasi kestabilan X̄

71
Prosiding Seminar Nasional Metode Kuantitatif 2017
ISBN No. 978-602-98559-3-7

Dari persamaan (2) dengan memanfaatkan pendekatan normal didapatkan

Φ−1 ( p+1
 2  2
2 ) σ
n≥ , (3)
r µ

yang disebut sebagai standar dari full credibility.

Jika standar dari full credibility tidak terpenuhi, digunakanlah partial credibility dan nilai Z < 1 harus
ditentukan. Asumsi untuk menurunkan Z, peluang Z X̄ berada dalam interval [Zµ − rµ, Zµ + rµ] adalah
p untuk nilai r yang diberikan.

P(Zµ − rµ ≤ Z X̄ ≤ Zµ + rµ) = p, (4)

sehingga didapatkan
r µ
Z=   σ (5)
p+1 √
Φ−1 2
n

3. VALUE-AT-RISK : PENDETEKSI RISIKO POTENSIAL

3.1. Ukuran Risiko Value-at-Risk

Value-at-risk (VaR) adalah ukuran risiko yang sering digunakan oleh berbagai institusi keuangan terma-
suk perusahaan asuransi. VaR digunakan untuk mendeteksi risiko yang potensial dan untuk mempersi-
apkan cadangan perusahaan.

VaR didefinisikan sebagai nilai risiko maksimum yang dapat terjadi pada suatu tingkat kepercayaan α
dengan α ∈ (0, 1). Misalkan X1 , ..., Xn sampel acak risiko. Nilai VaR yang dihitung merupakan nilai
prediksi untuk risiko Xn+1 . Nilai VaR yang dihitung pada tingkat kepercayaan misalnya α = 0, 95,
bermakna terdapat peluang 0,95 risiko yang akan didapat, kurang dari nilai VaR.

VaR pada tingkat kepercayaan α sama dengan kuantil ke-α dari distribusi Xn+1 yang dapat dinyatakan
dalam persamaan

P(Xn+1 ≤ xα ; θ ) = α (6)
FXn+1 (xα ; θ ) = α (7)

sehingga

VaRα (Xn+1 ) = xα = FX−1

n+1
(α; θ ), (8)

dengan VaRα merupakan VaR pada tingkat kepercayaan α dan FX−1

n+1
merupakan invers dari fungsi
distribusi FXn+1 .

Gambar 3 adalah ilustrasi dari VaR pada distribusi eksponensial. Distribusi eksponensial yang peubah
acaknyanya memiliki realisasi non negatif dapat digunakan sebagai distribusi besar klaim[2] .

72
 Prosiding Seminar Nasional Metode Kuantitatif 2017
ISBN No. 978-602-98559-3-7

Gambar 3: (a) VaRα pada distribusi Eksponensial, (b) VaR dengan berbagai α pada distribusi Ekspo-
nensial

Prediksi VaR dapat dinyatakan sebagai

d α (Xn+1 ) = F −1 (α; θb)

VaR (9)
Xn+1

Dalam menaksir parameter θ akan terdapat variabilitas parameter sehingga mempengaruhi nilai prediksi
VaR. Oleh karena itu, setelah memperoleh nilai prediksi VaR, perlu dievaluasi keakuratannya. Keaku-
ratan prediksi VaR dapat dilihat dari nilai peluang cakupannya.

Peluang cakupan adalah peluang bahwa nilai risiko yang akan didapatkan kurang dari nilai prediksi
VaR[3] . Peluang cakupan dapat dituliskan sebagai

d α (Xn+1 ); θb) = α + O(n−1 ),

P(Xn+1 ≤ VaR (10)

dengan O(n−1 ) adalah efek dari variabilitas parameter terhadap peluang cakupan. Semakin dekat nilai
peluang cakupan terhadap tingkat kepercayaan semakin akurat nilai prediksi VaR yang dihitung.

3.2. VaR Agregat Kerugian Acak

Dalam investasi, terdapat investasi portofolio dua aset. Maksudnya, investasi dengan menggabungkan
dua aset dengan proporsi tertentu untuk mendapatkan imbal hasil (return) yang lebih besar. Investasi
portofolio dua aset juga memiliki risiko yaitu risiko mendapatkan return negatif. Investor dapat menge-
tahui seberapa tinggi risiko dari portofolio dua aset dengan menghitung nilai VaR.

Misalkan X adalah return untuk aset pertama dan Y adalah return untuk aset kedua. Return R dari
portofolio yang disusun oleh dua aset tersebut dapat dimodelkan sebagai

R = aX + (1 − a)Y, (11)

dengan a adalah proporsi dari X, (1 − a) adalah proporsi dari Y , dan a ∈ (0, 1).

73
Prosiding Seminar Nasional Metode Kuantitatif 2017
ISBN No. 978-602-98559-3-7

Untuk menghitung VaR dari portofolio dua aset harus ditentukan terelebih dahulu fungsi distribusi dari
R. Fungsi distribusi R adalah
Z ∞
FR (r) = P(R ≤ r|Y = y) fY (y)dy
Z−∞
∞
= P(aX + (1 − a)Y ≤ r|R = r) fY (y)dy
−∞
  
r (1 − a)y 
Z ∞
= P X≤ + Y = y fY (y)dy
−∞ a a 
r (1−a)y
a− a
Z ∞Z
= fX,Y (x, y) dx dy, (12)
−∞ −∞

dengan fX,Y (x, y) adalah fungsi peluang bersama X dan Y .

VaRα dari R adalah invers dari fungsi distribusi R

VaRα (R) = FR−1 (α; θ ) (13)

Jika diperhatikan, model return portofolio dua aset mirip dengan model credibility premium pada teori
kredibilitas. Sehingga, VaR dari portofolio dua aset inilah yang mendasari pengembangan Credible-
VaR.

4. CREDIBLE VALUE-AT-RISK

Misalkan sampel acak risiko X1 , ..., Xn . Jika terdapat m buah sample acak X berukuran n, maka akan
terdapat sampel acak X̄1 , X̄2 , ..., X̄m . Setiap X̄ j untuk j = 1, ..., m mewakili suatu sampel acak. Sehingga,
diharapkan penggunaan X̄1 , X̄2 , ..., X̄m dalam perhitungan VaR akan menghasilkan peluang cakupan yang
lebih baik dari pada X1 , ..., Xn . VaR dari mean sampel pada tingkat kepercayaan α adalah

VaRα (X̄m+1 ) = FX̄−1 (α; θ ), (14)

m+1

dengan FX̄−1 merupakan invers dari fungsi distribusi FX̄m+1 . Prediksi VaR dari mean sampel adalah
m+1

d α (X̄m+1 ) = F −1 (α; θb),

VaR (15)
X̄ m+1

dengan peluang cakupan

d α (X̄m+1 ); θb) = α + O(m−1 )
P(X̄m+1 ≤ VaR (16)

Penggunaan mean sampel dalam perhitungan VaR mungkin belum cukup baik karena mean sampel yang
kurang stabil jika data sangat bervariasi. Oleh karena itu dipakailah model risiko pada teori kredibilitas
dalam perhitungan VaR. Credible Value-at-Risk (Cre-VaR) adalah VaR dari model risiko kredibilitas.
Untuk menentukan Cre-VaR, harus ditentukan terlebih dahulu fungsi distribusi dari C = Z X̄ +(1−Z)M.
Fungsi distribusi dari C adalah

FC (c) = P(C ≤ c)
= P(Z X̄ + (1 − Z)M ≤ c)
 
c − (1 − Z)M
= P X̄ ≤
Z
 
c − (1 − Z)M
= FX̄
Z
Z c−(1−Z)M
Z
= fX̄ (x̄) d x̄, (17)
−∞

74
 Prosiding Seminar Nasional Metode Kuantitatif 2017
ISBN No. 978-602-98559-3-7

dengan fX̄ (x̄) adalah fungsi peluang dari mean sampel.

Cre-Var pada tingkat kepercayaan α didefinisikan sebagai

Cre-VaRα = VaRα (C) = FC−1 (α; θ ), (18)

dengan FC−1 merupakan invers dari fungsi distribusi FC .

Prediksi Cre-VaR pada tingkat kepercayaan α adalah

\ α = F −1 (α; θb)
Cre-VaR (19)
C

5. PENERAPAN

Misalkan suatu polis pada asuransi kendaraan bermotor (mobil pribadi) di kota Bandung memiliki uang
pertanggungan sebesar 120.000.000. Manual rate untuk polis ini adalah 3, 26% (dipilih)×120.000.000 =
3.912.000. Data diasumsikan berdistribusi Eksponensial dengan parameter θ = 3 × 106 . Dengan teknik
fungsi distribusi didapatkan mean sampel berdistribusi Gamma (500,500/θ ). Perhitungan VaR, VaR
mean sampel, dan Cre-VaR dilakukan dengan simulasi Monte Carlo[4] .

Tabel 2: Hasil simulasi VaR, VaR mean sampel, dan Cre-VaR

α 0,90 0,95 0,99

VaRα (X) 6, 6021 × 106 8, 6422 × 106 13, 233 × 106
VaRα (X̄) 3, 0493 × 106 3, 0994 × 106 3, 1974 × 106
Cre-VaRα 3, 3502 × 106 3, 3835 × 106 3, 4468 × 106

Tabel 3: Peluang Cakupan dari VaR, VaR mean sampel, dan Cre-VaR

α 0,90 0,95 0,99

VaRα (X) 0.8992 0,9504 0,9899
VaRα (X̄) 0.8996 0.9492 0.9899
Cre-VaRα 0.9002 0.9501 0.9901

Dari hasil simulasi, nilai Cre-VaR lebih besar daripada VaR mean sampel tapi lebih kecil daripada nilai
VaR. Akan tetapi, peluang cakupan Cre-VaR lebih akurat dibandingkan dengan VaR dan VaR mean
sampel.

75
Prosiding Seminar Nasional Metode Kuantitatif 2017
ISBN No. 978-602-98559-3-7

KEPUSTAKAAN

[1] Surat Edaran Otoritas Jasa Keuangan Nomor 6/SEOJK.05/2017. Available from www.ojk.go.id/
id/kanal/iknb/regulasi/asuransi/surat-edaran-ojk/Pages/Surat-Edaran-Otoritas-Jasa-Keuangan-
Nomor-6-SEOJK.05-2017.aspx
[2] Tse, Yiu-Kuen. (2009). Nonlife Actuarial Models Theory, Methods, and Evaluation. Cambrige
University Press.
[3] Cox, D.R. (1975). Prediction Intervals and Empirical Bayes Confidence Intervals. In: Gani, J.
(Ed), Prespective in Probability and Statistics. Academic Press. London, pp. 47-55.
[4] McNeil, A.J., Frey, R., dan Embrechts, P. (2005). Quantitative Risk Management. Princeton
University Press.

76