Hasil Pencarian  ::  Simpan CSV :: Kembali

"Eratnya hubungan antara tingkat suku bunga dengan kinerja perbankan menunjukkan pentingnya tingkat suku bunga dengan pengelolaan risiko bank. Dengan dasar pemikiran tersebut maka timbul pemikiran untuk mengukur risiko yang disebabkan oleh pergerakan suku bunga dalam kerangka pengukuran risiko pasar. Dalam saat yang bersamaan, terdapat kecenderungan untuk menerapkan metode VaR untuk mengukur risiko yang dihadapi oleh perbankan. VaR adalah salah satu metoda untuk mengukur risiko pasar (market risk) yaitu untuk mengestimasi tingkat kerugian yang dapat terjadi karena memiliki suatu asset/portfolio asset dalam nilai tertentu yang nilainya dirujuk kepada nilai pasar (market to market value), dengan tingkat kepercayaan statistika tertentu (confidence level) dan untuk jangka waktu penguasaan asset (holding period) yang tertentu dalam kondisi pasar yang dianggap normal. Pergerakan nilai pasar dari aset tersebut menandai return yang dihasilkan oleh aset, apakah return-nya positif atau negatif. Dengan menganggap suku bunga pinjaman adalah return yang dihasilkan oleh asset kredit maka pada dasarnya metoda VaR dapat digunakan untuk mengukur risiko tingkat suku bunga yang dihadapi oleh bank pada saat memiliki aset kredit dalam jumlah tertentu dalam suatu holding period tertentu yang diakibatkan oleh pergerakan suku bunga pinjaman. Khususnya untuk kredit konsumtif dimana umumnya tingkat suku bunga bersifat fixed selama periode tertentu, risiko suku bunga terkait dengan kemungkinan kerugian bank selama periode tersebut dimana biaya dana (cost of fund) bank dapat bergerak naik dan turun dan mengakibatkan negative spread pada saat biaya dana tersebut naik melebihi suku bunga pinjaman. Penelitian ini bertujuan untuk: (1) Mengetahui karakteristik data suku bunga pinjaman keempat produk kredit konsumtif KPR Renovasi, Kredit Kepemilikan Mobil (KPM), Kredit Kepemilikan Motor (KP-Motor), dan Kredit Multiguna yang diberikan oleh Bank X selama periode observasi; (2) Untuk memberikan informasi besarnya VaR akibat perubahan suku bunga pinjaman untuk masing-masing produk kredit konsumtif tersebut yang dihasilkan oleh proses perhitungan yang sesuai dengan karakteristik data suku bunga keempat produk kredit tersebut; (3) Untuk memberikan informasi besarnya VaR untuk portfolio kredit konsumtif yang terdiri atas keempat produk kredit tersebut; (4) Menguji validitas metoda VaR yang digunakan dalam hal kemampuan metoda tersebut untuk mengestimasi tingkat kerugian yang dialami Bank X karena risiko tingkat suku bunga. Berdasarkan basil pengujian atas data tingkat suku bunga keempat produk kredit konsumtif, diperoleh hasil karakteristk sebagai berikut: (1) Non-stasioner, sehingga data harus dideferensiasi satu kali (diferensiasi tingkat 1) untuk menjadi stasioner dan dapat diuji lebih lanjut; (2) Tidak terdistribusi secara normal, sehingga nilai a yang akan digunakan dalam perhitungan VaR hares dikoreksi lebih dahulu menggunakan Cornish Fisher Expansion menjadi a; (3) Homoskedastik, sehingga volatilitas data yang diperlukan untuk perhitungan VaR dapat dihitung menggunakan rumus deviasi standar statistik. Angka VaR dihitung dengan menggunakan holding periode 1 bulan dan tingkat kepercayaan 95%, dengan demikian nilai VaR yang dihitung menggunakan data posisi akhir bulan x digunakan untuk mengestimasi tingkat kerugian pada akhir bulan x-H dengan tingkat keyakinan 95%, atau dengan kata lain: hanya 5% kemungkinannya bahwa tingkat kerugian pada akhir bulan x+1 akan melebihi nilai VaR. Hasil uji dengan cara bakc testing menunjukkan hasil yang baik di mane dari keempat produk kredit yang dianalisis, tidak terdapat overshoot sclama periode observasi. Hasil pengujian validitas VaR lebih lanjut dengan Kupiec Test (metoda TNoF) menunjukkan bahwa penggunaan metoda VaR dalam penelitian ini untuk mengestimasi tingkat kerugian akibat risiko tingkat suku bunga untuk masing-masing produk kredit konsumtif Bank X tersebut dapat dianggap valid. Untuk penghitungan VaR Portfolio, hasil uji return portfolio menunjukkan karakteristik data sebagai berikut: (1) Non-stasioner, sehingga data harus dideferensiasi satu kali (diferensiasi tingkat 1) untuk menjadi stasioner dan dapat diuji lebih lanjut; (2) Terdistribusi secara normal, sehingga nilai yang akan digunakan dalam perhitungan VaR tidak perlu dikoreksi; (3) Homoskedastik, sehingga estimasi volatilitas dapat menggunakan rumus standar deviasi statistik. Uji validitas VaR portfolio dengan backtesting menunjukkan tidak terdapat overshoot selama periode observasi, dan uji lebih lanjut dengan Kupiec Test menunjukkan bahwa VaR portfolio valid digunakan untuk mengestimasi kerugian maksimum portfolio kredit konsumtif karena risiko tingkat suku bunga."

"Untuk menjalankan lungsinya sebagai financial intermediary. risiko terbesar yang dihadapi bank adalah risiko kredit. Olch karena itu merupakan suatu hal yang panting bagi bank untuk dapat mengukur seberapa besar risiko kreditnya. Pengukuran risiko kredit ini dilakukan dengan terlebih dahulu menentukan model risiko kredit yang tepat. Pengukuran risiko kredit usaha mikro pada Bank X dengan pendekatan standar yaitu berdasarkan Surat Edaran BI No.8/3/DPNP tanggal 30 Januari 2006 tidak menghasilkan ukuran risiko yang tepat, karenanya diperlukan alat pengukur risiko yang lain. Tujuan penelitian dalam karya akhir ini adalah untuk mengukur besarnya risiko kredit usaha mikro (KUM) pada Bank X dengan metode Credit Risk. KUM adalah kredit kelolaan Micro Banking and Sales Group pada Bank X yang diklasifikasikan menjadi beberapa jenis produk. yaitu KUM Mandiri. KUM Mapan, KUM Prima, KUM Kelompok dan KUM Karya. Produk-produk tersebut memiliki limit kredit maksimum Rp100.000.000,00 (seratus juta Rupiah). Produk KUM dipasarkan oleh Bank X sejak bulan Maret 2005. Sampai dengan 31 Mei 2006 Bank X telah menyalurkan KUM sebanyak Rp 1,016 Milyar dengan 59.130 rekening debitur. Credit Risk+ adalah metode pengukuran risiko kredit yang tepat untuk bald debet pinjaman yang kecil dengan jumlah rekening yang sangat banyak, karena metode ini tidak memerlukan tambahan data makro dan merupakan default mode. Dalarn pengukuran risiko KUM dengan metode Credit Risk+, terdapat pembatasan sebagai berikut :1. Data yang digunakan adalah data portfolio KUM pcriode bulan Juni 2005 sampai dengan Mei 2006. Penggunaan data periode tersebut karma produk KUM barn dipasarkan pada bulan Mat-et 2005 dan krcdil dinyatakan default apabila umur tunggakan kewajiban lcbih dari 90 hari. Oleh karena itu kemungkinan terdapatnya default KUM minimal 90 hari setelah diberikannya fasilitas KUM tersebut, yaitu pada bulan Juni 2005.2. Kredit dinyatakan default apabila tunggakan kcwajibannya telah melebihi 90 hari atau berdasarkan kolektibilitas BI tergolong kredit Kurang Lancar, Diragukan dan Macet. Pengukuran risiko KUM dengan menggunakan metode Credit Risk menunjukkan hasil sebagai berikut :1. Dengan menggunakan metode Credit Risk, pada bulan Mei 2006 nilai expected loss sebesar Rp 69,74 milyar dan nilai unexpected loss sebesar Rp 104,03 milyar. Hal ini menunjukkan bahwa nilai VaR untuk bulan Mei 2006 adalah sebesar Rp 104,03 milyar, artinya dengan tingkat keyakinan sebesar 95% maka besarnya risiko kerugian maksimum akibat terjadinya default pada portfolio KUM untuk satu bulan ke depan diperkirakan sebesar Rp 104,03 milyar. Jumlah tersebut adalah 10,24% dari total baki debet KUM.2. Dengan metode Credit Risk bank hams menyediakan modal untuk mencover risiko KUM pada bulan Mei 2006 sebesar 10,24% x 8%= 0,82% dari baki debet KUM atau sebesar Rp 8,32 milyar.3. Surat Edaran BI No.813IDPNP tanggal 30 Januari 2006 menyatakan bahwa bobot risiko untuk Kredit Usaha Kecil (KUK) sebesar 85 %., maka bank harus menyediakan modal untuk mencover risiko KUM pada bulan Mci 2006 sebesar 85% x 8% = 6.80% dari baki debet KUM atau sebesar Rp 69,12 milyar.4. Perbedaan kebutuhan modal yang harus disediakan Bank X berdasarkan metode Credit Risk dan berdasarkan SE BI No.8/3/DPNP untuk bulan Mei 2006 adalah sebesar Rp 69,12 milyar - Rp 8,32 milyar = Rp 60,8 milyar.5. Berdasarkan basil pengujian model dengan backtesting dan likelihood ratio, maka metode Credit Risk dapat dipertimbangkan sebagai model internal untuk mengukur risiko KUM Bank X maupun kredit usaha kecil lainnya yang memiliki karakteristik yang sama. Metode CreditRisk+ ini dapat dikembangkan sebagai sistem pengukuran risiko yang terintegrasi dengan cor banking sistem pada Bank X juga dapat dimanfaatkan untuk melakukan monitoring dan pengawasan yang lebih efektif terhadap portfolio KUM, dengan cara memfokuskan perhatian pada kelompok debitur dengan nilai eksposur yang tinggi dengan default rate yang terbesar.

---

As a financial intermediary, the greatest risk a bank has to face is credit risk. Therefore. it is very crucial for a bank to measure its credit risk. First, determining the model of the credit risk does the measurement of credit risk.

The measurement of the risk of micro banking in Bank X by standard approach does not give an accurate profile of its credit risk; therefore another measurement tool is needed. This paper is aimed to measure the credit risk of micro banking (Kredit Usaha Mikro/KUM) of Bank X by CreditRisk+ method.

KUM is managed by Micro Banking and Sales Group of Bank X, which are classified into several types of products, such as KUM Mandiri, KUM Mapan, KUM Prima, KUM Kclompok and KUM Karya. Those products have maximum limit of Rp. 100.000,000,00 (a hundred million rupiahs).

Bank X has launched the KUM products on March 2005. Till the end of May 2006, Bank X has facilitated KUM at the amount of Rp. 1.016 billion for 59,130 customer accounts.

Credit Risk' is suitable for credit risk measurement of loans with small outstanding balance and has many customer accounts, because this method does not need additional data about macro economics and is one of the default mode method.

To measure the risk of KUM by Credit Risk+ method, there are limitations as follows:

1. The data used are KUM portfolio data in the period of June 2005 until May 2006. The period is chosen because the products have been launched since March 2005 and the credit is stated as default whenever the facilities arc under performed for more than 90 days. Therefore the default facilities may be found after 90 days after the first KUM were facilitated, i.e. in June 2005.

2. The credit is slated as default whenever the facilities are under performed for more than 90 days or based on 131 collection is classified as Kredit Kurang Lacar, Diragukan and Macet.

The risk measurement by Credit Risk has the following results:

1. The amount of expected loss on May 2006 is Rp. 69.74 billion and the amount of unexpected loss is Rp. 104.03 billion. This shows that the VaR on May 2006 is Rp. 104.03 billion, which is meant that with the 95% confidence level, the maximum risk loss because of default of portfolio KUM for one month ahead is Rp. 104.03 billion. The amount is about 10.24% of the KUM's outstanding balance.

2. On May 2006 the bank has to provide capital to cover the risk of KUM in the amount of 10.24% x 8% = 0.82% of tine KUM's outstanding balance, or Rp.8.32 billion.

3. The circulating letter of BI no.8/3/DPNP dated January, 30, 2006 is stated that the risk-weighted for Kredit Usaha Kecil (KUK) is 85%, so the bank has to provide capital to cover the KUM credit risk on May 2006 is in the amount of 85% x 8% = 6,80% of the KUM's outstanding balance, or Rp. 69.12 billion.

4. The difference of capital needed based on Credit Risk + method and SE BI no. 8/3/DPNP on May 2006 is Rp. 69.12 billion - Rp.8.32 billion = Rp. 60.8 billion.

5. Based on the backtesting and likelihood ratio procedure, the Credit Risk+ method can be used as the internal model to measure the credit risk of KUM portfolio of Bank X and other small amount loans which is has the same characteristics.

The CredilRisk+ method can be developed as the integrated risk measurement system with czar banking system of Bank X. and also can he used as a more effective monitoring and supervising tools for KUM portfolio, with lousing on the customer group with high exposure and high default rate."

"Bagi Bank Perkreditan Rakyat BPR, suku bunga kredit merupakan satu-satunya sumber pendapatan yang dapat memberikan profit bagi kelangsungan operasional bank tersebut. Suku bunga diperoleh sebagai jasa yang diberikan atas peminjaman dana kepada nasabah. Semakin besar kredit yang tersalurkan kepada masyarakat, semakin besar pendapatan bank dari suku bunga, yang berarti semakin besar profit yang dapat diperoleh oleh bank tersebut.Penelitian ini bertujuan untuk melihat pengaruh variable-variabel kesehatan bank dan variable tingkat suku bunga terhadap kredit yang disalurkan kepada masyarakat, dimana hasil penelitian ini diharapkan dapat menjadi salah satu rekomendasi bagi manajemen BPR dalam memperbaiki kinerja usahanya di masa mendatang. Untuk itu digunakan data time series yaitu data neraca dan laba rugi BPR X untuk periode Januari 2001 hingga Desember 2004. Data keuangan yang digunakan dikonversi ke dalam rasio-rasio, dimana KREDIT sebagai variable dependen. Sementara variable independent adalah ROA (Return on Assets), CAR (Capital Adequacy Ratio), LDR (Loan to Deposit Ratio), NPL (Non Performing - Loan), serta tingkat Suku bunga (r). Data kemudian dianalisis dengan model regresi, pengujian ekonometrik dan stgtistik yang dilakukan dengan menggunakan software Eviews 3.0.Hasil penelitian menunjukkan bahwa penyaluran kredit pada BPR X tidak dipengaruhi oleh kenaikan tingkat suku bunga. Tetapi suku bunga cukup menentukan pertumbuhan kinerja BPR. Secara umum dapat disimpulkan bahwa besarnya tingkat suku bunga BPR merupakan factor penting dalam mempengaruhi suku bunga."

"Tesis ini membahas pengukuran risiko kredit menurut Basel II, yang berbeda dengan ketentuan Basel I yang berlaku saat ini. Untuk pengukuran kredit korporasi PT. Bank X telah mulai mempersiapkan diri dengan menerapkan sistem internal rating yang berjalan mulai tahun 2004. Internal rating merupakan salah syarat yang harus dipenuhi untuk melakukan pengukuran kredit sesuai dengan Basel II.Basel II memperkenal 3 metode pengukuran risiko kredit terutama untuk kredit usaha, yaitu Standardized Approach, IRB Foundation Appraoch dan IRB Advanced Approach. Dalam tulisan ini ketiga metode tersebut diterapkan untuk mengukur minimum capital charg.. Sesuai dengan data yang diperoleh risiko kredit yang diukur adalah portepel kredit yang dimiliki oleh Divisi Usaha Menegah PT. Bank X.Hasil pengukuran risiko kredit ini masing-masing diperbandingkan mana yang lebih effisien dalam menghitung risiko kredit. Selanjutnya hasil kesimpulan yang diperoleh dapat dijadikan bahan masukan bagi manajemen PT. Bank X, ataupun bank-bank lain yang menghadapi permasalahan yang sama.

---

The focus of this study is measuring credit risk using Basel II method. This preparation already started from 2004 through the implementation of internal rating system. Internal rating system as one of the term to be full filled to measring credit risk using Basel II.

Basel II introduce 3 methods to measuring credit risk specialy for corporate loan, which is Standardized Approach, IRB Foundation Approach dan IRB Advanced Approach. The subject on this paper is to implement 3 methods, calculate minimum capital charge using data of credit portfolio middle marker segment PT. Bank X.

The results from the measurement of each method then compared to find which method is more efficient in calculating credit risk. Therefore the conclusion is an input for the management of PT. Bank X as for the other banks who facing the same problem."

"Penerapan CreditRisk+ dilakukan untuk menghitung risiko kredit usaha kecil pada Bank X se1ama kurun waktu Januari 2006 - Desember 2008. CreditRisk"' merupakan default mode yang memandang kualitas kredit sebagai default dan no default, tidak mengasumsikan penyebab terjadinya default. Kredit dinyatakan default apabila tunggakan kewajibannya telah melebihi 90 hari, sesuai ketentuan Bank Indonesia. Pengukuran CreditRisk+ dilakukan dalam 2 tahapan. yaitu : pertama menghitung frequency of defaults dan severity of losses, kedua menghitung distribution of default losses. Frequency of defaults dihitung dengan menggunakan distribusi Poisson dengan tingkat keyakinan 95%. Sedangkan severity of losses diperoleh dengan menghitung loss given default. Sementara distribution of default losses diperoleh dengan menghitung besarnya potensi kerugian berupa expected loss, unexpected loss, dan economic capital, yaitu cadangan modal yang harus disiapkan uotuk menutup unexpected loss. Berdasarkan hasil backtesting dengan Loglikelihood Ratio (LR) Test diperoleh nilai LR sebesar 0 yang lebih kecil dibandingkan nilai kritis Chi-squared sebesar 3.8415 yang menunjukkan bahwa metode CreditRisk"' masih valid digunakan sebagai model internal untuk mengukur risiko kredit usaha kecil pada Bank X.

---

Implementation of CreditRisk+ is used for small enterprise credit measurement of Bank X during Januari 2006- Desember 2008. CreditRisk+ is a default mode model that credit quality as a default and no default, no assumptions are made about the causes of default. Credit is stated default if a pending of credJt payment is more than 90 days, based on Bank Indonesia regulation. CreditRisk• measurement has two steps, first measuring frequency of defaults and severity of losses, second measuring distribution of default losses. Frequency of defaults is measured by using Poisson distribution with 95% confidence level. Severity of losses is taken by measuring loss given default. Meanwhiles, distribution of default losses is taken by measuring potensial default such as expected loss, expected loss, and economic capital, capital reserved that has to be prepared to cover unexpected loss. Based on the results of the backtesting through Loglikelihood Ratio (LR) Test, a Likelihood Ratio of 0 is smaller than a Chi-squared of 3.8415 which represents that CreditRisk+ method is still valid to be used for internal model for measuring small enterprise credit of Bank X."

"Iklim investasi yang cenderung menurun tidak menyurutkan pemberian kredit konsumtif. Hal ini terjadi karena kredit konsumtif merupakan jenis kredit yang banyak ditawarkan oleh perbankan saat ini karena kemudahan memperolehnya dan sifatnya yang individual sehingga menarik para calon debitur. Namun demikian, proses pemberian kredit tersebut tidak luput dari risiko kredit. Bank pemberi kredit harus mengetahui manajemen risiko, khususnya risiko kredit terlebih menyangkut berapa besarnya economic capital yang harus disiapkan dalam mengantisipasi risiko expected loss dan unexpected loss yang mungkin timbul. Perhitungan economic capital dilakukan dengan menggunakan Internal Model CreditRisk+. Pengujian karakteristik distribusi kerugian dilakukan dengan tes Chi-Square dan permodelan divalidasi dengan metode Kupiec untuk mengetahui akurasi model risiko kredit dalam memproyeksi potensi kerugiannya.

---

Although investment climate has relatively descended, but it has not descended the granting of consumer loan since such variety of credit can be easily attained as provided by many banks and also by its individual characteristic which attracts prospective debtor. However, its granting process must not be separated from credit risk. The lender bank must recognize its risk management aspect, especially relates to the sum which has to be provided for anticipating either expected loss or unexpected loss risk may be aroused in the future. Economic capital can be exercised by Internal Model CreditRisk+ method after which testing on loss distribution characteristic can be exercised by Chi-Square and validation of the modeling can be exercised by Kupiec Test as purposed to obtain a certain accuracy on credit risk model in predicting potential loss."

"Seiring dengan semakin tingginya kebutuhan masyarakat, semakin tinggi pula transaksi menggunakan kartu kredit yang mencerminkan makin tingginya tingkat kepercayaan masyarakat terhadap kartu. Tetapi disisi lain, ratio kredit macet atau Non Performing Loan (NPL) kartu kredit cenderung meningkat. Sebagai salah produk perbankan yang bersifat massal, kartu kredit memiliki risiko yang tinggi biasanya penerbitannya tanpa mernerlukan jaminan atau agunan, Bank selaku penerbit harus melakukan prinsip kebati-hatian dalam menerbirkan kartu kredit dan selain itu, Bank juga harus mengantisipasi risiko kerugian kredit baik expected loss maupun unexpected loss dengan menerapkan manajemen risiko. CreditRisk+ adalah sa1ah metode yang sederhana yang dapat diterapkan untuk pengukuran risiko kredit khususnya Kartu Kredit. Meialui perbitungan dengan CreditRisk+ dapat diketahui eronomic capital yang harus dipersiapkan untuk mengantisipasi unexpected Joss. Pengujian pennodelan divalidasi dengan metode Kupiec untuk mengetahui akurasi model resiko kredit dalam memproyeksi potensi kerugiannya

---

The increasing needs of society reflects on the incresing number of number credit card transaction. But on the other hand. non performing loan of credit card tends to increase as well. Credit card is considered as a high risk banking product since it is a mass product and need no collateral required Bank is advised to be prudent while issuing credit card and also should anticipate either expected loss or unexpected loss by implementing risk management. In assessing credit risk especially credit card risk. CreditRisk+ is one of simple method that may be implemented Through CreditRJsk+· method, Bank will be able to detennine the economic capital in anticipating any unexpected lass. Kupiec method is used to authenticated the validation of model to ensure the accuracy of credit risk model in projecting the loss."

"Perubahan suku bunga pinjaman akan mempengaruhi perusahaan pembiayaan dalam menentukan suku bunga kredit kepada konsumen. Perusahaan pembiayaan sebagai salah satu lembaga keuangan dalam kegiatan operasionalnya selalu memperhatikan tingkat suku bunga. Baik tingkat suku bunga jual maupun tingkat suku bunga pinjaman dari perbankan. Kenaikan atau penurunan suku bunga pinjaman akan mempengaruhi perusahaan pembiayaan dalam menentukan suku bunga kredit kepada konsumen. Tidak terkecuali PT. XYZ Cabang ABC sebagai salah salah satu perusahaan yang berpengalaman di bidang pembiayaan mobil bekas dan pinjaman dana tunai, yang sangat terpengaruh terhadap suku bunga pinjaman yang diperoleh sebagai dasar penetapan suku bunga kredit yang diberikan kepada konsumen. Suku bunga kredit yang ditetapkan dalam penelitian ini adalah untuk masa tenor 36 bulan.Tujuan penelitian ini adalah untuk melihat pengaruh tingkat suku bunga kredit terhadap kredit macet. Penelitian kuantitatif dengan desain eksplanatif ini menggunakan data primer yang diperoleh dari sistem E-loan perusahaan. Metode analisis data dengan regresi sederhana. Hasil penelitian menunjukan tingkat suku bunga kredit tahun 2005 mempunyai hubungan dan pengaruh yang kuat terhadap kredit macet di tahun 2008. Berdasarkan hasil penelitian bahwa suku bunga kredit meningkat dipengaruhi oleh faktor suku bunga pinjaman, cadangan resiko kredit macet, dan komisi untuk pihak ketiga.

---

Interest that they will charge their customers. Financing companies as a financial institution in their operations keep a close eye on the interest rate level, whether it be the selling interest rate or the bank lending rate. The rise and fall of the lending rate will effect financing companies through the interest rate that they charge their customers. No exception to the rule, the ABC branch of PT XYZ as a company experienced in automobile financing and cash lending is very much effected by the lending rate which is used as a basis for calculating interest rates charged to customers. The interest rate studied in this research is for a 36 month period.The objective of this research is to determine the effcts of the lending interest rate on non-perfforming loans. This quantitative research with explanative design uses primary data collected through the companys E-loan system. Simple regression is used to analyze the data. The research shows that the interest rate in 2005 is related to and strongly effects non-performing loans in 2008. Based on this research, rising interest rates are effected by the lending rate, non-performing loan risk reserves and third party commisions."

"Perbankan Indonesia terus mengalami perubahan bentuk dan karakter secara signifikan pada beberapa dekade terakhir. Perubahan kebijakan-kebijakan dan regulasi perbankan, tekanan kompetisi dalam pasar perbankan dan keuangan, serta tuntutan kinerja menyebabkan bank harus dikelola secara lebih proaktif terhadap kondisi dan potensi bisnis.Perbankan sebagai lembaga perantara keuangan saat ini semakin dilihat sebagai salah satu media translasi dan transformasi risiko dari pemilik dana yang pada umumnya bersifat risk averse. Kemampuan perbankan dalam mengelola risiko semakin menjadi perhatian sejalan dengan peningkatan volume dan kompleksitas operasional bisnis, peningkatan frekuensi dan jumlah kerugian perbankan akibat tindakan kriminal yang melibatkan pihak internal (pekerja bank) dan eksternal (nasabah) serta beberapa kejadian seperti bencana alam, kebakaran, dan serangan terorisme telah mengakibatkan kerugian yang sangat signifikan pada suatu sistem perbankan yang dapat mengakibatkan collapsenya suatu bank.Berdasarkan ketentuan Basel II,maka bank berupaya untuk menerapkan internal model dalam perhitungan rasio modalnya terutama untuk mengetahui seberapa besar potensi kerugian yang akan dilanggung oleh bank di masa yang akan datang. Dengan diterapkannya internal model, otomatis akan berpengaruh terhadap komposisi Modal bank dan kemampuan ekspansinya. Untuk itu diperlukannya suatu data base yang mencatat kejadian yang menimbulkan kcrugian pada bank.Sesuai hasil pengamatan terhadap manajemen risiko operasional Bank DEF ditemukan bahwa bank tersebut menghadapi risiko operasional namun tidak memiliki metode pengukuran risiko yang akurat sehingga memerlukan adanya pendekatan alternatif yang lebih baik dalam mengukur risiko tersebut. Berdasarkan kondisi tersebut maka dalam rangka memberikan salah satu solusi dalam penghitungan risiko operasional, dilakukan penelitian untuk menentukan model estimasi probabilitas frekuensi dan severity of loss yang tepat dengan metode Aggregating Value at Risk (VaR) dalam manajemen risiko operasional Bank DEF.Data historis risiko operasional yang digunakan (Loss Event Data Base/LEDB) bersumber dari hasil audit internal. Selanjutnya dengan metode Aggregating VaR akan dibentuk Aggregated Loss Distribution dengan mengaggregasi dua distribusi yaitu fitted frequency dan fitted severity distribusi, kemudian dilakukan perhitungan potensi kerugian maksimal operasional dengan pendekatan Value at Risk (OpVaR) berdasarkan metode quantile dengan tingkat keyakinan 95%.Total OpVaR merupakan estimasi potensi kerugian maksimal total yang dapat terjadi pada suatu waktu dengan tingkat kepercayaan tertentu, berdasarkan data historis risiko operasional yang pemah terjadi. Penelitian ini memberikan kesimpulan bahwa total nilai Operational Value at Risk (OpVaR) Bank DEF sebesar Rp25.942.954.779.Berdasarkan uji back testing yang telah dilakukan maka atas hasil estimasi VaR dapat diterima. Hal ini menunjukkan bahwa metode Aggregating VaR dapat diimplementasikan sebagai alai ukur besarnya risiko operasional. Mengingat sedang dikembangkannya internal model dalam penghitungan risiko operasional maka di masa mendatang Bank DEF dapat menggunakan Metode Aggregating VaR dalam perhitungan risiko operasional untuk basil yang lebih baik dan akurat.

---

In the last decade, Indonesian banking constantly develops and changes in size and characters. Many factors have caused banks to manage proactively focusing in business condition and potential, such as new regulation and policies in banking, the nature of bank and Financial Institution competitiveness, and business efficiency target.

Many risk adverse investors use banks role as one of intermediate financial institutions to deal with their money. Consequently, the need of risk management in banking is required since volume and business operational activities rise in bank. Financial impact in Illegal business activity between internal parts (bank staff) and external parts (customer) and several events such as natural disaster, fire, and terrorist attack have caused significant loses in banking system that could led to bank collapses.

Banking industry regulation-under Basel II Accord requires banks to implement internal model in measuring their capital ratio in sequence to predict how large their potential losses in the future in a certain time horizon and certain level degree of freedom. The result automatically will influence bank capital and expansion target. Further, data base to record all operational losses is needed.

The research found that Bank DEE; was faced potential operational losses when managing its operational risk. Nevertheless, Bank DEF did not have appropriate and accurate method in measuring operational losses, so that it should need an alternative approach. Concerning this situation, this research proposes a solution in measuring operational risk at Bank DEF.

Operational risk historical data (Loss Event Data Base (LEDB) were provided by DEF Bank Internal Audit Division. The aggregated loss distribution is resulted from two distributions (fitted frequency and severity) by applying aggregating VaR method with a confidence level 95%.

Operational Value at Risk (OpVaR) total is the total maximum potential losses estimation over a certain time horizon and with a certain degree of confidence level, based on historical data. The research concludes that the total Operational Value at Risk amount is Rp.25.942.954.779 with 95% degree of confidence.

Based on the back testing Value at Risk estimation was not rejected. The result showed that banks could implement aggregating VaR method to measure its operational risk, and as such Bank DEF is suggested to implement the method for its risk management system."