Upload
vancong
View
218
Download
0
Embed Size (px)
Citation preview
ANALISIS RISIKO OPERASIONAL MENGGUNAKAN
PENDEKATAN DISTRIBUSI KERUGIAN
DENGAN METODE AGREGAT
YUSUFI ARBI
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2013
ABSTRAK
YUSUFI ARBI. Analisis Risiko Operasional Menggunakan Pendekatan Distribusi Kerugian
dengan Metode Agregat. Dibimbing oleh RETNO BUDIARTI dan I GUSTI PUTU
PURNABA.
Risiko operasional didefinisikan sebagai risiko kerugian yang disebabkan oleh kesalahan
proses internal atau eksternal. Asuransi sebagai institusi keuangan juga dihadapkan pada risiko ini.
Pencatatan kerugian operasional di perusahaan asuransi, masih belum terlaksana dengan baik
sehingga berdampak pada terbatasnya data kerugian operasional. Pada karya ilmiah ini data
kerugian operasional yang diamati diperoleh dari pembayaran klaim. Secara umum, banyaknya
klaim asuransi dapat dimodelkan dengan menggunakan sebaran Poisson, dengan nilai harapan dari
klaim sama dengan ragamnya dan sebaran binomial negatif, dengan nilai harapan lebih kecil dari
ragamnya.
Alat analisis yang digunakan dalam pengukuran potensi kerugian adalah pendekatan distribusi
kerugian dengan metode agregat di mana data kerugian dikelompokkan dalam distribusi frekuensi
dan severitas. Dengan melakukan simulasi sebanyak kali dihasilkan nilai total klaim yang
merupakan jumlah dari potensi kerugian klaim individu dari setiap simulasi yang dilakukan.
Kemudian, dari hasil tersebut ditetapkan nilai potensi kerugian (OpVar) pada tingkat kepercayaan
tertentu.
Kata kunci: risiko operasional, OpVaR, metode agregat
ABSTRACT
YUSUFI ARBI. Operational Risk Analysis Using Loss Distribution Approach with Aggregate
Method. Supervised by RETNO BUDIARTI and I GUSTI PUTU PURNABA.
Operational risk is defined as the risk of loss resulting from inadequate or failed internal
processes or external problems. Insurance companies as financial institution that also faced at risk.
Recording of operating losses in insurance companies, were not properly conducted so that the
impact on the limited data for operational losses. In this work, the data of operational loss
observed from the payment of the claim. In general, the number of insurance claims can be
modelled using the Poisson distribution, where the expected value of the claims is similar with
variance, while the negative binomial distribution, the expected value was bound to be less than
the variance.
Analysis tools are used in the measurement of the potential loss is the loss distribution
approach with the aggregate method. In the aggregate method, loss data grouped in a frequency
distribution and severity distribution. After doing 10.000 times simulation are resulted total loss of
claim value, which is total from individual claim every simulation. Then from the result was set
the value of potential loss (OpVar) at a certain level confidence.
Keywords: operasional risk, OpVaR, aggregate method
ANALISIS RISIKO OPERASIONAL MENGGUNAKAN
PENDEKATAN DISTRIBUSI KERUGIAN
DENGAN METODE AGREGAT
YUSUFI ARBI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Sains pada
Departemen Matematika
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2013
Judul Skripsi : Analisis Risiko Operasional Menggunakan Pendekatan
Distribusi Kerugian dengan Metode Agregat.
Nama : Yusufi Arbi
NIM : G54080011
Menyetujui
Tanggal Lulus:
Pembimbing I,
Ir. Retno Budiarti, MS.
NIP: 19610729 198903 2 001
Pembimbing II,
Dr. Ir. I Gusti Putu Purnaba, DEA.
NIP: 19651218 199002 1 001
Mengetahui:
Ketua Departemen,
Dr. Berlian Setiawaty, MS.
NIP: 19650505 198903 2 004
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah swt atas berkat, rahmat dan kasih sayang-Nya
sehingga penulis mampu menyelesaikan karya ilmiah ini. Berbagai kendala dialami oleh penulis
sehingga banyak sekali orang yang membantu dan berkontribusi dalam pembuatan karya ilmiah
ini. Oleh karena itu, dalam kesempatan ini penulis mengucapkan terima kasih kepada:
1. keluarga tercinta: Apa dan Ama. Ama sebagai pemberi motivasi dan Apa sebagai sumber
inspirasi, adikku Novetra Subuhadi dan Islamia Fuada (terima kasih atas doa, dukungan,
kesabaran dan kasih sayangnya), Alm. Atuak Amat yang pasti selalu mendoakanku, Enek
Ina, Enek Marlianis, Pak Odang Aznil, Pak Odang Meh, Pak Ongah, Ante Wati, Ante Ina,
Ibu Yeni, Ni Pipi, Ciat dan Ira (terima kasih atas doa, semangat, motivasi dan
dukungannya), Sepupuku Tesi, Titik, Pian, Icha, dhani dan Andien (Terimakasih atas doa
dan keceriannya), Rahmadini Suryani (terima kasih atas kasih sayang, dan doanya),
2. Ir. Retno Budiarti, MS. selaku dosen pembimbing I yang telah meluangkan waktu dan
pikiran dalam membimbing, memberi motivasi, semangat dan doa,
3. Dr. Ir. I Gusti Putu Purnaba, DEA. selaku dosen pembimbing II yang telah memberikan
ilmu, kritik dan saran, motivasi serta doanya,
4. Dr. Ir. I Wayan Mangku, M.Sc. selaku dosen penguji yang telah memberikan ilmu, saran
dan doanya,
5. semua dosen Departemen Matematika, terima kasih atas semua ilmu yang telah diberikan,
6. staf Departemen Matematika: Bapak Yono, Ibu Susi, Ibu Ade, Alm. Bapak Bono, Bapak
Deni, Mas Hery, Ibu Yanti atas semangat dan doanya,
7. Bari, Fachri dan Hendra yang telah meluangkan waktu untuk menjadi pembahas pada
seminar karya ilmiah saya,
8. teman-teman satu bimbingan: Khafidz, Yunda, Fitriah dan Edi,
9. sahabatku Hardono, Dahen, Herlan, Irwan, Ridwan, Haryanto, Ari, Izzudin, Beni, Fuka,
Khafidz, Nova, Fenny, Achi, Gita, Rischa, Mega (terimakasih atas kebersamaannya),
10. teman-teman mahasiswa Matematika angkatan 45 (terimakasih atas doa, dukungan
semangatnya serta kebersamaannya selama 3 tahun),
11. kakak-kakak Matematika angkatan 43, dan 44 yang menjadi cermin untuk menjadi
pribadi yang lebih baik,
12. adik-adik Matematika angkatan 46 dan 47 yang terus mendukung agar berkembang,
13. Gumatika Ceria, Gumakusi dan IKMP yang menunjukkan sebuah hal yang baru,
14. semua pihak yang telah membantu dalam penyusunan karya ilmiah ini.
Semoga karya ilmiah ini dapat bermanfaat bagi dunia ilmu pengetahuan khususnya bidang
matematika dan menjadi inspirasi bagi penelitian selanjutnya.
Bogor, Januari 2013
Yusufi Arbi
RIWAYAT HIDUP
Penulis dilahirkan di Tiakar Sumatera Barat, pada tanggal 30 Desember 1989 dari Bapak
H. Aldiwarman dan Ibu Nirmeli. Penulis merupakan putra Sulung dari tiga bersaudara.
Pada tahun 1996 penulis lulus dari TK Aisyiah Anding, tahun 2002 penulis lulus dari SD
Negeri 43 Tiakar, tahun 2005 penulis lulus dari SMP Negeri 1 Kecamatan Guguak, tahun 2008
penulis lulus dari SMA Negeri 1 Kecamatan Guguak. Penulis diterima sebagai mahasiswa Institut
Pertanian Bogor pada tahun 2008 melalui jalur Undangan Seleksi Masuk IPB (USMI), Tingkat
Persiapan Bersama. Pada tahun 2009, penulis memilih mayor Matematika pada Departemen
Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama mengikuti perkuliahan, penulis menjadi asisten mata kuliah Metode Statistika dan
Pemograman Linear (S1) pada tahun akademik 2010-2011. Tahun 2008-2009 penulis
mendapatkan beasiswa POM (Persatuan Orng tua Mahasiswa) dari Institut Pertanian Bogor dan
Beasiswa Bank Indonesia pada tahun 2011-2012.
Penulis aktif dalam organisasi kemahasiswaan di kampus, seperti organisasi himpunan profesi
Departemen Matematika yang dikenal dengan GUMATIKA (Gugus Mahasiswa Matematika)
sebagai Staf Divisi Sosial Komunikasi tahun 2009-2010 dan sebagai Ketua organisasi mahasiswa
daerah Payakumbuh yang dikenal dengan IKMP (Ikatan Kekeluargaan Mahasiswa Payakumbuh).
Penulis juga aktif dalam organisasi komunitas GEN BI (Generasi Baru Indonesia) yang dibentuk
oleh Bank Indonesia pada tahun 2011-2013.
Penulis pernah mendapatkan penghargaan yaitu juara favorit lomba perkusi SPIRIT 2011,
juara 1 bulutangkis G-5 League tahun 2010, 2011 dan 2012, juara 1 bulutangkis Olimpiade
Mahasiswa Minang tahun 2012, juara 1 bulutangkis Olimpiade IKMP dan juara 2 bulutangkis
KEJURDA UNPAD.
DAFTAR ISI
Halaman
DAFTAR TABEL ........................................................................................................................ ix
DAFTAR GAMBAR ................................................................................................................... ix
DAFTAR LAMPIRAN ................................................................................................................ ix
I PENDAHULUAN
1.1 Latar Belakang .................................................................................................................. 1
1.2 Tujuan Penulisan .............................................................................................................. 1
II LANDASAN TEORI
2.1 Pengukuran Risiko Operasional ........................................................................................ 2
2.2 Percobaan Acak, Ruang Contoh, Kejadian, dan Peluang .................................................. 2
2.3 Peubah Acak dan Fungsi Sebaran ...................................................................................... 2
2.4 Nilai Harapan, Ragam dan Momen ................................................................................... 4
2.5 Proses Stokastik ................................................................................................................. 4
2.6 Metode Konvolusi ............................................................................................................. 5
III PEMBAHASAN
3.1 Distribusi Total Kerugian .................................................................................................. 7
3.2 Proses Compound Poisson ................................................................................................. 8
3.3 Sifat Sebaran Compound Poisson ..................................................................................... 11
3.3 Pendekatan Distribusi Total Klaim .................................................................................... 12
3.3 Pengukuran Risiko Operasional Klaim .............................................................................. 13
IV SIMPULAN ............................................................................................................................. 16
DAFTAR PUSTAKA ............................................................................................................. 17
LAMPIRAN ........................................................................................................................... 18
viii
DAFTAR TABEL
Halaman
1 Nilai OpVaR pada tingkat kepercayaan 99% dan 95% (hasil dalam sepuluh ribuan) .......... 14
2 Statistik simulasi dengan 100 kali ulangan ........................................................................... 15
3 Simulasi ulangan ke-1 ........................................................................................................... 20
DAFTAR GAMBAR
Halaman
1 Nilai OpVaR pada tingkat kepercayaan 99% dan 95%. .................................................... 15
2 Grafik simulasi total kerugian pada ulangan pertama dengan n = 10.000
(hasil dalam sepuluh ribuan). .............................................................................................. 21
DAFTAR LAMPIRAN
Halaman
1 Sifat-sifat fungsi pembangkit momen ................................................................................. 19
2 Hasil simulasi dengan MATLAB ...................................................................................... 20
3 Grafik simulasi total kerugian pada ulangan pertama dengan n = 10.000
(hasil dalam sepuluh ribuan). ............................................................................................. 21
ix
1
I PENDAHULUAN
1.1 Latar belakang
Sektor jasa keuangan merupakan salah
satu sektor industri yang sering menghadapi
hambatan strategis. Industri keuangan
menghadapi perubahan peraturan seiring
dengan perkembangan teknologi. Asuransi
sebagai institusi keuangan yang sedang
berkembang saat ini dalam menjalankan
aktivitasnya juga dihadapkan pada risiko,
karena pada dasarnya risiko selalu melekat
pada seluruh aktivitas perusahaan. Besarnya
risiko dalam suatu perusahaan pada
hakikatnya menunjukkan besarnya potensi
masalah oleh perusahaan tersebut.
Salah satu risiko yang belum banyak
diketahui karakteristiknya dibandingkan
beberapa risiko lainnya adalah risiko
operasional. Risiko operasional adalah risiko
yang antara lain disebabkan oleh adanya
ketidakcukupan atau tidak berfungsi proses
internal, kesalahan manusia, kegagalan sistem,
atau adanya masalah eksternal yang
mempengaruhi operasional perusahaan.
Meskipun terlihat sederhana, jika tidak
dikelola dengan baik risiko ini akan
menimbulkan dampak yang besar. Menurut
BASEL II (peraturan perbankan internasional)
ukuran besarnya risiko operasional
(Operational Value at Risk) disingkat dengan
OpVaR.
BASEL II memberikan beberapa metode
pengukuran risiko operasional, di antaranya
Basic Indicator Approach (pendekatan
indikator dasar), Standardized Approach
(pendekatan standar) dan Advance
Measurement Approach (pendekatan
pengukuran lanjutan). Pada dua metode
pertama mensyaratkan sebaran normal,
padahal dalam kenyataannya kerugian
seringkali menyebar tidak normal (Situngkir
dan Surya 2006). Oleh karena itu, dalam
peraturan BASEL II ini diperbolehkan
menggunakan metode alternatif (pendekatan
pengukuran lanjutan). Salah satu teknik yang
digunakan yaitu Loss Distribution Approach
(pendekatan distribusi kerugian) yang
dipercaya sangat relevan dalam pengukuran
risiko operasional pada perusahaan asuransi.
Pencatatan kerugian operasional
khususnya di perusahaan asuransi, masih
belum terlaksana dengan baik sehingga
berdampak pada terbatasnya data untuk
kerugian dalam risiko operasional. Pada karya
ilmiah ini data kerugian operasional yang
diamati diperoleh dari pembayaran klaim.
Secara umum, klaim asuransi dapat
dimodelkan dengan menggunakan sebaran
yang memiliki sifat yang sama seperti sebaran
Poisson, di mana nilai harapan dari klaim
sama dengan ragamnya dan sebaran binomial
negatif, di mana nilai harapan lebih kecil dari
ragamnya.
1.2 Tujuan
Tujuan dari karya ilmiah ini yaitu:
1. Mempelajari karakteristik statistik risiko
operasional (OpVaR) pada perusahaan
asuransi.
2. Menentukan nilai risiko operasional
dengan metode agregat.
2
II LANDASAN TEORI
2.1 Pengukuran Risiko Operasional
Terdapat beberapa pendekatan untuk
mengukur risiko operasional sebagaimana
yang disarankan oleh lembaga keuangan
internasional (Bank for International
Settlement, BIS) yaitu:
a. Pendekatan indikator dasar.
b. Pendekatan standar.
c. Pendekatan pengukuran lanjutan.
Pada dua pendekatan pertama, lembaga
keuangan internasional (BIS) telah
menentukan standar baku perhitungan risiko
operasionalnya, sementara untuk pendekatan
pengukuran lanjutan, lembaga keuangan
internasional (BIS) menyerahkan pada
internal bank atau perusahaan untuk
perhitungannya, dengan syarat metode ini
memenuhi kriteria kelayakan perhitungan.
Salah satu teknik dari pendekatan
pengukuran lanjutan adalah pendekatan
distribusi kerugian. Pendekatan distribusi
kerugian didasarkan pada data kerugian
operasional internal. Data kerugian
operasional dikelompokkan dalam distribusi
frekuensi kejadian atau events dan distribusi
severitas (besarnya kerugian operasional).
Distribusi data frekuensi kejadian operasional
merupakan distribusi yang bersifat diskret dan
proses stokastik data umumnya mengikuti
distribusi Poisson. Sedangkan distribusi data
severitas kerugian operasional merupakan
distribusi yang bersifat kontinu. Distribusi
severitas kerugian operasional umumnya
mengikuti karakteristik distribusi eksponensial
(Muslich 2007).
Alat analisis yang digunakan dalam
pengukuran potensi kerugian adalah
pendekatan distribusi kerugian dengan metode
agregat. Dalam metode agregat, data kerugian
operasional didistribusikan dalam distribusi
frekuensi dan severitas. Dengan dua jenis
distribusi frekuensi dan severitas tersebut,
distribusi total kerugian operasional tinggal
menggabungkannya menjadi satu distribusi
total kerugian. Distribusi total kerugian ini
yang kemudian digunakan untuk
memproyeksikan potensi kerugian risiko
operasional.
2.2 Percobaan Acak, Ruang Contoh,
Kejadian, dan Peluang
Definisi 1 (Percobaan Acak)
Percobaan acak adalah percobaan yang
dapat dilakukan berulang-ulang dalam kondisi
yang sama. Semua kemungkinan hasil yang
akan muncul dapat diketahui, tetapi hasil pada
percobaan berikutnya tidak dapat ditebak
dengan tepat.
(Hogg et al. 2005)
Definisi 2 (Ruang Contoh)
Ruang contoh adalah himpunan semua hasil
yang mungkin dari suatu percobaan acak, dan
dinotasikan dengan Ω.
(Grimmet dan Stirzaker 1992)
Definisi 3 (Kejadian) Kejadian adalah suatu himpunan bagian dari
ruang contoh Ω.
(Grimmet dan Stirzaker 1992)
Definisi 4 (Kejadian Saling Lepas)
Kejadian A dan B disebut saling lepas jika
irisan dari keduanya adalah himpunan kosong
( .
(Grimmet dan Stirzaker 1992)
Definisi 5 (Medan- )
Medan- adalah suatu himpunan yang
anggotanya terdiri atas himpunan bagian
ruang contoh , yang memenuhi syarat
berikut:
1. .
2. Jika , maka 3. Jika , maka ⋃
(Grimmet dan Stirzaker 1992)
Definisi 6 (Ukuran Peluang)
Ukuran peluang P pada ( merupakan
fungsi yang memenuhi:
1. ( ( 2. bersifat aditif tak hingga, yaitu jika
dengan
maka
( ∑ (
Pasangan ( disebut ruang peluang.
(Grimmet dan Stirzaker 1992)
2.3 Peubah Acak dan Fungsi Sebaran
Definisi 7 (Peubah Acak)
Misalkan Ω adalah ruang contoh dari suatu
percobaan acak. Fungsi terdefinisi pada
yang memetakan setiap unsur ke satu
dan hanya satu bilangan real (
disebut peubah acak.
Ruang dari adalah himpunan bagian
bilangan real ( . (Hogg et al. 2005)
3
Catatan :
Peubah acak dinotasikan dengan huruf kapital,
misalnya sedangkan nilai peubah acak
dinotasikan dengan huruf kecil seperti
Definisi 8 (Fungsi Sebaran)
Misalkan adalah peubah acak dengan ruang
. Misalkan kejadian ( ,
maka peluang dari kejadian adalah
( ( Fungsi disebut fungsi sebaran dari peubah
acak (Hogg et al. 2005)
Definisi 9 (Peubah Acak Diskret)
Peubah acak dikatakan diskret jika nilainya
hanya berada pada himpunan bagian yang
terhitung dari .
(Grimmet dan Stirzaker 1992)
Catatan :
Suatu himpunan bilangan disebut terhitung
jika terdiri atas terhingga bilangan atau
dapat dikorespondensikan 1-1 dengan
bilangan bulat positif.
Definisi 10 (Peubah Acak Kontinu)
Peubah acak dikatakan kontinu jika fungsi
sebarannya dapat diekspresikan sebagai
( ∫ (
,
untuk suatu fungsi yang dapat
diintegralkan. Selanjutnya fungsi
disebut fungsi kepekatan peluang (probability
density function) bagi (Hogg et al. 2005)
Definisi 11 (Fungsi Massa Peluang)
Fungsi massa peluang dari peubah acak
diskret adalah fungsi yang
diberikan oleh : ( ( (Hogg et al. 2005)
Definisi 12 (Fungsi Kepekatan Peluang
Bersyarat)
Misalkan dan adalah peubah acak
kontinu, yang menyebar bersama dengan
fungsi kepekatan peluang bersama dan
fungsi kepekatan peluang marginal dari
adalah
( Fungsi kepekatan peluang
bersyarat dari dengan syarat adalah
( (
( .
(Grimmet dan Stirzaker 1992)
Definisi 13 (Kejadian Saling Bebas)
Misalkan kejadian tidak memengaruhi
kejadian dengan peluang (
sedemikian sehingga peluang bersyarat jika
diketahui adalah
( ( maka kejadian dan dikatakan saling
bebas. Kemudian dapat diperoleh peluang
bersamanya
( ( (
( ( dan untuk ( peluang bersyarat
jika diketahui adalah
( (
( (
(Grimmet dan Stirzaker 1992)
Definisi 14 (Peubah Acak Binomial Negatif)
Peubah acak dikatakan menyebar binomial
negatif dengan parameter ( dan jika memiliki fungsi
massa peluang
( (
) (
(Grimmet dan Stirzaker 1992)
Definisi 15 (Peubah Acak Poisson)
Peubah acak dikatakan menyebar Poisson
dengan parameter , jika memiliki fungsi
massa peluang
( (
dengan .
(Hogg et al. 2005)
Definisi 16 (Sebaran Multinomial)
Peubah acak diskret disebut
menyebar multinomial dengan parameter
dan adalah bilangan bulat
positif, untuk semua
dan jika fungsi massa
peluangnya
( =
,
(
(Hogg et al. 2005)
Definisi 17 (Peubah Acak Eksponensial)
Suatu peubah acak disebut peubah acak
eksponensial dengan parameter jika
nilainya terletak pada dan memiliki
fungsi kepekatan peluang
( (Grimmet dan Stirzaker 1992)
4
Definisi 18 (Peubah Acak Gamma)
Suatu peubah acak kontinu dikatakan
menyebar Gamma ( , jika fungsi
kepekatan peluangnya diberikan oleh
(
⁄
(
dengan dan ( , di mana
( ∫
(Hogg et al. 2005)
2.4 Nilai Harapan, Ragam dan Momen
Definisi 19 (Nilai Harapan)
i. Jika adalah peubah acak diskret dengan
fungsi massa peluang ( maka nilai
harapan , dinotasikan dengan ( adalah
( ∑ ( asalkan jumlah di atas konvergen mutlak.
ii. Jika adalah peubah acak kontinu
dengan fungsi kepekatan peluang ( maka nilai harapan dari , dinotasikan
dengan ( adalah
( ∫ (
asalkan integral di atas konvergen. Jika
integral di atas divergen, maka nilai
harapan dari tidak ada.
(Hogg et al. 2005)
Definisi 20 (Ragam)
Ragam dari peubah acak adalah nilai
harapan kuadrat selisih antara dengan nilai
harapannya. Secara matematis dapat
dituliskan sebagai
( ( (
jika nilai harapannya ada. Jika nilai
harapannya tidak ada, maka ragam dari
peubah acak tidak ada.
(Hogg et al. 2005)
Definisi 21 (Momen)
a) Jika adalah peubah acak diskret dengan
fungsi massa peluang ( maka
momen ke- atau dari ,
didefinisikan sebagai
(
∑
(
jika jumlah di atas konvergen. Jika
jumlah di atas divergen, momen ke- dari
peubah acak tidak ada.
b) Jika adalah peubah acak kontinu
dengan fungsi kepekatan peluang (
maka momen ke- dari didefinisikan
sebagai
( ∫
(
jika integral di atas konvergen. Jika
integral di atas divergen, maka momen
ke- dari peubah acak tidak ada.
(Grimmet dan Stirzaker 1992)
Definisi 22 (Fungsi Pembangkit Momen)
Fungsi pembangkit momen dari suatu peubah
acak didefinisikan sebagai
( ( untuk sehingga nilai harapan di atas
ada.
Fungsi pembangkit momen mempunyai sifat-
sifat sebagai berikut:
1. ( ( (
2. Jika mempunyai fungsi pembangkit
momen ( dan maka
mempunyai fungsi pembangkit momen
( ( 3. Jika dan peubah acak yang saling
bebas dengan fungsi pembangkit momen
dan maka mempunyai
fungsi pembangkit momen
( ( ( Bukti sifat 1, 2 dan 3 di lampiran 1.
(Grimmet dan Stirzaker 1992)
2.5 Proses Stokastik
Definisi 23 (Proses Stokastik)
Proses stokastik (stochastic process)
( adalah koleksi dari peubah acak.
Untuk setiap dalam indeks , (
merupakan peubah acak. Jika menyatakan
waktu , maka ( menyatakan kondisi proses
saat . Jika T merupakan himpunan indeks
terhitung maka, ( disebut proses
stokastik waktu diskret dan jika T kontinu,
maka ( disebut proses stokastik
waktu kontinu.
(Ross 1996)
Definisi 24 (Proses Pencacahan)
Suatu proses stokastik ( disebut
sebagai proses pencacahan (counting process)
jika ( menyatakan banyaknya kejadian
yang terjadi dalam selang waktu [0,t] dan
( harus memenuhi:
i. ( ii. ( bernilai bulat.
iii. Jika maka ( (
5
iv. Untuk ( ( menyatakan
banyaknya kejadian yang terjadi dalam
selang waktu ( . (Ross 1996)
Definisi 25 (Proses Poisson)
Suatu proses pencacahan ( disebut proses Poisson (Poisson process)
dengan laju , jika:
(i) ( (ii) Proses memiliki kenaikan bebas.
(iii) Banyaknya kejadian yang terjadi dalam
setiap selang waktu sepanjang
menyebar Poisson dengan nilai harapan
. Sehingga untuk semua
berlaku
( (
(
untuk
(Ross 1996)
Definisi 26 (Proses Poisson Majemuk)
Suatu proses stokastik ( disebut
sebagai proses Poisson majemuk (compound
Poisson process), jika dapat dinyatakan
sebagai
( ∑
(
dengan ( adalah proses Poisson
dengan laju , dan adalah suatu
barisan peubah acak independent and
identically distribution (i.i.d) dengan suau
fungsi sebaran , yang juga bebas terhadap
( (Ross 1996)
2.6 Metode Konvolusi
Metode Konvolusi Untuk Dua Peubah
Acak
Misalkan dan adalah dua peubah
acak yang saling bebas. Jumlah keduanya
didefinisikan sebagai :
Untuk mencari fungsi distribusi dari ,
yaitu , adalah sebagai berikut :
Ambil dan
Garis dan daerah di bawah garis
itu merupakan daerah ( ( ( .
Untuk dan yang diskret dan non
negatif maka menurut hukum peluang total :
( (
∑ ( (
∑ ( (
Karena dan saling bebas maka
( ∑ (
( (
sehingga fungsi peluang yang berkaitan
dengan fungsi distribusi ini adalah :
(
∑
( (
∑
( (
=∑ (
(
Pernyataan (2.6.1) tersebut merupakan
konvolusi dari dua peubah acak diskret.
Untuk dan peubah acak kontinu
dan non negatif maka fungsi distribusi dari
analog dengan peubah acak diskret, tetapi
tanda ∑ diganti dengan tanda ∫ , sehingga
didapat :
( ∫ (
(
( ∫ (
(
Pernyataan di atas merupakan konvolusi dua
peubah kontinu.
Notasi konvolusi untuk dua peubah acak
adalah : ( ( (
Metode Konvolusi Secara Umum
Dalam menentukan distribusi jumlah dari
peubah acak dapat digunakan proses
konvolusi secara rekursif atau berulang-ulang.
Misalkan peubah-peubah
acak yang saling bebas dan non negatif yang
menyatakan uang klaim dalam suatu polis
asuransi. Jumlah uang klaim dari polis
tersebut dilambangkan dengan :
merupakan peubah acak yang saling
bebas merupakan fungsi peluang dari
( merupakan fungsi distribusi dari
.
Untuk model ini berlaku : 𝑋
𝑋 𝑆 𝑋 𝑋
6
1. Dalam hal tepat dua peubah acak klaim,
jika salah satu uang klaim dinotasikan
dengan , maka kemungkinan bahwa
uang klaim bernilai adalah (
dengan demikian
( ( ( 2. Jika salah satu uang klaim mempunyai
nilai , maka kemungkinan total uang
dua klaim yang kurang dari atau sama
dengan adalah sama dengan
kemungkinan uang klaim lain yang
kurang dari atau sama dengan (
atau dengan kata lain
( (
Notasinya adalah ( (
3. Dengan demikian kemungkinan untuk
dua uang klaim adalah
( ( (
4. Untuk suatu nilai tertentu, bernilai
antara 0 dan maka
( ( ∑ ( ( (
5. Untuk tepat tiga peubah acak klaim, di
mana salah satu uang bernilai dan
besar untuk dua klaim yang lain bernilai
( maka
( ( ∑ ( ( (
6. Untuk tepat empat peubah acak klaim
( ( ∑ ( ( (
Sehingga untuk peubah acak klaim
( ( ∑ ( ( (
Untuk memudahkan, maka konvolusi
peubah acak dinotasikan sebagai berikut:
( ( (
jika ( mempunyai distribusi
yang sama, misal maka distribusi jumlahnya
dilambangkan .
Apabila diasumsikan bahwa banyaknya
peubah acak misalnya dan saling bebas
terhadap atau terhadap , dalam hal seperti
ini dapat dicari fungsi distribusi dari ( (
∑ (
(
∑ (
(
Karena dan saling bebas maka (
menjadi :
∑ ( ( (
(
Untuk ( yang
berdistribusi sama maka:
( ∑ (
dengan
∑ ( ( (
(Ester 1998)
2.7 Value at Risk (VaR)
Value at risk adalah pengukuran suatu risiko
yang dilakukan secara kuantitatif dengan
memperkirakan potensi maksimum kerugian
yang mungkin terjadi dengan suatu tingkat
keyakinan tertentu.
(Jorion 2001)
7
III PEMBAHASAN
Pada hakikatnya, risiko dalam sektor
keuangan dibagi menjadi tiga bagian yaitu
risiko pasar, risiko kredit dan risiko
operasional. Risiko operasional, tidak
sebagaimana dengan risiko pasar dan risiko
kredit, terjadi pada setiap orang yang ada
dalam perusahaan karena orang merupakan
salah satu sumber dari risiko operasional.
Risiko operasional mempunyai dimensi yang
luas dan kompleks dengan sumber risiko yang
merupakan gabungan dari berbagai sumber
yang ada dalam organisasi, proses dan
kebijakan, sistem dan teknologi, orang dan
faktor lainnya (Muslich 2007).
Pencatatan kerugian operasional,
khususnya di perusahaan asuransi masih
belum terlaksana dengan baik sehingga
berdampak pada terbatasnya data untuk
kerugian dalam risiko operasional. Oleh
karena itu pada karya ilmiah ini data kerugian
operasional yang diamati diperoleh dari
pembayaran klaim.
Metode pengukuran risiko operasional
yang digunakan dalam karya ilmiah ini adalah
metode alternatif (pendekatan pengukuran
lanjutan). Salah satu teknik yang digunakan
yaitu pendekatan distribusi kerugian dengan
metode agregat yang dipercaya sangat relevan
dalam pengukuran risiko operasional pada
perusahaan asuransi (McNeil et al. 2005).
Berikut ini adalah bentuk dari model risiko
pada pendekatan distribusi kerugian:
Misalkan :
banyaknya klaim yang dihasilkan dari
portofolio polis pada waktu tertentu.
= besarnya klaim ke- Sehingga model dari total kerugian risiko
operasional dapat dituliskan sebagai berikut
. (1) Model ini sering disebut juga model
risiko kolektif Secara umum model (1)
merepresentasikan klaim secara keseluruhan
dari portofolio pada waktu tertentu. Peubah
acak menyatakan banyaknya klaim dan erat
kaitan dengan frekuensi klaim. Peubah acak
menyatakan besarnya klaim ke- . Agar model lebih mudah diselesaikan maka
diperlukan asumsi berikut
(i) Peubah acak dan ( ) saling
bebas.
(ii) Peubah acak saling bebas.
(iii) Peubah acak memiliki
sebaran yang sama.
(Bowers et al. 1997)
3.1 Distribusi Total Kerugian
Distribusi total klaim dalam periode
waktu tertentu dapat diperoleh dari distribusi
banyaknya klaim dan distribusi besar klaim
individu .
Misalkan merupakan peubah acak yang
menyatakan besarnya klaim. Diketahui fungsi
distribusi adalah . Bila terjadi klaim
sebanyak maka besarnya total klaim adalah
dan distribusi dinyatakan
dengan ( .
Momen ke-k = . Fungsi pembangkit momen dari
( Fungsi pembangkit momen dari
( Fungsi pembangkit momen dari
( Untuk menentukan nilai harapan dan
ragam dari maka diperlukan dua teorema
berikut
Teorema 1
Misalkan ( adalah peubah acak dua
dimensi maka nilai harapan dari dapat
ditentukan lewat nilai harapan dengan
syarat sebagai berikut :
.
Bukti (Teorema 1)
Jika dan adalah peubah acak diskret,
maka
[ ] ∑ (
∑ ∑ ( (
∑ ∑ (
( (
∑ ∑ (
∑ ∑ (
∑ (
Jika dan adalah peubah acak kontinu,
maka
∫ (
∫ ∫ (
(
8
∫ ∫ (
(
(
∫ ∫
(
∫ ∫ (
∫ (
Jadi, terbukti .
Teorema 2
Misalkan ( adalah peubah acak dua
dimensi maka:
[ ]
Bukti (Teorema 2)
(
[ ] ( ]
( ( (
( ( (
( ( [ ]
[ ] Jadi terbukti
[ ] [ ]
Atas dasar Teorema 1 dan Teorema 2 dan
dalam kaitannya dengan ketiga asumsi yang
digunakan, maka diperoleh nilai harapan dari :
(2)
Bukti (2)
dan ragam :
(3)
Bukti (3)
[ ] [ ]
[ ]
di mana
Selanjutnya akan diperlihatkan rumus
fungsi pembangkit momen dari .
( ( ( ( (4)
Bukti (4)
(
[ ( ]
[ ]
karena saling bebas, maka
( [ ]
dan berdistribusi identik, diperoleh:
( (
( ( ( (
Selanjutnya untuk menentukan fungsi
distribusi dari dapat dilihat sebagai berikut:
( (
∑ (
(
∑ (
(
Menurut operasi konvolusi untuk risiko
kolektif dan sesuai dengan asumsi
berdistribusi sama ,
( ∑ (
(
Jika distribusi besarnya klaim individu
adalah diskret dengan fungsi probabilitas
( ( maka distribusi dari total
klaim juga diskret, sehingga fungsi
probabilitas dari dapat diperoleh sebagai
berikut :
(
∑ (
( ∑ ( (
(
3.2 Proses Compound Poisson
Pada umumnya, sebaran dari peubah acak
(banyaknya klaim) adalah sebaran Poisson
dengan fungsi massa peluang
(
(
dengan Nilai harapan dan ragam dari sebaran Poisson
berturut-turut adalah
Misalkan dan merupakan nilai harapan
dan momen ke-2 dari , dapat dinyatakan
dan Jika peubah acak (banyaknya klaim)
memiliki sebaran Poisson, maka peubah acak
pada persamaan (1) memiliki sebaran
9
compound Poisson. Sehingga, nilai harapan
dan ragam dari sebaran compound Poisson
adalah
(8)
dan
(9)
Bukti (8)
Diketahui S= + +…+ , dengan , ,…
menyebar i.i.d dan menyebar Poisson.
Akan dibuktikan .
(
(∑
∑ [∑
] (
∑ [∑
] (
∑ [∑ (
] (
∑ (
∑ (
(
Bukti (9)
Diketahui S= + +…+ , dengan , ,…
menyebar i.i.d dan menyebar Poisson.
Akan dibuktikan : .
(
((∑
∑ *(∑
)
+ (
∑ ∑ ( )
∑ ∑ (
(
(
∑ ( ) ( (
(
∑ (
( ∑( (
( (
(
( (
(
( (
( (
( (
( ( (
( ( (
( (
(
( ( (
( ( (
Fungsi pembangkit momen untuk sebaran
Poisson yaitu:
( (
Dengan mensubstitusikan fungsi
pembangkit momen Poisson diperoleh
persamaan berikut
(
(
( (10)
( (
Sehingga, fungsi pembangkit momen untuk
sebaran compound Poisson dapat dituliskan
sebagai berikut:
( (
( (
( ( ( (11)
Sebaran Poisson hanya dapat dipakai jika
nilai ragamnya sama dengan nilai harapannya.
Namun jika nilai ragam dari banyaknya
kerugian lebih besar dari nilai harapannya
maka sebaran yang digunakan untuk peubah
acak N (banyaknya klaim) adalah sebaran
binomial negatif dengan fungsi massa peluang
( (
)
(12)
dengan
.
Nilai harapan dan ragam dari sebaran
binomial negatif berturut-turut sebagai berikut
10
Misalkan dan berturut-turut merupakan
nilai harapan dan momen ke-2 dari , dapat
dinyatakan
Jika peubah acak (banyaknya klaim)
memiliki sebaran binomial negatif maka
peubah acak S pada persamaan (1) memiliki
sebaran compound binomial negatif.
Sehingga, diperoleh nilai harapan dan ragam
dari sebaran compound binomial negatif
sebagai berikut
(13)
dan
(14)
Bukti (13)
Diketahui: dengan
menyebar i.i.d dan menyebar
binomial negatif.
Akan dibuktikan :
.
(
(∑
∑ [∑
]
(
∑ [∑
] (
∑ [∑ (
]
(
∑
(
∑ (
Bukti (14)
Diketahui: dengan
menyebar i.i.d dan menyebar
binomial negatif
Akan dibuktikan:
(
((∑
)
| )
∑ *(∑
)
| +
(
∑
[ ∑ (
)
∑∑ ( ( )
]
(
∑[ ( ) ( (
]
(
∑ (
( ∑( (
(
(
(
(
(
(
(
(
( (
(
(
(
(
(
(
(
(
(
(
(
( ( (
(
( (
(
(
Fungsi pembangkit momen untuk sebaran
binomial negatif adalah :
11
( (
)
Dengan mensubstitusikan fungsi
pembangkit momen binomial negatif pada
persamaan (4) maka diperoleh fungsi
pembangkit momen untuk sebaran compound
binomial negatif adalah sebagai berikut:
( ( (
(
( )
( (
( (15)
3.3 Sifat Sebaran Compound Poisson
Sebaran compound Poisson memiliki dua
sifat, yaitu:
1. Jika setiap peubah acak menyebar
compound Poisson, maka jumlah dari
peubah acak tersebut juga menyebar
compound Poisson.
2. Jika peubah acak S dinyatakan
S= N1+ N2+…+ maka peubah acak S memiliki sebaran
compound Poisson
Berikut akan dijelaskan lebih lanjut sifat-
sifat dari sebaran compound Poisson.
1. Jika setiap peubah acak menyebar
compound Poisson, maka jumlah dari
peubah acak tersebut juga menyebar
compound Poisson
( ∏ (
∑ (
( ( ∑
( ) (
untuk lebih jelasnya maka sifat 1 dirangkum
dalam Teorema 3 berikut :
Teorema 3
Jika peubah acak saling bebas,
dan menyebar compound Poisson dengan
parameter dan fungsi kepekatan peluang
dari kerugian ( , maka
, menyebar compound
Poisson dengan
∑ (
( ∑
( (
Bukti (Teorema 3)
Diketahui :
( Berdasarkan persamaan (10), maka
( ( ( (
Akan dibuktikan
( maka
( ( ∑
( (
( ( (
(
( ( (
(
( (
∏ (
∏ ( ( (
∑ ( (
( ( [∑
( ( ]) (
Persamaan di atas merepresentasikan dua
peranan penting dalam memodelkan klaim.
Pertama, jika portofolio menyebar
compound Poisson dan saling bebas, maka
klaim majemuk dari portofolio yang
dikombinasikan juga menyebar compound
Poisson. Kedua, misal sebuah portofolio
tunggal dengan jangka waktu tahun.
Diasumsikan klaim agregat tahunan untuk
jangka waktu tahun dan klaim majemuk
tiap tahun saling bebas dan menyebar
compound Poisson. Sebaran tahunan untuk
klaim majemuk tidak harus selalu sama.
Menurut Teorema 3, total klaim untuk jangka
waktu tahun menyebar compound Poisson.
2. Jika peubah acak S dinyatakan
maka peubah acak S memiliki sebaran
compound Poisson.
Misalkan
merupakan peubah acak diskret
dari sejumlah kerugian (klaim).
( , ( merupakan peluang untuk
setiap . (20)
12
peubah acak yang menyatakan
banyaknya klaim.
Peubah acak dinyatakan sebagai
(21)
Menurut Teorema 4 berikut, peubah acak S
menyebar compound Poisson. Namun, untuk
dapat menggunakan Teorema 4 diperlukan
pemahaman dasar mengenai sebaran
multinomial.
Teorema 4
Jika peubah acak S seperti pada persamaan
(21) menyebar compound Poisson dengan
parameter dan fungsi peluang kerugian
(klaim) diskret seperti pada persamaan (20)
maka
saling bebas.
menyebar Poisson dengan parameter
Bukti (Teorema 4)
Diketahui :
∑
( ∑
Fungsi peluang dan pembangkit momen
untuk sebaran multinomial adalah
( (
[ (∑
)] (
Akan dibuktikan
( ( .
[ (∑
)] (∑
)
∑ [ (∑
) ]
(
∑(
( ∑(
( ∑( ∑
( ( ∑
( ∑ ( ∑
)
[ (∑
)] ∏ (
(22)
Fungsi pembangkit momen seperti
persamaaan (22) menunjukkan adanya
kebebasan untuk setiap Sehingga jika
dimisalkan maka fungsi pembangkit
momen pada persamaan (22) akan menjadi
( (
3.4 Pendekatan Distribusi Total Klaim
Terdapat dua pendekatan yang digunakan
untuk distribusi total klaim, yaitu pendekatan
normal dan pendekatan translasi Gamma.
Berikut akan dijelaskan lebih lanjut kedua
pendekatan tersebut.
Pendekatan Normal
Berdasarkan teorema limit pusat
perhatikan 2 hal berikut :
1. Jika memiliki distribusi Poisson
majemuk dengan parameter dan fungsi
distribusi yaitu ( maka peubah acak
√ , akan berdistribusi normal
baku bila . Dua parameter untuk
pendekatan normal ini adalah
dan
2. Jika mimiliki distribusi binomial
negatif mejemuk dengan parameter
dan fungsi distribusi yaitu ( maka
peubah acak (
√ (
) (
berdistribusi normal baku bila .
Dua parameter untuk pendekatan normal
ini adalah
dan
Pendekatan normal ini akan lebih baik
digunakan jika ekspektasi banyaknya klaim
yang terjadi besar atau dengan kata lain jika
besar untuk distribusi Poisson majemuk atau
jika besar untuk distribusi binomial
majemuk.
Karena distribusi normal adalah simetris
maka sebagai akibatnya sentral momen
ketiganya sama dengan nol atau dapat
dituliskan sebagai berikut ( . Bagaimanapun distribusi dari total klaim
seringkali tidak simetris atau miring, yang
berarti bahwa sentral momen ketiganya tidak
nol. Oleh karena itu diperlukan sebuah
pendekatan yang lebih umum untuk distribusi
total klaim tersebut. Untuk jenis pendekatan
13
yang kedua ini dilakukan pendekatan translasi
distribusi Gamma.
Pendekatan Translasi Gamma
Bila ( dinotasikan sebagai
fungsi distribusi Gamma dengan parameter
dan , maka
( ∫
(
Kemudian untuk suatu definisikan fungsi
distribusi baru dengan notasi ( ( yang merupakan translasi
distribusi Gamma ( terhadap .
Gambar di bawah menggambarkan tentang
( dengan dan ( dengan
dan di mana ( dan ( berturut-
turut menyatakan fungsi kepekatan peluang
dari ( dan ( Pada pendekatan translasi Gamma,
parameter dipilih dengan
menyamakan sentral momen pertama, sentral
momen kedua dan sentral momen ketiga dari
dengan sentral momen-sentral momen yang
berkaitan untuk translasi distribusi Gamma.
Oleh karena itu sentral momen dari translasi
distribusi Gamma standar maka :
(
Sehingga diperoleh :
(
(
(
(
(
Untuk distribusi Poisson majemuk, prosedur
di atas dengan ,
dan ( akan menghasilkan
parameter sebagai berikut :
(
)
(
)
(
)
3.5 Pengukuran Risiko Operasional Klaim
Pada dasarnya asuransi selalu berkaitan
dengan risiko. Klaim dari peserta asuransi
merupakan salah satu risiko yang harus
dikelola dengan baik. Agar perusahaan dapat
mengelola klaim dengan baik, diperlukan cara
untuk mengukur cadangan klaim tersebut.
Salah satu cara yang dapat digunakan untuk
mengukur cadangan klaim asuransi adalah
dengan menggunakan pendekatan pengukuran
lanjutan. Salah satu teknik yang digunakan
dalam pendekatan pengukuran lanjutan adalah
pendekatan distribusi kerugian dengan metode
agregat.
Pada awalnya pendekatan distribusi
kerugian merupakan bagian metodologi
pengukuran risiko operasional yang
dianjurkan pada industri keuangan. Pada
perkembangan selanjutnya, pendekatan
distribusi kerugian juga bisa diterapkan pada
industri asuransi.
Dalam metode agregat, data klaim
asuransi dibentuk dalam distribusi frekuensi
(banyaknya klaim) yang dapat memiliki
karakteristik distribusi Poisson, binomial,
binomial negatif atau geometrik; dan
distribusi severitas yang memiliki
karakteristik distribusi eksponensial, normal,
Pareto, Weibul dan beta.
Total klaim dari metode agregat ini
adalah pengabungan antara distribusi
frekuensi dan severitas. Distribusi total klaim
ini kemudian digunakan untuk
memproyeksikan potensi kerugian (risiko).
Kombinasi antara distribusi frekuensi klaim
dengan distribusi severitas (besarnya klaim)
dapat dihasilkan dengan menggunakan
simulasi.
Secara teoritis ada beberapa langkah yang
harus dilakukan dalam menghitung cadangan
klaim dengan pendekatan distribusi kerugian
dengan metode agregat. Langkah-langkah
tersebut adalah sebagai berikut
1. Pengumpulan data klaim asuransi.
2. Pengelompokan data klaim asuransi
berdasarkan distribusi dan severitas.
3. Menentukan jenis distribusi frekuensi dan
distribusi severitas.
4. Menentukan parameter dari distribusi
frekuensi dan distribusi severitas.
5. Simulasikan parameter frekuensi dan
parameter severitas dengan .
6. Hitung total kerugian dari pembayaran
klaim untuk setiap .
7. Mengurutkan severitas dari yang terbesar
sampai terkecil.
14
8. Menghitung unexpected loss (OpVaR
klaim asuransi).
9. Lakukan langkah 5, 6, 7 dan 8 sebanyak
100 kali untuk mendapatkan rata-rata dari
unexpected loss (potensi kerugian dari
klaim asuransi).
Tahap akhir adalah menghitung nilai
unexpected loss, dengan cara memilih tingkat
kepercayaan yang dikehendaki, misalnya 95%
atau 99%. Untuk 95% maka nilai unexpected
loss adalah 5%x10.000 (banyaknya simulasi)
=500, artinya data ke-500 adalah nilai
unexpected loss dengan tingkat kepercayaan
95%. Sedangkan tingkat kepercayaan 99%
dapat dilakukan hal yang sama yaitu data ke-
100 adalah nilai unexpected loss dengan
tingkat kepercayaan 99% atau dapat juga
dilakukan secara langsung dengan melihat
pada kolom aggregate quartile yang telah
diurutkan dari yang terbesar (99.99%) sampai
yang terkecil (0%).
Pada karya ilmiah ini data yang diperoleh
merupakan data hipotetik dari asuransi
kendaraan bermotor (frekuensi dan besarnya
klaim perhari). Oleh karena itu, langkah 1-4
pada perhitungan cadangan klaim tidak
dilakukan. Langkah berikutnya,
membangkitkan data dengan distribusi
frekuensi menyebar Poisson dengan
parameter 3,7 sebanyak n = 10.000 dan
membangkitkan data dengan distribusi
severitas menyebar eksponensial dengan
parameter 100,1 sebanyak data frekuensi yang
telah diperoleh untuk setiap n, di mana
. (Perhitungan langkah 5-8 ada di Lampiran 2),
(Grafik simulasi total kerugian ada di
lampiran 3).
Setelah langkah 5-8 dilakukan ulangan
sebanyak 100 kali, maka nilai OpVar (potensi
kerugian dari klaim asuransi) pada tingkat
kepercayaan 99% dan tingkat kepercayaan
95% dapat dirangkum dalam Tabel 1
sebagaimana berikut
Tabel 1 Nilai OpVaR pada tingkat kepercayaan 99% dan 95% (hasil dalam sepuluh ribuan)
No OpVaR
1%
OpVaR
5%
1 1179.57 884.5354
2 1168.349 879.2604
3 1213.011 901.2819
4 1237.793 894.3368
5 1192.684 875.2271
6 1179.725 890.2595
7 1188.218 882.4026
8 1226.822 890.0448
9 1195.007 883.7198
10 1214.221 882.5006
11 1189.816 880.665
12 1203.202 885.5937
13 1222.21 890.7483
14 1232.474 910.1382
15 1177.929 872.6123
16 1221.015 884.8501
17 1227.766 891.5545
18 1170.902 877.54
19 1224.003 894.2159
20 1177.923 880.8441
21 1180.832 883.5471
22 1204.792 880.52
No OpVaR
1%
OpVaR
5%
23 1221.216 899.9769
24 1207.817 899.5925
25 1204.295 896.8235
26 1183.913 886.8055
27 1191.17 889.5722
28 1228.467 896.3405
29 1187.943 880.6182
30 1205.715 899.7951
31 1201.839 895.5759
32 1199.738 891.8508
33 1221.709 886.914
34 1211.022 907.9345
35 1199.927 892.9434
36 1185.234 890.0127
37 1187.164 883.9179
38 1195.04 880.9543
39 1214.181 895.9373
40 1203.522 888.6066
41 1213.957 911.4763
42 1222.422 895.4111
43 1208.15 890.1353
44 1195.813 887.3214
No OpVaR
1%
OpVaR
5%
45 1215.03 891.581
46 1212.828 882.1126
47 1214.922 896.3549
48 1233.946 904.3978
49 1221.695 898.1123
50 1208.075 888.8549
51 1194.935 905.707
52 1210.044 885.6077
53 1201.926 899.5426
54 1202.596 912.2402
55 1196.574 868.687
56 1188.993 879.3129
57 1199.531 887.445
58 1176.336 878.6872
59 1213.119 904.6092
60 1220.926 897.3182
61 1225.44 892.5123
62 1185.417 885.3677
63 1199.336 888.9523
64 1204.964 901.0305
65 1199.361 896.374
66 1254.722 910.9214
15
No OpVaR
1%
OpVaR
5%
67 1243.561 889.6035
68 1202.311 875.0372
69 1165.936 866.7547
70 1217.812 891.7538
71 1212.552 879.9491
72 1213.443 890.924
73 1189.527 888.5262
74 1211.039 897.7229
75 1216.792 890.8233
76 1224.24 885.7001
77 1189.349 874.1484
78 1232.666 894.7878
No OpVaR
1%
OpVaR
5%
79 1217.254 881.723
80 1172.345 891.6238
81 1210.35 903.9724
82 1208.486 896.0464
83 1198.613 880.6819
84 1229.491 881.9569
85 1197.104 898.5799
86 1212.241 889.0343
87 1216.21 886.9924
88 1215.623 886.9123
89 1197.621 882.9609
90 1213.361 892.7376
No OpVaR
1%
OpVaR
5%
91 1205.714 884.3733
92 1205.714 884.3733
93 1226.738 896.0856
94 1197.84 883.3441
95 1213.06 878.8313
96 1221.839 906.2982
97 1183.92 887.4438
98 1182.508 884.1437
99 1182.483 890.1959
100 1213.982 885.7684
Gambar 1 Grafik Nilai OpVaR pada tingkat kepercayaan 99% dan 95%.
Dari Gambar 1 dan Tabel 2 dapat diperoleh
informasi berikut
Nilai unexpected loss klaim asuransi
kendaraan bermotor pada satu hari ke depan
dengan menggunakan pendekatan distribusi
kerugian dengan metode agregat pada
atau tingkat kepercayaan 99%
sebesar Rp 12.054.100,00. Artinya potensi
klaim asuransi kendaraan bermotor
maksimum dapat ditoleransi dengan tingkat
kepercayaan 99% pada satu hari mendatang
adalah sebesar Rp 12.054.100,00. Dengan
kata lain, besarnya cadangan klaim yang harus
disediakan perusahaan asuransi untuk
menutup klaim asuransi kendaraan bermotor
maksimal untuk 1 hari mendatang sebesar Rp
12.054.100,00.
Unexpected loss klaim asuransi
kendaraan bermotor dengan atau
tingkat kepercayaan 95% pada satu hari
kedepan sebesar Rp 8.898.045,00. Artinya
potensi klaim asuransi kendaraan bermotor
yang dapat ditolerir pada tingkat kepercayaan
95% pada satu hari ke depan adalah sebesar
Rp 8.898.045,00 sehingga perusahaan
asuransi harus menyediakan cadangan klaim
asuransi kendaraan bermotor pada satu hari ke
depan sebesar Rp 8.898.045,00.
Tabel 2 Statistik simulasi dengan 100 kali
ulangan
Nilai Statistik OpVaR
1%
OpVaR
5%
Mean 1205.41 889.8045
St dev 17.38954 9.297943
Max 1254.722 912.2402
Min 1165.936 866.7547
16
KESIMPULAN
1. Karakteristik statistik risiko operasional
pada perusahaan asuransi didasarkan pada
pemahaman tentang konsep risiko
kolektif sebagaimana berikut :
Distribusi total klaim dari sebuah polis
yang merupakan kejadian acak dapat
dicari dengan Teori Risiko dengan
terlebih dahulu menentukan bentuk
distribusi frekuensi (banyaknya klaim)
dan distribusi severitas (besarnya
klaim).
Distribusi total klaim dapat dihitung
dengan metode konvolusi, pendekatan
normal dan pendekatan translasi
Gamma.
Secara umum, banyaknya klaim
asuransi dapat dimodelkan dengan
menggunakan sebaran yang memiliki
sifat yang sama seperti sebaran
Poisson, di mana nilai harapan dari
klaim sama dengan ragamnya dan
sebaran binomial negatif, di mana
nilai harapan lebih kecil dari
ragamnya.
2. Berdasarkan asumsi bahwa data distribusi
frekuensi (banyaknya klaim) dan
distribusi severitas (besarnya klaim) yang
dibangkitkan secara berturut-turut
menyebar Poisson dengan parameter 3.7
dan eksponensial dengan parameter
100.1, maka diperoleh hasil perhitungan,
besarnya cadangan klaim (OpVaR) yang
harus disiapkan pada tingkat kepercayaan
99% dan 95% berturut-turut adalah Rp
12.054.100,00 dan Rp 8.898.045,00.
17
DAFTAR PUSTAKA
Bowers NL, Gerber HU, Hickman JC, Jones
DA, Nesbitt CJ. 1997. Actuarial
Mathematics. 2nd
Ed. The Society of
Actuaries. Schaumburg.
Ester D. 1998. Penentuan Distribusi Total
Klaim Dengan Menggunakan Teori
Resiko Kolektif [Skripsi]. Bogor:
Program Sarjana Institut Pertanian Bogor.
Grimmett GR, Stirzaker DR. 1992.
Probability and Random Processes. 2nd
Ed. Clarendon Press. Oxford.
Hogg RV, Craig AT, McKean JW. 2005.
Introduction to Mathematical Statistics.
6th
Ed. Prentice Hall, Englewood Clifft.
New Jersey.
Jorion P. 2001. Value at Risk: The New
Benchmark for Managing Financial Risk.
2nd
Ed. McGraw-Hill. California.
McNeil AJ, Frey R, Embrechts P. 2005.
Quantitative Risk Management. Princeton
University Press. New Jersey.
Muslich M. 2007. Manajemen Risiko
Operasional. Bumi Aksara. Jakarta.
Ross SM. 1996. Stochastic Processes. 2nd
Ed.
John Wiley & Sons. New York.
Situngkir H, Surya Y. 2006. Value at Risk
yang Memperhatikan Sifat Statistika
Distribusi Return. Working Paper
WPD2006 Bandung Fe Institute.
18
LAMPIRAN
19
Lampiran 1
Sifat-sifat fungsi pembangkit momen
1. ( (
(
Bukti :
* (
(
+
( (
(
(
(
( (
(
(
( (
( (
(
( (
( (
(
( (
.
.
(
( (
Jadi, sifat 1 terbukti
2. Jika mempunyai fungsi pembangkit momen ( dan maka mempunyai
fungsi pembangkit momen ( (
Bukti:
( (
(
(
( ( Jadi, sifat 2 terbukti
3. Jika dan peubah acak yang saling bebas dengan fungsi pembangkit momen dan
maka mempunyai fungsi pembangkit momen
( ( (
Bukti :
( (
(
(
( (
( ( ( Jadi, sifat 3 terbukti
20
Lampiran 2
Hasil simulasi dengan MATLAB A=poissrnd(3.7,10000,1)
for i=1:10000
t=exprnd(100.1,1,A(i,1));
end
Tabel 3 Simulasi Ulangan ke-1
.
.
.
.
.
.
No Frekuensi Kerugian 1 Kerugian 2 Kerugian 3 Kerugian 4 Kerugian 5 Kerugian 6 Kerugian 7 Kerugian 8 Kerugian 9 Kerugian 10 Kerugian 11 Kerugian 12 Kerugian 13 Kerugian Total Ordered Persen VaR
1 5 5.0457 8.0413 23.1193 93.4938 13.986 0 0 0 0 0 0 0 0 143.6861 1948.3899 99.99%
2 3 65.8565 203.4551 20.0091 0 0 0 0 0 0 0 0 0 0 289.3207 1921.2833 99.98%
3 2 19.3621 452.4478 0 0 0 0 0 0 0 0 0 0 0 471.8099 1920.2644 99.97%
4 4 47.8255 211.5232 154.9917 22.2161 0 0 0 0 0 0 0 0 0 436.5565 1770.7275 99.96%
5 4 14.7527 20.7861 31.1938 178.1929 0 0 0 0 0 0 0 0 0 244.9255 1711.3904 99.95%
6 3 3.1667 124.7104 14.2096 0 0 0 0 0 0 0 0 0 0 142.0867 1663.2138 99.94%
7 1 15.398 0 0 0 0 0 0 0 0 0 0 0 0 15.398 1609.1271 99.93%
8 6 104.4604 153.8326 14.2267 341.1424 41.2291 44.636 0 0 0 0 0 0 0 699.5272 1587.8104 99.92%
97 4 55.7163 60.5005 10.6193 34.4785 0 0 0 0 0 0 0 0 0 161.3146 1181.9266 99.03%
98 4 179.0664 66.3966 477.6917 8.3538 0 0 0 0 0 0 0 0 0 731.5085 1180.7871 99.02%
99 5 198.3101 127.9621 43.8227 207.3776 59.2125 0 0 0 0 0 0 0 0 636.685 1179.8707 99.01%
100 3 128.2291 24.485 30.6656 0 0 0 0 0 0 0 0 0 0 183.3797 1179.5703 99.00%
101 5 65.4644 49.877 85.6666 65.0213 24.5484 0 0 0 0 0 0 0 0 290.5777 1178.7363 98.99%
102 6 491.2606 4.7118 53.2097 28.9946 26.1703 73.9797 0 0 0 0 0 0 0 678.3267 1177.5787 98.98%
497 4 147.5013 265.968 6.7058 164.8649 0 0 0 0 0 0 0 0 0 585.04 885.3075 95.03%
498 2 15.5431 9.412 0 0 0 0 0 0 0 0 0 0 0 24.9551 885.2725 95.02%
499 3 31.3395 71.6052 4.5724 0 0 0 0 0 0 0 0 0 0 107.5171 884.6715 95.01%
500 3 85.6542 271.2435 47.9712 0 0 0 0 0 0 0 0 0 0 404.8689 884.5354 95.00%
501 4 168.3572 26.9948 12.7358 2.6886 0 0 0 0 0 0 0 0 0 210.7764 884.128 94.99%
502 4 5.8258 36.1454 21.7016 32.4909 0 0 0 0 0 0 0 0 0 96.1637 882.9339 94.98%
9997 4 23.8452 9.8925 49.0538 10.3536 0 0 0 0 0 0 0 0 0 93.1451 0 0.03%
9998 1 151.8752 0 0 0 0 0 0 0 0 0 0 0 0 151.8752 0 0.02%
9999 4 89.1759 3.4962 162.5514 3.8562 0 0 0 0 0 0 0 0 0 259.0797 0 0.01%
10000 3 32.7752 220.3104 1.1139 0 0 0 0 0 0 0 0 0 0 254.1995 0 0.00%
21
Lampiran 3
Gambar 2 Grafik simulasi total kerugian pada ulangan pertama dengan n = 10.000 (hasil dalam sepuluh ribuan).
0
500
1000
1500
2000
2500
12
29
45
76
85
91
31
14
11
36
91
59
71
82
52
05
32
28
12
50
92
73
72
96
53
19
33
42
13
64
93
87
74
10
54
33
34
56
14
78
95
01
75
24
55
47
35
70
15
92
96
15
76
38
56
61
36
84
17
06
97
29
77
52
57
75
37
98
18
20
98
43
78
66
58
89
39
12
19
34
99
57
79
80
5
Kerugian Total