PEMBELAJARAN MANAJEMEN

RISIKO KETENAGALISTRIKAN

BAB 6
TEKNIK ASESMEN
RISIKO KUANTITATIF
TAHUN 2021 Rev.01
6.1 PENGANTAR
STATISTIKA
STATISTIKA
Statistika adalah ilmu tentang cara
mengumpulkan, menabulasi, Populasi: keseluruhan dari
objek yang diamati
menggolong-golongkan, menganalisis,
dan mencari keterangan yang berarti dari
data yang berupa angka. Populasi

Statistik adalah catatan angka-angka Sampel: bagian dari

(bilangan); perangkaan populasi yang diambil Sampel
Sumber: https://kbbi.kemdikbud.go.id/ dengan cara-cara tertentu
dan diharapkan dapat
mewakili populasi
Statistika = ilmunya, sedangkan Statistik = angkanya

Contoh:
Populasi: seluruh pegawai (50.000 orang)
Sampel: 500 orang pegawai

www.pln.co.id |
6.1.1 MEAN
Mean ( atau ) adalah rata-rata dari
suatu deret data Data: 3, 4, 6, 7

𝑝𝑒𝑛𝑗𝑢𝑚𝑙𝑎h𝑎𝑛𝑎𝑡𝑎𝑠 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎 3+4 +6+7 20

𝑥= 𝑥= = =5
𝑗𝑢𝑚𝑙𝑎h 𝑑𝑎𝑡𝑎 4 4

𝒏 3 1 1 3
∑ 𝒙𝒊 2 2
𝒙 = 𝒊=𝟏
𝒏
3 4 5 6 7
(arithmetic mean)

www.pln.co.id |
6.1.2 MEDIAN
Median
Data: 1, 2, 3, 4, 6, 7, 15
𝑀𝑒𝑑𝑖𝑎𝑛=𝑛𝑖𝑙𝑎𝑖 𝑡𝑒𝑛𝑔𝑎h 𝑑𝑎𝑟𝑖𝑑𝑒𝑟𝑒𝑡 𝑑𝑎𝑡𝑎
𝑀𝑒𝑑𝑖𝑎𝑛=4
1. Urutkan data dari paling kecil ke paling besar
2. Cari data yang berada di tengah deret: coret data
satu per satu dari pinggir (kiri dan kanan) Data: 3, 4, 6, 7
3. Jumlah data yang dicoret antara pinggir sebelah 4+6
kiri dan sebelah kanan harus sama 𝑀𝑒𝑑𝑖𝑎𝑛= =5
2
4. Apabila data di tengah yang tersisa:
a. 1 angka, maka data tersebut adalah Median
Data: 1, 3, 4, 6, 7, 15
b. 2 angka, maka data tersebut di rata-rata untuk
mendapatkan Median 4+6
𝑀𝑒𝑑𝑖𝑎𝑛= =5
2

www.pln.co.id |
6.1.3 MODE
Mode (Modus) adalah data yg paling
sering muncul Data: 3, 3, 4, 6, 7, 7, 7
1. Apabila terdapat 2 angka yang frekuensi
𝑀𝑜𝑑𝑒=7
kemunculannya sama, maka dianggap:
a. Tidak ada mode (no mode) Data: 3, 3, 4, 6, 7, 7
b. Mode ganda (bi-modal)
𝑀𝑜𝑑𝑒=𝑛𝑜 𝑚𝑜𝑑𝑒
2. Apabila terdapat lebih dari 2 angka yang frekuensi
kemunculannya sama, maka dianggap tidak ada 𝑀𝑜𝑑𝑒=3 𝑑𝑎𝑛 7(𝑏𝑖 − 𝑚𝑜𝑑𝑎𝑙)
mode (no mode)

www.pln.co.id |
6.1.4 VARIANCE & STANDARD DEVIATION
Variance (σ2 atau S2) Standard Deviation (σ atau S)
𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒=𝑠𝑒𝑏𝑒𝑟𝑎𝑝𝑎 𝑏𝑒𝑠𝑎𝑟 𝑠𝑒𝑏𝑎𝑟𝑎𝑛 𝑑𝑎𝑡𝑎
𝑵
𝑆𝑡𝑎𝑛𝑑𝑎𝑟𝑑𝐷𝑒𝑣𝑖𝑎𝑡𝑖𝑜𝑛=𝑎𝑘𝑎𝑟𝑘𝑢𝑎𝑑𝑟𝑎𝑡𝑑𝑎𝑟𝑖𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒
∑ ( 𝒙 𝒊 − 𝝁 )𝟐 atau
𝝈
𝟐
=
𝒊=𝟏 (population)
𝑵
𝒏

∑ ( 𝒙 𝒊 − 𝒙 )𝟐
𝑺 =
𝟐 𝒊=𝟏 (sample)
𝒏− 𝟏
169
Data : 14, 15, 17, 19, 23, 25, 26, 30 𝜇= =21,13
8
2 −7,132 +−6,13 2 +− 4,132 +−2,13 2+1,88 2+ 3,882 +4,88 2+ 8,882
𝜎 = =𝟐𝟖 , 𝟖𝟔
8
𝜎 =√ 28,86=𝟓 , 𝟑𝟕

www.pln.co.id |
6.2 PENGUKURAN
KEMUNGKINA
N
HISTOGRAM
GRAFIK KALI GANGGUAN (TIME SERIES)
Cara membaca:
Terdapat 2 kejadian (frekuensi) di
100 91 - 100 1 mana jumlah gangguan berada di
87 81 - 90 2 antara 81 – 90 kali
VALUE EACH TIME

84
75 74 77 71 - 80 3
69 68
65 64 67 61 - 70 5
60
56 59 57 56 56 51 - 60 6
50 49 47 50
46
39 41 44 40 41 - 50 7
33 35
28 31 31 - 40 5
24 25 23
15 17 21 - 30 4 FREQUENCY
10 11 - 20 2 HISTOGRAM
0 - 10 1

8 18 8 19 9 9 9 19 9 20 0 0 0 20 0 21 1 1
l-1 p- -1 n- ar
-1 -1 l-1 p- -1 n- ar
-2 -2 l-2 p- -2 n- ar
-2 -2
Ju S e ov J a
M
ay Ju S e ov J a
M
ay Ju S e ov J a
M
ay
N M N M N M Data bucketing/binning:
TIME SERIES
Untuk membuat histogram dari data numeris, maka
data numeris tersebut dikelompokkan dulu ke
dalam rentang tertentu yang konsisten

Histogram adalah diagram tabulasi frekuensi yang digambarkan dengan

diagram batang sebagai visualisasi data bucketting.
Histogram merupakan grafik representasi distribusi dari data numeris.

www.pln.co.id |
 POLYGON & DENSITY CURVE
7
19%
6
17%
POLYGON DENSITY
HISTOGRA 5 5 14% 14% CURVE
M
4 11%

3 8%

2 2 6% 6%
31% gangguan
1 1 3% di atas 60 kali 31% 3%

0 - 10 11 - 20 21 - 30 31 - 40 41 - 50 51 - 60 61 - 70 71 - 80 81 - 90 91 - 100 0 - 10 11 - 20 21 - 30 31 - 40 41 - 50 51 - 60 61 - 70 71 - 80 81 - 90 91 - 100

• Histrogram dalam bentuk diagram batang, sedangkan polygon • Bayangkan jika pengelompokkan (data binning) yang tadi kita
dalam bentuk garis yang saling terhubung dengan titik data. lakukan menggunakan range yang semakin kecil, maka polygon
• Histogram di atas merepresentasikan data secara diskret. akan semakin halus.
• Pada range pengelompokan yang mendekati nol, maka polygon
akan menjadi density curve (kontinu)
• Luasan area di bawah kurva merepresentasikan probabilitas
kejadian dgn total luasan adalah 100% (probabilitas 100%)
Distribusi diskrit adalah distribusi di mana data hanya dapat mengambil • Rumus utk menghitung luasan area/probabilitas tsb dinamakan
nilai-nilai tertentu, misalnya bilangan bulat (integer). probability density function (pdf)
Distribusi kontinu adalah distribusi di mana data dapat mengambil nilai
apa pun dalam rentang tertentu (yang mungkin tak terbatas).

www.pln.co.id |
6.2.1 DISTRIBUSI NORMAL 1/3
Digunakan dengan asumsi: PDF untuk distribusi
( )( )
𝟐
𝟏 𝒙 −𝝁
−
Normal: 𝟐 𝝈
• Data kejadiannya kontinu 𝒆
• Distribusi data normal (simetris, mean dan median berada di tengah) 𝒑 ( 𝒙 )=
•
𝝈 √𝟐 𝝅
Aturan umum, jumlah data minimal adalah 30

z-score adalah seberapa besar jarak suatu nilai observasi dari rata-ratanya Pada Distribusi Normal, luas
area di bawah kurva yang
dalam satuan standar deviasi (jarak dalam sekian kali S). dipisahkan oleh garis mean
dan median adalah sama-
𝒙 −𝒙 𝒙 −𝝁 sama 50% (simetris)
𝒛= atau 𝒛=
𝑺 𝝈
50% 50%
Setelah mendapatkan z-score, cocokkan dengan
Tabel Distribusi Normal untuk mendapatkan luasan
area di bawah kurva. Z-score Z-score
negatif positif

Luasan area inilah kemungkinan-kejadian (likelihood)

3S 2S 1S 1S 2S 3S
peristiwa sesuai nilai observasi (). Mean
Median

www.pln.co.id |
6.2.1 DISTRIBUSI NORMAL 2/3
Cara membaca Tabel Distribusi Normal
Contoh: z-score adalah 1,16 berapa luas Step 2 2 digit di belakang koma
area dari ujung kiri distribusi nurmal? *
Jawab .87698 atau 87,698%
Step 1

• Biasanya Tabel Distribusi Normal

1 digit di belakang koma

terdiri dari dua tabel, untuk z-score
positif dan negatif
• Namun pada literasi lain terdapat jenis
Tabel Distribusi Normal yang hanya
memiliki satu tabel (luasan area
dihitung dari garis tengah/mean),
sehingga cara penggunaan berbeda

*Potongan Tabel Distribusi Normal bagian z-score positif

www.pln.co.id |
 6.2.1 DISTRIBUSI NORMAL 3/3
Contoh kasus:
Suatu Unit memiliki data specific fuel consumption 2. Cocokkan z-score 0,90 dengan tabel distribusi normal, didapat
(SFC) bahan bakar PLTD bulanan dengan = 2,80 likelihood .81594 atau 81,59%
ltr/kWh dan standar deviasi (sampel) sebesar S = 3. Ingat bahwa 81,59% adalah likelihood SFC ≤2,88 ltr/kWh dalam
0,09. Berapa likelihood SFC di atas 2,88 ltr/kWh satu bulan, sedangkan yang ditanya adalah SFC >2,88 ltr/kWh dalam
dalam satu bulan (>2,88 ltr/kWh)? sebulan, maka:

Jawab
1. Mengingat luas area distribusi normal dimulai 𝒑 ¿ 𝟕𝟎 =𝟏 − 𝒑 ≤ 𝟕𝟎 =𝟏 − 𝟖𝟏 ,𝟓𝟗 %=𝟏𝟖 , 𝟒𝟏 %
dari ujung ekor kiri sampai nilai observasi (),
maka perlu dihitung terlebih dahulu likelihood
SFC ≤2,88 ltr/kWh.

Likelihood SFC
≤2,88 ltr/kWh: Likelihood SFC

𝟐,𝟖𝟖−𝟐,𝟖 81,59% >2,88 ltr/kWh:

18,41%
𝒛 ≤ 𝟐,𝟖𝟖𝒍𝒕𝒓 /𝒌𝑾𝒉 = =𝟎,𝟗𝟎
𝟎,𝟎𝟗 3S 2S 1S Mean
Median
0,9S 2S 3S

Tips: Rumus Excel Distribusi Normal adalah =NORM.DIST(,mean,std dev,kumulatif)

adalah nilai observasi, dalam kasus ini 2,88 ltr/kWh www.pln.co.id |
Kumulatif pilih ‘TRUE’, artinya Excel akan menghitung probabilitas kumulatif dari ujung kiri kurva.
 6.2.2 DISTRIBUSI POISSON
Digunakan dengan asumsi: Contoh kasus:
• Data kejadiannya diskrit Selama 3 tahun terakhir pada Unit terjadi gangguan sistem sebanyak
• Kejadian terulangi n kali 20 kali, berapa kemungkinan terjadinya gangguan sistem sebanyak 5
kali selama satu tahun?
• Ada Batasan waktu atau
Batasan lainnya Jawab
PDF untuk distribusi 1. Jika terjadi 20 kali gangguan dalam satu tahun berarti rata-rata
Poisson: gangguan dalam satu tahun adalah:

𝝀𝒙 𝒆− 𝝀
𝒑 ( 𝒙 )= 2. Kemungkinan gangguan sistem sebanyak 5 kali dalam satu tahun:
𝒙!
di mana
3. Jika ingin mengetahui kemungkinan gangguan sampai dengan 5 kali
P(x) = kemungkinan terjadinya persitiwa x selama setahun:
= rata-rata (mean) kejadian dalam periode
tertentu 4. Jika ingin mengetahui kemungkinan gangguan > 5 kali setahun:
e = bilangan euler 2,718281
x! = faktorial dari x, misalnya: 0!=1; 1!=1; 2!
=2x1; 3!=3x2x1; 4!=4x3x2x1, dst.

Tips: Rumus Excel Distribusi Poisson adalah =POISSON.DIST(,mean,kumulatif)

adalah nilai observasi, dalam kasus ini 5 kali per tahun. Kumulatif: ‘TRUE’ artinya Excel akan menghitung probabilitas kumulatif dari nol atau p(≤ 5 www.pln.co.id |
kali), ‘FALSE’ artinya Excel menghitung prob satu titik saja p(5).
 6.2.3 DISTRIBUSI BINOMIAL
p=50% p=75% p=90% Digunakan dengan asumsi:
25% n=40 Contoh kasus:
• Data kejadiannya diskrit
Unit setiap bulan memasang 1000 bh kWh meter, jika
20% • Jumlah percobaan tetap (fixed
data pengujian meter dari pabrikan menunjukkan 0,5%
number of trial)
15% dari keseluruhan meter yg dipasok mengalami
• Setiap kejadian ada
kerusakan, berapa besar kemungkinan 5 bh rusak setiap
10% kemungkinan “sukses” atau
bulan?
5%
“gagal”
• Probabilitas “sukses” sama
0% untuk setiap kejadian Jawab
0 5 10 15 20 25 30 35 40
• Kejadian satu dgn yg lain 1. Parameter2 perhitungan:
PDF untuk distribusi
independen
Binomial: n = 1000; p=0,5%; q=99,5%; x = 5
𝒃 ( 𝒙 , 𝒏, 𝒑 )=
𝒏!
[
𝒙 ! (𝒏 − 𝒙 ) !
𝒙
𝒑 𝒒
𝒏− 𝒙
] 2. Hitung kemungkinan 5 bh rusak:

b(x,n,p) = kemungkinan terjadinya x 3. Jika ingin mengetahui kemungkinan ≤ 5 bh rusak:

dari n percobaan dengan p
kemungkinan berhasil
p = kemungkinan “sukses” 4. Jika ingin mengetahui kemungkinan > 5 bh rusak:
q = kemungkinan “gagal” (1-p)
n = jumlah kejadian
x = jumlah “sukses” dari n
percobaan (nilai yg diobservasi)

Tips: Rumus Excel Distribusi Binomial adalah =BINOM.DIST(,n,probabilitas dari ,kumulatif)

adalah nilai observasi, dalam kasus ini 5 bh. Kumulatif: ‘TRUE’ artinya Excel akan menghitung probabilitas kumulatif dari nol atau b(≤ 5), ‘FALSE’ www.pln.co.id |
artinya Excel menghitung prob satu titik saja b(5).
6.2.4 METODE APROKSIMASI/PERKIRAAN
• Digunakan dengan asumsi:
2. Teknik Pembobotan: cara lain yg sangat sederhana
1. Data kejadiannya bisa diskrit bisa kontinyu adalah melakukan rata-rata pembobotan terhadap
2. Tidak ada data historis probabilitas atau nilai kerugian (dampak) risiko yang
diberikan para ahli, sbb:
• Metode aproksimasi (approximated value) merupakan
pendekatan umum yg digunakan jika tidak ada data sama 𝑶+ 𝟒 𝑴 + 𝑷 P = pesimis
sekali yg bisa digunakan utk perhitungan statistik 𝑷𝒆𝒓𝒌𝒊𝒓𝒂𝒂𝒏= M =
𝟔 mendekati
• Pada dasarnya, nilai kerugian diperkirakan oleh orang 2 yg O = optimis
dianggap ahli dan memahami risiko yg teridentifikasi Studi Kasus: beberapa orang yg dianggap memahami
mengenai kebakaran dimintai pendapat tentang besarnya
• Metode ini selain dapat digunakan utk mengukur tingkat kerugian yg bisa timbul jika terjadi kebakaran gedung.
kemungkinan juga dapat digunakan utk mengukur tingkat Hasilnya orang pertama memberikan nilai Rp20 Miliar, orang
dampak kedua Rp 35 Miliar, dan orang ketiga Rp30 Miliar.
• Hasil dari metode ini sangat subjektif, namun ada beberapa Nilai perkiraan dari pembobotan adalah sbb:
hal yg bisa dilakukan utk mengurangi subjektivitas tersebut,
antara lain:
1. Teknik Delphi: seperti yg sudah dipelajari pada materi
sebelumnya, teknik Delphi mengumpulkan pendapat ahli
secara anonim dan beriterasi, shg dapat mengurangi
subjektivitas.

www.pln.co.id |
6.3 PENGUKURAN
DAMPAK
 6.3.1 PENGUKURAN DAMPAK SECARA
UMUM
• Pada umumnya, risiko yg memiliki data historikal besaran
dampaknya dapat diukur dengan metode statistik dasar,
3. Weighted mean: digunakan jika angka 2
dalam deret data
memiliki bobot, misal: menghitung nilai total siswa dari
antara lain: mean, median, dan mode berbagai jenis ujian di mana masing 2 uji memiliki bobot
• Jika pada bagian sebelumnya hanya mempelajari mengenai nilai.
arithmetic mean, maka pada bagian ini akan dipelajari
beberapa jenis mean yg lain beserta penggunaannya.
4. Harmonic mean: digunakan jika angka2 pada deret data yg
1. Arithmetic mean: digunakan utk data biasa, angka 2nya tidak sifatnya rasio atau laju atau pada data yg memiliki suatu
memiliki bobot dan tidak berhubungan acuan tetap namun kondisinya berubah

2. Geometric mean: digunakan jika angka2 pada deret data Misal: setiap bulan unit disediakan uang US$100 utk
saling berhubungan, misal data yg memiliki efek yg terus membeli bahan bakar. Harga bahan bakar per kg bulan ke-1
bertambah (angka pertumbuhan, bunga majemuk, adalah US$5, bulan ke-2 adalah US$6, maka rata2 harga
pengembalian investasi, dll) bahan bakar (dari perspektif unit yg membeli) adalah:

Geometric mean juga digunakan dalam prinsip time value of

money.

di mana:
n = jumlah data
i = data ke-i www.pln.co.id |
w = bobot (dalam persen)
6.3.2 VALUE AT RISK (VAR) 1/2
• Sedangkan utk nilai yg tidak diharapkan (unexpected value)
juga dikenal sebagai istilah Value at Risk (VaR).
• Value at Risk (VaR) adalah metode untuk menghitung
potensi kerugian terburuk dari nilai aset dalam jenjang
waktu tertentu dengan tingkat keyakinan tertentu pada
kondisi normal.
α
Mean
( atau )
Expected risk
• Analisa VaR terdiri dari beberapa metode yaitu variance-
Unexpected risk
covariance (parametric), simulasi historikal, dan simulasi
(VaR) Monte Carlo.
• Seringkali kita mengukur dampak suatu risiko dengan • Perhitungan VaR yang dijelaskan pada materi ini adalah
mengukur rata2 (mean) atau nilai tengah dari suatu deret metode simulasi historical dan variance-covariance
data historikal dampak. (parametric).
• Data rata2 tsb dapat dianggap sebagai expected value, atau
nilai dampak yg diharapkan berdasarkan pengalaman
sebelumnya.

www.pln.co.id |
6.3.2 VALUE AT RISK (VAR) 2/2
Prinsip VaR
• Metode perhitungan VaR dengan Metode historikal bergantung pada kumpulan data historis, contoh: pergerakan kurs rupiah
• Jangka waktu untuk data historis yang disarankan untuk digunakan dalam perhitungan VaR adalah setidaknya 5 tahun
• Perhitungan VaR dilakukan pada suatu tingkat keyakinan tertentu. Tingkat keyakinan yang umumnya digunakan antara lain 95%
atau 99%
• Perhitungan VaR dihitung untuk suatu jangka waktu risiko berdasarkan waktu pengukuran risiko dan/atau waktu yang
dibutuhkan untuk penanganan risiko

LIMITATION
STRENGTHS
S
Menghasilkan besaran dampak risiko dalam suatu nilai tunggal + - Kerugian yang ditunjukkan oleh VaR terbatas pada tingkat keyakinan
(misal nilai uang) tertentu.
Relatif lebih akurat dibanding sekedang menghitung rata 2 atau + - Lebih bermanfaat dalam menggambarkan kejadian buruk pada
mean kondisi normal, daripada kejadian buruk pada masa krisis.
Banyak digunakan di dunia perbankan dan investasi/ portofolio + - Untuk mengantisipasi masa krisis tidak cukup hanya dengan VaR,
namun diperlukan stress test dan scenario analysis

www.pln.co.id |
6.3.2.a HISTORICAL VAR 1/2
• VaR metode historikal adalah metode VaR yang paling mudah, dan
digunakan jika jenis distribusi data tidak diketahui. DISTRIBUSI DATA
• Pada dasarnya, VaR metode historikal mengurutkan data dari nilai
terendah ke nilai tertinggi, lalu menentukan data () mana yg
merepresentasikan tingkat keyakinan (α) atau

𝑽𝒂𝑹𝟏 −𝜶 = 𝒙 𝜶 ×𝑇 1%
5% VaR

dimana:
• VaR1-α adalah estimasi VaR pada suatu tingkat keyakinan (α);
• adalah nilai terburuk persentil ke 1-α dari total populasi/sampel data. • Contoh: Perhitungan 1-hari VaR harian adalah Rp3
Contoh: Pada sampel 1000 data dengan tingkat keyakinan 95%, juta pada level keyakinan 99%.
maka adalah nilai terburuk ke-5 yaitu (100%-95%) x 100;
• Artinya estimasi pada kondisi market normal,
• T adalah jangka waktu perhitungan VaR dalam bentuk perbandingan perusahaan memiliki 1 dari 100 peluang mengalami
dengan jangka waktu deret data, misal jika deret berisi data tahunan,
kerugian lebih dari Rp3 juta pada jenjang waktu 1
sedangkan jangka waktu VaR yg diinginkan adalah 1 bulan maka
T=1/12; jika VaR 1 minggu maka T=1/52. hari.

www.pln.co.id |
6.3.2.a HISTORICAL VAR 2/2
No Date ENS (kWh) Ukur & temukan Percentile
Studi Kasus: Regional bisnis 1 2 4-Jun-18 (13.637)
terburuk sesuai tingkat Sehingga disimpulkan bahwa
sedang menghitung besarnya 2 1-Jun-18 (13.204) 4
keyakinan 95%, caranya:
dampak risiko gangguan dari sisi
3 9-May-18 (11.622) Risiko gangguan transmisi pada
4 7-Jun-18 (10.700)
regional bisnis berpotensi
transmisi, data historikal energy not 5 1-May-18 (10.398)
membawa dampak kerugian
6 22-May-18 (10.383)
sold (ENS) akibat pemadaman 7 5-Jun-18 (10.357) sebesar Rp17,17 juta per hari dgn
adalah seperti pada tabel di bawah. 8 8-May-18 (10.350) Artinya lokasi data terburuk
9 14-May-18 (10.039) dengan 95% adalah data ke-2 tingkat keyakinan 95%.
Dengan tingkat keyakinan 95%, 10 23-May-18 (9.680) dari atas, yaitu bernilai -
berapa besar dampak kerugian 11 3-May-18 (9.035)
13.204 kWh shg:

Diurutkan dari yg terrendah

12 24-May-18 (8.933)
risiko transmisi yg mungkin 13 10-May-18 (8.583) Jika kasus ini diukur dgn tingkat
diderita setiap harinya? 14 6-Jun-18 (8.374)
keyakinan 99%, maka didapat
15 31-May-18 (8.260)
16 2-May-18 (7.992) potensi kerugian sebesar -13.637
17 16-May-18 (7.844) kWh atau sebesar Rp17,73 juta
18 8-Jun-18 (7.795)
19 17-May-18 (7.704) 5 Hitung VaR dalam Rupiah: per hari.
1 20 11-Jun-18 (6.111)
21 30-May-18 (6.074)
Tentukan asumsi2: 22 21-May-18 3 (5.793)
23 25-May-18 (5.598)
Tingkat keyakinan 95% 24 18-May-18 (4.762)
25 7-May-18 (4.384)
Time horizon (T) = 1 hari 26 4-May-18 (3.543)
27 11-May-18 (3.497)
Harga jual rata-rata = Rp1.300 28 29-May-18 (3.320)
29 28-May-18 (3.007)
30 15-May-18 (2.859)

www.pln.co.id |
6.3.2.b PARAMETRIC VAR 1/2
• VaR metode parametrik (atau variance-covariance) • VaR metode parametrik (atau variance-covariance)
digunakan jika jenis distribusi data diasumsikan adalah digunakan jika jenis distribusi data diasumsikan adalah
distribusi normal. distribusi normal.

Rumus Parametric VaR: Rumus Parametric VaR jika jangka waktu data
berbeda dgn jangka waktu VaR
𝑽𝒂𝑹𝟏 −𝜶 = 𝒙 − ( 𝒛 𝜶 × 𝑺 )
dimana: 𝑽𝒂𝑹𝟏 −𝜶 = 𝒙 ×𝑇 − ( 𝒛 𝜶 × 𝑺× √ 𝑇 )
• VaR(1-α) adalah estimasi VaR pada suatu tingkat keyakinan dimana:
(α);
• T adalah jangka waktu perhitungan VaR dalam bentuk
• adalah rata-rata (mean) deret data dampak risiko; perbandingan dengan jangka waktu deret data, misal jika
• S adalah Standard Deviation dari deret data deret berisi data tahunan, sedangkan jangka waktu VaR yg
diinginkan adalah 1 bulan maka T=1/12; jika VaR 1 minggu
• zα adalah z-score dari tingkat keyakinan (dapat diambil dari maka T=1/52.
Tabel Distribusi Normal)

www.pln.co.id |
 6.3.2.b PARAMETRIC VAR 2/2
No Date ENS (kWh)
Studi Kasus: Regional bisnis 1 2 1-May-18 (10.398) 5
sedang menghitung besarnya 2 2-May-18 (7.992)
3 3-May-18 (9.035) 3 Hitung VaR (dalam kWh):
dampak risiko gangguan dari sisi 4 4-May-18 (3.543)
transmisi, data historikal energy not 5 7-May-18 (4.384) Hitung rata-rata/mean dari
6 8-May-18 (10.350)
sold (ENS) akibat pemadaman 7 9-May-18 (11.622) deret data:
adalah seperti pada tabel di bawah. 8 10-May-18 (8.583) Mengingat harga jual rata-rata sebesar
Dengan tingkat keyakinan 95%,
9 11-May-18 (3.497) Rp1.300 per kWh, maka potensi dampak
10 14-May-18 (10.039)
dalam Rupiah adalah sebesar = -12.783 x
berapa besar dampak kerugian 11 15-May-18 (2.859) 4
12 16-May-18 (7.844) Rp1.300 = Rp16,62 juta per hari
risiko transmisi yg mungkin 13 17-May-18 (7.704)
diderita setiap harinya? 14 18-May-18 (4.762) Hitung deviasi standar:
15 21-May-18 (5.793)
16 22-May-18 (10.383)
17 23-May-18 (9.680)
18 24-May-18 (8.933) Sehingga disimpulkan bahwa Risiko Nilai
19 25-May-18 (5.598)
1 20 28-May-18 (3.007) Tukar berpotensi membawa dampak
Tentukan asumsi2: 21 29-May-18 (3.320) kerugian sebesar Rp16,62 juta per hari dgn
22 30-May-18 (6.074) tingkat keyakinan 95%.
23 31-May-18 (8.260)
Tingkat keyakinan 95% 24 1-Jun-18 (13.204)
Time horizon (T) = 1 hari 25 4-Jun-18 (13.637)
26 5-Jun-18 (10.357) Jika kasus ini diukur dgn tingkat keyakinan
Harga jual rata-rata = Rp1.300 per 27 6-Jun-18 (8.374) 99%, maka didapat potensi kerugian
28 7-Jun-18 (10.700)
kWh 29 8-Jun-18 (7.795) sebesar -14.838 kWh atau sebesar Rp19,29
30 11-Jun-18 (6.111) juta per hari.

Tips: rumus excel untuk mencari z-score pada probability atau tingkat keyakinan tertentu pada distribusi normal adalah:
=NORM.S.INV(prob atau tk keyakinan)
Contoh www.pln.co.id |
=NORM.S.INV(95%) hasilnya adalah 1,6449 sedangkan =NORM.S.INV(99%) hasilnya adalah 2,3263
6.3.3 MONTE CARLO SIMULATION 1/2
• Simulasi Monte Carlo adalah simulasi atas probabilitas
maupun dampak suatu risiko dengan memperhatikan
variabel acak (random variable) dan karakteristik distribusi
atas input data yang dianalisis.
• Simulasi Monte Carlo diperlukan apabila ketidakpastian yg
menyertai suatu risiko cukup tinggi, sehingga diperlukan
suatu pengujian terhadap suatu parameter atau probabilitas.
• Simulasi Monte Carlo memprediksikan hasil berdasarkan
rentang nilai tertentu dan distribusi tertentu lalu mengujinya
dgn suatu nilai tetap (acak) secara berulang (iterasi)
berdasarkan model distribusi yg ditentukan.
STRENGTHS
Setiap pengaruh dan hubungan antar kejadian/kondisi dapat
direpresentasikan dalam model
Dapat diketahui akurasi dari hasil
Sudah ada aplikasi yg dapat membantu simulasi, seperti Excel
• Akurasi dari rentang data yg menjadi parameter, model
distribusi, serta jumlah iterasi menentukan akurasi hasil
simulasi.
• Hasil dari simulasi Monte Carlo dapat berupa suatu nilai
tunggal, misalnya rata2 (mean) dari keseluruhan hasil
simulasi, atau dalam bentuk model/tabel distribusi
probabilitas.
LIMITATION
S
+ - Akurasi hasil tergantung pada jumlah simulasi yg dilakukan
- Hasil juga bergantung pada kemampuan utk merepresentasikan
+ ketidakpastian dalam parameter dgn distribusi yg valid
+ - Terkadang sulit membuat model yg dapat mewakili kondisi
www.pln.co.id |
 6.3.3 MONTE CARLO SIMULATION 2/2
Contoh kasus: Unit menilai risiko hambatan pasokan bahan bakar sehingga
melalui kinerja waktu pengiriman BB dari pemasok. Diperoleh data
4. Lakukan simulasi dgn nilai acak sebanyak 2.699 kali.
rata-rata durasi pengiriman adalah 6,45 hari, dgn standar deviasi 1,12.
Meskipun Unit dapat mengukur mean dari historikal durasi tersebut, Hasil simulasi:
namun mengingat banyaknya faktor2 acak seperti cuaca yg dapat Durasi min = 2,2 hari
mempengaruhi durasi transportasi, maka Unit memutuskan utk Durasi max = 10,12 hari
Mean = 6,44 hari
melakukan pengujian terhadap durasi tersebut dgn Simulasi Monte Std dev = 1,12
Carlo shg mendapatkan suatu prediksi (forecast) atas durasi transport
tsb.

CONTOH TAHAPAN SIMULASI MONTE CARLO

1. Tentukan parameter yg akan disimulasikan: mean () 6,45; standar 5. Buat hasil kesimpulan simulasi. Hasil dapat berupa angka2 tunggal
deviasi () 1,12; dan error yg diharapkan () 1% atau model probabilitas seperti di atas. Dari model tersebut maka
unit dapat menghitung durasi pengiriman dgn probabilitas terbaik
2. Tentukan model yang akan disimulasikan, dalam hal ini
beserta deviasi yg mungkin terjadi berdasarkan tingkat keyakinan
menggunakan model distribusi normal
(confidence level tertentu) menggunakan probability density
3. Tentukan jumlah iterasi yg diperlukan, misalnya dgn formula nilai function (pdf)* dan cumulative density function (cdf)*.
kesalahan ():
*mungkin membutuhkan software atau Excel Add-in tertentu

=nilai error Catatan: contoh studi kasus ini hanya untuk memberi gambaran tahapan
di mana =deviasi standar dari Simulasi Monte Carlo, rumus dan metodologi bukan untuk menjadi
N=jumlah iterasi (populasi) acuan simulasi pada kasus sebenarnya.
e=nilai error absolut/yg diharapkan

Tips: Rumus Excel utk membangkitkan nilai acak yg dapat digunakan antara lain:
=( RAND() * (max – min) ) + min  RAND() membangkitkan nilai acak antara 0-1 dgn distribusi uniform (flat) www.pln.co.id |
=NORM.INV(RAND(),mean,stddev)  dgn formula NORM.INV() nilai acak yg dibandingkan mengikuti distribusi normal
TERIMA
KASIH