Sensitivity dan Scenario Analysis

Tim Anda baru selesai menghitung kelayakan sebuah pabrik. Hasilnya rapi: Net Present Value (NPV, nilai kini bersih) proyek +Rp 156 miliar. Layak. Direksi senang, dan rapat hampir ditutup.

Lalu komisaris bertanya satu hal sederhana: “Angka Rp 156 miliar ini — kalau harga jual produk meleset 10% dari asumsi, jadi berapa?” Ruangan hening. Ternyata jawabannya: NPV berubah jadi minus Rp 255 miliar. Proyek yang tadinya “layak” berubah jadi rugi besar hanya karena satu asumsi bergeser sedikit.

Inilah masalah dengan satu angka tunggal. Model keuangan apa pun — DCF, kelayakan proyek, valuasi saham — menghasilkan angka yang terlihat presisi. Tapi angka itu berdiri di atas tumpukan asumsi (harga, volume, biaya, tingkat diskonto). Melaporkan satu angka tanpa menunjukkan seberapa rapuh angka itu adalah ketelitian semu (false precision): terlihat yakin, padahal belum tentu.

Pekerjaan analisis sensitivitas, skenario, dan Monte Carlo adalah mengubah satu angka rapuh menjadi rentang yang jujur — sekaligus menunjukkan asumsi mana yang paling perlu dijaga.

Satu Model, Diguncang Tiga Cara

Sebelum masuk rumus, kenali peta besarnya. Ketiga teknik menjawab pertanyaan yang sama — “seberapa bisa dipercaya angka saya?” — tetapi dengan cara berbeda:

Urutannya juga urutan kerja yang sehat: mulai dari sensitivitas (paling sederhana, untuk menemukan variabel penting), naik ke skenario (untuk menceritakan keadaan baik–buruk), baru ke Monte Carlo (untuk mengukur peluang).

Agar tiap teknik bisa dibandingkan apel-ke-apel, sepanjang artikel ini kita pakai satu proyek yang sama.

Proyek acuan kita

Sebuah pabrik dengan asumsi dasar (base case) berikut, proyeksi 5 tahun, semua angka dalam Rp miliar kecuali disebut lain:

Dari asumsi ini, DCF menghasilkan NPV base case = +Rp 156 miliar (perhitungan lengkapnya ada di bagian “Contoh hitung dari nol” di bawah). Inilah angka tunggal yang akan kita guncang.

Sensitivitas: Ubah Satu Variabel, Lihat Dampaknya

Ide analisis sensitivitas paling sederhana: pegang semua asumsi tetap, ubah satu saja, catat NPV-nya. Lalu ulangi untuk variabel berikutnya.

Mari mulai dengan harga jual. Kita geser harga jual dari −10% sampai +10% terhadap base case (Rp 100 ribu), variabel lain dibiarkan apa adanya:

Perhatikan betapa tidak proporsionalnya reaksi: harga turun 10% tidak membuat NPV turun 10%, tapi membaliknya dari +156 ke −255. Ini gejala leverage operasi (operating leverage) — karena ada biaya tetap, perubahan kecil di harga berbiak besar di laba. Itulah yang membuat komisaris di pembuka cemas.

Mengukur seberapa “sensitif”: ayunan (swing)

Untuk membandingkan antar variabel, kita butuh satu angka ringkas per variabel. Angka itu adalah ayunan (swing): selisih antara NPV pada skenario tinggi dan NPV pada skenario rendah.

$$\text{swing} = \big| NPV_{\text{tinggi}} - NPV_{\text{rendah}} \big|$$

Penjelasan tiap lambang:

• $NPV_{\text{tinggi}}$ = nilai NPV saat variabel digeser ke arah yang menaikkan NPV (mis. harga +10%).
• $NPV_{\text{rendah}}$ = nilai NPV saat variabel digeser ke arah yang menurunkan NPV (mis. harga −10%).
• Tanda mutlak $|\cdots|$ membuat hasilnya selalu positif — yang kita pedulikan besar ayunannya, bukan arahnya.

Contoh untuk harga jual: $NPV_{\text{tinggi}} = +566$, $NPV_{\text{rendah}} = -255$, maka

$$\text{swing}_{\text{harga}} = |566 - (-255)| = 821 \text{ (Rp miliar)}.$$

Semakin besar ayunan, semakin penting variabel itu. Kalau kita hitung ayunan untuk setiap variabel lalu mengurutkannya, kita dapat peringkat pemicu nilai (value driver).

Tornado: Peringkat Pemicu Nilai

Diagram tornado adalah cara baku menampilkan peringkat ayunan. Tiap variabel jadi satu batang mendatar yang terpusat di garis NPV base; panjang batang sebanding dengan ayunannya. Diurutkan dari ayunan terbesar di atas ke terkecil di bawah — sehingga bentuknya menyempit ke bawah seperti corong tornado.

Ayunan tiap variabel pada gambar (semua dalam Rp miliar, terverifikasi):

Inilah pesan utama tornado: harga jual dan volume adalah pemicu nilai dominan; WACC paling tidak menggerakkan. Konsekuensi praktisnya tajam. Kalau tim valuasi punya waktu terbatas, habiskan waktu itu untuk memperbaiki estimasi harga dan volume (riset pasar, kontrak penjualan), bukan untuk berdebat dua jam soal apakah WACC 10,5% atau 10,7%. Tornado mengubah ketelitian semu menjadi prioritas kerja.

Catatan arah: untuk biaya variabel dan WACC, skenario “buruk” justru saat angkanya naik (biaya naik / diskonto naik → NPV turun). Tornado memetakan nilai NPV, bukan arah variabelnya — jadi sisi abu (NPV turun) tetap di kiri garis base untuk semua batang, termasuk biaya & WACC. Yang penting: tiap batang melintasi garis base, dan panjangnya = ayunan.

Titik Impas: Sampai Mana Asumsi Boleh Meleset?

Sensitivitas menjawab “berapa NPV kalau harga −10%”. Pertanyaan kembarannya, sering lebih berguna untuk pengambilan keputusan: “sampai berapa harga boleh turun sebelum proyek rugi?” Itulah analisis titik impas (break-even): mencari nilai variabel yang membuat NPV tepat nol.

$$\text{Titik impas variabel } v : \quad NPV(v) = 0$$

Untuk proyek acuan, mencari harga jual yang membuat NPV = 0 memberi Rp 96,2 ribu/unit. Artinya:

• Harga jual hanya boleh turun 3,8% dari Rp 100 ribu sebelum proyek mulai rugi. Marjin keamanan sangat tipis.

Bandingkan dengan WACC: titik impasnya 14,5%. Artinya WACC boleh naik dari 10,5% sampai 14,5% (selisih 4 poin persen) sebelum proyek rugi — marjin keamanan lebar. Ini menguatkan pesan tornado dari sudut lain: risiko proyek ini ada di pasar (harga), bukan di pendanaan (WACC).

Skenario: Ubah Satu Set Variabel Sekaligus

Sensitivitas punya kelemahan jujur: ia mengubah satu variabel dan menganggap sisanya beku. Padahal di dunia nyata, kalau ekonomi memburuk, biasanya harga, volume, dan biaya bergerak bersamaan — saling berkorelasi. Analisis skenario menangkap itu: kita susun beberapa paket asumsi yang koheren, lalu hitung NPV tiap paket.

Standar industri: tiga skenario — pesimis, base, optimis. Untuk proyek acuan, kita susun paket yang masuk akal (bukan ekstrem berlebihan):

Cara melaporkannya bukan “NPV = Rp 156 miliar”, melainkan:

NPV base case +Rp 156 miliar, dengan rentang skenario −Rp 340 miliar (pesimis) sampai +Rp 754 miliar (optimis).

Rentang ini jauh lebih jujur. Ia langsung memberi tahu direksi: skenario pesimis yang realistis sudah cukup membuat proyek rugi ratusan miliar. Itu informasi yang hilang total dari satu angka tunggal.

NPV terbobot probabilitas

Kalau Anda bisa menaksir peluang tiap skenario, ketiganya bisa diringkas jadi satu nilai harapan — NPV terbobot (probability-weighted):

$$E[NPV] = p_{\text{pes}} \cdot NPV_{\text{pes}} + p_{\text{base}} \cdot NPV_{\text{base}} + p_{\text{opt}} \cdot NPV_{\text{opt}}$$

Penjelasan tiap lambang:

• $p_{\text{pes}}, p_{\text{base}}, p_{\text{opt}}$ = peluang masing-masing skenario, harus berjumlah 1 ($p_{\text{pes}}+p_{\text{base}}+p_{\text{opt}}=1$).
• $NPV_{\text{pes}}, NPV_{\text{base}}, NPV_{\text{opt}}$ = NPV tiap skenario dari tabel di atas.
• $E[NPV]$ (dibaca “ekspektasi NPV”) = rata-rata NPV jika kita “menjalankan” proyek ini berkali-kali dengan peluang tersebut.

Contoh. Dengan peluang 25% pesimis, 50% base, 25% optimis:

$$E[NPV] = 0{,}25 \times (-340) + 0{,}50 \times 156 + 0{,}25 \times 754 = -85 + 78 + 188{,}5 = +181 \text{ (Rp miliar)}.$$

Kalau analis lebih konservatif — 30% pesimis, 50% base, 20% optimis:

$$E[NPV] = 0{,}30 \times (-340) + 0{,}50 \times 156 + 0{,}20 \times 754 = -102 + 78 + 151 = +126 \text{ (Rp miliar)}.$$

Perhatikan: bobot probabilitas yang berbeda memindahkan $E[NPV]$ dari +181 ke +126. Peringatan penting: $E[NPV]$ adalah ringkasan, bukan pengganti rentang. Jangan pernah melaporkan hanya $E[NPV]$ lalu menyembunyikan bahwa skenario pesimis bernilai −340. Selalu laporkan rentang dan nilai harapan.

Monte Carlo: Ribuan Kombinasi Acak

Skenario hanya menguji tiga paket. Kenyataan punya tak terhingga kombinasi. Simulasi Monte Carlo mengisi celah itu: alih-alih tiga skenario, kita jalankan ribuan, masing-masing dengan nilai variabel yang diambil acak dari sebaran (distribusi) yang kita tetapkan.

Langkahnya:

1. Tetapkan sebaran untuk tiap variabel tak pasti. Misalnya harga jual ~ Normal(rata-rata Rp 100 ribu, simpangan baku Rp 6 ribu); WACC ~ Normal(10,5%; 1,2 poin); dan seterusnya.
2. Ambil acak satu nilai dari tiap sebaran.
3. Hitung NPV untuk kombinasi acak itu.
4. Ulangi 10.000 kali.
5. Kumpulkan 10.000 NPV jadi histogram, lalu laporkan rata-rata, peluang rugi, dan rentang persentil.

Untuk proyek acuan, satu jalannya 10.000 simulasi memberi hasil seperti ini (angka indikatif, tergantung sebaran yang dipilih):

• Rata-rata NPV ≈ +Rp 161 miliar (dekat base case — wajar, karena rata-rata input = base case).
• Peluang NPV negatif ≈ 32%. Inilah hadiah utama Monte Carlo: sebuah angka peluang yang tidak bisa diberikan sensitivitas maupun skenario. “Ada sekitar satu-dari-tiga peluang proyek ini rugi” adalah kalimat yang langsung menggugah komite investasi.
• Rentang persentil ke-5 sampai ke-95 ≈ [−Rp 348 miliar ; +Rp 717 miliar] — rentang 90% yang lebih kaya daripada tiga titik skenario.

Alat: Excel dengan add-in seperti @RISK / Crystal Ball, atau lebih bebas dengan Python (numpy) / R. Monte Carlo paling bernilai ketika keputusan bergantung pada peluang gagal, bukan sekadar besar-kecil NPV — persis kasus pembiayaan proyek (project finance) dan KPBU.

Contoh Hitung dari Nol: Dari Mana Angka +Rp 156 Miliar?

Agar seluruh artikel ini berpijak, mari turunkan NPV base case langkah demi langkah. Semua angka dalam Rp miliar.

Per tahun: pendapatan = harga × volume; laba operasi (EBIT) = pendapatan − biaya variabel − biaya tetap; laba operasi setelah pajak (NOPAT) = EBIT × (1 − 22%). Untuk menyederhanakan, kita anggap arus kas bebas tahunan ≈ NOPAT.

Contoh baris tahun-1: pendapatan $= \text{Rp }100\text{ ribu} \times 6.000\text{ ribu unit} = \text{Rp }600$ miliar; EBIT $= 600 - 330 - 120 = 150$; NOPAT $= 150 \times (1-0{,}22) = 117$; nilai kini $= 117 / (1{,}105)^1 = 105{,}9$.

Sekarang jumlahkan dan tambahkan nilai terminal:

• Jumlah nilai kini arus kas operasi tahun 1–5: $105{,}9 + 106{,}2 + 106{,}0 + 105{,}5 + 104{,}6 = \textbf{528{,}1}$.
• Nilai terminal: $TV = 6 \times \text{NOPAT}_5 = 6 \times 172{,}3 = 1.033{,}7$. Nilai kininya $= 1.033{,}7 / (1{,}105)^5 = \textbf{627{,}4}$.
• Nilai perusahaan (Enterprise Value): $528{,}1 + 627{,}4 = 1.155{,}5$.
• NPV $= EV - I_0 = 1.155{,}5 - 1.000 = \textbf{+155{,}5} \approx$ +Rp 156 miliar.

Inilah angka yang kita guncang di seluruh artikel. Tiap baris tornado, tiap skenario, dan tiap titik impas berasal dari mengubah satu/beberapa asumsi pada model yang sama ini.

Coba Sendiri

Geser asumsi (harga jual, volume, biaya variabel, pertumbuhan, WACC) dan amati bagaimana NPV, tornado, dan rentang skenario bergerak secara langsung.

Cek Pemahaman

1. Sebuah variabel “biaya tenaga kerja” memberi $NPV_{\text{tinggi}} = +90$ (saat biaya turun) dan $NPV_{\text{rendah}} = -30$ (saat biaya naik), dalam Rp miliar. Berapa ayunannya, dan di mana posisinya pada tornado dibanding WACC (ayunan 171)?

Lihat jawaban

Ayunan $= |90 - (-30)| = 120$ (Rp miliar). Karena $120 < 171$, biaya tenaga kerja kurang berpengaruh daripada WACC, jadi batangnya ada di bawah WACC pada diagram tornado (lebih dekat ke ujung corong yang menyempit). Catatan arah: karena tornado memetakan nilai NPV (bukan arah variabel), sisi “NPV turun” batang ini tetap di kiri garis base — walau pemicunya adalah biaya tenaga kerja yang naik.

2. (transfer) Sebuah analis melaporkan ke kliennya: “Valuasi saham PT XYZ adalah Rp 4.250 per lembar.” Kliennya seorang investor berpengalaman dan menolak angka itu. Apa kemungkinan keberatannya, dan dua hal konkret apa yang harus analis tambahkan agar laporannya layak?

Lihat jawaban

Keberatannya: angka tunggal Rp 4.250 adalah ketelitian semu — tidak ada informasi soal seberapa rapuh angka itu terhadap asumsi (pertumbuhan, WACC, marjin). Dua tambahan konkret: (1) diagram tornado yang menunjukkan asumsi mana yang paling menggerakkan valuasi (sehingga investor tahu apa yang harus dipantau); (2) rentang skenario pesimis–base–optimis, mis. “wajar Rp 4.250, rentang Rp 3.100–Rp 5.600”. Idealnya ditambah analisis titik impas: “saham ini baru overvalued kalau pertumbuhan jangka panjang di bawah 2%.” Laporan valuasi tanpa sensitivitas akan dianggap naif oleh investor maupun penelaah jurnal.

3. (transfer) Dua proyek punya NPV base case sama persis: +Rp 156 miliar. Monte Carlo menunjukkan Proyek A punya peluang rugi 8%, Proyek B punya peluang rugi 32%. Manajer keuangan bilang “NPV-nya sama, jadi sama saja.” Apakah ia benar?

Lihat jawaban

Tidak benar. NPV base case yang sama hanya menyamakan titik tengah, bukan risiko. Proyek B punya peluang rugi empat kali lebih besar (32% vs 8%) — sebarannya jauh lebih lebar. Investor yang menghindari risiko akan memilih Proyek A. Ini gunanya Monte Carlo: ia memunculkan dimensi risiko yang tidak terlihat dari satu angka NPV. Analoginya persis seperti dua kelas dengan rata-rata nilai sama tetapi sebaran berbeda — yang membedakan adalah variabilitasnya, bukan rata-ratanya.

Kesalahan Umum

Melaporkan satu angka tanpa rentang. “NPV = Rp 156 miliar” tanpa sensitivitas adalah ketelitian semu. Penelaah jurnal dan komite investasi akan menolaknya sebagai naif. Selalu sertakan tornado dan rentang skenario.

Membuat rentang skenario terlalu sempit. Skenario pesimis “harga turun 1%” bukan uji tekanan (stress test) yang berarti. Pesimis harus mencerminkan keadaan buruk yang realistis — biasanya pergeseran beberapa persen sampai belasan persen pada variabel kunci.

Lupa korelasi antar variabel dalam skenario. Justru kekuatan skenario adalah menggerakkan variabel yang berkorelasi bersamaan (resesi → harga turun, volume turun, biaya naik). Kalau Anda menyusun skenario dengan menggeser satu variabel saja, itu sensitivitas, bukan skenario.

Memakai NPV terbobot sebagai satu-satunya angka. $E[NPV]$ menyembunyikan ekor risiko. Proyek dengan $E[NPV]$ positif bisa saja punya peluang rugi 40%. Laporkan rentang dan $E[NPV]$, jangan salah satu saja.

Tornado tanpa tindak lanjut. Tornado bukan dekorasi — ia adalah peta prioritas. Setelah membuatnya, bahas 3–5 pemicu nilai teratas dan apa rencana untuk mengelola masing-masing. Tornado yang dibuat lalu diabaikan sia-sia.

Menganggap WACC selalu yang paling penting. Pada proyek acuan kita, WACC justru paling kecil dampaknya. Jangan berasumsi — hitung ayunannya dan biarkan tornado yang memberi tahu.

Dipakai di Dunia Nyata

• Pembiayaan proyek & KPBU. Uji tekanan adalah syarat bankability (kelayakan dibiayai bank): permintaan −10%/−20%/−30%, biaya operasi +10%/+15%, suku bunga +100/+200 bps, pembengkakan investasi. Untuk tiap tekanan, pemberi pinjaman mengecek apakah DSCR (rasio cakupan pelunasan utang) tetap di atas 1,0 — di bawah itu berarti proyek gagal bayar. Lihat DSCR Project Finance.
• Equity research di BEI. Laporan analis saham IDX hampir selalu memuat tabel sensitivitas dua arah (WACC × pertumbuhan terminal) dan rentang harga wajar (bear–base–bull). Target harga satu angka tanpa rentang dianggap kurang matang.
• Valuasi untuk akuisisi. Saat menilai perusahaan target, sensitivitas terhadap asumsi sinergi dan pertumbuhan menentukan harga penawaran maksimum — dan titik impas menjawab “berapa premi tertinggi yang masih masuk akal”.
• Riset akademik (target Q1/ABDC). Hasil valuasi atau model kebijakan tanpa analisis sensitivitas/robustness lazim ditolak (desk reject). Penelaah ingin tahu apakah temuan bertahan saat asumsi kunci digeser.

Lanjutan

• Kembali ke DCF Valuation — sumber angka NPV yang kita guncang di sini.
• WACC — tingkat diskonto yang menjadi salah satu variabel sensitivitas.
• Terminal Value — nilai terminal sangat sensitif terhadap pertumbuhan $g$; uji sensitivitasnya wajib.
• DSCR Project Finance — penerapan uji tekanan paling ketat, untuk kelayakan pembiayaan.