RISIKO

SUKU BUNGA
Risk Management
by Vidya Ramadhan Putra Pratama, S.AB, MBA
Intermezzo
KARAKTERISTIK RISIKO PERUBAHAN
TINGKAT BUNGA
1. Risiko perubahan pendapatan: pendapatan bersih
(hasil investasi dikurangi biaya) berubah, yaitu
berkurang dari yang diharapkan.
2. Risiko perubahan nilai pasar: nilai pasar berubah
karena perubahan tingkat bunga, yaitu berubah
menjadi lebih kecil (turun nilainya).
RISIKO PERUBAHAN PENDAPATAN
Risiko Penginvestasian Kembali

Aset Pasiva
Obligasi jangka waktu 1 tahun, Obligasi jangka waktu 2 tahun, dengan
bunga 12% pertahun bunga 10% pertahun, selama 2 tahun
Risiko apa yang akan terjadi?
 Investasi 12% Re-Investasi (??)
| | |

Pendanaan 10% Pendanaan 10%

| | |
PERUSAHAAN MENGHADAPI
REINVESTMENT RISK
RISIKO PERUBAHAN PENDAPATAN
Risiko Pendanaan Kembali

Aset Pasiva
Obligasi jangka waktu 2 tahun, Obligasi jangka waktu 1 tahun, dengan
bunga 12% pertahun bunga 10% pertahun
Risiko apa yang akan terjadi?
 Investasi 12% Re-Investasi (12%)
| | |
0 1 2

Pendanaan 10% Pendanaan Kembali (??)

| | |
0
PERUSAHAAN MENGHADAPI
REFINANCING RISK
RISIKO PERUBAHAN HARGA PASAR
Perubahan tingkat bunga bisa menyebabkan perubahan nilai
pasar aset dan/atau kewajiban yang dipegang oleh
perusahaan
Jika tingkat bunga naik, nilai aset atau kewajiban akan turun
(dan sebaliknya)
Jika penurunan nilai aset lebih besar dibandingkan dengan
penurunan nilai kewajiban, maka perusahaan mengalami
kerugian, dan sebaliknya.
Tingkat penurunan nilai tersebut bisa
berbeda dari satu sekuritas ke sekuritas
lainnya. Sebagai contoh, jika tingkat
bunga meningkat, maka nilai pasar
obligasi akan mengalami penurunan.
Tetapi obligasi dengan jangka waktu yang
lebih lama, nilainya akan turun lebih besar
dibandingkan dengan obligasi dengan
jangka waktu yang lebih pendek.
Aset Pasiva
Obligasi jangka waktu 10 tahun, Obligasi jangka waktu 2 tahun,
Nilai nominal: Rp1 juta. Kupon bunga 10% Nilai nominal: Rp1 juta. Kupon bunga 10%
Nilai pasar: Rp1 juta Nilai pasar: Rp1 juta
MISAL SUATU BANK MEMPUNYAI NERACA DI ATAS.
TINGKAT BUNGA YANG BERLAKU (YIELD) ADALAH 10%. BERAPA NILAI
PASAR ASET DAN KEWAJIBAN?
MISAL YIELD NAIK MENJADI 12%, BERAPA NILAI PASAR ASET DAN
KEWAJIBAN?
TINGKAT BUNGA YANG BERLAKU (YIELD) ADALAH 10%. BERAPA NILAI
PASAR ASET DAN KEWAJIBAN?
MISAL YIELD NAIK MENJADI 12%, BERAPA NILAI PASAR ASET DAN
KEWAJIBAN?

100.000 1.100.000
Obligasi Aset = ---------------- + ……………… + -------------------- = Rp 886.996
(1 + 0,12)1 (1 + 0,12)10

100.000 1.100.000
Oblgsi Kwjbn = ---------------- + ……………… + -------------------- = Rp 966.199
(1 + 0,12)1 (1 + 0,12)2

PERUSAHAAN MENGALAMI KERUGIAN. KENAPA

TERJADI DEMIKAIN?
PEGUKURAN RISIKO PERUBAHAN TINGKAT
BUNGA:
METODE PENILAIAN KEMBALI (REPRICING
MODEL)

Pendekatan pendapatan
Model tersebut ingin melihat bagaimana
pengaruh perubahan tingkat bunga terhadap
pendapatan yang diperoleh suatu organisasi.
Aset Kewajiban (Pasiva)
Meminjamkan di pinjaman pasar antar Meminjam di pasar antar
bank 1 hari Rp2 m bank 1 hari Rp3 m
Commercial Paper 3 bulan Rp3 m Tabungan Rp3 m
Surat hutang 6 bulan Rp5 m Deposito 1 bulan Rp10m
Pinjaman 1 tahun Rp6 m Deposito 1 tahun Rp10m
Obligasi 3 tahun Rp10m Deposito 2 tahun Rp10m
Obligasi 3 tahun tingkat bunga
Mengambang Rp5 m Modal Rp5 m
Pinjaman bunga tetap jangka
Waktu 10 tahun Rp10m
Total aset Rp41m Total pasiva Rp41 m
Catatan:
Untuk obligasi 3 tahun, Rp2 m jatuh tempo tahun ini.
Untuk pinjaman dengan bunga mengambang, bunga ditetapkan setiap enam bulan
LANGKAH UNTUK MENGHITUNG REPRICING
1. Mengidentifikasi dan mengelompokkan aset
atau kewajiban yang rentan terhadap
perubahan tingkat bunga, yaitu aset atau
kewajiban yang harus dinilai ulang jika
tingkat bunga berubah,
2. Menghitung gap antara aset yang sensitive
dengan kewajiban yang sensitive terhadap
perubahan bunga, dan menghitung
perubahan pendapatan jika tingkat bunga
berubah.
IDENTIFIKASI ASET DAN KEWAJIBAN
YANG SENSITIF THDP PERUBAHAN TKT
BUNGA
Dari sisi aset neraca:
Pinjaman (meminjamkan) di pasar antar bank satu
hari sebesar Rp2 milyar. Aset sebesar Rp2 milyar
tersebut akan dinilai kembali (reprice) jika bunga
harian berubah.
Dari sisi pasiva:
Meminjam di pasar antar bank satu hari sebesar Rp3
milyar. bunga (rate sensitive liabilities atau RSL)
harian sebesar Rp3 milyar. Kewajiban sebesar Rp3
milyar tersebut akan dinilai kembali (reprice) jika
bunga harian berubah.
MENGHITUNG GAP RSA DENGAN RSL
GAP = (Rp2 milyar) – (Rp3 milyar)
= – Rp1 milyar
Misalkan tingkat bunga meningkat sebesar 1%
(misal dari 10% menjadi 11%), maka
pendapatan bank tersebut berubah sebesar:
Perubahan Pendapatan
= (GAP) × (∆Bunga)
= -Rp1 milyar × 0,01 = - Rp10 juta
Dengan menggunakan cara yang sama, kita bisa
memperluas kelompok periode dari satu hari
menjadi tiga bulan, enam bulan, 1 tahun, lima
tahun, dan lebih dari lima tahun.
Contoh:
GAP atau disebut juga sebagai Kumulatif GAP
(KGAP) satu tahun RSA dengan RSL bisa
dihitung sebagai berikut ini.
KGAP = RSA – RSL
= Rp23 milyar – Rp26 milyar = – Rp3
milyar
…
Aset Pasiva
Meminjamkan di pinjaman Rp 2 M Meminjam di pasar antar bank 1 Rp 3 M
pasar antar bank 1 hari hari
Comm Paper 3 Bln Rp 3 M Tabungan Rp 3 M
Surat utang 6 Bln Rp 5 m Deposito 1 Bln Rp 10 M
Pinjaman 1 Tahun Rp 6 M Deposito 1 Thn Rp 10 M
Obligasi 3 Tahun Rp 2 M
Obligasi 3 Thn Bunga Rp 5 M
Mengambang
Rp 23 M Rp 26 M
Dalam beberapa situasi, kita ingin
menghitung rasio gap terhadap total aset
(gap ratio). Gap ratio bisa dihitung
sebagai gap dibagi total aset.
Dalam contoh di atas, gap ratio adalah
GAP RATIO:
= –Rp3 milyar / Rp41 milyar
= -0,073 atau -7,3%
Semakin besar gap (baik negatif maupun
positif), semakin besar eksposur bank atau
suatu perusahaan terhadap risiko perubahan
tingkat bunga.
Jika gap suatu bank negatif, maka kenaikan
bunga akan merugikan bank tersebut.
Sebaliknya, jika gap suatu bank positif, maka
kenaikan bunga akan menguntungkan bank
tersebut.
…

Bank A Bank B
GAP -Rp 15 M -Rp 20 M
Total Aset Rp 400 M Rp 500 M
Perubahan Tingkt Bunga Yang Berbeda
Untuk Aset dan Kewajiban
Contoh di atas mengasumsikan perubahan
tingkat bunga yang sama untuk aset dan
kewajiban. Dalam beberapa situasi,
perubahan tingkat bunga untuk aset dan
kewajiban bisa berbeda. Jika hal tersebut
terjadi, efek perubahan tingkat bunga
terhadap perubahan pendapatan dan
perubahan biaya bisa dihitung satu
persatu
…
 Perub tk bunga yang berbeda unk aset dan kewajiban

 Misal tk bunga unk aset berubah 2%, sementara tk bunga unk

kewajiban berubah 1%, Brp Pendapatan bersih?
PEGUKURAN RISIKO PERUBAHAN TINGKAT
BUNGA:
METODE JANGKA WAKTU (MATURITY
MODEL)
Metode repricing (penilian kembali) mempunyai
kelemahan terutama karena tidak memperhatikan
efek perubahan nilai pasar dari perubahan tingkat
bunga.
Dalam beberapa situasi metode yang memperhatikan
efek perubahan nilai pasar penting diperhatikan.
Misal, suatu bank membeli obligasi dengan tujuan
untuk investasi (dipegang sampai jatuh tempo).
Dalam situasi tersebut bank akan mencatat nilai
histories obligasi tersebut di neracanya. Bank
memperoleh pendapatan hanya dari kupon bunga
yang dibayarkan. Metode repricing akan lebih sesuai
dipakai dalam situasi tersebut.
Misalkan bank lain membeli obligasi dengan tujuan
untuk memperoleh keuntungan melalui trading
(memperjualbelikan sekuritas). Dalam situasi tersebut,
bank akan mencatat nilai obligasi di neracanya
berdasarkan nilai pasar obligasi. Karena itu nilai pasar
obligasi akan dievaluasi (dinilai ulang atau disebut juga
sebagai mark to market) praktis setiap hari. Jika nilai
pasar obligasi lebih kecil dari nilai belinya, bank tersebut
merugi, dan sebaliknya. Metode pengukuran risiko
perubahan tingkat bunga yang memperhitungkan
perubahan nilai pasar akan lebih sesuai dalam situasi
tersebut.
Aktiva Pasiva
Obligasi jangka waktu 10 tahun, Pinjaman jangka pendek, bunga
Nilai nominal Rp10 juta, kupon 15%, jangka waktu 2 tahun,
bunga=15% nilai nominal=Rp18 juta
Obligasi jangka waktu 20 tahun
Nilai nominal Rp10 juta, kupon Modal saham Rp2 juta
bunga=15%
Total aset Rp20 juta Total Pasiva Rp20 juta
MISALKAN YIELD MENJADI 17%, APA YANG TERJADI?
Aktiva Pasiva
Obligasi jangka waktu 10 tahun, Pinjaman jangka pendek,
Nilai nominal Rp10 juta, bunga 15%,
kupon bunga=15% Rp9.068.279 jangka waktu 2 tahun,
Obligasi jangka waktu 20 tahun nila i nominal=Rp18 juta
Nilai nominal Rp10 juta, Rp17.429.323
kupon bunga=15% Rp8.874.447
Modal saham Rp513.403
Total aset Rp17.942.726 Total Pasiva Rp17.942.726
PERUSAHAAN MENGALAMI KERUGIAN KARENA MODALNYA TURUN
Bank/Perusahaan tersebut dikatakan mempunyai
ketidaksesuaian jangka waktu antara aset
dengan kewajiban (maturity mismatch). Jangka
waktu aset adalah 10 tahun dan 20 tahun, yang
jauh lebih panjang dibandingkan dengan jangka
waktu pinjaman (sumber dana) yaitu 2 tahun.
Ketidaksesuaian jangka waktu tersebut
memunculkan eksposur terhadap risiko
perubahan tingkat bunga. Semakin besar
ketidaksesuaian jangka waktu tersebut, semakin
besar risiko perubahan tingkat bunga yang
dihadapi bank tersebut.
Jangka waktu untuk portofolio aset atau kewajiban bisa
dihitung sebagai rata-rata tertimbang dari jangka waktu
aset atau kewajiban individual, dengan pembobot adalah
nilai pasar dari masing-masing aset atau kewajiban
tersebut. Dalam contoh di atas, jangka waktu aset
(maturity of assets atau MA) bisa dihitung sebagai berikut
ini.
MA = (10juta/20juta) (10 tahun) + (10juta/20juta)
(20 tahun) = 15 tahun
Jangka waktu kewajiban (maturity of liabilities atau ML)
adalah 2 tahun. Gap jangka waktu bisa dihitung sebagai:
Gap jangka waktu = MA – ML = 15 – 2 = 13
tahun
Semakin besar gap jangka waktu (baik positif maupun
negatif), semakin besar risiko perubahan tingkat bunga
yang dihadapi oleh suatu perusahaan atau bank.
Aset Pasiva
Pinjaman (aset) jangka panjang Tabungan dan deposito (dengan jangka
(misal memberikan kredit Kepemilikan waktu 1 tahun)
Perumahan/KPR dengan jangka waktu 10
tahun) Modal Saham

NERACA BANK YANG TIPIKAL. APAKH BANK

MENGHADAPI RISIKO PERUBAHAN TINGKAT
BUNGA??
Imunisasi Dengan Metode Jangka Waktu
Jika suatu bank ingin melakukan imunisasi melalui
metode jangka waktu, agar perubahan tingkat bunga
tidak akan mengakibatkan kerugian, maka bank bisa
menyamakan jangka waktu aset dengan jangka waktu
kewajiban.
MA = ML
atau MA – ML = 0
Aktiva Pasiva
Obligasi jangka waktu 10 tahun, Pinjaman jangka pendek, bunga
Nilai nominal Rp10 juta, kupon 15%, jangka waktu 15 tahun,
bunga=15% nilai nominal=Rp18 juta
Obligasi jangka waktu 20 tahun
Nilai nominal Rp10 juta, kupon Modal saham Rp2 juta
bunga=15%
Total aset Rp20 juta Total Pasiva Rp20 juta
APAKAH BANK TERIMUNISASI SEPENUHNYA?
JIKA YIELD NAIK MENJADI 17%, NERACA BANK
AKAN NAMPAK SEBAGAI BERIKUT INI

Aktiva Pasiva
Obligasi jangka waktu 10 tahun, Pinjaman jangka pendek,
Nilai nominal Rp10 juta, bunga 15%,
kupon bunga=15% Rp9.068.279 jangka waktu 15 tahun,
nilai nominal=Rp18 juta
Obligasi jangka waktu 20 tahun Rp16.083.293
Nilai nominal Rp10 juta,
kupon bunga=15% Rp8.874.447 Modal saham Rp1.859.433
Total aset Rp17.942.726 Total Pasiva Rp17.942.726

BANK TIDAK SEPENUHNYA TERIMUNISASI

PEGUKURAN RISIKO PERUBAHAN
TINGKAT BUNGA:
METODE DURASI
(DURATION MODEL)
KELEMAHAN DARI METODE JANGKA
WAKTU: TIDAK MEMPERHITUNGKAN
ALIRAN KAS YANG MUNCUL SEBELUM
JATUH TEMPO
METODE DURASI DIGUNAKAN UNTUK
MENGURANGI KELEMAHAN METODE
JANGKA WAKTU
Obligasi
A Nilai nominal Rp1 juta, jangka waktu satu tahun,
kupon bunga=10%, dibayarkan setiap semester.
B Nilai nominal Rp1 juta, jangka waktu satu tahun,
kupon bunga=10%, dibayarkan setiap tahun.
KEDUA OBLIGASI MEMPUNYAI JANGKA WAKTU
SATU TAHUN.
JIKA YIELD NAIK MENJADI 15%, BERAPA NILAI
OBLIGASI TERSEBUT?
 50.000 1.050.000
Obligasi A = ---------------- + -------------------- = 959.669
0,5 1
(1 + 0,15) (1 + 0,15)

1.100.000
Obligasi B = ----------------- = 956.522
1
(1 + 0,15)

MANA YANG TURUN LEBIH BANYAK,? KENAPA?

 PERHITUNGAN DURASI

Durasi bisa didefinisikan sebagai rata-rata tertimbang

jangka waktu aliran kas, dengan pembobot proporsi
present value dari setiap aliran kas tersebut.
 Wakt Obligasi A PVIF (5%) PV Kas Rata-Rata tertimbang
u (2) (3) (4)=(2)×(3) Jangka waktu
(1) (5)
1/2 50.000 0.952381 47.619 0.0238
1 1.050.000 0.907029 952.381 0.9524
1.000.000 0.9762
Catatan: 5% adalah 10%/2, karena bunga dibayarkan setiap
semester
Waktu Obligasi B PVIF PV Kas Rata-Rata tertimbang
(1) (2) (10%) (4)=(2)×(3) Jangka waktu
(3) (5)

1 1.100.000 0.909091 1.000.000 1

1.000.000 1
Durasi untuk obligasi A bisa dihitung sebagai
berikut ini (lihat kolom 5):
{ [(47.619)/(1.000.000)] ×(1/2) } +
{ [(952.381)/(1.000.000)] × (1) } = 0,9762
tahun
Untuk obligasi B, durasi bisa dihitung sebagai
berikut ini (lihat kolom 5)
{ [ (1.000.000)/(1.000.000) ] × 1 } = 1 tahun
 Obligasi Perincian
X Nilai nominal Rp1 juta, jangka waktu lima tahun,
kupon bunga=10%, dibayarkan setiap tahun.
Y Nilai nominal Rp1 juta, jangka waktu lima tahun,
kupon bunga=10%, dibayarkan setiap semester.
Tingkat bunga yang berlaku (yield) adalah 9%
HITUNG DURASI MASIING-MASING OBLIGASI TERSEBUT
Obligasi consol adalah obligasi yang tidak
mempunyai jatuh tempo. Obligasi tersebut
berjanji membayarkan bunga selamanya.
Jangka waktu obligasi (maturity) tersebut
adalah tidak terbatas (~).
Tetapi durasi untuk obligasi consol bisa
dihitung, yaitu
Dc = 1 + (1/R)
INTERPRETASI
EKONOMI DURASI
Hubungan antara durasi dengan perubahan harga bisa
dirumuskan sebagai berikut ini:
dP/P = – D [ dR / (1 + R) ]
Term D/(1+R) bisa diringkaskan dan ditulis menjadi
MD (Modified Duration), sehingga formula di atas bisa
dituliskan menjadi:
dP/P = – MD . dR
dimana MD = (D / (1+R)).
Misalkan ada obligasi dengan nilai nominal Rp1 juta, kupon
bunga 10%, jangka waktu lima tahun. Tingkat bunga yang
berlaku sama dengan kupon bunga yaitu 10%. Misalkan
tingkat bunga naik menjadi 10,1% (naik 0,1% atau naik 10
basis points atau 10 bps), berapa perubahan harga obligasi
tersebut? Durasi obligasi tersebut adalah 4.1699 tahun.
Dengan menggunakan formula durasi, perubahan harga
bisa dihitung sebagai berikut ini.
dP/P = – D [ dR / (1 + R) ]
dP/P = – 4,1699 (0,001/(1+0,1)) = – 0.003791 atau –
0,3791%
Harga obligasi tersebut akan turun nilainya sebesar
0,3791%, atau akan turun dari Rp1juta menjadi
Rp996.209 (penurunan sekitar Rp3.791).
Jika kita menghitung penurunan nilai secara langsung,
maka akan diperoleh angka seperti berikut ini.
100.000 1.100.000
Harga = ---------------- + … + ------------------
(1 + 0,101)1 (1 + 0,101)5
= 996.219

Dengan menggunakan metode durasi, penurunan yang

diprediksi adalah Rp996.209. Sedangkan penurunan
yang sesungguhnya adalah Rp996.219. Metode durasi
dalam hal ini cukup akurat memprediksi penurunan
harga obligasi, meskipun ada selisih.
Aktiva Pasiva
Obligasi jangka waktu 10 tahun, Pinjaman jangka pendek, bunga
Nilai nominal Rp10 juta, kupon 15%, jangka waktu 2 tahun,
bunga=15% nilai nominal=Rp18 juta
Obligasi jangka waktu 20 tahun
Nilai nominal Rp10 juta, kupon Modal saham Rp2 juta
bunga=15%
Total aset Rp20 juta Total Pasiva Rp20 juta
Durasi aset dengan demikian adalah:
DA = (10juta/20juta) (5,77) +
(10juta/20juta) (7,198) = 6,39 tahun
Durasi untuk kewajiban (pinjaman jangka
waktu 2 tahun) bisa dihitung dan nilainya
1,87 tahun.
Gap durasi bisa dihitung berikut ini.
Gap Durasi = DA – DL = 6,39 –
1,87 = 4,52 tahun
Gap yang positif menunjukkan bahwa jika
tingkat bunga naik, bank akan mengalami
kerugian. Sebaliknya, jika gap
menunjukkan angka negatif, kenaikan
tingkat bunga akan menguntungkan bank.
Semakin tinggi gap durasi, semakin tinggi
risiko perubahan tingkat bunga yang
dihadapi perusahaan.
 IMUNISASI NILAI MODAL

Misalkan suatu bank ingin melakukan imunisasi agar perubahan tingkat

bunga tidak berpengaruh terhadap nilai modal bank tersebut.
Cara: menyamakan durasi aset dengan durasi kewajibannya dikalikan
faktor hutang (leverage), seperti berikut ini.
∆E = – [ DA – DL.k ] × A × ( ∆R/(1+R))
dimana k=L/A (L=hutang, A=Aset). Jika DA = DL.k, maka ∆E = 0, dan
dengan demikian perubahan tingkat bunga tidak akan mempengaruhi
modal saham.
Kembali ke contoh tabel neraca bank di
muka, dimana durasi aset adalah 6,39
tahun.
Untuk mengimunisasi modal saham, bank
bisa menyusun kewajibannya agar
mempunyai durasi sedemikian rupa
sehingga DA = DL.k, dimana
k=18juta/20juta=0,9.
Durasi kewajiban agar persamaan tersebut
terpenuhi adalah:
DL = 6,39 / 0,9 = 7,1 tahun
 Aktiva Pasiva
Obligasi jangka waktu 10 tahun, Obligasi tanpa kupon
Nilai nominal Rp10 juta, nila i nominal=Rp48.554.241
kupon bunga=15% Rp9.068.279 jangka waktu 7,1 tahun
Rp15.926.031
Obligasi jangka waktu 20 tahun
Nilai nominal Rp10 juta, Modal saham Rp2.016.695
kupon bunga=15% Rp8.874.447
Total aset Rp17.942.726 Total Pasiva Rp17.942.726
MISALKAN YIELD NAIK DARI 15% MENJADI 17%, NILAI MODAL MASIH
2JUTA
IMUNISASI RASIO MODAL

Jika bank ingin mengimunisasi rasio modal, maka

bank akan membuat durasi aset sama dengan durasi
kewajiban, seperti berikut ini.
DA = DL
THANK YOU
Insert the Subtitle of Your Presentation
RISIKO PASAR
Risk Management
by Vidya Ramadhan Putra Pratama, S.AB, MBA
 RISIKO PASAR
Risiko pasar muncul karena harga pasar bergerak dalam arah yang
merugikan organisasi. Misal, suatu perusahaan mempunyai portofolio
sekuritas saham yang dibeli dengan harga Rp1 milyar. Misalkan harga
saham tersebut jatuh, sehingga nilai pasar saham tersebut turun
menjadi Rp800 juta. Perusahaan tersebut mengalami kerugian karena
nilai portofolio sahamnya turun sebesar Rp200 juta. Kerugian tersebut
disebabkan karena harga saham bergerak ke arah yang kurang
menguntungkan (dalam hal ini turun).
Bagan 1. Kurva Normal

 = deviasi standar

 = nilai rata-rata
Bagan di atas menggambarkan kurva normal
yang berbentuk seperti bel. Kurva tersebut
berbentuk simetris, dimana sisi kana merupakan
cerminan sisi kiri. Deviasi standar dipakai untuk
menghitung penyimpangan dari nilai rata-rata.
Semakin besar deviasi standar, semakin besar
penyimpangan. Penyimpangan dipakai sebagai
indikator risiko. Semakin besar penyimpangan,
semakin besar risiko.
Perhitungan deviasi standar bisa digunakan
formula sebagai berikut ini.

E(R) = ∑ Ri / N ………….. (2)

σR2 = ∑ (Ri – E(R))2 / (N – 1)

….……….. (3)

σR = (σR2 ) 1/2 .... (4)

Tabel 1. Tingkat Keuntungan Historis
Bulan Aset A (%) Aset B (%)
(1) (2) (3) (RA – E(RA))2 RB – E(RB))2
1 3 2 0.714025 4.6225
2 2 4 3.404025 0.0225
3 4.5 5 0.429025 0.7225
4 3 4 0.714025 0.0225
5 4 1.5 0.024025 7.0225
6 5.2 4 1.836025 0.0225
7 3.5 8 0.119025 14.8225
8 4.25 5 0.164025 0.7225
9 4 3 0.024025 1.3225
10 5 5 1.334025 0.7225
Rata-rata 3.845 4.15
Jumlah 8.76225 30.025
Varians=
Jumlah/(N-1) 0.973583 3.336111

BERAPA DEVIASI STANDAR RETURN A DAN RETURN B?

Tabel 2. Tingkat Keuntungan Yang Diperkirakan Di Masa Mendatang
Kondisi Tingkat euntungan Tingkat Keuntungan
Ekonomi Probabilitas A B
(1) (2) (%) (%)
Baik 0.3 5 2
Sedang 0.4 3 1.5
Jelek 0.3 -2 1
1
E(R)= 2.10 1.50
Varians 7.89 0.15
Deviasi
standar 2.808914 0.387298

BERAPA DEVIASI STANDAR RETURN A DAN RETURN B?

VALUE AT RISK
Value At Risk(VAR) mengembangkan lebih lanjut
konsep kurva normal seperti yang telah dibicarakan di
muka, untuk menjawab pertanyaan sebagai berikut ini
’Jika besok adalah hari yang jelek, berapa besar (nilai
Rupiah) dan berapa besar kemungkinannya
(probabilitas) kerugian yang bisa dialami perusahaan
besok (atau beberapa hari mendatang)?’
VALUE AT RISK
Jawaban tersebut akan berbentuk kalimat seperti
berikut ini ’besok ada kemungkinan sebesar 5%
bahwa kerugian perusahaan (karena pergerekan
harga pasar yang tidak menguntungkan) sebesar
Rp10 juta atau lebih’. Perhatikan bahwa VAR
menjawab pertanyaan tersebut dengan memberikan
nilai uang dari kerugian tersebut (Rp10 juta), dan
besarnya kemungkinannya (5%).
METODOLOGI VAR
Metode historis menggunakan data historis (data
masa lalu) untuk menghitung VAR.
Metode analitis menggunakan model tertentu untuk
mengestimasi VAR.
VAR Monte-Carlo menggunakan simulasi untuk
perhitungan VAR-nya.
 VAR Metode Historis
Tabel 3. Perhitungan Value At Risk dengan Data Historis
Saham PT X Saham PT Y Portofolio X dan Y

(1) (2) (3) (4) (5)

Hari Return (%) Hari Return (%) Return (%) Return (%) Return (%)

1 1.86008 7 -8.37883 1 -1.96078 1 -0.05035 7 -6.11249

2 -0.65038 19 -2.77565 2 2 2 0.67481 1 -0.05035
3 6.399526 14 -1.79577 3 7.843137 3 7.121332 6 -0.00095
4 2.119365 2 -0.65038 4 -1.81818 4 0.150592 4 0.150592
5 3.512881 20 -0.17928 5 3.703704 5 3.608292 19 0.278842
6 7.140963 1 1.86008 6 -7.14286 6 -0.00095 2 0.67481
7 -8.37883 4 2.119365 7 -3.84615 7 -6.11249 20 0.716812
8 4.148766 11 2.547136 8 4 8 4.074383 14 0.887829
9 8.782409 15 2.99732 9 1.923077 9 5.352743 12 1.071214
10 7.539626 5 3.512881 10 5.660377 10 6.600002 11 2.166425
11 2.547136 8 4.148766 11 1.785714 11 2.166425 15 2.360729
12 5.6512 12 5.6512 12 -3.50877 12 1.071214 17 3.332057
13 8.797835 3 6.399526 13 1.818182 13 5.308008 5 3.608292
14 -1.79577 16 7.042143 14 3.571429 14 0.887829 8 4.074383
15 2.99732 6 7.140963 15 1.724138 15 2.360729 16 4.368529
16 7.042143 10 7.539626 16 1.694915 16 4.368529 13 5.308008
17 9.997447 9 8.782409 17 -3.33333 17 3.332057 9 5.352743
18 9.472343 13 8.797835 18 3.448276 18 6.460309 18 6.460309
19 -2.77565 18 9.472343 19 3.333333 19 0.278842 10 6.600002
20 -0.17928 17 9.997447 20 1.612903 20 0.716812 3 7.121332
Misalkan kita ingin melihat VAR 95% harian, kita
akan melihat 5% return terendah. 5% dari 20
adalah 1, dengan demikian kita memilih 1 hari
dengan return terendah yaitu -8,38%.
Misalkan portofolio kita bernilai Rp1 milyar, maka
VAR 95% harian adalah -8,38% x Rp1 milyar =
-Rp83,78 juta.
Kita bisa mengatakan ’besok ada kemungkinan
sebesar 5% kerugian kita pada saham X sebesar
Rp83,78 juta atau lebih’.
Alternatif redaksional yang lain adalah sebagai
berikut ini ’kita yakin sebesar 95% bahwa
kerugian kita besok tidak akan melebihi Rp83,78
juta’.
Misalkan kita membentuk portofolio yang terdiri
dari saham X dan Y, dengan proporsi masing-
masing sebesar 50%, konstan selama 20 hari.
Return untuk portofolio tersebut bisa dilihat
pada kolom (4). Sebagai contoh, return
portofolio pada hari 1 adalah -0,05%
(0,5*1,86)+(0,5*-1,96).
Sama seperti sebelumnya, kita bisa
mengurutkan return portofolio dari yang paling
rendah ke yang paling tinggi.
Kolom (5) menunjukkan hasil pengurutan
tersebut. VAR 95% harian
VAR 95% harian untuk portfolio tersebut adalah
Rp-6,11% x Rp2 milyar = Rp122,2juta.
Alternatif lain adalah melakukan perhitungan
dengan formula sebagai berikut ini (lihat buku
teks teori portofolio dan investasi untuk alasan
kenapa formula di bawah ini bisa diturunkan).
VAR portofolio = [ VARX2 + VARY2 + 2
×XY×VARX ×VARY] 1/2
Dimana VARX = VAR (Value At Risk saham X)
VARY = VAR (Value At Risk saham Y)
XY = korelasi return saham X dengan sahamY

Dengan formula tersebut, VAR portofolio bisa

dihitung sebagai berikut ini.
VAR port =[ (83.78^2) + (71.43^2) + (2 ×
0,089 × 83.78 × 71.43) ]1/2 = 114,83
Metode historis mempunyai kelebihan seperti (1) tidak
mengasumsikan distribusi tertentu, (2) sederhana.
Tetapi metode tersebut mempunyain kelemahan seperti
asumsi bahwa data masa lalu bisa dipakai untuk
memprediksi masa datang. Dengan kata lain, metode
tersebut mempunyain asumsi bahwa pola data di masa
lalu sama dengan pola data di masa mendatang.
Jika pola yang terjadi cukup stabil, maka data masa lalu
bisa dipakai untuk memprediksi data masa mendatang.
Jika tidak (misal ada krisis yang tidak terduga), maka
data masa lalu tidak bisa dipakai untuk memprediksi
masa mendatang.
Disamping itu, 20 observasi ke belakang masih terbilang
sangat sedikit. Idealnya kita bisa memperoleh data
historis cukup banyak, yang mencakup semua siklus
bisnis (resesi, boom, normal), sehingga data tersebut
bisa cukup representatif.
VAR Metode Modeling (Analytical)
Metode analitis biasanya mengasumsikan distribusi tertentu yang
mendasari return atau harga. Biasanya distribusi normal (yang
berbentuk bel) yang diasumsikan mendasari pergerakan harga tersebut.
Setelah distribusi tersebut diasumsikan, kita bisa menghitung nilai yang
diharapkan (misal rata-rata) dan penyimpangan dari nilai yang
diharapkan tersebut (misal deviasi standar).
Selanjutnya VAR bisa dihitung dengan menggunakan parameter yang
dideduksi (diambil) dari distribusi tersebut (nilai yang diharapkan dan
penyimpangannya).
Misalkan manajer portfolio mempunyai
aset senilai Rp1 milyar. Misalkan kita
mengasumsikan distribusi normal
mendasari pergerakan harga aset
tersebut.
Misalkan kita memperkirakan tingkat
keuntungan harian yang diharapkan
dengan deviasi standarnya adalah 12%
dan 15%.
Bagan 2. Kurva Normal untuk Perhitungan VAR

M-1.65.STD 90% M+1.65.STD

-12,75 12% 36,75

0
Confidence
Interval
Luas total wilayah distribusi normal mencerminkan probabilitas sebesar
1 (probabilitas bernilai dari 0 sampai dengan 1, inklusif). Sebagian luas
dibawah distribusi normal mencerminkan probabilitas dibawah satu.
Sebagai contoh, luas ditengah (yang berwarna gelap, antara -12,75
dengan 36,75) mencerminkan 90% dari total wilayah distribusi normal,
dan dengan demikian mencerminkan probabilitas sebesar 90% (atau
0,9).
Jika kita melihat tabel distribusi normal, maka luas wilayah sebesar 5%
dari ujung paling kiri (atau dri ujung paling kanan), mempunyai nilai z
sebesar 1,65. Dengan demikian wilayah tengah seluas 90% berada
diantara (Rata2 – (1,65 * deviasi standar)) dengan (Rata2 + (1,65 *
deviasi standar).
Dengan demikian VAR 95% return harian bisa dihitung melalui batas
bawah dimana wilayah sebesar 5% dari ujung paling kiri akan
diperoleh, sebagai berikut ini.
VAR = 12% – 1,65 (15) = 12 % – 24,75 = – 12,75%
VAR = – 12,75% x Rp1 milyar = – Rp127,5 juta
Tabel 4. Data Perhitungan VAR Untuk Portofolio
A B
Return yang diharapkan (harian) 12% 10,5%
Standar deviasi 15% 18%
Nilai Investasi Rp20 milyar Rp12 milyar
95% Value At Risk Rp2,55 milyar Rp2,3 milyar
Korelasi A dengan B 0,55

HITUNG VAR PORTOFOLIO A DAN B!!

VAR dengan Simulasi Monte Carlo
Tabel 5. Tingkat Keuntungan dengan Probabilitasnya
Tingkat
Keuntungan Probabilitas
(%) Probabilitas Kumulatif
1 -0.5 0.05 0-4
2 -0.25 0.05 5-9 Misalkan kita
3 0 0.1 10-19 memperkiraka
4 0.1 0.1 20-29 n tingkat
5 0.5 0.25 30-54 keuntungan
6 1 0.15 54-69 harian dengan
7 1.2 0.1 70-79 probabilitasnya
8 1.25 0.1 80-89 pada tabel
9 2.25 0.05 90-94 disamping
10 3 0.05 95-99
Jumlah 1
Langkah berikutnya adalah menghasilkan
(generate) angka random yang akan
mempunyai nilai antara 0 sampai dengan
99, konsisten dengan probabilitas
kumulatif.
Kemudian mengkaitkan angka random
tersebut dengan return yang berkaitan.
Kemudian kita mengulangi langkah
tersebut 100, 500, atau 1.000 kali
Kemudian kita akan memperoleh
distribusinya.
Tabel 6. Sampel Simulasi Monte-Carlo
Tingkat Keuntungan
Angka Random Yang Berkaitan
1 31 0.5
2 29 0.1
3 11 0
4 65 1
5 54 1
6 6 -0.25
7 45 0.5
8 26 0.1
9 50 0.5
10 33 0.5
Tabel 7. Distribusi Frekuensi Hasil Simulasi
Tingkat
Keuntungan Frekuensi
-0.5 3
-0.25 5
0 10
0.1 7
0.5 25
1 18
1.2 6
1.25 12
2.25 3
3 11
Jumlah 100
 Distribusi Frekuensi Tingkat Keuntungan Berdasarkan Simulasi

30

25

20

15

10

0
-0.5 -0.25 0 0.1 0.5 1 1.2 1.25 2.25 3
Untuk distribusi di atas, nilai rata-rata dan deviasi
standarnya adalah
Rata-Rata tingkat keuntungan = 0,904%
Deviasi standar = 0,927%

95% VAR-harian bisa dihitung seperti berikut ini.

VAR95%-harian = 0,904 – 1,65 (0,927) = -0,627

Misalkan kita mempunyai portofolio senilai Rp1 milyar,

maka VAR-95% harian adalah -0,627% x Rp1 milyar = -
Rp6,27 juta.
Pemodelan VAR
Dalam beberapa situasi, kita ingin memodelkan
VAR. Sebagai contoh, misalkan kita mempunyai
portofolio obligasi. Harga pasar obligasi sangat
dipengaruhi oleh tingkat bunga. Jika tingkat
bunga naik, harga obligasi akan turun, dan
sebaliknya. Kita bisa memfokuskan perhatian kita
pada tingkat bunga, dan menghubungkan
perubahan tingkat bunga dengan nilai pasar
obligasi, kemudian menghitung VAR untuk
portofolio obligasi kita.
Hubungan antara perubahan tingkat bunga
dengan nilai obligasi bisa dilihat sebagai berikut
ini (lihat bab mengenai risiko perubahan tingkat
bunga).

dP/P = – D [ dR / (1 + R) ]
dimana dP = perubahan harga
P = harga obligasi
D = Durasi obligasi
dR = perubahan tingkat bunga
R = tingkat bunga
Misalkan portofolio obligasi kita mempunyai
durasi sebesar 5. Tingkat bunga saat ini adalah
10%. Kemudian kita mengasumsikan pergerakan
tingkat bunga mengikuti distribusi normal.
Analisis lebih lanjut, berdasarkan data historis
dan pertimbangan-pertimbagan, menunjukkan
bahwa perubahan tingkat bunga harian yang
diharapkan adalah 0%, dengan deviasi standar
perubahan tingkat bunga adalah 1%.
Bagan 4. Distribisi Perubahan Tingkat Bunga

Deviasi standar=1%

M-1.65.STD 90% M+1.65.STD

-1,65% 0% +1,65%
BERAPA VAR95% UNTUK PORTOFOLIO
OBLIGASI KITA?
Pertama, kita bisa menghitung perubahan harga akibat kenaikan tingkat bunga,
sebagai berikut ini,
dP/P = – D [ dR / (1 + R) ]
=– 5 [ 0,0165 / (1 + 0,1) ] = – 0,075
Jika tingkat bunga meningkat sebesar 1,65%, maka portofolio kita akan turun
nilainya sebesar 7,5%.
Jika portofolio kita mempunyai nilai sebesar Rp1 milyar, maka 95% VAR
portofolio kita adalah:
VAR 95% = -0,075 x Rp1 milyar = Rp75 juta
Dengan hasil tersebut, kita bisa mengatakan bahwa ada kemungkinan sebesar
5% kerugian portofolio obligasi kita sebesar Rp75 juta atau lebih.
VAR untuk
Periode Yang Lebih Panjang
Dalam beberapa situasi, kita ingin menghitung VAR untuk periode yang
lebih panjang. Misal, untuk melikuidasi posisi portofolio, waktu satu hari
tidak cukup. Kita memerlukan waktu, misal 5 hari. Padahal kita menghitung
VAR dengan menggunakan periode harian. Dalam situasi tersebut, VAR
harian harus dikonversi menjadi VAR 5-hari. Konversi tersebut bisa
dilakukan dengan menggunakan formula sebagai berikut ini.
VAR(n) = VAR(harian) x n

Kembali ke contoh di atas dimana 95%-VAR harian untuk portofolio obligasi

kita adalah Rp75 juta, 95%-VAR 5 hari bisa dihitung sebagai berikut ini.
VAR (5 hari) = Rp75 juta x 5
= Rp167,71 juta

Dengan demikian 95% VAR-5hari adalah Rp167,71 juta.

STRESS-TESTING
VAR mencoba menjawab berapa besar kerugian yang
bisa dialami dan berapa besar kemunginannya. Tetapi
VAR tidak bisa mendeteksi peristiwa-peristiwa yang
ekstrim. Peristiwa semacam itu biasanya mempunyai
probabilitas yang sangat kecil. Tetapi jika terjadi, maka
efeknya akan sangat serius bagi organisasi.
Sebagai contoh, tsunami Aceh barangkali mempunyai
probabilitas sebesar 0,0000001. Tetapi, sekali terjadi,
korban manusia bisa mencapai ratusan ribu orang.
Probabilitas Rusia default (tidak bisa membayar hutang-
hutangnya di tahun 1990-an) adalah kecil sekali (misal
0,000001). Tetapi sekali terjadi, banyak perusahaan
keuangan yang bangkrut.
Bagan 5. Stress-Testing

Tsunami,
Rusia bangkrut
Stress-testing berusaha mengakomodasi kejadian
ekstrim tersebut. Yang ingin dijawab oleh stress-testing
adalah pertanyaan sebagai berikut ini, ‘Jika peristiwa
ekstrim terjadi, bagaimana pengaruhnya terhadap
organisasi, atau portofolio kita?’
Sebagai contoh, ‘Jika Rusia default, bagaimana efeknya
terhadap portofolio kita?’ Untuk melakukan stress-
testing, manajer akan memilih parameter tertentu,
kemudian melihat (mengukur dan mensimulasikan)
bagaimana pengaruh perubahan parameter tersebut
yang ekstrim terhadap organisasi atau portofolio
organisasi.
Parameter tersebut bisa bervariasi mulai dari kenaikan
tingkat bunga yang ekstrim (misal naik 30% dalam satu
hari), penurunan harga saham yang ekstrim (misal 20%
dalam satu hari), negara tertentu default (tidak bisa
membayar hutangnya), kejadian alam tertentu (misal
tsunami).
LANGKAH-LANGKAH
STRESS-TESTING
Mengidentifikasi dan Memilih Parameter Yang Diperkirakan
Akan Berubah
Menentukan Seberapa Besar Parameter tersebut akan
Dirubah (Di-stress)
Melihat Pengaruh Stress-testing Tersebut Terhadap Nilai
Portofolio
Melihat Asumsi Yang Digunakan, Merubah Asumsi Tersebut
jika Diperlukan (Misal Dalam Situasi Krisisi, Asumsi Yang
Biasa Berlaku Barangkali Tidak Jalan Lagi).
CONTOH PARAMETER YG DI STRESS-TEST
DAN PERUBAHANNYA
Tabel 8. Parameter Untuk Stress-Testing Oleh Swiss Bank Corp

RATING SHOCK SHOCK SHOCK SHOCK

NEGARA TINGKAT SAHAM VALAS KOMODITAS
BUNGA
AAA 60-100 bp 8-9% 4-10% Emas 8%
AA DAN A 160 bp 20% 10% Platinum 12%
BBB 240 bp 25% 12,5% Palladium 12%
BB 320 bp 30% 20% Perak 16%
B 420 bp 40% 30%
Catatan:
Kolom kiri adalah rating Negara yang mencerminkan risiko Negara. AAA adala Negara
dengan risiko paling rendah (misal Swiss), B adalah Negara dengan risiko tinggi (misal
Irak).
 CONTOH LAINNYA

Tabel 9. Parameter Stress Testing Yang Disarankan Derivative Policy Group

1) PERGERAKAN PARALEL YIELD CURVE NAIK ATAU TURUN SEBESAR
100 BASIS POINT (1%)
2) KENAIKAN ATAU PENURUNAN VOLATILITAS SEBESAR 20% DARI
TINGKAT SEKARANG
3) KENAIKAN ATAU PENURUNAN NILAI INDEKS SAHAM SEBESAR 10%
4) KENAIKAN ATAU PENURUNAN VOLATILITAS INDEKS SAHAM
SEBESAR 20% DARI TINGKAT SAAT INI
5) KENAIKAN ATAU PENURUNAN KURS VALUTA ASING SEBESAR 6%
(UNTUK MATA UANG KERAS) ATAU 20% UNTUK MATA UANG LUNAK
6) KENAIKAN ATAU PENURUNAN VOLATILITAS KURS SEBESAR 20%
DARI TINGKAT SAAT INI
7) KENAIKAN ATAU PENURUNAN SPRED SWAP SEBESAR 20 BASIS
POINTS (0,2%)
Melihat efek perubahan parameter tersebut
terhadap nilai portofolio kita
Tabel 10. Contoh Hasil Stress-Test
Stress Test, 1 November 1997 Pengaruh terhadap $1 juta
Negara Parameter Perubahan Kenaikan Penurunan
Australia Pergeseran yield yang parallel 100bp -0,209 1,129
Yield curve semakin menajam -0,009 0,057
Fluktuasi tingkat bunga meningkat 20% 0,703 -0.809
Mata uang depresiasi 20% 0,824 -0.727
Indeks saham berubah 10% 0,000 0,000
Fluktuasi indeks saham meningkat 20% 0,000 0,000
 Melihat asumsi yang berlaku:
misal linearitas vs non-linear
PERUBAHAN BERSIFAT LINEAR
Kas ($) 1.000.000 1.000.000 1.000.000 1.000.000 1.000.000 1.000.000
Kurs(Rp/$) 8.000 9.000 10.000 11.000 12.000 13.000
Kas (Rp) 8 milyar 9 milyar 10 milyar 11 milyar 12 milyar 13 milyar
PERUBAHAN BERSIFAT NON-LINEAR

-6% -3% -2% -1% 0% 1% 2% 3% 6%

DM/$ 1,5957 1,5464 1,5306 1,5152 1,500 1,4851 1,4706 1,4563 1,4151
Laba/Rugi (1,14) (0,94) (0,74) (0,44) 0 0,57 1,27 2,08 4,87
Meskipun stress test nampaknya mudah, tetapi stress-test
menggunakan banyak pertimbangan subyektif.
Parameter apa yang harus distress test dan berapa besar
perubahannya, merupakan pertanyaan yang bersifat subyektif.
Idealnya parameter tersebut adalah parameter yang relevan dengan
organisasi, karena parameter yang tidak relevan hanya akan
mengakibatkan kelebihan informasi (information overload).
Stress-test juga tidak menggunakan probabilitas. Stress-test hanya
menyajikan angka seberapa besar keuntungan atau kerugian akibat
peristiwa tertentu.
Karena peristiwa yang di-stress biasanya jarang terjadi, maka
informasi histories mengenai peristiwa tersebut masih jarang
(terbatas).
Disamping itu, seperti disinggung di atas, hubungan yang normal
dalam situasi normal bisa berubah menjadi tidak normal dalam situasi
ekstrim (situasi stress-test).
Manajer risiko harus berhati-hati terhadap kemungkinan semacam
itu.
BACKTESTING
Backtesting adalah istilah untuk proses pengecekan
apakah model yang kita gunakan sudah sesuai
dengan realitas yang ada. Sebagai contoh, jika kita
menghitung 99%VAR-1 hari, dan memperoleh angka
Rp500 juta. Back testing akan melihat seberapa
sering kerugian yang dialami perusahaan di masa lalu
yang melebihi Rp500 juta. Jika kita menemukan
bahwa kerugian di atas Rp500 juta adalah sekitar 1%
atau kurang, maka kita bisa mengatakan bahwa
model kita cukup bagus, sesuai dengan kenyataan
yang ada. Tetapi jika kita menemukan bahwa
kerugian di atas Rp500 juta mencapai 10% dari total
observasi, maka model VAR kita barangkali perlu
diragukan. Model tersebut barangkali tidak sesuai
dengan realitas yang ada, dan perlu diperbaiki.
2. Bank ABC (Amerika Serikat) mempunyai
portofolio bernilai DM 20 juta dan BP 25 juta.
DM (mata uang Jerman, dan BP adalah British
pound, mata uang Inggris). Kurs spot adalah
$0,4/DM dan $1,28/BP. Deviasi standar harian
kurs spot adalah 65bps dan 45 bps, untuk DM
dan BP.
a. Hitung 95% VAR-10 hari untuk kedua
portofolio tersebut.
b. Misalkan korelasi antara perubahan kurs
keduanya adalah 0,45, hitung 95% VAR-10 hari
untuk portofolio DM dan BP bank tersebut.
 3. Misalkan kita menghitung tingkat keuntungan selam 10 hari
terakhir, seperti terlihat di tabel berikut ini.

Tingkat
Keuntungan
a. Hitung deviasi standard dan rata-
(%) rata tingkat keuntungan
1 -0.1 b. Hitung VAR95%-harian dengan
2 0.1
menggunakan metode histories dan
analitik
3 0.15
c. Hitung VAR95%-harian dengan
4 0.05
menggunakan simulasi Monte-
5 -0.05 Carlo, Anda tentukan sendiri
6 0.125 probabilitas untuk setiap tingkat
7 0.2 keuntungan tersebut.
8 -0.025 d. Hitung VAR95%-mingguan (7
9 0 hari) untuk setiap perhitungan VAR
10 0.04 diatas. Jelaskan.
Thank you