Analisis
Analisis Value at Risk
Value at Risk Menggunakan
Menggunakan
Metode
Metode Extreme Value Theory
Extreme Value
Theory--Generalized Pareto Distribution
Generalized Pareto Distribution Dengan
Dengan
Kombinasi
Kombinasi Algoritma
Algoritma Meboot
Meboot dan
dan Teori
Teori
Samad
Samad--Khan
Khan ((studi
studi kasus
kasus PT.X)
PT.X)
Angga Adiperdana
Angga Adiperdana
2506.202.013
2506.202.013
BAB 1
BAB 1
BAB 1
BAB 1
PENDAHULUAN
PENDAHULUAN
Latar Belakang
Latar Belakang
Saat ini, risiko operasional semakin menjadi perhatian Saat ini, risiko operasional semakin menjadi perhatian
perusahaan
perusahaan--perusahaan, tidak hanya perbankan dan perusahaan, tidak hanya perbankan dan asuransi, namun juga perusahaan
asuransi, namun juga perusahaan // industri pada industri pada umumnya.
umumnya.
Belum pernah diteliti perhitungan nilai risiko operasional Belum pernah diteliti perhitungan nilai risiko operasional
berdasarkan
berdasarkan
extreme value theory
extreme value theory
menggunakan menggunakan berdasarkanberdasarkan
extreme value theory
extreme value theory
menggunakan menggunakangeneralized pareto distribution
generalized pareto distribution
..
Penelitian ini mencoba untuk membuat model Penelitian ini mencoba untuk membuat model
perhitungan nilai risiko operasional berdasarkan
perhitungan nilai risiko operasional berdasarkan
extreme
extreme
value theory
value theory
menggunakan menggunakangeneralized pareto
generalized pareto
distribution
distribution
..
Keterbatasan data yang muncul diatasi dengan algoritma Keterbatasan data yang muncul diatasi dengan algoritma
meboot. meboot.
Perumusan Masalah
Perumusan Masalah
Bagaimana membuat model untuk
Bagaimana membuat model untuk
perhitungan nilai risiko (
perhitungan nilai risiko (Value at Risk,
Value at Risk,
VaR
VaR) berdasarkan
) berdasarkan extreme value theory
extreme value theory
VaR
VaR) berdasarkan
) berdasarkan extreme value theory
extreme value theory
menggunakan
menggunakan generalized pareto
generalized pareto
distribution
distribution dengan data
dengan data--data historis
data historis
tentang
tentang losses
losses yang ketersediaannya
yang ketersediaannya
terbatas.
Tujuan Penelitian
Tujuan Penelitian
1.
1.
Mengembangkan metode
Mengembangkan metode generalized pareto
generalized pareto
distribution
distribution untuk perhitungan nilai risiko
untuk perhitungan nilai risiko
(VaR) dimana distribusi loss dibangun
(VaR) dimana distribusi loss dibangun
dengan teknik Samad
dengan teknik Samad--Khan.
Khan.
2.
2.
Menerapkan model yang diperoleh untuk
Menerapkan model yang diperoleh untuk
analisis risiko di PT X, dimana keterbatasan
analisis risiko di PT X, dimana keterbatasan
jumlah data diselesaikan dengan teknik
jumlah data diselesaikan dengan teknik
bootstrapping algoritma Meboot.
Batasan Masalah
Batasan Masalah
Data
Data--data losses terutama adalah data
data losses terutama adalah data--data
data
losses di PT X yang sudah ter
losses di PT X yang sudah ter--database meliputi
database meliputi
data frekuensi terjadinya loss, dan nilai loss.
data frekuensi terjadinya loss, dan nilai loss.
Akan diperhatikan pengaruh nilai uang dari
Akan diperhatikan pengaruh nilai uang dari
Akan diperhatikan pengaruh nilai uang dari
Akan diperhatikan pengaruh nilai uang dari
tahun ke tahun, namun dibatasi pada pengaruh
tahun ke tahun, namun dibatasi pada pengaruh
nilai suku bunga bank (dianggap sudah
nilai suku bunga bank (dianggap sudah
mencakup faktor inflasi).
Sistematika Penulisan
Sistematika Penulisan
BAB 1
BAB 1
Pendahuluan: Latar Belakang,
Pendahuluan: Latar Belakang,
Perumusan Masalah, Tujuan
Perumusan Masalah, Tujuan
Penelitian, Batasan Masalah
Penelitian, Batasan Masalah
BAB 2
BAB 2
Tinjauan Pustaka
Tinjauan Pustaka
BAB 2
BAB 2
Tinjauan Pustaka
Tinjauan Pustaka
BAB 3
BAB 3
Metodologi Penelitian
Metodologi Penelitian
BAB 4
BAB 4
Pengembangan Model
Pengembangan Model
BAB 5
BAB 5
Analisis Data dan Pembahasan
Analisis Data dan Pembahasan
BAB 6
BAB 2
BAB 2
BAB 2
BAB 2
Tinjauan Pustaka
Tinjauan Pustaka
Risiko bisa muncul dari ketidaktentuan-ketidaktentuan di pasar finansial, kegagalan proyek, pertanggung jawaban hukum, risiko kredit, kecelakaan, bencana alam, maupun kesengajaan-kesengajaan dari pihak-pihak tak bertanggung jawab, dan lain-lain.
Risiko didefinisikan sebagai kombinasi antara peluang
munculnya suatu peristiwa dengan konsekuensinya.
Manajemen
Manajemen risikorisiko adalahadalah tindakantindakan mengidentifikasi,mengidentifikasi, memeriksa,
memeriksa, dandan memperhatikanmemperhatikan risikorisiko--risikorisiko disambungdisambung dengan
dengan pelaksanaanpelaksanaan pengelolaanpengelolaan yangyang terkoordinasiterkoordinasi dandan ekonomis
ekonomis terhadapterhadap sumbersumber--sumbersumber dayadaya gunaguna meminimalkan,
meminimalkan, memantaumemantau dandan mengendalikanmengendalikan kemungkinan
kemungkinan--kemungkinankemungkinan dan/ataudan/atau dampakdampak terjadinyaterjadinya peristiwa
peristiwa--peristiwaperistiwa yangyang tidaktidak menguntungkanmenguntungkan..
Operational Risk ?
Operational Risk ?
Risiko yang timbul baik secara langsung
Risiko yang timbul baik secara langsung
atau tidak langsung dari ketidaktepatan
atau tidak langsung dari ketidaktepatan
atau kegagalan proses
atau kegagalan proses--proses internal,
proses internal,
orang
orang--orang dan sistem
orang dan sistem--sistem, serta dari
sistem, serta dari
peristiwa
peristiwa--peristiwa eksternal.
peristiwa eksternal.
peristiwa
Metode Pengukuran/Identifikasi
Metode Pengukuran/Identifikasi
risiko Operasional
risiko Operasional
Metode Pengukuran risiko
Metode Pengukuran risiko
1.
1.
Metode Standar dari Basel II
Metode Standar dari Basel II
Basic Indicator Approach
Basic Indicator Approach
Standardized Approach
Standardized Approach
Standardized Approach
Standardized Approach
Alternative Standardized
Alternative Standardized
Approach
Approach
2.
Basic Indicator Approach (BIA)
Basic Indicator Approach (BIA)
3
3
1
∑
=
=
i
i
GI
x
BIA
K
αααα
dimanaKBIA = nilai kapital risiko operasional
α = parameter yang besarnya ditetapkan sebesar 20%
GIi = indikator eksposure risiko operasional (yaitu gross income) rata-rata selama tiga tahun
Standardized Approach (SA)
Standardized Approach (SA)
3 3 1 ) , 0 (
∑
= = i i x i GI Max SA Kβ
dimana
K
SA= kapital risiko operasional menurut metode SA
GI
i= Gross income satu tahun pada business line i
β
i= konstanta yang ditetapkan oleh Basel II
untuk business line i (12% s.d. 18% tergantung
business line i)
Alternative Standardized Approach (ASA)
Alternative Standardized Approach (ASA)
RB
LA
x
m
x
RB
RB
K
=
β
dimanaKRB = kapital risiko untuk line retail banking
βRB = konstanta yang ditetapkan oleh Basel II untuk retail banking
m = 0,035
KelemahanMetode Standard
KelemahanMetode Standard
Merupakan metode baku untuk perbankan
Merupakan metode baku untuk perbankan
yang belum settled/managed dengan baik
yang belum settled/managed dengan baik
Pengukuran risiko tahunan dilakukan
Pengukuran risiko tahunan dilakukan
secara kasar, yaitu hanya dengan
secara kasar, yaitu hanya dengan
secara kasar, yaitu hanya dengan
secara kasar, yaitu hanya dengan
memperhatikan annual gross income
memperhatikan annual gross income
Sehingga terhitung nilai kapital risiko yang
Sehingga terhitung nilai kapital risiko yang
terlalu besar (over secured)
terlalu besar (over secured)
Metode Internal
Metode Internal
Penggunaan metode internal atau advanced measurement approach Penggunaan metode internal atau advanced measurement approach
memberikan keleluasaan dan peluang mendapatkan kewajiban alokasi memberikan keleluasaan dan peluang mendapatkan kewajiban alokasi kapital yang lebih kecil.
kapital yang lebih kecil.
Namun, untuk itu diperlukan pemodelan distribusi probabilitas nilai losses Namun, untuk itu diperlukan pemodelan distribusi probabilitas nilai losses
yang didasarkan pada data
yang didasarkan pada data--data historis sehingga untuk menerapkan data historis sehingga untuk menerapkan
metode ini bank harus mempunyai database loss risiko operasional setidak metode ini bank harus mempunyai database loss risiko operasional setidak--tidaknya dua hingga lima tahun ke belakang. Model distribusi yang
tidaknya dua hingga lima tahun ke belakang. Model distribusi yang digunakan umumnya adalah distribusi normal.
digunakan umumnya adalah distribusi normal. digunakan umumnya adalah distribusi normal. digunakan umumnya adalah distribusi normal.
Kelemahan Metode Internal
Kelemahan Metode Internal
PenghitunganPenghitungan VaRVaR yangyang menggunakanmenggunakan pendekatanpendekatan centralcentral
atau
atau normalnormal (tradisional),(tradisional), dipikirkandipikirkan tidaktidak tepattepat..
PengamatanPengamatan terkiniterkini menunjukkanmenunjukkan bahwabahwa (selalu)(selalu) adaada
potensi
potensi kejadiankejadian--kejadiankejadian yangyang bersifatbersifat ekstrim,ekstrim, dimanadimana frekuensi
frekuensi terjadinyaterjadinya memangmemang sangatsangat rendahrendah namun,namun, jikajika terjadi
terjadi akanakan menimbulkanmenimbulkan dampakdampak kerugiankerugian yangyang sangatsangat besar
besar.. FenomenaFenomena ekstrimekstrim iniini tidaktidak tercakuptercakup dalamdalam besar
besar.. FenomenaFenomena ekstrimekstrim iniini tidaktidak tercakuptercakup dalamdalam penghitungan
penghitungan VaRVaR secarasecara tradisionaltradisional (dimana(dimana menggunakanmenggunakan pendekatan
pendekatan dengandengan distribusidistribusi normal)normal)..
DibutuhkanDibutuhkan suatusuatu modelmodel distribusidistribusi yangyang bisabisa
mengakomodasi
mengakomodasi faktorfaktor extremeextreme.. ModelModel distribusidistribusi ituitu harusharus memiliki
memiliki ekorekor (tail)(tail) keke kanankanan yangyang cukupcukup panjangpanjang (fat(fat tailtail atau
Extreme Value Theory (EVT)
Extreme Value Theory (EVT)
Perhitungan
Perhitungan
nilai
nilai
extreme
extreme
yang
yang
dapat
dapat
menghitung
menghitung besarnya
besarnya
expexted
expexted losses
losses
maupun
maupun
extreme
extreme losses
losses
.. EVT
EVT menjawab
menjawab pertanyaan
pertanyaan
seberapa
seberapa besar
besar kehilangan
kehilangan yang
yang terjadi
terjadi dengan
dengan
probabilitas
probabilitas x
x%
% (kuantil)
(kuantil) sepanjang
sepanjang periode
periode
probabilitas
probabilitas x
x%
% (kuantil)
(kuantil) sepanjang
sepanjang periode
periode
tertentu
tertentu..
Dengan
Dengan bantuan
bantuan kurva
kurva probabilitas
probabilitas agregat
agregat
maka
EVT dapat digunakan untuk penghitungan
EVT dapat digunakan untuk penghitungan
VaR yang lebih baik d/p metode
VaR yang lebih baik d/p metode
Central/Normal, karena bisa
Central/Normal, karena bisa
mengakomodasi faktor extreme events,
mengakomodasi faktor extreme events,
mengakomodasi faktor extreme events,
mengakomodasi faktor extreme events,
sehingga nilai VaR lebih akurat
α VaR P(x ≤ αααα ) = α) -(1 VaRαααα = F−1
F -1 adalah fungsi kuantil, yaitu inverse dari fungsi distribusi F
dengan:
x :adalah variabel severity of loss
:adalah nilai VaR untuk business line tertentu pada level kepercayaan α
(nilai α sering diambil 99,9%) αααα
Aggregated Probability Distribution
Aggregated Probability Distribution
Terlihat bahwa kurva densitas probabilitas menggunung ke sebelah kiri atau pada sisi dampak finansial rendah, yang artinya frekuensi yang tinggi terjadi pada risiko-risiko dengan dampak finansial relatif rendah. Dari kurva tergambarkan juga bahwa risiko-risiko yang berdampak finansial tinggi bisa pula terjadi, meskipun dengan probabilitas yang sangat kecil.
Distribusi Normal tidak bisa
Distribusi Normal tidak bisa
mengakomodasi extreme events
mengakomodasi extreme events
A
A
Metode Yang Memperhatikan
Metode Yang Memperhatikan
Kejadian Extreme
Kejadian Extreme
1.
1.
GPD muncul dari konsep pengambilan data
GPD muncul dari konsep pengambilan data
losses yang melebihi suatu nilai yang disebut
losses yang melebihi suatu nilai yang disebut
threshold value, maka sering pula disebut
threshold value, maka sering pula disebut
metode excesses over threshold value atau
metode excesses over threshold value atau
metode excesses over threshold value atau
metode excesses over threshold value atau
peak over threshold (POT).
Penanganan
Penanganan Extreme Losses
Extreme Losses
Generalized Pareto Distribution (GPD):
Generalized Pareto Distribution (GPD):
Distribusi GPD berdasarkan pada teori yang dibangun oleh Picklands,Dalkema,de hann menunjukkan bahwa jika Fµ adalah fungsi distribusi dari kerugian di atas
treshold : Fµ = Pr (X-µ <= y | X>µ), 0<=y<=Xf-µ maka Fµ didistribusikan secara GPD dengan fungsi probabilita kumulatif sebagai berikut :
Dimana parameter µ (myu) dan β (Beta) disebut parameter skalar dan tendensi, sedangkan ξ (ksi) disebut tail index yang menunjukkan gemuk atau kurusnya tail dari distribusi. Semakin besar nilai index maka tail semakin gemuk. Jika nilai index ξ = 0 maka H menjadi tipe Gumbel. Jika ξ < 0 maka H menjadi tipe
Weibull, dan jika ξ > 0 maka H menjadi tipe Frechet. Tipe Frechet adalah tipe fat tail, maka tipe ini sangat cocok sebagai model distribusi tail/extreme.
Bootstrapping
Bootstrapping
Untuk memperoleh dataUntuk memperoleh data--data EOT perlu tersedia datadata EOT perlu tersedia
data--data losses (severitas) dan frekuensi kejadian. Persoalan data losses (severitas) dan frekuensi kejadian. Persoalan yang sering ada ialah bahwa data
yang sering ada ialah bahwa data--data itu tidak tersedia data itu tidak tersedia secara cukup.
secara cukup.
Metode bootstrapping menjadi teknik yang sangat Metode bootstrapping menjadi teknik yang sangat
Metode bootstrapping menjadi teknik yang sangat Metode bootstrapping menjadi teknik yang sangat
bermanfaat untuk mengatasi kekurangan poin data. bermanfaat untuk mengatasi kekurangan poin data. Dalam jurnal yang ditulisnya, Wei
Dalam jurnal yang ditulisnya, Wei--han Liu (2007) han Liu (2007) mengungkapkan bahwa Algoritma MEBoot yang mengungkapkan bahwa Algoritma MEBoot yang ditemukan oleh Vinod sangat bagus mengatasi ditemukan oleh Vinod sangat bagus mengatasi
kekurangan yang ada pada metode bootstrapping kekurangan yang ada pada metode bootstrapping
tradisional dalam pelaksanaan bootstrapping. Algoritma tradisional dalam pelaksanaan bootstrapping. Algoritma MEBoot ini akan dipakai dalam penelitian ini.
Algoritma MEBoot
Algoritma MEBoot
Hasil Penelitian Algoritma Meboot:
Hasil Penelitian Algoritma Meboot:
Algoritma Meboot mampu men-generate data yang sangat fit dengan data aslinya.
Menyusun Total Loss Distribution
Menyusun Total Loss Distribution
Sementara itu Rippel
Sementara itu Rippel--Teply (2008)
Teply (2008)
menunjukkan bahwa distribusi loss yang
menunjukkan bahwa distribusi loss yang
secara tradisional dianggap mengikuti
secara tradisional dianggap mengikuti
distribusi normal bisa disusun dengan
distribusi normal bisa disusun dengan
distribusi normal bisa disusun dengan
distribusi normal bisa disusun dengan
memperhatikan data loss aslinya
memperhatikan data loss aslinya
dikombinasi dengan distribusi frekuensi
dikombinasi dengan distribusi frekuensi
loss yang didekati dengan distribusi
loss yang didekati dengan distribusi
Poisson. Metode ini disebut metode
Poisson. Metode ini disebut metode
Samad
Teori Samad Khan
Teori Samad Khan
“existing empirical evidence suggest that the general pattern of operational loss data is characterized by high kurtosis, severe right-skewness and a very heavy right tail created by several outlying events.”
1. Simulasikan secara
1)
2)
1. Simulasikan secara Poisson jumlah
kejadian loss selama setahun, n1 , n2 , ...nk 2. Untuk setiap jumlah nk
kejadian, simulasikan nilai loss
3. Susun kumulasi loss tahunan
4. Susun total loss distribution
2)
Distribusi Poisson mencerminkan probabilita jumlah dan frekuensi kejadian,contoh : jumlah atau frekuensi terjadinya kecelakaan kerja
Memberikan
Memberikan
gambaran
gambaran
tentang
tentang
bagaimana
bagaimana
memodelkan
memodelkan
distribusi
distribusi
frekuensi
frekuensi
dalam
dalam
penyusunan
penyusunan distribusi
distribusi severitas
severitas
Tidak
Tidak diungkapkan
Tidak
Tidak diungkapkan
diungkapkan metode
diungkapkan metode
metode untuk
metode untuk
untuk mengatasi
untuk mengatasi
mengatasi
mengatasi
kekurangan
Simulasi Monte Carlo
Simulasi Monte Carlo
Positioning Penelitian
Positioning Penelitian
Perbankan Manufaktur Expected loss Unexpected loss Exceptional loss 1 Basic Indicator Approach
(Muslich M,2007) + - + -
-2 Standardized Approach
(Andrei Tinca,2007) + - + -
-Alternative Standardized
Ruang lingkup Kerugian yang di cover Metode No 3 Alternative Standardized Approach (Chernobai,dkk,2007) + - + - -4 Alternative Measurement Approach (Embrechts,dkk,.2005) + - + -
-5 Extreme Value Theory
(Wei Han liu,2007) + + + -
BAB 3
BAB 3
BAB 3
BAB 3
METODOLOGI PENELITIAN
METODOLOGI PENELITIAN
EasyFit 5.2 Professional diinstalkan dalam MS Excel
Tetapkan suatu nilai THRESHOLD Hitung Excesses Over
Threshold Mulai
Bootstrap dengan algoritma MEBoot
Simulasi Frekuensi Kejadian Poisson
Generate Nilai-nilai Total Loss
Data-data loss aktual (jumlah sangat terbatas)
Metode Samad-Khan (Rippel-Teply) Model Distribusi
Goodness of Fit Test Fit ?
Data Loss Hasil Bootstrap
Data Frekuensi Kejadian Hasil Simulasi Poisson
dalam MS Excel Threshold
Susun Histogram nilai-nilai Excesses Over Threshold Hitung parameter GPD Goodness of Fit Test Generate random variate GPD Analsis statistik: quantile, mean, VaR
Kesimpulan Run Simulasi
BAB 4
BAB 4
BAB 4
BAB 4
PENGEMBANGAN MODEL
PENGEMBANGAN MODEL
GPD
GPD
Pada prinsipnya model yang dikembangkan pada Pada prinsipnya model yang dikembangkan pada
penelitian ini ialah model simulasi Monte Carlo, yaitu penelitian ini ialah model simulasi Monte Carlo, yaitu
lebih pada penggunaan metode pembangkitan bilangan lebih pada penggunaan metode pembangkitan bilangan random dan perhitungan statistik daripada manipulasi random dan perhitungan statistik daripada manipulasi analistis
analistis--matematis. matematis.
Penelitian Penelitian dimulai dari persoalan pemodelan distribusi dimulai dari persoalan pemodelan distribusi
nilai
nilai--nilai total loss dimana seringkali pada datanilai total loss dimana seringkali pada data--data itu data itu
Penelitian Penelitian dimulai dari persoalan pemodelan distribusi dimulai dari persoalan pemodelan distribusi
nilai
nilai--nilai total loss dimana seringkali pada datanilai total loss dimana seringkali pada data--data itu data itu terdapat poin data yang muncul dari sejumlah kecil
terdapat poin data yang muncul dari sejumlah kecil event loss dengan nilai yang sangat besar (disebut event loss dengan nilai yang sangat besar (disebut extreme).
extreme).
Fungsi distribusi probabilitas yang bisa mengakomodasi Fungsi distribusi probabilitas yang bisa mengakomodasi
extreme event itu ialah yang memiliki tail ke arah kanan extreme event itu ialah yang memiliki tail ke arah kanan yang panjang (istilah lain: fat, heavy).
Cummulative distribution function (cdf) dari GPD mengikuti persamaan:
Parameter k,
Parameter k,
µ
µ
,
, σ
σ
Ditentukan dengan teknik MLE:Ditentukan dengan teknik MLE:
Fungsi Likelihood, L: Fungsi Likelihood, L:
∏
= + − − + = n k i x k L 1 1 ) ( 1 1σ
µ
σ
∏
= i 1σ
σ
∏
= + − − + = n i k i x k n L 1 1 1 ) ( 1 1 σ µ σ∑
+
−
+
−
−
=
n
i
x
k
n
L
ln
(
1
1
)
ln
1
(
)
ln
σ
µ
Dalam formulasi logaritma:
∑
=
−
+
+
−
−
=
i
i
x
k
k
n
L
1
)
(
1
ln
)
1
1
(
ln
ln
σ
µ
σ
( ) ( ) ( ) ( ) ( ) ( ) ∑ ∑ = + − − = + = = + − − − + − − = ∂ ∂ n i k xi i x k k n k n i k xi i x k k n L 1 1 / / 1 0 1 1 / / 1 1 0 ln σ µ σ µ σ σ σ µ σ σ µ σ σ ( ) k n n i k xi i x + = = + − −
∑
1 11 / / ) ( σ µ σ µ = ∂ L 0 ln ( ) ( ) ( ( ( ) ) ) ( ) ( ) ∑( ( ( ) ) ) ∑ ∑ ∑ = + − − = + = − + = = + − − = + − − + − − = ∂ ∂ n i k xi i x n i k i x k k n i k xi i x n i k i x k k k L 1 1 / / 1 1 1 / 1 ln 2 1 0 1 1 / / 1 1 1 / 1 ln 2 1 0 ln σ µ σ µ σ µ σ µ σ µ σ µ ( ) ( ) + = + = − + ∑
k n n i k k i x k k 1 1 1 / 1 ln 2 1 µ σ [ ( ) ] nk n i i x k = = − +∑
1 / 1 ln µ σ
Parameter k dan σ bisa dihitung secara numerik:Parameter k dan σ bisa dihitung secara numerik:
Pertama, dicoba suatu nilai awal dari kedua parameter. Pertama, dicoba suatu nilai awal dari kedua parameter.
Kemudian, nilai ruas kiri pada persamaan tsb dihitung. Kemudian, nilai ruas kiri pada persamaan tsb dihitung.
Jika pada persamaan tersebut, nilai ruas kiri dikurangi ruas Jika pada persamaan tersebut, nilai ruas kiri dikurangi ruas
kanan bernilai mendekati nol, maka nilai kedua parameter
kanan bernilai mendekati nol, maka nilai kedua parameter kk dan dan σ sudah didapatkan.
σ sudah didapatkan.
Sedangkan nilai parameter µ ditentukan sebagai nilai terkecil Sedangkan nilai parameter µ ditentukan sebagai nilai terkecil
(
)
[
]
nk n i i x k = = − +∑
1 / 1 ln µ σSedangkan nilai parameter µ ditentukan sebagai nilai terkecil Sedangkan nilai parameter µ ditentukan sebagai nilai terkecil
data yaitu µ = minimum (
data yaitu µ = minimum (xxi). i).
Perhitungan bisa dilakukan dengan MS Excel Solver. Namun Perhitungan bisa dilakukan dengan MS Excel Solver. Namun
demikian, dengan software khusus statistik probabilitas demikian, dengan software khusus statistik probabilitas
EasyFit 5.2 Professional
EasyFit 5.2 Professional, penyelesaian penentuan , penyelesaian penentuan parameter
parameter--parameter bisa dilakukan dengan jauh lebih cepat.parameter bisa dilakukan dengan jauh lebih cepat.
Pada penelitian ini, penentuan parameter dilakukan dengan Pada penelitian ini, penentuan parameter dilakukan dengan
bantuan software statistik probabilitas
bantuan software statistik probabilitas EasyFit 5.2 EasyFit 5.2 Professional
Untuk bisa mensimulasikan bilangan
Untuk bisa mensimulasikan bilangan
random yang akan terdistribusi secara
random yang akan terdistribusi secara
GPD, maka disusun persamaan random
GPD, maka disusun persamaan random
variatnya sebagai berikut.
variatnya sebagai berikut.
(
x)
k 1 − k(
x − µ)
k F 1 1 − − + − = σ µ(
x)
k F k − = − − + 1 1 1σ
µ
(
)
− − − + = 1 F k 1 k xµ
σ
(
)
−
−
−
+
=
−
1
(
)
1
p
k
1
k
p
F
µ
σ
Besaran yang ingin dicari dalam analisis risiko ialah
value at risk (VaR) yang merupakan p% kuantile dari
distribusi nilai total loss:
Persamaan Kuantile:
Persamaan Kuantile:
distribusi nilai total loss:
%)
(
1
%
F
p
p
VaR
=
−
(
VaR
p
%
)
p
%
F
nilai
loss
x
≤
=
Jika Jika
F
F
((xx
) adalah distribusi nilai total loss ) adalah distribusi nilai total lossxx
, dan , danu
u
adalah suatu nilai threshold, maka nilai excesses over adalah suatu nilai threshold, maka nilai excesses over threshold (EOT) ialah
threshold (EOT) ialah
xx
––u
u
. .
Dalam hal ini hanya kondisi dimana Dalam hal ini hanya kondisi dimana
xx
> >u
u
, yaitu EOT , yaitu EOTpositif, yang diperhatikan. Dimisalkan
positif, yang diperhatikan. Dimisalkan
Fu
Fu
((yy
) adalah ) adalah distribusi nilai EOTdistribusi nilai EOT
yy
(ialah y=(ialah y=x
x -- u
u
), maka untuk y ), maka untuk y positif ( positif (x > u)
x > u)
::{
}
{
}
(
F
) ( )
( )
u
u
F
u
y
F
u
X
P
u
X
y
u
X
P
y
u
F
−
−
+
=
>
>
≤
−
=
1
)
(
(
y
u
)
[
1
F
( )
u
]
F
( ) ( )
y
F
u
)
F
+
=
−
u
+
( )
(
)
n u N n u x u F n u N n x F − + − − − = 1(
)
n u N n u x u F n u N n n − + − − + =(
)
[
F
u
x
u
]
n
u
N
−
−
−
=
1
1
(
)
− − + − − − = k x u k n u N 1 1 1 1 1σ
(
x
u
)
k
k
n
u
N
1
1
1
−
−
+
−
=
σ
(
x u)
k F( )
x k n u N − = − − + 1 1 1σ
(
)
[
F
( )
x
]
u
N
n
k
u
x
k
=
−
−
−
+
1
1
1
σ
(
)
[
( )
]
k x F n u x k − − = − + 1 1 INVERSE:(
)
[
F( )
x]
u N n u x k − = − + 1 1σ
(
)
[
1( )
]
−1 − = − −k u x F N n u x k σ( )
[
]
−
−
+
=
−1
1
k ux
F
N
n
k
u
x
σ
−
−
−
+
=
−
1
(
)
(
1
p
)
k
1
threshold
N
n
k
p
F
µ
σ
Untuk data-data excesses over threshold (EOT)
akan berlaku persamaan:
Dengan software EasyFit maka parameter2 k,σ, danµbisa ditentukan sehingga persamaan tsb bisa digunakan untuk menghitung VaR dengan memasukkan nilai p tertentu, biasanya adalah 0,999 atau 99,9%.
Algoritma meboot
Nomor Kolom Nama Kolom Keterangan 1 T Indeks urutan waktu
2 xt Variabel random loss pada waktu ke-t
3 x(t) Variabel random x yang diurutkan nilainya dari kecil ke besar
4 (t) Vektor indeks urutan, untuk mencatat urutan asli dari variabel random x
5 zt Rata-rata dari setiap dua x(t) yang berurutan
6 mt Mean dari setiap interval
7 dt Selisih absolut antara dua xt , yaitu dt = |xt+1 - xt|
8 U Bilangan random U(0,1)
9 Sorted U Bilangan random U diurutkan dari kecil ke besar
10 Batas
kuantile
Batas-batas kuantile pada setiap interval yang jaraknya dibuat sama
11 xj,(t),me Nilai variabel random hasil bootstrap yang urutan indeks waktunya belum dipulihkan
12 xj,t Nilai variabel random hasil bootstrap yang sudah dipulihkan urutan indeksnya
Data asli Data hasil bootstrap
Data asli Data hasil bootstrap
(
)
(
) (
x U batas kuantilebawah)
bawah kuantile batas atas kuantile batas bawah z atas z bawah z z − − − + = ( ) ( ) (0,338 0,333) 12,1 333 , 0 667 , 0 12 21 12 − = − − + = x zUntuk mengisi kolom ke
Untuk mengisi kolom ke--11, diperhatikan misalnya angka random 0,338 pada 11, diperhatikan misalnya angka random 0,338 pada kolom ke
kolom ke--9. Dia ada di baris ke9. Dia ada di baris ke--2 dan berada diantara batas kuantile 0,333 2 dan berada diantara batas kuantile 0,333 dan 0,667. Perhitungan kuantile yang sesuai dilakukan dengan prinsip
dan 0,667. Perhitungan kuantile yang sesuai dilakukan dengan prinsip interpolasi dengan rumus:
Distribusi Frekuensi Kejadian Loss:
Distribusi Frekuensi Kejadian Loss:
Untuk memodelkan distribusi frekuensi kejadian Untuk memodelkan distribusi frekuensi kejadian
munculnya loss dipakai fungsi distribusi Poisson sesuai munculnya loss dipakai fungsi distribusi Poisson sesuai model Samad
model Samad--Khan (RippelKhan (Rippel--Teply, 2008). Teply, 2008).
Nilai parameter Poisson ditentukan dari data yang ada. Nilai parameter Poisson ditentukan dari data yang ada.
Jika ada sejumlah n kejadian yi maka: Jika ada sejumlah n kejadian yi maka: Jika ada sejumlah n kejadian yi maka: Jika ada sejumlah n kejadian yi maka:
n n 1 i i y λ
∑
= =Sehingga probabilitas frekuensi kejadian bisa diperkirakan:Sehingga probabilitas frekuensi kejadian bisa diperkirakan:
... 2, 1, 0, y y! -λ e y λ p(y)= , =
Samad Khan
Samad Khan
Ditetapkan suatu nilai Ditetapkan suatu nilai thresholdthreshold tertentu dan nilai tertentu dan nilai excessesexcesses dari dari
setiap poin data loss dihitung, sehingga diperolehlah histogram setiap poin data loss dihitung, sehingga diperolehlah histogram ataupun fungsi distribusi dari nilai excesses over threshold (EOT). ataupun fungsi distribusi dari nilai excesses over threshold (EOT).
ParameterParameter--parameter (k dan σ) dari distribusi GPD untuk parameter (k dan σ) dari distribusi GPD untuk
memodelkan data excesses over threshold bisa dihitung dengan memodelkan data excesses over threshold bisa dihitung dengan metode maximum likelihood estimation (MLE), namun dalam metode maximum likelihood estimation (MLE), namun dalam penelitian ini akan digunakan software statistik probabilitas
penelitian ini akan digunakan software statistik probabilitas EasyFit EasyFit
metode maximum likelihood estimation (MLE), namun dalam metode maximum likelihood estimation (MLE), namun dalam penelitian ini akan digunakan software statistik probabilitas
penelitian ini akan digunakan software statistik probabilitas EasyFit EasyFit 5.2 Professional
5.2 Professional untuk mempercepat analisis. untuk mempercepat analisis.
Ketiga parameter terhitung diperiksa goodness of fitnya. Jika Ketiga parameter terhitung diperiksa goodness of fitnya. Jika
ternyata sudah fit, maka model simulasi Monte Carlo dilanjutkan ternyata sudah fit, maka model simulasi Monte Carlo dilanjutkan untuk kemudian dilakukan penghitungan nilai
untuk kemudian dilakukan penghitungan nilai risiko risiko secara statistik secara statistik menggunakan fungsi percentile ataupun dengan menyusun data menggunakan fungsi percentile ataupun dengan menyusun data probabilitas loss dari hasil simulasi yang diperoleh.
Data: Data:
Data interest rate: Data interest rate:
BAB 5
BAB 5
BAB 5
BAB 5
ANALISIS DAN PEMBAHASAN
ANALISIS DAN PEMBAHASAN
Data Losses:
Data Losses:
Bootstrapping total nilai losses
Bootstrapping total nilai losses
dengan Algoritma MEBoot
dengan Algoritma MEBoot
Histogram Data Losses:
Histogram Data Losses:
Untuk dapat mensimulasikan bilangan random dari nilai losses dengan pdf yang Untuk dapat mensimulasikan bilangan random dari nilai losses dengan pdf yang
diperoleh tersebut secara Monte Carlo, maka dalam MS Excel
diperoleh tersebut secara Monte Carlo, maka dalam MS Excel (dimana ter(dimana ter--install install EasyFit)
EasyFit) bisa digunakan fungsi generator random variatbisa digunakan fungsi generator random variat::
=GenExtremeRand(k;sigma;mu))
dengan k =
Histogram Frekuensi Kejadian Losses:
Histogram Frekuensi Kejadian Losses:
Random variat dalam MS Excel (ter-install EasyFit): =DistRand(”Poisson(1)”)DistRand(”Poisson(1)”)
Tabel 5.5 Captured Simulasi Monte Carlo dengan Cara Samad-Khan (Rippel-Teply) dalam MS Excel
Gambar 5.8 Satu Contoh Histogram Total Nilai Loss Hasil Simulasi Monte Carlo dengan Cara Samad-Khan (Rippel-Teply).
Excesses Over Threshold (EOT):
Excesses Over Threshold (EOT):
−
−
−
+
=
−
1
(
)
(
1
p
)
k
1
threshold
N
n
k
p
F
µ
σ
2 , 12510 1 1617 , 0 ) 999 , 0 1 ( 50 2345 1617 , 0 9 , 1125 3 , 1091 ) 999 , 0 ( 1 % 9 , 99 = − − − + = − = F VaRNilai VaR tersebut untuk periode dua tahunan. Nilai VaR untuk periode satu tahunan akan sebesar
BAB 6
BAB 6
BAB 6
BAB 6
KESIMPULAN DAN SARAN
KESIMPULAN DAN SARAN
1.
1. DiperolehDiperoleh pengembanganpengembangan model model untukuntuk perhitunganperhitungan Value at riskValue at risk
menggunakan
menggunakan metodemetode extreme value theory extreme value theory dandan generalized generalized paretopareto distribution
distribution adalahadalah
Yang
Yang menggunakanmenggunakan parameter parameter losseslosses yang yang dialamidialami oleholeh suatusuatu organisasi
organisasi sehinggasehingga model model perhitunganperhitungan VaRVaR daridari penelitianpenelitian iniini dapatdapat
KESIMPULAN:
KESIMPULAN:
− − − + = −1( ) (1 p) k 1 threshold N n k p F µ σ organisasiorganisasi sehinggasehingga model model perhitunganperhitungan VaRVaR daridari penelitianpenelitian iniini dapatdapat diaplikasikan
2.
2. Pada penelitian ini telah dibuat model untuk perhitungan nilai risiko Pada penelitian ini telah dibuat model untuk perhitungan nilai risiko (Value at Risk, VaR) berdasarkan extreme value theory
(Value at Risk, VaR) berdasarkan extreme value theory menggunakan generalized pareto distribution dengan data
menggunakan generalized pareto distribution dengan data--data data historis tentang losses di lingkup PT X yang ketersediaannya historis tentang losses di lingkup PT X yang ketersediaannya terbatas. Data loss (severity) dengan jumlah sangat terbatas terbatas. Data loss (severity) dengan jumlah sangat terbatas
dikenai bootstrapping dengan Algoritma MEBoot sehingga diperoleh dikenai bootstrapping dengan Algoritma MEBoot sehingga diperoleh dikenai bootstrapping dengan Algoritma MEBoot sehingga diperoleh dikenai bootstrapping dengan Algoritma MEBoot sehingga diperoleh jumlah poin data sesuai yang diinginkan. Distribusi severitas yang jumlah poin data sesuai yang diinginkan. Distribusi severitas yang diperoleh kemudian dikombinasikan dengan teknik Samad
diperoleh kemudian dikombinasikan dengan teknik Samad--Khan Khan (Rippel
(Rippel--Teply) dimana frekuensi kejadian dimodelkan dengan fungsi Teply) dimana frekuensi kejadian dimodelkan dengan fungsi Poisson sehingga diperoleh data nilai total loss. Dengan
Poisson sehingga diperoleh data nilai total loss. Dengan
menetapkan suatu nilai threshold tertentu dihitung nilai excesses menetapkan suatu nilai threshold tertentu dihitung nilai excesses over threshold (EOT). Ternyata nilai EOT terdistribusi secara GPD, over threshold (EOT). Ternyata nilai EOT terdistribusi secara GPD, sehingga analisis lebih lanjut bisa didasarkan pada fungsi distribusi sehingga analisis lebih lanjut bisa didasarkan pada fungsi distribusi tersebut.
3.
3. NilaiNilai VaRVaR PT. X PT. X tahuntahun 2009 2009 berdasarkanberdasarkan hasilhasil simulasisimulasi perhitunganperhitungan adalah
SARAN
SARAN
Penelitian
Penelitian iniini ditekankanditekankan padapada pengembanganpengembangan metodemetode analisis
analisis nilainilai VaRVaR dalamdalam manajemenmanajemen risikorisiko operasionaloperasional.. SuatuSuatu model
model telahtelah berhasilberhasil dikembangkan,dikembangkan, dandan bisabisa dipakaidipakai untukuntuk keperluan
keperluan analisisanalisis nilainilai risikorisiko dalamdalam kondisikondisi jumlahjumlah datadata lossloss yang
yang sangatsangat terbatasterbatas.. DisarankanDisarankan modelmodel bisabisa diujidiuji ulangulang dengan
dengan dibantudibantu pemrogramanpemrograman yangyang lebihlebih baikbaik kemampuankemampuan dengan
dengan dibantudibantu pemrogramanpemrograman yangyang lebihlebih baikbaik kemampuankemampuan perhitungannya
perhitungannya sehinggasehingga bisabisa dicobakandicobakan padapada kasuskasus dengandengan jumlah
Daftar Pustaka
Daftar Pustaka
Bensalah, Y., (2000), Bensalah, Y., (2000), Steps in Applying Extreme Value Theory to Finance: A ReviewSteps in Applying Extreme Value Theory to Finance: A Review, Working , Working
Paper, Bank of Canada, Ottawa Paper, Bank of Canada, Ottawa
EmbrectsEmbrects et al, et al, (1999), (1999), Extreme Value Theory as A Risk Management ToolExtreme Value Theory as A Risk Management Tool, North American , North American
Actuarial Journal, Volume 3, Number 2 Actuarial Journal, Volume 3, Number 2
GençayGençay et al, et al, (2003), (2003), High volatility, thick tails and extreme value theory in valueHigh volatility, thick tails and extreme value theory in value--atat--risk risk
estimation
estimation, Insurance Mathematics and Economics 33 (2003) 337, Insurance Mathematics and Economics 33 (2003) 337––356, Elsevier356, Elsevier
Gilli And Kellezi, (2003), Gilli And Kellezi, (2003), An Application of Extreme Value Theory for Measuring RiskAn Application of Extreme Value Theory for Measuring Risk, Preprint , Preprint
submitted to Elsevier Science, Department of Econometrics, University of Geneva and FAME submitted to Elsevier Science, Department of Econometrics, University of Geneva and FAME CH
CH––1211 Geneva 4, Switzerland1211 Geneva 4, Switzerland
Kakiay, T.J., Kakiay, T.J., ((20042004)), Pengantar Sistem Simulasi, Penerbit Andi Yogyakarta, Pengantar Sistem Simulasi, Penerbit Andi Yogyakarta
Liu, WLiu, W--H, (2007), H, (2007), A Closer Examination of Extreme Value Theory Modeling in Value at Risk A Closer Examination of Extreme Value Theory Modeling in Value at Risk
Liu, WLiu, W--H, (2007), H, (2007), A Closer Examination of Extreme Value Theory Modeling in Value at Risk A Closer Examination of Extreme Value Theory Modeling in Value at Risk
Estimation
Estimation, , Department of Banking and Finance, Department of Banking and Finance, TamkangTamkang University, Taipei, TaiwanUniversity, Taipei, Taiwan
McNeil, A.J., (1999), McNeil, A.J., (1999), Extreme Value Theory for Risk ManagersExtreme Value Theory for Risk Managers, , DepartementDepartement MathematikMathematik, ETH , ETH
Zentrum
Zentrum, CH, CH--8092 Zurich8092 Zurich
Muslich, M., Muslich, M., ((20072007)), Manajemen Risiko Operasional, Teori & Praktik, Bumi Aksara, Jakarta, Manajemen Risiko Operasional, Teori & Praktik, Bumi Aksara, Jakarta
Paszek, E., Paszek, E., ((20072007))., ., Maximum Likelihood Estimation (MLE),Maximum Likelihood Estimation (MLE), produced by The Connexions Project produced by The Connexions Project
and licensed under the Creative Commons Attribution License and licensed under the Creative Commons Attribution License
RippelRippel And And TeplyTeply, (2008). “ , (2008). “ Operational Risk Operational Risk -- Scenario AnalysisScenario Analysis ” IES Working Paper 15/2008, ” IES Working Paper 15/2008,
IES FSV. Charles University IES FSV. Charles University
TeknomoTeknomo, K, (2009), Bootstrapping, Tutorial, , K, (2009), Bootstrapping, Tutorial,
http://people.revoledu.com/kardi/tutorial/Bootstrap/examples.htm
http://people.revoledu.com/kardi/tutorial/Bootstrap/examples.htm((diaksesdiakses terakhirterakhir padapada 22 22 Desember
Desember 2009)2009)
TincaTinca, A., (2003), , A., (2003), The Operational Risk in the Outlook of the Basel II The Operational Risk in the Outlook of the Basel II AcordAcord ImplementationImplementation, ,
Theoritical