Hasil Pencarian  ::  Simpan CSV :: Kembali

"Induk Koperasi X memiliki unit bisnis agar bisa menyejahterakan anggota secara mandiri. Salah satu bisnis yang dijalankan adalah jasa penyewaan gedung Graha Nusantara (disamarkan). Sejak pandemi tahun 2020 permintaan penyewaan gedung menurun drastis, dan belum kembali seperti sebelum pandemi. Selain itu, sebagai bisnis yang bergerak dibidang pelayanan jasa, Graha Nusantara mengalami permasalahan yang berkaitan dengan operasional bisnisnya seperti pembatalan acara oleh pihak konsumen dengan berbagai alasan, perawatan dan pengelolaan gedung, pengelolaan pegawai hingga yang berkaitan dengan vendor rekanan. Hal ini menyebabkan Graha Nusantara terus merugi karena operasional gedung tidak efektif yang sebenarnya dapat dicegah dengan mengefektifkan operasional Graha Nusantara. Penelitian ini bertujuan mengevaluasi manajemen risiko operasional di unit bisnis Graha Nusantara, yang merupakan bisnis penyewaan gedung, dengan mengacu pada standar manajemen risiko berdasarkan ISO 31000:2018 serta penilaian risiko menggunakan risk breakdown structure dan failure mode and effect analysis. Metode yang digunakan dalam penelitian ini adalah analisis kualitatif deskriptif dengan pendekatan studi kasus, melalui teknik pengumpulan data wawancara dan dokumentasi. Hasil penelitian menunjukan manajemen risiko belum menentukan proses ruang lingkup, konteks dan kriteria sesuai ISO 31000:2018 serta teridentifikasi sembilan belas risiko dengan berbagai tingkatan risiko. Oleh karena itu, penelitian ini merekomendasikan penanganan masing- masing risiko dan diharapkan manajemen menetapkan kebijakan manajemen risiko terutama risiko operasional.

---

Induk Koperasi X has a business unit so that it can prosper members independently. One of the businesses run is the Graha Nusantara (disguised) building rental service. Since the pandemic in 2020 the demand for building rentals has decreased dramatically, and has not returned to what it was before the pandemic. In addition, as a business engaged in services, Graha Nusantara experiences problems related to its business operations such as event cancellations by consumers for various reasons, building maintenance and management, employee management to those related to partner vendors. This causes Graha Nusantara to continue to lose money due to ineffective building operations which could have been prevented by streamlining Graha Nusantara's operations. This study aims to evaluate operational risk management in the Graha Nusantara business unit, which is a building rental business, by referring to risk management standards based on ISO 31000: 2018 and risk assessment using risk breakdown structure and failure mode and effect analysis. The method used in this research is descriptive qualitative analysis with a case study approach, through interview and documentation data collection techniques. The results showed that risk management has not determined the scope, context and criteria process according to ISO 31000: 2018 and nineteen risks with various levels of risk were identified. Therefore, this study recommends handling each risk and it is expected that management establishes risk management policies, especially operational risks."

"Risiko adalah kemungkinan kerugian pada bank akibat terjadinya suatu peristiwa. Risiko yang paling melekat pada setiap kegiatan bisnis perbankan adalah risiko operasional. Untuk mengurangi risiko operasional telah diatur beberapa metode penghitungan risiko ini yaitu metode standar dan metode lanjutan atau advance measurement approach. Metode standar memiliki beberapa keterbatasan diantaranya mengasumsikan tingkat risiko langsung proporsional terhadap ukuran gross income, sehingga bank diperkenangkan untuk mengolah data sendiri dengan metode AMA. Salah satu metode AMA yang sering digunakan adalah loss distribution approach . LDA menggunakan data bank yang terdiri dari 8 lini bisnis dan 7 tipe kejadian. Dengan metode LDA, bank mengestimasi dua fungsi distribusi dari data loss tahunan yaitu fungsi distribusi dari frekuensi dan fungsi distribusi dari severitas, kedua distribusi di compound dan ditentukan Value at Risk masing-masing risiko menggunakan metode Monte Carlo pada quantile 99,9%. Untuk perhitungan nilai economic capital dalam tesis ini ada 2 asumsi yaitu asumsi semua risiko bergantung sempurna (completely dependent) dan saling bebas (independent). Adapun tujuan simulasi pada paper ini adalah melakukan studi eksperimental perhitungan economic capital dengan menggunakan LDA. Dari hasil simulasi diperoleh nilai economic capital yang stabil (konvergen ke suatu nilai) pada jumlah sampel 106.

---

Risk is the possibility of losses on the bank due to the occurrence of an event. Most risk inherent in any banking business activities is operational risk. To reduce operational risk in has arranged some methods of calculating this risk of standard method or advanced methods or Advance Measurement Approach. The standard method has some limitations such as the level of risk assumed directly proportional to the size of the gross income, so bank allowed to process its own data with AMA. One AMA often used is Loss Distribution Approach. LDA is using a data bank that consisting of 8 business line and 7 even types. With the LDA method , the bank estimates two distribution function of annual loss data is distribution of frequency and severity, the two distribution in compound and determined the Value at Risk of each risk using Monte Carlo method on the 99.9% quantile. For the calculation of Economic Capital in this thesis there are two assumptions are assuming all risks of completely dependent and independent. The purpose of simulations in this paper is to conduct experimental study of Economic Capital calculation using LDA. From the simulation results Economic Capital stable (convergent) on the number of samples 106."

"New Basel II Capital Accord menyadari bahwa dengan memperkenalkan persyaratan permodalan untuk risiko operasional akan menimbulkan dampak yang cukup signifikan terhadap jumlah regulatory capital yang harus disisihkan oleh bank.Penelitian ini menganalisa perbedaan metode dengan mengacu pada metode yang dipersiapkan oleh Basel Committe dalam memperkirakan capital charge untuk risiko operasional. Analisis diperoleh dengan membandingkan Advanced Measurement Approach (AMA) melalui Loss Distribution Approach (LDA) terhadap non-advanced atau Basic Indicator Approach (BIA). Perhitungan capital charge risiko operasional melalui Basic Indicator Approach merupakan persentase tertentu dari gross income. Sedangkan LDA model menekankan pada analisis kerugian operasional yang membutuhkan data historis (Loss Event Database) mengenai kejadian risiko operasional berdasarkan distribusi frekuensi dan severitas dengan menerapkan konsep Value at Risk (VaR).Berdasarkan data yang tersedia pada Bank X, hasil penelitian menunjukkan bahwa penerapan advanced approach dengan LDA model menghasilkan capital charge yang lebih rendah dibandingkan dengan BIA model.

---

New Basel II Capital Accord realized that the introduction of capital requirements for operational risk will cause a significant impact on the amount of regulatory capital that must be set aside by the bank.

This research analyzes the differences of methods with in regards to the methods prepared by the Basel Committee in estimating the capital charge for operational risk. The analysis was done by comparing the Advanced Measurement Approach (AMA) of the Loss Distribution Approach (LDA) to the non-advanced or Basic Indicator Approach (BIA). Calculation of operational risk capital charge with the Basic Indicator Approach is specified by a percentage of the gross income. Meanwhile, the LDA model requires analysis of operating loss using historical data (Loss Event Database) on the operational risk incidents based on the frequency and severity distribution and applying the concept of Value at Risk (VaR).

Based on the data made available by the Bank X, the results showed that the advanced approach applied using the LDA model produces a lower capital charge compared to the BIA model."

"Peer-to-peer P2P lending merupakan salah satu solusi alternatif pembiayaan bagi kelompok usaha yang tidak bankable, termasuk di antaranya usaha pertanian. Akan tetapi, usaha pertanian yang berisiko membuat P2P lending harus melakukan manajemen risiko untuk meminimalisasi atau bahkan menghilangkan risiko yang ada. Penelitian ini bertujuan untuk menganalisis proses manajemen risiko operasional pada AgriFin, perusahaan P2P lending yang membiayai usaha pertanian. Proses tersebut dimulai dari menganalisis persepsi mengenai definisi risiko operasional pada P2P lending, identifikasi risiko, analisis dan evaluasi risiko, hingga membahas cara memitigasi risiko tersebut. Selain itu, penelitian ini juga menganalisis praktik pengendalian internal pada AgriFin dengan menggunakan pendekatan lima komponen pengendalian internal pada COSO integrated framework. Penelitian ini menggunakan metode in-depth interview dengan narasumber dari berbagai stakeholder AgriFin, termasuk manajemen, operator, surveyor, dan Otoritas Jasa Keuangan OJK sebagai regulator P2P lending di Indonesia. Hasil dari penelitian ini menunjukkan bahwa risiko operasional pada perusahaan P2P lending yang bergerak di bidang pertanian tidak hanya berasal dari internal namun juga berasal dari pihak eksternal perusahaan termasuk dari operator petani atau perusahaan pertanian yang dibiayai serta masyarakat sekitar lahan pertanian. Selain itu, AgriFin telah menerapkan manajemen risiko berupa identifikasi dan mitigasi risiko. Sementara pengendalian internal pada AgriFin masih perlu penguatan dan perbaikan.

---

Peer to peer P2P lending is one of the alternative financing solutions for non bankable business groups, including agriculture sector. However, risks exposed to agricultural sector put P2P lending companies under requirements to perform risk management to minimize or even eliminate any of those inherent risks.

This study aims to analyze the operational risk management process in AgriFin, one of Indonesian well known P2P lending company that finances agricultural sector. The process begins with analyzing perceptions of the definition of operational risk on P2P lending, risk identification, analysis, and evaluation, to discuss how to mitigate those risks. Besides, this study also analyzed the internal control practices of AgriFin by using the five internal control components of the COSO integrated framework.

This study uses in depth interview method with interviewees from various AgriFin stakeholders, including management, operators, surveyors and Financial Service Authority OJK as the regulator for P2P lending companies in Indonesia.

The results of this study indicate that operational risks in P2P lending companies engaged in agriculture not only come from both internal and external parties, including from the operators financed farmers or agricultural companies as well as communities around the financed agricultural land. In addition, AgriFin has applied risk identification and mitigation. While the internal controls on AgriFin still need reinforcement and improvement."

"Krisis perbankan tempo lalu ternyata menjadi pelajaran yang berharga bagi kalangan perbankan, termasuk pihak pemegang otoritas perbankan, yakni Bank Indonesia (BI). Hikmah dari kejadian tersebut adaiah semua pihak menjadi mawas diri untuk bekerja lebih baik dan profesional pada masa mendatang. Sebelum krisis, unsur pengawasan tidak dilakukan secara optimal dan para pelaku perbankanpun tidak memperhitungkan berbagai macam faktor risiko bisnis.Namun setelah itu, BI sebagai koordinator perbankan nasionalpun mulai mengkaji dart menata kembali industri yang telah dihantam badai yang paling dahsyat, yang selama ini belum pernah terjadi dalam sejarah perbankan nasional. Pada awal Januari 2004 BI menerbitkan Arsitektur Perbankan Indonesia (API) yang merupakan sebuah program menyeluruh yang dapat dijadikan pedoman bagi seluruh kalangan perbankan hingga 2010.Ada delapan pilar API yang mesti dilaksanakan oleh para pelaku bisnis perbankan. Salah satu pilar antara lain menyebutkan tentang perlunya manalemen risiko (risk nianagenrent) bagi kalangan perbankan. Pemberlakuan ketentuan BI No. 5/8/PBI/2003 tentang Penerapan Manajemen Risiko bagi Bank Umum yang mewajibkan bank memasukkan faktor risiko operasional ke dalam perhitungan kewajiban penyediaan modal minimum diharapkan dapat memperkuat sistem pengawasan perbankan secara menyeluruh.Dalam rangka menerapkan manajcmen risiko operasional secara efektif, maka bank "X" harus mampu mengidentifikasi risiko operasional dan mengukurnya. Hasil identifikasi risiko operasional digambarkan pada LEDB berupa kejadian kerugian (loss event), penyebab kerugian dan dampak dari kejadian kerugian dalam jumlah uang.Untuk keperluan pengukuran risiko operasional mula-mula dilakukan pengumpulan data kerugian dari LEDB. Selanjutnya data disaring untuk keperluan penelitian dan dianalisis secara statistic. Data kerugian dan data observasi jumlah kejadian kerugian digunakan sebagai dasar pembuatan severity of loss probability model dan frequency of loss probability model.Kedua model tersebut diuji masing-masing dengan menggunakan uji Kolmogorov-Smirnov dan uji Chi-Square. Berdasarkan uji model tersebut dipilih Exponential distribution dan Poisson distribution.Selanjutnya, guna pengukuran risiko operasional dilakukan simulasi Monte Carlo. Untuk itu dilakukan penetapan asumsi-asumsi bagi setiap jumlah kerugian dan jumlah kejadian kerugian. Penetapan asumsi tersebut dilakukan terhadap setiap angka kerugian dan jumlah kejadian kerugian. Angka jumlah kerugian diasumsikan mengikuti Exponential distribution, sedangkan angka jumlah kejadian diasumsikan mengikuti Poisson distribution. Setelah itu ditetapkan forecast atau output yang diharapkan.Hasil simulasi Monte Carlo adalah aggregate loss distribution. Berdasarkan distribusi kerugian hasil simulasi tersebut dilakukan perhitungan OpVaR, yang besarnya adalab Rp. 17.613.014.530,- (95th percentile) dari Rp. 31.151.154.671,- (99th percentile).

---

Banking crisis in Indonesia has indeed become a worthy lesson for bankers, including Bank Indonesia as monetary authority. The crisis has encouraged related parties to be more prudent and professional in the future. Supervision has not been done properly before banking crisis occurred and business risks have not been wholly considered.

Then, Bank Indonesia began to review and rebuild the banking industry in Indonesia. In the beginning of 2004, Bank Indonesia issued Indonesian Banking Architecture (API), a comprehensive program aimed to be guidance for bankers until 2010.

API introduces 8 pillars which must be accomplished by bankers. One of them states a need for risk management in banking industry. BE regulation No. 5/8/PBI/2003 regarding Risk Management Accomplishment for Banks, requesting banks to consider operational risk in the calculation of minimum capital requirement is expected to strengthen the control system in banking as a whole.

For the purpose of effective operational risk management, bank "X" must be able to identify operational risk and measure it: The identification of this risk is reported in Loss Event Data Base (LEDB).

To measure the risk, data of losses are gathered from LEDB, The data, consisting of loss amounts and frequency of losses are then used to establish severity of loss probability model and frequency of loss probability model. Both models are tested using Kolmogorov-Smimov Test and Chi-Square Test. Based on those tests, Exponential distribution and Poisson distribution are consecutively chosen as Severity of loss probability model and Frequency of loss probability model.

For the purpose of risk measurement, Monte Carlo simulation is done. Before doing this simulation, certain assumptions are established for each loss amount and each loss frequency.

The result of this simulation is aggregate loss distribution. Based on the distribution, Operational Value at Risk (OpVaR) is Rp. 17,613,014,530.00 (95th percentile) and Rp. 31,151,154,671.00 (99th percentile)."

"Industri oleokimia mempunyai sistem rantai pasok yang kompleks sehingga menghadapi berbagai risiko dalam aktivitasnya. Penelitian ini bertujuan untuk mengidentifikasi dan mengelola risiko dalam rantai pasok industri oleokimia menggunakan metode House of Risk (HOR). Hasil dari HOR tahap 1 adalah 9 agen risiko prioritas dari 22 agen risiko untuk dimitigasi. Setelah itu, dari pengolahan HOR 2 didapatkan 7 strategi mitigasi prioritas dari 15 strategi yang berhasil diidentifikasi. Setelah itu 7 rancangan strategi mitigasi tersebut juga dianalisis dengan lebih dalam sehingga menghasilkan rancangan strategi yang dapat diimplementasikan. Dengan demikian, perusahaan industri oleokimia dapat menggunakan strategi tersebut untuk memitigasi risiko yang terdapat pada rantai pasoknya

---

The oleochemical industry has a complex supply chain system that faces various risks in its activities. This study aims to identify and manage risks in the oleochemical industry supply chain using the House of Risk (HOR) method. The result of HOR stage 1 is 9 prioritized risk agents out of 22 risk agents to be mitigated. After that, from HOR 2 processing, 7 priority mitigation strategies were obtained from 15 strategies that were successfully identified. After that, the 7 draft mitigation strategies were also analyzed more deeply to produce a draft strategy that could be implemented. Thus, oleochemical industry companies can use these strategies to mitigate the risks contained in their supply chains."

"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."

"Bisnis kartu kredit di Indonesia berkembang cukup pesat dalam dekade terakhir ini. Hal ini dapat dilihat dari banyaknya pelaku bisnis yang terjun ke bisnis kartu kredit, baik sebagai penerbit kartu (issuer) maupun pemroses transaksi (acquirer). Namun seiring dengan berkembangnya bisnis tersebut, ternyata diikuti dengan meningkatnya jenis dan tingkat kejahatan kartu kredit di Indonesia. Untuk itu diperlukan para pelaku bisnis di kartu kredit harus dapat mengukur berapa risiko operasional yang dialaminya serta bagaimana upaya-upaya yang harus dilakukan untuk meminimalkan terjadinya risiko operasional tersebut.Card Center PT Bank ABC termasuk salah satu pelaku pada bisnis kartu kredit di Indonesia. Namun hingga saat ini belum memiliki satu model yang bisa digunakan untuk menghitung berapa besarnya kerugian yang diakibatkan oleh risiko operasional. Berdasarkan permasalahan tersebut maka penulisan karya ilmiah kali ini dilakukan untuk mengukur besarnya kerugian yang diakibatkan oleh risiko operasional, terutama karena external fraud. Pembatasan permasalahan hanya pada pengukuran kerugian akibat external fraud dikarenakan untuk saat ini, data yang tersedia pada Card Center PT Bank ABC yang paling lengkap dan tersedia dengan rapi adalah data kerugian jenis risiko external fraud.Penelitian dilakukan dengan mengambil data-data harian dari kejadian external fraud dengan jenis: counterfeit, fraud application, fraud cash advanced, NRI, lost/stolen, fraud use, MOTO, dan others. Sedangkan periode penelitian diambil dari 1 Januari 2002 hingga 30 Juni 2005, dengan alasan data sudah mulai tersedia dengan rapi mulai tahun tersebut.Metode yang digunakan dalam penelitian ini adalah metode analisis simulasi, tepatnya dengan simulasi Monte' Carlo. Sedangkan model yang dipakai adalah Aggregating Model. Model ini mengagregasikan frekuensi dan severity dari kejadian external fraud. Distribusi frekuensi yang digunakan adalah distribusi Geometric, sedangkan distribusi severity yang digunakan adalah distribusi Lognormal. Pemilihan kedua jenis distribusi tersebut didukung dengan serangkaian goodness of fit test. Setelah jenis distribusi ditentukan kemudian dilakukan penghitungan Operational VaR. Perhitungan dilakukan pada spreadsheet Excell® dengan melakukan simulasi Monte Carlo. Proses iterasi dilakukan sebanyak 10000 kali. Pcnghitungan dilakukan beberapa kali untuk mendapatkan rata-rata berapa nilai Operational VaRnya. Langkah berikutnya adalah melakukan hack testing. Pengujian ini untuk mengetahui keakuratan model yang dipergunakan. Back testing dilakukan dengan Kupiec Test.Dan perhitungan yang tclah dilakukan, dapat disimpulkan bahwa pengukuran risiko operasional akibat external fraud pada PT Bank ABC dengan menggunakan Aggregating Model dapat diterima. Dengan pengukuran risiko operasional ini, diharapkan Card Center PT Bank ABC dapat mengetahui berapa risiko yang dialarni dan berapa prediksinya di periode berikutnya.Proses ini tentu tidak berhenti sampai di pengukuran saja tetapi juga memerlukan tindak lanjut berupa upaya-upaya untuk meminimalkan terjadinya risiko. Upaya-upaya yang dilakukan antara lain dengan melakukan mitigasi atas risiko yang ada dan tindakan preventif dengan tepat.

---

In last decade, credit card industry is growing very well in Indonesia. It can be showed from so many players in this field, both as issuer or as acquirer. But parallel with growing of the business, it is also followed by increasing of fraudulent in credit card. Therefore, all players in this business have to be able to assess and measure inherent operational risk in their business. They also must be able to minimize operational risk.

Card Center PT Bank ABC, is one of the players in credit card business in Indonesia. But until now, it has not had a specific model yet to measure its losses caused by operational risk. Based on this problem, the purpose of this research is to measure the impact of operational risk, especially external fraud. Research is focused only in external fraud event due to the source data of this risk already available compared to the others.

The data were taken from Risk Management Unit (RMU) in Card Center PT Bank ABC in daily basis. It contains of eight kinds of external fraud: counterfeit, fraud application, fraud cash advanced, NRI, lost/stolen, fraud use, MOTO, and others. And the period is from 1st January 2002 until 30th June 2005.

This research used Monte Carlo simulation analysis method, with Aggregating Model, which aggregate frequency and severity distribution. This research used Geometric frequency as frequency distribution, and Lognormal distribution as severity distribution. By Goodness of l=it test we can get the best distribution. Having calculated separately both severity and frequency process then combined them into one aggregated loss distributions. The aggregation of loss distribution allows us to predict a figure for the operational losses with certain degree of freedom. In this research we used confidence level 95%. The Monte Carlo simulation can be run in spreadsheet Excel. The iteration is processed 10000 times. To get the average of operational VaR the simulation must be done in several times.

To validate the model against actual operational losses to check the accuracy of its estimation, it is must continued with the next step, back testing. It has two steps, first is a basic analysis, and second is a statistical analysis. In statistical analysis we use Kupiec Test. With Kupiec Test, we can check the violations ratio (number of exception/total sample) of the model matches the confidence level determined.

According to the test, there is one violation occurred in 53 periods. And the result of LR value is smaller than critical value. So, we could accept the model to measure external fraud event. Card Center PT Bank ABC can use the model to measure and predict operational risk in the future caused by external fraud with Aggregating Model-Monte Carlo simulation. This process must continue with other efforts to minimize operational risk, such as mitigation and preventive actions."