analisis penggunaan kernel density estimation pada metode...
TRANSCRIPT
UNIVERSITAS INDONESIA
Analisis Penggunaan Kernel Density Estimation pada Metode Loss Distribution Approach untuk Risiko Operasional
TESIS Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Sains
ERWAN SETIAWAN 1206179454
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM MAGISTER MATEMATIKA
DEPOK JANUARI 2014
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
iv Universitas Indonesia
KATA PENGANTAR
Bismillahirrahmanirrohim
alamin, puji syukur penulis panjatkan kepada Allah
yang telah melimpahkan rahmat dan karunia-Nya sehingga
penulis diberikan kemampuan untuk menyelesaikan tesis ini. Penulisan tesis ini
dilakukan untuk memenuhi salah satu persyaratan mendapatkan gelar Magister
Sains, Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan
Alam, Universitas Indonesia.
Penulis menyadari bahwa tanpa bantuan dan bimbingan dari berbagai pihak,
dari masa perkuliahan sampai pada penyusunan tesis ini, sangatlah sulit bagi
penulis untuk menyelesaikan tesis ini. Oleh karena itu, penulis ingin
mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Dr.rer.nat. Hendri Murfi, M.Kom selaku dosen pembimbing dan Dr. Yudi
Satria, M.T. selaku pembimbing akademik dan dosen pembimbing, yang telah
menyediakan waktu, tenaga, pikiran dan memberikan bimbingan dengan penuh
kesabaran sehingga penulis dapat menyelesaikan tesis ini.
2. Dr. Dian Lestari, DEA, selaku Ketua Departemen Matematika FMIPA UI yang
telah memberikan bimbingan selama masa perkuliahan.
3. Prof. Dr. Djati Kerami, selaku Ketua Program Studi Magister Matematika
FMIPA UI yang telah memberikan bimbingan dan inspirasi kepada penulis.
4. Seluruh staf pengajar di Program Studi Magister Matematika FMIPA UI, atas
arahan, bimbingan, dan ilmu pengetahuan yang telah diberikan selama
perkuliahan.
5. Karyawan/karyawati Departemen Matematika FMIPA UI, yang selalu siap
membantu saat penulis butuhkan.
6. Bapak dan Ibu penulis, Sriyono dan Wartini, yang telah banyak memberikan
dukungan moril dan materil, serta adik-adik cantikku Erna, Endah, dan Elsa
yang penulis sayangi.
7. Istri dan jagoan kecil penulis, Yani dan Daffa, yang penulis sayangi dan selalu
memberikan semangat bagi penulis.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
v Universitas Indonesia
8. Rekan-rekan satu angkatan Mathgister 2012 yaitu Mas Nurdin, Mas Yogi,
Mbak Wed, Maul, Fery, Yana, dan Fitri yang telah memberikan warna dalam
hidup penulis selama masa perkuliahan.
Semoga tesis ini dapat bermanfaat bagi yang membacanya, terutama untuk
pengembangan ilmu pengetahuan.
Penulis
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
vii Universitas Indonesia
ABSTRAK
Nama : Erwan Setiawan Program Studi : Magister Matematika Judul : Analisis Penggunaan Kernel Density Estimation pada Metode
Loss Distribution Approach untuk Risiko Operasional Risiko operasional merupakan salah satu jenis risiko pada perbankan yang wajib dikelola dengan baik karena sifatnya yang melekat pada setiap aktifitas fungsional bank. Dalam pengelolaan risiko operasional, bank dipersyaratkan untuk memperhitungkan kerugian yang diperkirakan dan kerugian yang tidak diperkirakan dalam kebutuhan modal bagi risiko operasional. Kebutuhan modal bagi risiko operasional ini dikenal sebagai Economic Capital (EC). Komite Basel dalam aturan Basel II, memberikan tiga pendekatan dalam perhitungan EC salah satunya pendekatan Advanced Measurement Approach (AMA). Metode AMA yang banyak digunakan adalah metode Loss Distribution Approach (LDA). Dalam metode LDA, bank harus mengestimasi loss severity distribution (distribusi severitas) dan loss frequency distribution (distribusi frekuensi) kemudian membentuk aggregate loss distribution dari gabungan kedua distribusi tersebut. Nilai EC dengan metode LDA didapat dari Value at Risk (VaR) pada aggregate loss distribution dengan tingkat kepercayaan 99,9%. Permasalahan dari metode LDA saat ini adalah dalam mengestimasi distribusi severitas masih berbasis pada suatu model distribusi tertentu, padahal banyak kasus dimana data tidak dapat digambarkan dengan baik oleh suatu model distribusi yang sudah ada. Oleh karena itu, dalam tulisan ini akan dijelaskan solusi dari permasalahan tersebut, yaitu dengan mengestimasi distribusi severitas berbasis pada data. Metode yang digunakan adalah Kernel Density Estimation (KDE). KDE merupakan suatu pendekatan statistika non-parametrik untuk mengestimasi fungsi distribusi probabilitas dari suatu variabel acak jika diasumsikan bentuk atau model distribusi dari variabel acak tersebut tidak diketahui. Hasil dari penelitian adalah estimasi distribusi severitas oleh KDE lebih baik dalam menggambarkan data dibandingkan dengan menggunakan model distribusi tertentu. Nilai EC yang dihasilkan oleh metode LDA yang menggunakan KDE lebih kecil 1,6 3,2% dibandingkan nilai EC yang dihasilkan oleh metode LDA yang menggunakan model distribusi tertentu.
Kata kunci : risiko operasional, metode monte carlo, loss distribution
approach, kernel density estimation
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
viii Universitas Indonesia
ABSTRACT
Name : Erwan Setiawan Program Study : Magister of Mathematics Title : Analysis the Use of Kernel Density Estimation on The Loss
Distribution Approach Method for Operational Risk
Operational risk is one kind of risk on banking which must be managed well because of its character is inherent in every fungtional activity in Bank. In the management of operasional risk, Bank must be able to calculate a predictable loss and an unpredictable loss in capital requisite for operasional risk. The capital requisite in operasional risk is known as Economic Capital (EC). In the regulation of Basel II, Committee Basel gives three approaches of calculation in EC. One of that is Advanced Measurement Approach (AMA). In AMA method that is the most used in approach is Loss Distribution Approach (LDA) method. In LDA method, Bank must be able to estimate loss severity distribution (severity distribution) and loss frequency distribution (frequency distribution) and aggregate loss distribution is formed from both of them. Through LDA method, the value at EC can be gotten from Value at Risk (VaR) in aggregate loss distribution with the level of confidence reaches 99,9%. The problem from LDA method recently is in estimation a severity distribution which is still refers to a model on particular distribution whereas there are many cases which can not describe a data well through a distribution model that has been there. Therefore, in this paper, it will be explained how to face or the good solution from that problem. The good solution to face it is through estimation severity distribution that is refers to the data with using Kernel Density Estimation (KDE) method. KDE is a statistic approach non- parametric to estimate the function of distribution from disordered variabel that has not known. The result on this research is estimation of severity distribution through KDE is better than another in describing the data. LDA method using KDE is smaller the value at EC 1,6 % - 3,2 % than the value at EC using another distribution model in LDA method.
Keywords : operational risk, monte carlo, loss distribution approach, kernel
density estimation.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
ix Universitas Indonesia
DAFTAR ISI
HALAMAN JUDUL ............................................................................................. i HALAMAN PERNYATAAN ORISINALITAS .................................................. ii LEMBAR PENGESAHAN ................................................................................. iii KATA PENGANTAR ......................................................................................... iv LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH ............................ vi ABSTRAK .......................................................................................................... vii ABSTRACT ......................................................................................................... viii DAFTAR ISI ........................................................................................................ ix DAFTAR TABEL ................................................................................................ xi DAFTAR GAMBAR .......................................................................................... xii DAFTAR LAMPIRAN ...................................................................................... xiii
1. PENDAHULUAN ........................................................................................... 1
1.1 Latar Belakang ........................................................................................ 1 1.2 Rumusan Masalah .................................................................................. 4 1.3 Batasan Penelitian ................................................................................... 5 1.4 Tujuan Penelitian .................................................................................... 5 1.5 Metodologi Penelitian ............................................................................. 5
2. LANDASAN TEORI ...................................................................................... 6
2.1 Risiko Perbankan ..................................................................................... 6 2.1.1 Pengertian Risiko ........................................................................... 6 2.1.2 Jenis jenis Risiko......................................................................... 6 2.1.3 Manajemen Risiko ......................................................................... 8
2.2 Risiko Operasional .................................................................................. 8 2.2.1 Tipe Kejadian pada Risiko Operasional ........................................ 9 2.2.2 Economic Capital untuk Risiko Operasional ............................... 10
2.3 Value at Risk ......................................................................................... 13 2.4 Distribusi Probabilitas ........................................................................... 13
2.4.1 Distribusi Binomial ...................................................................... 13 2.4.2 Distribusi Poisson ........................................................................ 14 2.4.3 Distribusi Normal/Gaussian ......................................................... 14 2.4.4 Distribusi Log-Normal ................................................................. 15
2.4.5 Distribusi Majemuk ..................................................................... 15 2.5 Loss Distribution Approach .................................................................. 15 2.6 Algoritma Monte Carlo pada metode Loss Distribution Approach ...... 16
3. KERNEL DENSITY ESTIMATION ............................................................ 18 3.1 Konsep Dasar ........................................................................................ 18 3.2 Fungsi Kernel ........................................................................................ 20 3.3 Pemilihan Lebar Pita (Bandwidth) ........................................................ 22
4. SIMULASI DAN PEMBAHASAN ............................................................. 24 4.1 Data Penelitian ...................................................................................... 24 4.2 Estimasi Distribusi Frekuensi ............................................................... 26
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
x Universitas Indonesia
4.3 Estimasi Distribusi Severitas ................................................................ 27 4.3.1 Estimasi Distribusi Severitas Menggunakan KDE ...................... 27 4.3.2 Estimasi Distribusi Severitas Menggunakan Suatu Model Distribusi
..................................................................................................... 31 4.3.3 Perbandingan Distribusi Severitas yang Menggunakan KDE
dengan yang Menggunakan Suatu Model Distribusi................... 32 4.4 Perbandingan Nilai EC antara yang Menggunakan KDE dengan yang
Menggunakan Suatu Model Distribusi ................................................. 34 4.5 Nilai EC untuk Beberapa Nilai h pada KDE ........................................ 39
5. KESIMPULAN DAN SARAN ..................................................................... 41
DAFTAR REFERENSI .................................................................................... 42 LAMPIRAN ....................................................................................................... 43
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
xi Universitas Indonesia
DAFTAR TABEL
Tabel 2.1 .................................. 12 Tabel 4.1 Statistik data penelitian 3 tahun, 5 tahun, dan 10 tahun ................ 24 Tabel 4.2 Perbandingan nilai EC untuk data 3 tahun, 5 tahun, dan 10 tahun 37 Tabel 4.3 Perbandingan nilai EC untuk beberapa nilai h pada KDE untuk data
3 tahun, 5 tahun, dan 10 tahun ....................................................... 39
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
xii Universitas Indonesia
DAFTAR GAMBAR
Gambar 3.1 Fungsi distribusi probabilitas pKDE(x) dengan beberapa fungsi kernel ..................................................................................................... 21
Gambar 3.2 Fungsi distribusi probabilitas pKDE(x) dengan beberapa nilai h.... 22 Gambar 4.1 Histogram data penelitian ............................................................ 26 Gambar 4.2 Distribusi frekuensi ..................................................................... 27 Gambar 4.3 Distribusi severitas menggunakan KDE dengan nilai h berdasarkan
metode silverman......................................................................... 28 Gambar 4.4 Distribusi severitas menggunakan KDE dengan beberapa nilai h30 Gambar 4.5 Distribusi severitas menggunakan model distribusi log-normal . 32 Gambar 4.6 Perbandingan distribusi severitas yang menggunakan KDE dan
yang menggunakan log-normal ................................................... 33 Gambar 4.7 Konvergensi nilai EC untuk data 3 tahun .................................... 35 Gambar 4.8 Konvergensi nilai EC untuk data 5 tahun .................................... 36 Gambar 4.9 Konvergensi nilai EC untuk data 10 tahun .................................. 37 Gambar 4.10 Perbandingan tail dari KDE dan log-normal untuk data 3 tahun, 5
tahun, dan 10 tahun...................................................................... 38
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
xiii Universitas Indonesia
DAFTAR LAMPIRAN
Lampiran 1 Algoritma program ........................................................................ 44 Lampiran 2 Data penelitian ............................................................................... 47 Lampiran 3 Hasil simulasi konvergensi nilai EC .............................................. 53
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
1 Universitas Indonesia
BAB I PENDAHULUAN
1.1 Latar Belakang
Dewasa ini, bank memegang peranan yang sangat penting dalam
membangun perekonomian masyarakat. Bank merupakan badan usaha yang
menghimpun dana dari masyarakat dalam bentuk simpanan dan menyalurkannya
kepada masyarakat dalam bentuk kredit dan atau bentuk lainnya, guna
meningkatkan taraf hidup rakyat banyak. Sebagaimana layaknya badan usaha lain,
bank memerlukan modal yang merupakan sarana untuk menyerap kerugian dan
kekuatan untuk melakukan ekspansi, artinya setiap ada kerugian bisnis maka akan
mempengaruhi permodalan bank. Dengan modal yang besar, kesadaran risiko
bank cenderung akan berkurang karena mengandalkan semuanya pada kecukupan
modal. Tetapi dengan modal yang kecil bank cenderung tidak bisa melihat jauh ke
depan (ekspansi) dan hanya berkutat pada operasional sehari-hari. Oleh karena itu,
bank harus memiliki keseimbangan pola pikir dalam mengelola risiko dan
permodalan.
Risiko dalam konteks perbankan merupakan suatu kejadian potensial yang
berdampak negatif terhadap pendapatan dan permodalan bank. Saat ini, situasi
lingkungan eksternal dan internal perbankan mengalami perkembangan pesat
yang diikuti dengan semakin kompleksnya risiko kegiatan usaha perbankan
sehingga meningkatkan kebutuhan praktek tata kelola bank yang sehat (good corporate governance) dan penerapan manajemen risiko. Esensi dari penerapan
manajemen risiko adalah kecukupan prosedur dan metodologi pengelolaan risiko
sehingga kegiatan usaha bank tetap dapat terkendali pada batas/limit yang dapat
diterima serta menguntungkan bank. Penerapan manajemen risiko meliputi
pengawasan aktif pengurus bank, kebijakan, prosedur dan penetapan limit risiko,
proses identifikasi, pengukuran, pemantauan, sistem informasi, dan pengendalian
risiko, serta sistem pengendalian intern.
Untuk dapat menerapkan proses manajemen risiko, maka tahap awal bank
harus dapat mengidentifikasi risiko dengan cara mengenal dan memahami seluruh
risiko yang ada. Setelah dilakukan identifikasi, langkah berikutnya secara
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
2
Universitas Indonesia
berturut-turut bank perlu melakukan pengukuran, pemantauan, dan pengendalian
risiko. Pengukuran risiko tersebut dimaksudkan agar bank mampu mengkalkulasi
eksposur risiko yang melekat pada kegiatan usahanya sehingga bank dapat
memperkirakan dampaknya terhadap permodalan yang seharusnya dipelihara
dalam rangka mendukung kegiatan usaha bank. Sementara itu, dalam rangka
melaksanakan pemantauan risiko, bank harus melakukan evaluasi terhadap
eksposur risiko, terutama yang bersifat material dan atau yang berdampak pada
permodalan bank. Hasil pemantauan yang mencakup evaluasi terhadap eksposur
risiko tersebut dilaporkan secara tepat waktu, akurat dan informatif yang akan
digunakan oleh pihak pengambilan keputusan, termasuk tindak lanjut yang
diperlukan. Selanjutnya berdasarkan hasil pemantauan tersebut, bank melakukan
pengendalian risiko antara lain dengan cara penambahan modal, melindungi aset,
dan teknik mitigasi risiko lainnya.
Risiko yang melekat (inherent) pada setiap aktifitas fungsional bank adalah
risiko operasional. Komite Basel untuk Pengawasan Perbankan, suatu lembaga
yang dibentuk oleh bank sentral dari negara-negara Group of Ten (G10) pada
tahun 1974, mendefinisikan risiko operasional sebagai risiko kerugian yang
disebabkan oleh ketidakcukupan atau kegagalan proses internal, manusia dan
sistem atau dari kejadian eksternal. Risiko operasional dapat menimbulkan
kerugian keuangan secara langsung maupun tidak langsung dan kerugian potensial
atas hilangnya kesempatan memperoleh keuntungan. Salah satu kasus yang
menggambarkan pentingnya manajemen risiko operasional adalah kasus Barings
Bank di London pada tahun 2004. Kasus Barings Bank terjadi karena seorang
treader di kantor cabang Singapura melakukan kegiatan treading diluar
kewenangannya. Peristiwa ini mengakibatkan Baring Brothers and Co Ltd
mengalami kerugian tidak kurang dari GBP 827 juta yang menyebabkan bank
tersebut tidak dapat memenuhi kewajibannya (kecukupan modal) sehingga
menjadi bank gagal.
Dalam manajemen risiko operasional, bank dipersyaratkan untuk
memperhitungkan kerugian yang diperkirakan (expected loss) dan kerugian yang
tidak diperkirakan (un-expected loss) dalam kebutuhan modal bagi risiko
operasional. Kebutuhan modal bagi risiko operasional dikenal sebagai Economic
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
3
Universitas Indonesia
Capital (EC). Economic capital adalah ukuran kecukupan modal yang diperlukan
untuk menyerap kerugian ekstrem yang tidak diperkirakan dalam periode dan
tingkat keyakinan tertentu. Komite Basel dalam aturan Basel II memberikan tiga
pendekatan dalam perhitungan modal ekonomis, yaitu: Basic Indicator Approach
(BIA), Standardized Approach (SA), dan Advanced Measurement Approach
(AMA). Untuk pendekatan BIA dan SA formulasinya sudah ditetapkan dalam
aturan Basel II, sedangkan dalam pendekatan AMA pihak bank diberikan
keleluasaan untuk mengembangkan metode perhitungan EC secara internal yang
berbasis data internal bank, dengan mendapatkan persetujuan dari regulator lokal.
Metode AMA yang banyak digunakan adalah metode Loss Distribution Approach (LDA). Dalam metode LDA, bank harus mengestimasi loss severity distribution (distribusi severitas) dari besarnya kerugian pada satu kejadian dalam
suatu periode dan loss frequency distribution (distribusi frekuensi) dari banyaknya
kejadian rugi dalam suatu periode, kemudian membentuk aggregate loss distribution dari gabungan kedua distribusi tersebut. Nilai EC dengan
menggunakan metode LDA didapat dari Value at Risk (VaR) pada aggregate loss distribution dengan tingkat kepercayaan 99,9% (Frachot,Georges, dan
Roncalli,2001).
Karena aggregate loss distribution dibentuk oleh gabungan dari dua
distribusi maka disebut juga sebagai distribusi majemuk. Pada umumnya, tidak
terdapat ekspresi analitik untuk distribusi majemuk sehingga perlu dilakukan
pendekatan secara numerik untuk mendapatkan aproksimasi dari distribusi
majemuk. Metode numerik yang banyak digunakan adalah metode monte carlo
karena mudah untuk diimplementasikan (Shevchenko, 2010). Langkah pertama
untuk mendapatkan aproksimasi dari distribusi majemuk adalah mengestimasi
distribusi frekuensi dan distribusi severitas. Langkah kedua, dari distribusi
frekuensi diambil satu nilai secara acak, misal N, kemudian dilakukan
pengambilan nilai secara acak dari distribusi severitas sebanyak N, sebut X(1), X(2),
X(N). Langkah terakhir menjumlahkan semua nilai X(i) untuk mendapatkan
sebuah nilai yang merupakan sampel dari distribusi majemuk. Estimasi nilai EC
didapatkan dari persentil ke 99,9% dari sampel-sampel yang diambil secara acak
dari distribusi majemuk.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
4
Universitas Indonesia
Permasalahan dari metode ini adalah dalam mengestimasi distribusi
severitas saat ini masih berbasis model distribusi tertentu. Padahal sering kali data
sebenarnya tidak dapat digambarkan dengan baik oleh model distribusi yang
sudah ada. Hal ini tentunya akan berpengaruh pada akurasi dari estimasi nilai EC.
Oleh karena itu, dalam tulisan ini akan dijelaskan solusi dari permasalahan
tersebut, yaitu dengan mengestimasi distribusi severitas berbasis pada data.
Metode yang digunakan adalah Kernel Density Estimation (KDE). KDE
merupakan suatu pendekatan statistika non-parametrik untuk mengestimasi fungsi
distribusi probabilitas dari suatu variabel acak jika diasumsikan bentuk atau model
distribusi dari variabel acak tersebut tidak diketahui.
Pembahasan mengenai KDE dalam tesis ini meliputi konsep dasar metode
LDA dan KDE, simulasi perbandingan nilai EC yang dihasilkan oleh metode
LDA yang estimasi distribusi severitasnya menggunakan KDE dengan yang
menggunakan model distribusi tertentu, analisis pengaruh pemilihan nilai
parameter lebar pita (bandwidth) pada KDE terhadap nilai EC yang dihasilkan,
dan kesimpulan penelitian.
1.2 Rumusan Masalah Rumusan masalah dalam penelitian ini adalah
1. Bagaimana analisis penggunaan KDE pada metode LDA untuk risiko
operasional. 2. Bagaimana perbandingan nilai EC yang dihasilkan oleh LDA yang estimasi
distribusi severitasnya menggunakan KDE dengan yang menggunakan model
distribusi tertentu.
1.3 Batasan Penelitian Batasan yang digunakan dalam penelitian ini adalah
1. Fungsi kernel yang digunakan adalah fungsi kernel Gaussian
2. Dalam LDA yang berbasis model, estimasi distribusi severitas menggunakan
satu model distribusi standar yang relatif baik menggambarkan data penelitian.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
5
Universitas Indonesia
3. Analisis penggunaan KDE pada metode LDA untuk risiko operasional hanya
meliputi: analisis pemilihan lebar pita (bandwidth), analisis pengaruh nilai
lebar pita terhadap nilai EC yang dihasilkan
1.4 Tujuan Penelitian Tujuan dalam penelitian ini adalah
1. Menganalisis penggunaan KDE pada metode LDA untuk risiko operasional. 2. Membandingkan nilai EC yang dihasilkan oleh LDA yang estimasi distribusi
severitasnya menggunakan KDE dengan yang menggunakan model distribusi
tertentu
1.5 Metodologi Penelitian Metodologi penelitian yang dilakukan sebagai berikut:
1. Studi literatur mengenai topik penelitian, seperti risiko pada perbankan, konsep
dan penerapan metode LDA untuk risiko operasional, konsep KDE, konsep
metode Monte Carlo pada LDA, konsep Value at Risk dan bahasa
pemrograman Python.
2. Melakukan simulasi komputasi dengan menggunakan bahasa pemrograman
Python, dengan alur sebagai berikut:
a. Membentuk data penelitian secara acak menggunakan Python.
b. Melakukan estimasi distribusi frekuensi dari data penelitian.
c. Melakukan estimasi distribusi severitas dengan menggunakan metode KDE
dan metode berbasis model distribusi standar yang ada saat ini.
d. Melakukan aproksimasi distribusi majemuk, yang merupakan gabungan dari
distribusi frekuensi dan severitas, menggunakan metode monte carlo.
e. Menentukan nilai EC yang didapat dari persentil ke 99,9% dari sampel-
sampel yang diambil secara acak dari distribusi majemuk.
f. Melakukan analisis terhadap hasil yang diperoleh dari simulasi komputasi.
g. Menarik kesimpulan dari hasil penelitian yang dilakukan.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
6 Universitas Indonesia
BAB I I LANDASAN TEORI
Dalam bab 2, akan dijelaskan mengenai teori teori dasar yang terkait
dengan penelitian dalam tesis ini, diantaranya risiko perbankan, risiko
operasional, value at risk, distribusi probabilitas, loss distribution approach, dan
algoritma monte carlo pada metode loss distribution approach.
2.1 Risiko Perbankan Bank merupakan badan usaha yang menghimpun dana dari masyarakat
dalam bentuk simpanan dan menyalurkannya kepada masyarakat dalam bentuk
kredit dan atau bentuk lainnya, guna meningkatkan taraf hidup rakyat banyak.
Dalam menjalankan kegiatan usahanya, bank selalu bersinggungan dengan risiko.
Sejatinya risiko tersebut tidak bisa dihindari akan tetapi sangat mungkin dilakukan
pengelolaan risiko agar kegiatan usaha perbankan tidak terganggu dan dapat
memberikan keuntungan bagi bank.
2.1.1 Pengertian Risiko Menurut kamus besar Bahasa Indonesia, risiko secara umum adalah akibat
yang kurang menyenangkan (merugikan, membahayakan) dari suatu perbuatan
atau tindakan. Sedangkan kaitannya dengan perbankan, Bank Indonesia
mendefinisikan risiko sebagai tingkat kemungkinan terjadinya kerugian yang
harus ditanggung dalam pemberian kredit, penanaman investasi, atau transaksi
lain yang dapat berbentuk harta, kehilangan keuntungan, atau kemampuan
ekonomis.
2.1.2 Jenis-jenis Risiko Bank Indonesia dalam PBI 5/8/2003 membagi risiko perbankan ke dalam 8
jenis risiko. Hal ini dilakukan untuk mempermudah dalam proses manajemen atau
pengelolaan risiko. Jenis-jenis risiko perbankan tersebut antara lain:
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
7
Universitas Indonesia
a) Risiko Kredit
Risiko kredit didefinisikan sebagai risiko ketidakmampuan debitur atau
counterparty melakukan pembayaran kembali kepada bank.
b) Risiko Pasar
Risiko pasar adalah kerugian pada posisi neraca dan rekening administratif
termasuk transaksi derivatif akibat perubahan keseluruhan pada kondisi pasar.
c) Risiko Operasional
Risiko operasional adalah risiko akibat ketidakcukupan dan/atau tidak
berfungsinya proses internal, kesalahan manusia, kegagalan sistem, dan/atau
adanya kejadian eksternal yang mempengaruhi operasional bank.
d) Risiko Likuiditas
Risiko likuiditas adalah risiko akibat ketidakmampuan bank untuk memenuhi
kewajiban yang jatuh tempo dari sumber pendanaan arus kas dan/atau dari aset
likuid berkualitas tinggi yang dapat diagunkan, tanpa menganggu aktivitas dan
kondisi keuangan bank.
e) Risiko Hukum
Risiko hukum adalah risiko yang timbul akibat tuntutan hukum dan/atau
kelemahan aspek yuridis.
f) Risiko Reputasi
Risiko reputasi adalah risiko akibat menurunnya tingkat kepercayaan
stakeholder yang bersumber dari persepsi negatif terhadap bank.
g) Risiko Strategik
Risiko strategik adalah risiko akibat ketidaktepatan bank dalam mengambil
keputusan dan/atau pelaksanaan suatu keputusan stratejik serta kegagalan
dalam mengantisipasi perubahan lingkungan bisnis.
h) Risiko Kepatuhan
Risiko kepatuhan adalah risiko yang timbul akibat bank tidak mematuhi
dan/atau tidak melaksanakan peraturan perundang-undangan dan ketentuan
yang berlaku.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
8
Universitas Indonesia
2.1.3 Manajemen Risiko Menurut peraturan Bank Indonesia No. 5/8/PBI/2003 manajemen risiko
didefinisikan sebagai serangkaian proses dan metodologi yang digunakan untuk
mengidentifikasi, mengukur, memantau, dan mengendalikan risiko yang timbul
dari kegiatan usaha bank. Penerapan manajemen risiko akan memberikan manfaat,
baik kepada bank maupun otoritas pengawasan perbankan, diantaranya
a. Bagi bank
Penerapan manajemen risiko dapat meningkatkan shareholder value,
memberikan gambaran kepada pengelola bank mengenai kemungkinan kerugian
bank di masa datang, meningkatkan metode dan proses pengambilan keputusan
yang sistematis yang didasarkan atas ketersediaan informasi, digunakan sebagai
dasar pengukuran yang lebih akurat mengenai kinerja bank, digunakan untuk
menilai risiko yang melekat pada instrumen atau kegiatan usaha bank yang relatif
kompleks serta menciptakan infrastruktur manajemen risiko yang kokoh dalam
rangka meningkatkan daya saing Bank.
b. Bagi otoritas pengawasan perbankan
Penerapan manajemen risiko akan mempermudah penilaian terhadap
kemungkinan kerugian yang dihadapi bank yang dapat mempengaruhi
permodalan bank dan sebagai salah satu dasar penilaian dalam menetapkan
strategi dan fokus pengawasan bank.
2.2 Risiko Operasional Jenis risiko yang selalu melekat dalam setiap aktifitas fungsional bank
adalah risiko operasional. Risiko operasional didefinisikan sebagai risiko kerugian
yang disebabkan dari ketidakcukupan atau kegagalan proses internal, manusia dan
sistem atau dari kejadian eksternal (Basel Committee on Banking Supervision,
2006). Dari definisi tersebut dapat disimpulkan bahwa penyebab risiko
operasional dibagi menjadi empat yaitu proses internal, manusia, sistem, dan
kejadian eksternal.
a. Proses internal contohnya dokumentasi yang tidak lengkap, pengendalian yang
lemah, kelalaian pemasaran, kesalahan penjualan produk, pencucian uang,
laporan yang tidak lengkap atau tidak benar, kesalahan transaksi.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
9
Universitas Indonesia
b. Manusia contohnya permasalahan keselamatan dan kesehatan kerja, perputaran
karyawan yang tinggi, penipuan internal, sengketa pekerja, praktik manajemen
yang buruk, pelatihan karyawan yang tidak memadai.
c. Sistem contohnya kesalahan program, gangguan pelayanan, masalah yang
terkait dengan keamanan sistem misalnya virus atau hacking, penggunaan
teknologi yang belum diuji coba.
d. Kejadian eksternal contohnya pencurian dan penipuan dari luar, kebakaran,
bencana alam, kerusuhan dan unjuk rasa, penerapan ketentuan baru.
2.2.1 Tipe Kejadian pada Risiko Operasional Penyebab risiko operasional (proses internal, manusia, sistem, dan kejadian
eksternal) dapat timbul karena beberapa faktor, antara lain:
Inadequate segretation of duties tidak memadainya pemisahan tugas
sehingga fungsi dual control tidak berjalan.
Insufficient training tidak memadainya pelatihan yang diberikan kepada
petugas/pejabat bank.
Lack of management supervision kelemahan supervisi dari manajemen bank
Beberapa kelemahan tersebut yang akhirnya memicu terjadinya risiko
operasional berdasarkan tipe kejadian Basel II, yaitu:
a) Kecurangan secara internal (internal fraud), yaitu tindakan-tindakan yang
jenisnya menjurus kepada pencurian, penipuan, penyalahgunaan hak dan milik
perusahaan, menghindari regulasi, ketentuan hukum atau kebijakan
perusahaan, yang melibatkan sekurang-kurangnya satu orang dalam
b) Kejahatan eksternal (external fraud), yaitu tindakan-tindakan yang jenisnya
menjurus kepada pencurian, penipuan, penyalahgunaan hak dan milik
perusahaan, menghindari regulasi, ketentuan hukum atau kebijakan perusahaan
yang dilakukan oleh pihak ketiga.
c) Praktek ketenagakerjaan dan keselamatan tempat kerja (employment practices and workplace safety), yaitu tindakan-tindakan yang tidak konsisten dengan
ketentuan ketenagakerjaan, ketentuan mengenai keselamatan kerja, atau
tindakan yang dapat mengakibatkan timbulnya tuntutan karena adanya
kecelakaan, atau tuntutan karena adanya diskriminasi terhadap pegawai
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
10
Universitas Indonesia
d) Klien, produk, dan praktek bisnis (client, products, and business practices),
yaitu kegagalan memenuhi kewajiban kepada nasabah, baik karena lalai
ataupun tidak sengaja, atau memenuhi sifat dan rancangan produk.
e) Kerusakan aset fisik (damage to physical assets), yaitu hilangnya atau rusaknya
aset bank secara fisik.
f) Gangguan bisnis dan kegagalan sistem (business disruption and system failures), yaitu gangguan terhadap kegiatan usaha atau kegagalan sistem.
g) Eksekusi, pengiriman, dan manajemen proses (execution, delivery, process management), yaitu proses transaksi atau manajemen yang gagal termasuk
hubungan dagang dengan counterparty.
2.2.2 Economic Capital untuk Risiko Operasional Dalam manajemen risiko operasional, bank dipersyaratkan untuk
memperhitungkan kerugian yang diperkirakan dan kerugian yang tidak
diperkirakan dalam kebutuhan modal bagi risiko operasional. Kerugian yang
diperkirakan didefinisikan sebagai kerugian yang timbul akibat pelaksanaan
kegiatan usaha secara normal. Sedangkan kerugian yang tidak diperkirakan
didefinisikan sebagai kerugian yang timbul dari kejadian luar biasa yang potensi
kejadiannya sangat kecil dan besarnya kerugian yang ditimbulkan jauh berada di
atas nilai wajar yang dapat dikategorikan sebagai kerugian yang diperkirakan.
Modal bagi risiko operasional dikenal sebagai Economic Capital (EC).
Economic Capital didefinisikan sebagai ukuran kecukupan modal yang diperlukan
untuk menyerap kerugian ekstrem yang tidak diperkirakan dalam periode dan
tingkat keyakinan tertentu. Komite Basel dalam aturan Basel II memberikan tiga
pendekatan untuk menghitung besarnya EC, yaitu:
1. The Basic Indicator Approach (BIA) Pendekatan BIA merupakan pendekatan yang paling sedrhana. Dalam
pendekatan BIA, total pendapatan kotor (gross income) digunakan sebagai
indikator eksposur. Perhitungan EC dengan pendekatan BIA ditentukan dengan
mengalikan pendapatan kotor positif selama tiga tahun sebelumnya dengan suatu
persentase tetap ( = 15%) kemudian diambil rata-ratanya.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
11
Universitas Indonesia
dimana :
ECBIA = Economic Capital dengan pendekatan BIA
GIj = Gross Income/pendapatan kotor positif tahunan selama 3 tahun
sebelumnya
= Persentase tetap yang ditetapkan oleh komite sebesar 15%
n = Banyaknya tahun dari tiga tahun sebelumnya yang pendapatan kotornya
positif
Pendapatan kotor didefinisikan sebagai pendapatan bunga bersih
(pendapatan bunga dikurangi biaya bunga) ditambah pendapatan bersih non bunga
(pendapatan di luar bunga dikurangi biaya di luar bunga). Pendapatan kotor yang
negatif selama jangka waktu tiga tahun dikeluarkan dari perhitungan.
2. The Standardised Approach (SA) Tidak seperti dalam pendekatan BIA, pada pendekatan SA perhitungan EC
menggunakan pendapatan kotor pada tiap lini bisnis bank. Terdapat 8 lini bisnis
pada bank yaitu keuangan perusahaan (corporate finance), penjualan dan
perdagangan (trading and sales), perbankan ritel (retail banking), perbankan
komersial (commercial banking), pembayaran dan penyelesaian (payment and settlement), jasa agensi (agency services), perantara ritel (retail brokerage),
manajemen aset (asset management). Perhitungan EC dengan pendekatan SA
ditentukan dengan mengalikan pendapatan kotor pada setiap lini bisnisnya,
dengan suatu persentase tetap (Beta Factor).
dimana :
ECSA = Economic Capital dengan pendekatan SA
GIi = Pendapatan kotor untuk lini bisnis ke-i.
i = Persentase tetap untuk lini bisnis ke-i yang besarannya ditetapkan oleh
komite. Besaran i untuk tiap lini bisnis dapat dilihat pada tabel 2.1 berikut
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
12
Universitas Indonesia
Tabel 2.1 Jenis lini bisnis dan besaran beta faktor ( )
Nilai beta dari tiap lini bisnis merupakan faktor bobot risiko. Semakin tinggi
nilai beta maka semakin besar potensi kerugian risiko operasional pada lini bisnis
tersebut. Dalam SA pendapatan kotor yang negatif pada tahun tertentu tetap
dimasukkan ke dalam perhitungan dengan cara diganti dengan nol.
3. The Advanced Measurement Approaches (AMA) Pendekatan yang terakhir adalah AMA. Pendekatan ini memberikan ruang
kepada bank untuk mengembangkan model perhitungan EC secara internal yang
berbasis pada data internal bank, dengan persetujuan dari regulator lokal. Menurut
Basel II, untuk layak menggunakan AMA, suatu bank harus memenuhi
persyaratan minimum berikut:
Dewan direksi dan manajemen senior, jika diperlukan, terlibat aktif dalam
pemantauan pelaksanaan kerangka manajemen risiko operasional.
Memiliki konsep sistem manajemen risiko operasional yang baik dan
diimplementasikan dengan integritas.
Memiliki sumber daya yang cukup untuk penggunaan pendekatan tersebut
pada lini bisnis utamanya, serta pada wilayah-wilayah pengendalian dan audit
Terdapat tiga metode dalam pendekatan AMA, yaitu internal measurement approach, loss distribution approach, dan risk drivers and control approach.
Metode yang banyak digunaka adalah metode Loss Distribution Approach (LDA).
Lini Bisnis Beta Faktor1) 18%
2) 18%
3) 12%
4) 15%
5) 18%
6) 15%
7) 12%
8) 12%
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
13
Universitas Indonesia
2.3 Value at Risk Misal diberikan tingkat kepercayaan (0,1), maka Value at Risk (VaR)
pada tingkat kepercayaan didefinisikan sebagai nilai terkecil l sedemikian
sehingga probabilitas kerugian L lebih besar l adalah tidak lebih besar dari (1
Secara matematis, VaR diberikan oleh persamaan berikut
(McNeil, Frey, dan Embrechts 2005)
Dalam ekonomi dan keuangan, VaR adalah kerugian maksimum yang tidak
akan dilewati untuk suatu probabilitas yang didefinisikan sebagai tingkat
kepercayaan. VaR diterapkan secara luas dalam keuangan untuk manajemen
risiko secara kuantitatif.
2.4 Distribusi Probabilitas Sering kali, untuk mengetahui peluang dari semua variabel acak pada suatu
percobaan acak lebih mudah menggunakan suatu rumus. Rumus tersebut
merupakan fungsi dari nilai-nilai variabel acak, jadi f(x) = P(X = x) dimana X
adalah variabel acak. Himpunan semua pasangan berurutan (x,f(x)) disebut
distribusi probabilitas untuk variabel acak X.
Distribusi probabilitas dibagi menjadi dua yaitu distribusi probabilitas
diskrit dan distribusi probabilitas kontinu. Distribusi probabilitas diskrit adalah
sebuah tabel atau rumus yang mencantumkan semua kemungkinan nilai suatu
variabel acak diskrit berikut peluangnya. Sedangkan, untuk distribusi probabilitas
kontinu sering disebut sebagai fungsi densitas probabilitas karena nilai-nilai dari
variabel acaknya berupa daerah interval (Walpole,1972).
2.4.1 Distribusi Binomial Misalkan terdapat N percobaan yang saling bebas dan tiap percobaan
menghasilkan sebuah peluang sukses p dan peluang gagal 1 p. Maka distribusi
probabilitas untuk variabel acak M, yaitu banyaknya kejadian sukses dalam N
percobaan yang saling bebas adalah
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
14
Universitas Indonesia
Variabel acak M dalam kasus ini disebut variabel binomal dan distribusi
probabilitas untuk variabel acak M disebut distribusi binomal (Walpole, 1972).
2.4.2 Distribusi Poisson Percobaan yang menghasilkan nilai-nilai bagi sebuah variabel acak X, yaitu
banyaknya hasil percobaan yang terjadi selama suatu selang waktu tertentu atau di
suatu daerah tertentu, sering disebut percobaan poisson. Percobaan poisson
memiliki ciri-ciri sebagai berikut:
a) Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau suatu
daerah tertentu, tidak bergantung pada banyaknya hasil percobaan yang terjadi
pada selang waktu atau daerah lain yang terpisah.
b) Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang
singkat sekali atau dalam suatu daerah yang kecil, sebanding dengan panjang
selang waktu tersebut atau besarnya daerah tersebut.
c) Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang waktu
yang singkat tersebut atau dalam daerah yang kecil tersebut, dapat diabaikan.
Variabel X yang menyatakan banyaknya hasil percobaan dalam suatu
percobaan poisson disebut variabel acak poisson dan distribusi probabilitasnya
disebut distribusi poisson. Distribusi probabilitas untuk X adalah
dimana µ adalah rata-rata banyaknya hasil percobaan yang terjadi selama selang
waktu atau dalam daerah yang dinyataka 2).
2.4.3 Distribusi Normal/Gaussian Distribusi probabilitas kontinu yang paling penting dalam bidang statistika
adalah distribusi normal. Distribusi normal sering disebut distribusi Gaussian,
untuk menghormati Gauss (1777 1855) yang berhasil mendapatkan
persamaannya dari studi mengenai galat dalam pengukuran yang berulang-ulang
terhadap benda yang sama. Suatu variabel acak kontinu X yang memiliki
distribusi probabilitas berbentuk genta/lonceng disebut variabel acak normal.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
15
Universitas Indonesia
Bila X 2,
maka persamaan kurva normalnya adalah
2, 2).
2.4.4 Distribusi Log-Normal Distribusi log-normal adalah suatu distribusi probabilitas dari variabel acak
kontinu yang logaritma dari variabel acaknya berdistribusi normal. Jika X
berdistribusi log-normal maka Y = log(X) berdistribusi normal. Variabel acak yang
berdistribusi log-normal hanya bernilai positif.
Bila X adalah variabel acak yang berdistribusi log-normal dengan mean µ 2, maka persamaan kurvanya adalah
dalam hal ini ln(.) adalah logaritma dengan b .
2.4.5 Distribusi Majemuk Misalkan S adalah suatu variabel acak yang dibentuk dari beberapa variabel
acak X yang identically independent distribution (iid), dimana banyaknya variabel
acak X itu sendiri berupa variabel acak N dan X saling bebas terhadap N. Secara
matematis S didefinisikan sebagai berikut:
dalam hal ini S akan membentuk suatu distribusi probabilitas yang disebut
distribusi majemuk.
2.5 Loss Distribution Approach Loss Distribution Approach (LDA) adalah suatu pendekatan statistik yang
sangat populer dalam akturia sains untuk menghitung distribusi kerugian (loss distribution). Dalam kaitannya dengan risiko operasional, LDA dipertimbangkan
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
16
Universitas Indonesia
sebagai kerangka dasar untuk pengalokasian economic capital. Konsep dasarnya
adalah bank harus mengestimasi, untuk setiap lini bisnis/tipe kejadian, fungsi
distribusi probabilitas dari dampak kejadian tunggal dan frekuensi kejadian untuk
satu tahun ke depan dengan menggunakan data internal bank tersebut, dan
menentukan distribusi probabilitas dari kerugian operasional kumulatif (Frachot,
Georges, dan Roncalli,2001).
Secara matematis, besarnya kerugian tahunan diberikan oleh persamaan
berikut:
dimana,
Z = besarnya kerugian per tahun
N = banyaknya kejadian kerugian yang terjadi selama 1 tahun
X(i) = besarnya kerugian pada kejadian ke- i Karena Z adalah variabel acak yang dibentuk dari variabel acak X(i) untuk
i = 1, N, yang identically independent distribution (iid), kemudian N juga
merupakan variabel acak yang saling bebas terhadap X(i) maka Z akan membentuk
suatu distribusi majemuk. Dalam kasus ini, distribusi probabilitas dari variabel
acak X(i) disebut distribusi severitas, dan distribusi probabilitas dari variabel acak
N disebut distribusi frekuensi.
Secara umum, tidak terdapat ekspresi secara analitik untuk distribusi
majemuk sehingga perlu dilakukan suatu pendekatan secara numerik untuk
mendapatkan aproksimasi dari distribusi majemuk. Beberapa metode numerik
yang terkenal adalah metode Monte Carlo, Fast Fourier Transform dan Panjer Recursion. Metode monte carlo adalah metode yang paling mudah untuk
diimplementasikan (Shevchenko, 2009).
2.6 Algoritma Monte Carlo pada Metode Loss Distribution Approach Metode monte carlo adalah algoritma komputasi untuk mensimulasikan
berbagai perilaku sistem fisika dan matematika. Algoritma monte carlo
merupakan metode monte carlo numerik yang digunakan untuk menemukan solusi
problem matematis yang sulit dipecahkan secara analitik.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
17
Universitas Indonesia
Algortima monte carlo pada metode LDA adalah sebagai berikut:
1. Melakukan estimasi distribusi frekuensi
2. Melakukan estimasi distribusi severitas
3. Untuk k = 1
a) Melakukan pengambilan bilangan secara acak dari distribusi frekuensi,
misal bilangan yang terambil N.
b) Melakukan pengambilan secara acak sebanyak N dari distribusi severitas,
misal X(1), X(2) X(N) dengan X(1), X(2) X(N) saling bebas.
c) Hitung
4. Ulangi langkah no.1 untuk k = 2 sampai dengan k = K
Pada akhirnya akan diperoleh Z(1) Z(K) yang merupakan sampel dari
distribusi majemuk. Untuk mendapatkan estimasi modal risiko di tahun
berikutnya maka Z(1) Z(K) diurutkan sebagai berikut ,
kemudian ditentukan persentil ke 99,9 % (Shevchenko, 2009).
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
18 Universitas Indonesia
BAB I I I KERNEL DENSITY ESTIMATION
Dalam bab 3 ini, akan dibahas mengenai konsep dasar dari metode kernel density estimation, fungsi kernel, dan pemilihan lebar pita (bandwidth).
3.1 Konsep Dasar Kernel Density Estimation (KDE) merupakan suatu pendekatan statistika
non-parametrik untuk mengestimasi fungsi distribusi probabilitas dari suatu
variabel acak jika diasumsikan bentuk atau model distribusi dari variabel acak
tersebut tidak diketahui. Dalam ekonometrika, KDE dikenal sebagai metode
Parzen-Rosenblatt window. Konsep dasar dari KDE adalah mengestimasi fungsi
densitas di suatu titik x dengan menggunakan pengamatan disekitarnya. Misalkan
vektor pengamatan x diambil dari suatu fungsi distribusi probabilitas p(x) yang
tidak diketahui, maka probabilitas bahwa vektor x akan berada dalam suatu daerah
R adalah
Misalkan N pengamatan diambil dari distribusi probabilitas p(x). Karena
setiap titik data memiliki probabilitas P untuk berada dalam daerah R, maka
distribusi probabilitas banyaknya k titik data yang berada dalam daerah R akan
mengikuti distribusi binomial
Dari persamaan (3.2) dapat diperoleh bahwa mean k/N adalah E(k/N) = P
dan variansi k/N adalah var(k/N) = P(1 P)/N. Untuk N yang sangat besar maka
variansi dari k/N akan semakin kecil dan mengakibatkan data cenderung
berkumpul di mean, sehingga
Jika diasumsikan bahwa daerah R cukup kecil sehingga probabilitas p(x)
konstan atas daerah R, maka persamaan (3.1) akan menjadi
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
19
Universitas Indonesia
dengan V adalah volume dari R. Subtitusikan persamaan (3.3) ke (3.4) maka
diperoleh estimasi dari fungsi distribusi probabilitas dalam bentuk
Persamaan (3.5) dapat dikembangkan dengan dua cara. Pertama, dengan
menetapkan k dan kemudian menentukan nilai V dari data, hal ini yang mendasari
metode k-nearest-neighbour, metode ini tidak akan dibahas lebih lanjut. Kedua,
dengan menetapkan V dan kemudian menentukan k dari data, hal ini yang
mendasari metode Kernel Density Estimation (KDE).
Sekarang, asumsikan bahwa daerah R adalah hypercube berdimensi D yang
memiliki pusat di titik x.
Kemudian definisikan fungsi sebagai berikut:
dengan i D. Fungsi ini adalah contoh fungsi kernel yang disebut Parzen Windows. Dari persamaan (3.6) nilai K((x xn)/h) akan sama dengan 1 jika titik
data xn berada dalam hypercube dengan sisi h dan pusat x, dan nol untuk
sebaliknya. Dengan demikian banyaknya data yang berada dalam hypercube ini
adalah
Substitusikan persamaan (3.7) ke persamaan (3.5) maka diperoleh
dimana V = hD merupakan volume dari kubus berdimensi D dengan sisi h (Bishop, 2006).
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
20
Universitas Indonesia
Dalam kasus univariat, persamaan (3.8) menjadi
(Zambom dan Dias, 2012).
Contoh:
Diberikan data X = {4,5,6,6,13,14,15,15,15,17}. Dengan menggunakan fungsi
kernel Parzen Windows, tentukan probabilitas p(x) di x = 3,11,15, dengan
menggunakan h = 4.
Solusi:
dengan cara yang sama diperoleh,
3.2 Fungsi Kernel Estimasi fungsi distribusi probabilitas dengan menggunakan KDE selalu
melibatkan fungsi kernel. Suatu fungsi K(u) disebut fungsi kernel jika K fungsi
kontinu, bernilai riil, simetris, terbatas, dan .
Beberapa contoh fungsi kernel yang banyak digunakan adalah
1. Seragam
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
21
Universitas Indonesia
2. Segitiga
3. Epanechnikov
4. Gaussian
Dalam KDE, tingkat kemulusan dari pKDE(x) ditentukan oleh fungsi kernel K
dan lebar pita h yang disebut parameter pemulus. Tetapi pengaruh kernel K tidak
sedominan parameter pemulus h. Perbandingan tingkat kemulusan dari beberapa
fungsi kernel K dapat dilihat pada gambar 3.1 berikut:
Gambar 3.1 Fungsi distribusi probabilitas pKDE(x) dengan beberapa fungsi kernel
Dari gambar 3.1 terlihat bahwa fungsi kernel yang menghasilkan fungsi
probabilitas dengan tingkat kemulusan yang baik adalah fungsi kernel gaussian.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
22
Universitas Indonesia
3.3 Pemilihan Lebar Pita (Bandwidth) Parameter lain dalam estimasi fungsi distribusi probabilitas menggunakan
KDE adalah lebar pita h. Pemilihan lebar pita h yang terlalu kecil akan
menyebabkan pKDE(x) terlalu berduri sehingga sulit untuk diinterpretasikan,
sedangkan lebar pita h yang terlalu besar akan menyebabkan pKDE(x) terlalu mulus
sehingga dapat menutupi struktur data. Perbandingan beberapa nilai h pada pKDE(x)
yang menggunakan fungsi kernel gaussian dapat dilihat pada gambar 3.2 berikut:
Gambar 3.2 Fungsi distribusi probabilitas pKDE(x) dengan beberapa nilai h.
Dari gambar 3.2 terlihat bahwa untuk h = 0,1 akan menyebabkan fungsi
distribusi probabilitas pKDE(x) terlalu berduri dan pemilihan h = 2 akan
menyebabkan fungsi distribusi probabilitas pKDE(x) terlalu mulus sedangkan untuk
h = 0,6 fungsi distribusi probabilitas pKDE(x) memiliki tingkat kemulusan yang
baik karena sesuai dengan struktur data atau bisa dikatakan h = 0,6 adalah nilai h
yang optimal.
Penelitian mengenai pemilihan lebar pita h yang optimal telah banyak
dilakukan, namun sampai saat ini belum ada metode yang paling bagus untuk
dapat digunakan dalam setiap situasi. Dalam banyak kasus, pemilihan nilai h
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
23
Universitas Indonesia
cukup dengan melihat fungsi distribusi probabilitas yang dihasilkan oleh nilai h
dalam rentang nilai tertentu. Pertama dimulai dengan nilai h yang besar, dan terus
turun sampai didapatkan nilai h yang cukup optimal, yaitu nilai h yang
menghasilkan fungsi distribusi probabilitas pKDE(x) yang cukup baik
menggambarkan struktur data. Akan tetapi untuk beberapa kasus diperlukan suatu
metode kuantitatif dalam mengestimasi nilai h yang optimal (Zambom dan Dias
2012).
Salah satu metode kuantitatif untuk estimasi nilai h yang banyak digunakan
adalah metode silverman, yaitu
dengan s adalah standar deviasi sampel dan N adalah banyaknya data sampel.
Asumsi yang digunakan dalam metode ini adalah fungsi distribusi probabilitas
data sebenarnya adalah gaussian dan fungsi kernel yang digunakan gaussian
(Zambom dan Dias, 2012).
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
24 Universitas Indonesia
BAB IV SIMULASI DAN ANALISIS
Dalam bab ini, dilakukan simulasi yang bertujuan untuk melihat
perbandingan nilai EC yang dihasilkan oleh LDA yang menggunakan KDE dalam
estimasi distribusi severitasnya dengan LDA yang menggunakan model distribusi
tertentu dalam estimasi distribusi severitasnya. Perangkat lunak yang digunakan
adalah bahasa pemrograman Python. Algoritma inti program diunduh dari
http://scikit-learn.org, http://docs.scipy.org, dan http://matplotlib.org. Alur
pembahasan dalam simulasi ini meliputi data penelitian, estimasi distribusi
frekuensi, estimasi distribusi severitas, perbandingan nilai EC antara KDE dan
model distribusi tertentu, perbandingan nilai EC untuk beberapa nilai h pada
KDE.
4.1 Data Penelitian Data penelitian dalam tesis ini dibangun secara acak menggunakan
microsoft excel dan python. Data penelitian terdiri dari 3 data, yaitu data 3 tahun,
data 5 tahun, dan data 10 tahun dengan nilai data dalam satuan ribuan rupiah.
Statistik data penelitian dapat dilihat pada tabel 4.1 berikut:
Tabel 4.1 Statistik data penelitian 3 tahun, 5 tahun dan 10 tahun
Tahun Ke- 1 2 3Frekuensi 183 149 163Mean 39,836.09 44,062.72 54,967.08 Standar Deviasi 18,137.52 23,814.23 22,071.61
Tahun Ke- 1 2 3 4 5Frekuensi 55 65 70 50 60Mean 32,256.70 28,569.98 36,447.10 54,637.52 49,342.57 Standar Deviasi 11,787.16 13,314.75 20,037.53 28,458.42 26,551.13
Tahun Ke- 1 2 3 4 5 6 7 8 9 10Frekuensi 50 60 50 65 45 55 50 60 50 55Mean 34,798.56 33,710.42 38,019.44 32,382.11 35,281.24 36,008.76 36,435.36 39,506.53 45,152.88 49,761.51 Standar Deviasi 14,201.39 13,912.41 13,612.59 13,322.23 14,370.14 13,805.79 21,059.44 22,926.98 23,127.57 24,497.91
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
25
Universitas Indonesia
Sedangkan untuk rincian data penelitian dapat dilihat dalam lampiran 2 dengan
histogram data penelitian disajikan dalam gambar 4.1 berikut:
7 8 9 1050 60 50 55
36,435.36 39,506.53 45,152.88 49,761.51 21,059.44 22,926.98 23,127.57 24,497.91
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
26
Universitas Indonesia
Gambar 4.1 Histogram data penelitian
4.2 Estimasi Distribusi Frekuensi Frekuensi kerugian per tahun dalam risiko operasional menghasilkan nilai-
nilai bagi variabel acak N, yaitu banyaknya frekuensi kerugian yang terjadi dalam
waktu satu tahun. Banyaknya frekuensi kerugian yang terjadi dalam tahun tertentu
tidak bergantung pada banyaknya frekuensi kerugian dalam tahun yang lain. Oleh
karena itu, distribusi probabilitas dari variabel acak N adalah berdistribusi
poisson. Parameter dalam distribusi poisson adalah mean µ. Untuk data 3 tahun
memiliki µ=165, data 5 tahun memiliki µ=60, dan data 10 tahun memiliki µ=54.
Distribusi frekuensi yang terbentuk dapat dilihat pada gambar 4.2 berikut:
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
27
Universitas Indonesia
Gambar 4.2 Distribusi frekuensi
4.3 Estimasi Distribusi Severitas 4.3.1 Estimasi Distribusi Severitas Menggunakan KDE
Langkah pertama dalam mengestimasi distribusi severitas menggunakan
KDE adalah menentukan paramater pemulus untuk distribusi severitas. Parameter
pemulus pertama adalah pemilihan fungsi kernel. Dalam penelitian ini fungsi
kernel yang digunakan adalah fungsi kernel gaussian karena bisa menghasilkan
fungsi distribusi probabilitas dengan tingkat kemulusan yang baik. Parameter
pemulus kedua adalah pemilihan nilai h. Pemilihan nilai h berdasarkan metode
kuantitatif yaitu metode silverman dapat dilihat pada gambar 4.3 berikut:
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
28
Universitas Indonesia
Gambar 4.3 Distribusi severitas menggunakan KDE dengan
nilai h berdasarkan metode silverman
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
29
Universitas Indonesia
Dari gambar 4.3 dapat dilihat bahwa pemilihan nilai h menggunakan metode
silverman masih kurang optimal menggambarkan data yang sebenarnya karena
distribusi severitas yang dihasilkan masih terlalu besar mengestimasi daerah yang
lebih kecil dari nilai minimum data. Oleh karena itu, pemilihan nilai h akan
dilanjutkan dengan cara yang umum digunakan yaitu berdasarkan distribusi
severitas yang dihasilkan oleh beberapa nilai h kemudian secara visual akan
ditentukan nilai h yang optimal, yaitu nilai h yang bisa menghasilkan distribusi
severitas yang cukup baik menggambarkan data penelitian. Hasil dari beberapa
nilai h dapat dilihat pada gambar 4.4 berikut:
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
30
Universitas Indonesia
Gambar 4.4 Distribusi severitas menggunakan KDE dengan beberapa nilai h
Dari gambar 4.4 dapat diambil beberapa kesimpulan yaitu untuk data 3
tahun dipilih nilai h yang optimal adalah h = 5000 karena cukup baik
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
31
Universitas Indonesia
menggambarkan data secara keseluruhan, untuk data 5 tahun dipilih nilai h yang
optimal adalah h = 3000 karena tidak terlalu besar mengestimasi daerah yang
nilainya lebih kecil dari nilai minimum data, dan untuk data 10 tahun dipilih nilai
h yang optimal adalah h = 3000 karena bisa menggambarkan data dengan baik
termasuk tidak berlebihan dalam estimasi untuk data-data yang bernilai besar.
Kemudian untuk nilai h = 500 distribusi severitas yang dihasilkan akan terlalu
berduri dan untuk nilai h = 10000 distribusi severitas yang dihasilkan akan terlalu
mulus.
4.3.2 Estimasi Distribusi Severitas Menggunakan Suatu Model Distribusi Dari histogram data penelitian dalam gambar 4.1 terlihat bahwa data
cenderung berkumpul di daerah yang nilai datanya relatif kecil (menceng kiri),
dan data seluruhnya bernilai positif. Oleh karena itu, untuk ketiga data penelitian
dipilih model distribusi yang relatif cocok yaitu distribusi log-normal. Tampilan
distribusi log-normal untuk data penelitian dapat dilihat pada gambar 4.5 berikut:
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
32
Universitas Indonesia
Gambar 4.5 Distribusi severitas menggunakan model distribusi log-normal
4.3.3 Perbandingan Distribusi Severitas yang Menggunakan KDE dengan yang Menggunakan Suatu Model Distribusi Perbandingan distribusi severitas antara yang menggunakan KDE dengan
yang menggunakan suatu model distribusi tertentu dilakukan untuk melihat secara
visual, manakah dari dua distribusi severitas yang dihasilkan, yang mampu lebih
baik dalam menggambarkan data penelitian.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
33
Universitas Indonesia
Gambar 4.6 Perbandingan distribusi severitas
yang menggunakan KDE dan yang menggunakan Log-Normal
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
34
Universitas Indonesia
Dari gambar 4.6 terlihat bahwa untuk ketiga data yang digunakan dalam
penelitian ini, distribusi severitas yang menggunakan KDE lebih baik dalam
menggambarkan data penelitian karena bisa mengestimasi daerah-daerah lokal
tempat berkumpulnya data, sedangkan distribusi severitas menggunakan model
distribusi log-normal tidak bisa melakukannya.
4.4 Perbandingan Nilai EC antara yang Menggunakan KDE dengan yang Menggunakan Suatu Model Distribusi
Perhitungan nilai EC dilakukan secara numerik menggunakan metode monte
carlo. Melalui metode monte carlo akan didapatkan variabel-variabel acak yang
merupakan sampel dari distribusi majemuk. Kemudian variabel-variabel acak
tersebut diurutkan dari nilai yang terkecil ke nilai yang terbesar lalu ditentukan
persentil ke 99,9% yang merupakan estimasi nilai EC di tahun berikut. Simulasi
dilakukan sebanyak 10 kali dan dilakukan terhadap beberapa jumlah sampel,
diantaranya 1, 10, 102, 103, 104, 105, dan 106. Hasil dari simulasi disajikan dalam
gambar 4.7, 4.8, dan 4.9 berikut:
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
35
Universitas Indonesia
Gambar 4.7 Konvergensi nilai EC untuk data 3 tahun
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
36
Universitas Indonesia
Gambar 4.8 Konvergensi nilai EC untuk data 5 tahun
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
37
Universitas Indonesia
Gambar 4.9 Konvergensi nilai EC untuk data 10 tahun
Dari gambar 4.7, 4.8, dan 4.9 dapat dilihat bahwa nilai EC akan mulai
konvergen ke suatu nilai ketika banyaknya sampel adalah 105, hal ini sesuai
dengan karakteristik dari metode monte carlo yang membutuhkan sampel minimal
sebanyak 105 agar simulasi yang dilakukan konvergen ke suatu nilai.
Perbandingan nilai EC yang diperoleh dari hasil simulasi lebih jelasnya dapat
dilihat pada tabel 4.2 berikut
Tabel 4.2 Perbandingan nilai EC untuk data 3 tahun, 5 tahun dan 10 tahun
M etode Nilai ECBanyak Sampel (10^x)
Standar Deviasi
9,747,878.30 5 26,312.37 9,743,212.00 6 6,552.70 9,893,008.39 5 22,764.94 9,901,079.80 6 4,819.10
KDE
Log-Normal
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
38
Universitas Indonesia
Dari tabel 4.2 dapat dilihat bahwa untuk data 3 tahun nilai EC yang
dihasilkan oleh LDA yang menggunakan KDE lebih kecil sebesar 1,6%, untuk
data 5 lebih kecil sebesar 3,2%, dan untuk data 10 tahun lebih kecil sebesar 2,8%
dibandingkan nilai EC yang dihasilkan oleh LDA yang menggunakan log-normal.
Kemudian ketika banyaknya sampel adalah 106 nilai EC semakin jelas menuju ke
satu nilai hal ini dapat dilihat dari standar deviasinya yang lebih kecil
dibandingkan ketika banyaknya sampel adalah 105.
Perbedaan nilai EC yang dihasilkan untuk ketiga data penelitian, disebabkan
oleh estimasi yang berlebih dari model distribusi log-normal pada daerah yang
nilainya jauh lebih besar dari nilai maksimum data, untuk lebih jelas dapat dilihat
pada gambar 4.10 berikut:
Gambar 4.10 Perbandingan tail dari KDE dan Log-Normal untuk data 3 tahun (a),
5 tahun (b), dan 10 tahun (c)
M etode Nilai ECBanyak Sampel (10^x)
Standar Deviasi
3,521,863.00 5 14,715.35 3,520,330.50 6 2,217.44 3,634,601.30 5 14,731.33 3,632,659.70 6 3,483.08
KDE
Log-Normal
M etode Nilai ECBanyak Sampel (10^x)
Standar Deviasi
3,094,578.40 5 13,752.27 3,091,952.80 6 3,152.31 3,174,356.50 5 15,369.37 3,178,200.00 6 3,336.79
KDE
Log-Normal
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
39
Universitas Indonesia
4.5 Nilai EC untuk Beberapa Nilai h pada KDE Simulasi ini dilakukan untuk mengetahui seberapa besar pengaruh
pemilihan nilai h terhadap nilai EC yang dihasilkan. Simulasi dilakukan dengan
menggunakan sampel sebanyak 105. Hasil dari simulasi dapat dilihat pada tabel
4.3 berikut:
Tabel 4.3 Perbandingan nilai EC untuk beberapa nilai h pada KDE untuk data
3 tahun, 5 tahun, dan 10 tahun
Dari tabel 4.3 dapat diambil kesimpulan bahwa nilai h yang berbeda-beda
dengan catatan tidak terlalu berduri atau terlalu mulus berpengaruh kecil terhadap
Bandwidth (h) Nilai EC Standar
Deviasi500 9,731,174.67
2000 9,734,267.03 2500 9,730,971.32 3000 9,735,190.15 4000 9,741,654.05 5000 9,747,878.30 6810 9,750,494.27 10000 9,769,592.46
7,905
Bandwidth (h) Nilai EC Standar
Deviasi500 3,513,631.70 2000 3,514,677.00 3000 3,521,863.00 4000 3,518,947.10 5000 3,522,754.50 7802 3,536,074.70
10000 3,552,739.60
8,030
Bandwidth (h) Nilai EC Standar
Deviasi500 3,086,040.10
1500 3,081,622.20 3000 3,094,578.40 4000 3,096,651.10 5000 3,095,726.80 5606 3,094,041.70 10000 3,120,605.70
6,178
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
40
Universitas Indonesia
perbedaan nilai EC. Hal ini dapat dilihat dari nilai standar deviasi yang kecil dari
nilai EC yang dihasilkan oleh beberapa nilai h. Seperti untuk data 3 tahun
pemilihan nilai h antara 2000 dan 6810 memiliki standar deviasi sebesar 7905,
untuk data 5 tahun pemilihan nilai h antara 2000 dan 7802 memiliki standar
deviasi sebesar 8030, dan untuk data 10 tahun pemilihan nilai h antara 1500 dan
5606 memiliki standar deviasi sebesar 6178.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
41 Universitas Indonesia
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari simulasi yang telah dilakukan dalam penelitian ini diperoleh beberapa
kesimpulan, yaitu:
1. Konvergensi tail menuju p(x) = 0 dari distribusi severitas berpengaruh pada
besar kecilnya nilai EC yang dihasilkan.
2. Perbedaan nilai lebar pita h, yang merupakan parameter dalam KDE, dengan
catatan tidak terlalu berduri atau terlalu mulus memberikan pengaruh yang
kecil terhadap perbedaan nilai EC yang dihasilkan.
3. Nilai EC yang dihasilkan oleh LDA yang menggunakan KDE lebih kecil 1,6
3,2% dibandingkan nilai EC yang dihasilkan oleh LDA yang menggunakan
model distribusi log-normal.
5.2 Saran Penelitian ini dapat dilanjutkan dengan menggunakan data riil untuk bisa
melihat metode manakah yang lebih baik.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
42 Universitas Indonesia
DAFTAR REFERENSI
Basel Committee on Banking Supervision. (2006). International Convergence of Capital Measurement and Capital Standars: a revised framework. Basel.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer: New
York.
Frachot, A. Georges, P. dan Roncalli, T. (2001). Loss Distribution Approach for
Operational Risk. Working Paper, Groupe de Recherche Operationnelle:
France. Diunduh pada: 25 Mei 2013
McNeil, A. J., Frey, R., Embrechts, P. (2005). Quantitative Risk Management. Princeton University Press : United States of America.
Shevchenko, P.V. (2009). Implementing Loss Distribution Approach for
Operational Risk. Applied Stochastic Models in Business and Industry, vol.
26(3), pages 277 307.
Walpole, R.E. (1972). Introduction to Statistics. The Macmillan Company :
United States of America
Zambom, A. Z. dan Dias, R. (2012). A review of Kernel Density Estimation with Applications to Econometrics. arXiv:1212.2812v1 [stat.ME]. diunduh pada:
26 Oktober 2013.
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
43 Universitas Indonesia
LAMPIRAN
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
44
Universitas Indonesia
Lampiran 1. Algoritma Program Program Distribusi Frekuensi
Program Distribusi Severitas
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
45
Universitas Indonesia
Program Monte Carlo pada metode LDA yang menggunakan KDE
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
46
Universitas Indonesia
Program Monte Carlo pada metode LDA yang menggunakan Log-Normal
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
47
Universitas Indonesia
Lampiran 2. Data Penelitian A. Data 3 Tahun
40300.62 56812.29 72398.88 25525.84 44609.56 21804.22 26732.05 38502.46 17529.75 68633.6238727.38 49227.23 29774.31 19490.39 37121.80 33599.01 27844.65 30250.48 48582.47 53420.8153765.29 43860.94 28971.04 43355.53 65350.37 43586.17 27791.22 45510.56 48101.62 14022.8438045.06 98473.56 47597.66 43574.12 35921.30 27052.69 46682.68 22147.88 58704.4824539.99 29064.70 39312.79 38971.85 36258.00 29380.63 13148.12 39835.93 25584.1725507.37 23758.76 48923.74 61480.68 51874.30 31589.27 35180.27 24818.06 31214.4236071.84 35420.12 40557.92 20181.31 45728.38 29619.94 69805.32 96735.82 25294.8194234.57 16859.71 25683.13 39508.91 36669.30 34478.04 47403.11 32851.87 74691.4837974.50 43341.08 31776.48 39759.66 36649.60 41158.50 36553.79 38008.54 41965.9837445.79 34754.31 39309.25 21301.35 22452.36 46586.45 28146.64 52249.26 64108.2049573.86 41500.74 30130.86 45398.11 22789.33 31269.36 26627.92 22499.31 63702.3945908.76 25318.09 35194.31 13357.94 34888.41 33356.43 34232.16 46361.15 21234.4723976.42 28677.36 27386.13 41301.40 32702.65 46284.23 40155.70 57898.15 41949.4076543.65 40899.08 52179.77 41837.41 71670.00 80150.84 38200.60 63031.37 43616.8137296.72 25216.34 42668.00 35297.43 19196.53 37369.89 14931.65 53475.69 56045.1230299.76 94544.75 100662.37 28328.40 12443.45 43728.37 40038.18 36998.71 13727.0833438.58 89148.99 30909.57 29983.53 24911.18 48406.15 17743.19 37940.82 15383.4942076.37 107098.20 45847.39 48618.17 27987.50 31735.19 43872.14 67200.81 16437.7824735.90 29197.53 19992.32 19666.45 40831.86 35130.85 48335.27 34662.57 26986.1035467.67 85471.74 23769.27 44253.94 32262.57 12576.15 53993.11 32357.25 18318.93
TOTAL 7290004.74
TAHUN 1
14918.23 54439.42 50621.54 42874.08 30011.22 27018.42 72900.82 89711.3323603.45 26294.97 61554.92 24794.91 32561.31 73541.17 96046.43 87557.3024289.59 44387.28 85762.29 61616.41 47718.98 47889.61 74746.16 35450.8164134.62 27540.55 71676.49 13870.70 66235.63 34017.79 27049.77 21354.5270098.57 71395.13 29033.66 44928.23 71125.72 15912.41 15034.61 15539.4846579.95 31482.12 22654.78 51501.97 44896.30 57536.50 15825.55 31091.4952082.91 64807.86 34300.66 52812.86 24341.17 74425.29 13167.93 72236.3960488.91 43106.53 15747.02 79162.79 43021.12 23087.20 34543.99 19448.5843343.73 12191.75 27527.09 25935.89 94440.38 13645.06 77273.80 56539.0829717.26 39352.82 33219.28 30157.07 19035.39 24537.40 64582.7866641.16 23544.22 15506.15 11943.42 56649.55 15628.00 78489.8740011.84 45025.35 60854.44 48876.07 49994.66 22989.72 55762.5028782.36 37073.57 51190.91 52707.30 56538.96 61195.21 69043.9623041.51 16388.14 63235.69 46045.05 46005.04 72222.52 33813.5837559.22 57086.88 21060.43 32201.22 25062.11 22737.89 77281.4910626.43 64515.97 48891.15 20128.25 43095.11 39429.91 84918.2025929.89 22656.47 71690.46 53830.05 70312.47 93409.97 11925.8858480.04 70305.47 27276.39 40869.05 12290.61 36115.69 91891.7632324.42 22118.77 49390.21 10347.02 33658.44 75057.69 26606.7411294.87 43366.92 53666.58 47499.58 47077.26 56990.35 46059.39
TOTAL 6565344.63
TAHUN 2
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
48
Universitas Indonesia
B. Data 5 Tahun
92398.71 27331.39 95320.90 78723.02 70180.82 29641.24 63193.16 51226.28 74293.8944683.91 73980.98 29991.43 63770.30 64220.62 22497.38 84307.89 67348.61 80739.3876566.34 28153.53 49808.83 85704.75 53988.48 47719.19 17667.11 11801.25 43609.7663014.00 59022.00 17112.63 70128.54 34744.45 21738.15 58702.64 26293.1040857.10 81326.84 60830.72 93102.09 75553.27 51906.03 96335.12 81646.9157227.90 76284.44 49407.16 87267.71 19512.40 39250.76 50402.76 22260.8176577.02 20068.76 71100.19 44562.06 11403.55 43890.91 33680.03 45733.9467769.66 90824.58 91093.70 20271.12 51641.09 22142.71 82527.81 90521.0098920.52 54098.06 51461.03 56934.50 34342.88 32958.25 27714.95 52721.7890395.53 39131.89 58340.34 55551.84 26471.90 85301.03 57139.55 37747.7490052.19 40931.87 17623.48 79872.97 94107.13 27458.54 74035.92 37568.5827524.75 86793.70 70136.25 73945.45 79477.51 52631.32 100691.77 60998.6642660.31 45833.86 57088.77 41039.93 21318.62 65895.93 65311.24 77720.0325044.42 38238.58 43829.71 71854.66 73870.00 35836.14 46452.80 60444.3227717.19 20409.09 66127.79 46833.64 58585.11 92040.50 89471.19 94945.3498002.18 33503.33 90522.39 46193.93 71347.73 72402.90 58841.73 58613.6735920.56 66906.72 90877.24 22522.28 59569.90 63983.46 32510.20 76618.0347869.52 25715.81 59194.31 16675.97 74728.68 24713.51 56119.36 30057.9118952.75 19715.56 16857.44 46605.93 23756.85 67626.64 59354.00 52191.4432034.76 38298.96 82699.87 96478.00 47718.93 60084.47 30329.90 45261.16
TOTAL 8959633.84
TAHUN 3
16990 44563 19714 14045 29728 1922041606 22052 43216 37157 13975 1388329493 31359 34294 12047 33321 1570315553 30867 42129 30686 13218 1266314796 32011 38480 12972 42518 1117538280 17253 34200 44223 4474328636 42160 31297 40587 3208549424 34100 46828 39522 3086114058 49182 28039 28817 1921638522 46949 18207 29478 16734
TOTAL 1612835
TAHUN 1
46319 18076 14991 47099 21398 14650 2207439810 40192 39266 44040 10401 38410 1630439070 16366 10586 16878 18162 27871 4633712434 32435 41130 43467 30836 26589 2031149059 19470 38692 10620 47335 25036 1052622659 41806 42466 20773 16617 2187842380 42572 41483 45392 12477 2481512663 48206 45171 48813 14057 2763610864 25167 37238 11942 40423 1048134484 14643 18419 46809 10877 27598
TOTAL 1857049
TAHUN 2
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
49
Universitas Indonesia
C. Data 10 Tahun
15667 66055 18236 18757 13568 22016 2245912986 68450 32762 16422 68733 43579 1080115796 50688 54876 71847 34481 58058 7164636480 24235 41080 12934 24590 71005 1330949146 12928 74732 10173 21182 11323 2074162872 18394 34702 58913 67641 38128 3348946228 28218 49440 18548 38610 26201 4954725532 12590 55021 63258 28659 64895 6838513483 38464 32326 41342 36895 44170 1735017442 15638 22943 10751 50365 54822 54294
TOTAL 2551297
TAHUN 3
55596 58520 31488 76447 1157132597 90118 40927 43127 5642970388 30659 95090 95176 2068119870 10233 81409 47702 9282636383 26785 76332 68747 1962547701 91544 58802 76992 1368413423 91785 91462 94911 5504654300 38367 22745 11205 5166425709 63159 32445 91423 9411195379 77866 27892 39229 82306
TOTAL 2731876
TAHUN 4
54758 19916 32381 14654 74466 7023967190 95982 33618 13149 36827 9227591575 37021 73443 42893 90712 8829116884 67026 17737 79239 48104 4503162125 63907 33709 12392 20717 5222275578 98488 25982 13644 37766 3139984431 53024 34722 60194 92669 1648428473 10720 11409 86575 50412 3429239369 20347 90671 19188 29197 4327554966 56898 34046 68248 37821 71783
TOTAL 2960554
TAHUN 5
20773 12914 29920 29130 3410613517 19455 53521 46952 2021728584 21155 32385 34111 5977657189 30235 34701 21003 2171339207 55441 31836 27276 5367958094 21344 54027 23149 3218120037 46189 34738 40907 2260318013 59468 44284 55045 1547626659 27890 51506 21886 5636123279 53657 26832 37368 40139
TOTAL 1739928
TAHUN 1
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
50
Universitas Indonesia
49206 35690 18081 50347 52613 2984659111 35497 10228 41176 34082 1550926499 28555 37578 41464 12479 5793658538 52927 46535 15330 14887 4640917192 37430 32379 22392 40709 3268955402 32819 36746 40822 35101 3446344980 48054 26268 15211 30370 2982018156 20952 53952 15291 25117 2349035940 42632 11287 20938 31518 4324016644 19308 38596 59717 17926 44551
TOTAL 2022625
TAHUN 2
18029 43340 43303 39560 5912057575 31442 58274 44882 5629714515 19164 55882 53362 2281836128 48875 16251 56396 2059739721 38325 41293 35740 3698249485 13884 48137 24807 2660438725 35990 52751 39906 4573329686 32218 44408 54875 4466456652 40258 29906 52423 3574813486 36301 28515 25276 12663
TOTAL 1900972
TAHUN 3
30891 50836 24555 35383 38021 23074 2516427062 11975 48232 46632 51366 38393 2956737725 51259 47856 10577 11797 15625 2539916606 32547 16692 41710 20672 26184 5063258472 30754 27855 40489 30715 40694 4652734665 49353 16615 18215 55702 1081645208 20082 23333 22397 32062 4237020075 18425 44064 12882 46736 1842921747 47653 44519 28083 38534 2924444428 52435 37329 14871 12854 39773
TOTAL 2104837
TAHUN 4
24687 33001 16466 51736 2359111507 53573 33223 40491 2703455764 47490 12320 28806 3584040929 52092 29436 53364 3212942242 39394 22525 54372 3026451687 20108 32586 4008312422 32386 40586 5661224694 18516 10266 5748415297 30293 57190 2137452772 38204 51986 30834
TOTAL 1587656
TAHUN 5
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
51
Universitas Indonesia
32391 39031 47294 14003 15807 5289145903 46730 30990 20724 46962 5098345668 10355 46286 43811 57993 4966746486 56332 17288 19192 27631 3932234489 26363 44185 49321 27323 2903536147 41967 30712 31071 4170639498 28818 40587 14682 4732716823 14386 32298 57483 4152515311 42364 27562 15266 1930723745 59190 37180 51609 59462
TOTAL 1980482
TAHUN 6
33943 43344 24368 18602 1329449764 21049 11807 10217 1811615393 13037 52995 57662 1109545839 44449 63143 18081 5953151484 46748 20147 56881 1366545796 44367 10877 17700 2239647173 11603 70514 44535 4242514262 51033 23931 26987 9343738367 15887 63880 94496 3280855311 51525 19392 36694 31718
TOTAL 1821768
TAHUN 7
71730 49195 49549 73306 60177 4197740824 76735 13297 77933 30704 4000869596 12442 16632 65500 15791 2974223562 28116 67923 73864 13184 2684934101 16720 49188 75324 26201 2355526522 26940 82364 70647 39060 3089717267 45326 11961 63696 49053 4999410571 25350 17173 64880 14031 4142513722 13611 21177 75877 10116 1573946750 12696 30354 70341 63613 15514
TOTAL 2370392
TAHUN 8
15232 68260 20251 17468 5736426241 67540 41806 38999 6604685372 61910 14873 42845 3929919661 74569 58421 33380 6850116136 71976 38006 29834 2607932204 64105 82526 19980 2617120061 68828 73648 42524 2566034841 72399 39774 23421 3777919949 64582 44672 42766 10589074304 69156 37077 13476 21782
TOTAL 2257644
TAHUN 9
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
52
Universitas Indonesia
20685 68511 58549 13628 66923 7295174401 59356 23307 16415 67453 5859017451 63595 14347 20284 74411 7148725392 59419 11514 73745 75096 6672662318 66277 17911 17319 67983 7415272914 69011 28453 23456 6418072676 71296 18601 22317 7527464082 65645 29815 13208 7507970282 71165 18607 14183 6469172417 71364 31736 13567 62668
TOTAL 2736883
TAHUN 10
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
53
Universitas Indonesia
Lampiran 3. Hasil Simulasi Konvergensi Nilai EC
1. Data 3 tahun nilai EC dengan KDE dan lognormal secara berurutan
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
54
Universitas Indonesia
2. Data 5 tahun nilai EC dengan KDE dan lognormal secara berurutan
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014
55
Universitas Indonesia
3. Data 10 tahun nilai EC dengan KDE dan lognormal secara berurutan
Analisis penggunaan..., Erwan Setiawan, FMIPA UI, 2014