RPS minggu 9 · 2x50 menit
Permodelan Risiko Kredit — PD, LGD, EAD Permodelan Risiko — Magister Manajemen FEB UNDIP Hari ini kita masuk inti permodelan risiko kredit. Tiga parameter atom — Probability of Default, Loss Given Default, dan Exposure at Default — adalah pondasi seluruh matematika Basel IRB dan IFRS 9 ECL. Setiap kerugian kredit dapat didekomposisi menjadi tiga angka ini. P9 akan mengupas cara memodelkan masing-masing parameter, menghitung Expected Loss, dan mengaitkannya dengan kebutuhan modal ekonomis dan regulasi. Topik ini adalah jantung dari pekerjaan tim credit risk modeling di bank besar Indonesia seperti Mandiri, BRI, BCA. Kita akan memakai teori Merton, logit/probit, dan kerangka Basel IRB. Peta Pembelajaran Hari Ini Sub-CPMK 9: menghitung Expected Loss dan Unexpected Loss dari parameter PD/LGD/EAD.
Atom risiko kredit: PD × LGD × EAD PD modeling: logit, Merton KMV Hitung dari nol: PD dari data historis LGD & EAD modeling; collateral & usage Expected Loss vs Unexpected Loss; EL = mean, UL = tail IFRS 9 ECL 12-month vs lifetime; persiapan P10 Posisi: P9 atom kredit; P10 op-risk; P11 simulasi; P12 ERM; P13 governance.
Empat indikator yang harus Anda kuasai: mendekomposisi kerugian kredit menjadi PD-LGD-EAD, menjelaskan dua pendekatan PD (Merton vs logit), menghitung Expected Loss dari ketiga parameter, dan membedakan EL dari Unexpected Loss. Pertemuan ini menuntut sedikit statistik tetapi sangat aplikatif untuk perhitungan modal kredit di bank. Atom Risiko Kredit: EL = PD × LGD × EAD Setiap kerugian kredit dapat didekomposisi menjadi tiga parameter atom yang dapat dimodelkan terpisah.
PD
Probability
of Default — peluang debitur gagal dalam horizon
LGD
Loss Given
Default — fraksi eksposur hilang setelah recovery
EAD
Exposure
at Default — saldo terpapar saat default
EL = PD × LGD × EAD
Dekomposisi ini memungkinkan tim credit risk modeling fokus pada setiap parameter secara terpisah, lalu dikombinasikan.
Tiga parameter atom risiko kredit adalah pondasi seluruh permodelan modern. Probability of Default adalah peluang debitur gagal dalam horizon tertentu — biasanya satu tahun. Loss Given Default adalah fraksi eksposur yang hilang setelah recovery melalui agunan atau workout. Exposure at Default adalah saldo terpapar saat default, termasuk drawn dan undrawn facility. Produk ketiganya adalah Expected Loss — rata-rata kerugian yang diharapkan. Dekomposisi ini memungkinkan tim credit risk modeling fokus pada setiap parameter secara terpisah: tim PD fokus pada model default, tim LGD fokus pada model recovery, tim EAD fokus pada model utilization. Hasilnya kemudian dikombinasikan untuk perhitungan modal. Pendekatan modular ini adalah standar Basel IRB dan IFRS 9. Bagian 1 · 1/4
PD Modeling
Diskusi kelas: untuk segmen korporasi besar vs UMKM, mana yang lebih mudah dimodelkan PD-nya? Mengapa?
Blok pertama mengupas PD modeling. Pertanyaan diskusi tadi membuka perbedaan modeling per segmen: korporasi besar punya data financial statement lengkap dan rating eksternal, tetapi jumlah debitur sedikit; UMKM punya data minimal tetapi jumlah debitur besar — lebih cocok pendekatan statistical portfolio. Pilihan pendekatan modeling harus sadar akan ketersediaan data per segmen. Dua Pendekatan PD: Merton vs Logit Dua paradigma PD modeling yang dominan di industri perbankan.
Aspek Merton/KMV (structural) Logit/Probit (reduced-form) Dasar Ekuitas = call option aset (Merton 1974) Statistical regression default historis Input Harga saham; vol; debt (market-based) Financial ratios; macro (accounting-based) Output Distance-to-Default (DD); EDF Probabilitas default langsung Cocok untuk Korporasi listed (BEI) UMKM, ritel, korporasi private Kelemahan Butuh harga saham; tidak cocok private Lambat merespons informasi pasar
Praktik bank besar: gabungkan keduanya — Merton untuk listed, logit untuk private/ritel.
Dua paradigma PD modeling yang dominan. Merton/KMV adalah pendekatan structural yang memperlakukan ekuitas perusahaan sebagai call option pada aset perusahaan — Merton 1974. Input: harga saham, volatilitas, struktur debt. Output: Distance to Default dan Expected Default Frequency. Cocok untuk korporasi listed di BEI dengan harga saham yang transparan. Kelemahan: butuh harga saham, tidak cocok untuk private company atau UMKM. Logit/Probit adalah pendekatan reduced-form statistical regression yang menghubungkan financial ratios dan macro variables dengan default historis. Output: probabilitas default langsung. Cocok untuk UMKM, ritel, korporasi private dengan data akuntansi. Kelemahan: lambat merespons informasi pasar karena data akuntangan per kuartal. Praktik bank besar Indonesia menggabungkan: Merton untuk listed companies, logit untuk private dan ritel. Pilihan harus sadar akan ketersediaan data dan kebutuhan kecepatan respons. Merton Model: Ekuitas sebagai Call Option Nilai Aset V Debt D (default point) default zone (V<D) distribusi nilai aset Ekuitas E = max(V-D,0) call option payoff PD = P(V < D) di horizon T DD = (V − D) / (V × σV) ... distance to default Merton: ekuitas = call option pada aset; default terjadi jika nilai aset jatuh di bawah debt di horizon T.
Diagram ini menggambarkan inti model Merton. Nilai aset perusahaan V mengikuti distribusi probabilistik (di sini digambar sebagai kurva). Default point D adalah nilai debt. Jika nilai aset jatuh di bawah D di horizon T, perusahaan default. Ekuitas E adalah max dari V dikurangi D atau nol — inilah payoff dari call option dengan strike D. Matrik kunci adalah Distance to Default DD — seberapa jauh nilai aset di atas default point, ternormalisasi dengan volatilitas aset. PD dihitung sebagai probabilitas nilai aset jatuh di bawah D dalam horizon T. Implikasi: perusahaan dengan DD besar (ekuitas besar relatif terhadap debt dan volatilitas rendah) punya PD rendah; perusahaan dengan DD kecil punya PD tinggi. Moody's KMV mengkomersialisasi pendekatan ini dengan database EDF empiris. Logit/Probit: Statistical Regression Pendekatan statistical yang menghubungkan financial ratios dengan default historis melalui fungsi logit atau probit.
PD = 1 / (1 + e^(-Z)) di mana Z = β₀ + β₁X₁ + β₂X₂ + ... + βₙXₙ
Kelas Variabel Contoh Xᵢ Tanda β Tipikal Profitabilitas ROA, ROE, margin β < 0 (lebih untung → PD turun) Leverage Debt/Equity, DAR β > 0 (lebih berhutang → PD naik) Likuiditas Current ratio, quick ratio β < 0 Aktivitas Asset turnover, hari piutang mix Makro Pertumbuhan PDB, inflasi, suku bunga β makro bervariasi
Altman Z-score (1968) adalah leluhur logit — model 5 rasio untuk memprediksi bankruptcy.
Pendekatan logit/probit menghubungkan financial ratios dengan default historis melalui fungsi link. Formula: PD sama dengan 1 dibagi 1 plus e pangkat minus Z, dimana Z adalah kombinasi linear variabel X dengan koefisien beta yang diestimasi dari data historis. Tabel menunjukkan kelas variabel yang umum: profitabilitas (ROA, ROE, margin) dengan beta negatif karena lebih untung menurunkan PD; leverage (Debt to Equity, DAR) dengan beta positif karena lebih berhutang menaikkan PD; likuiditas dengan beta negatif; aktivitas dengan sign mix; makro dengan sign bervariasi. Altman Z-score tahun 1968 adalah leluhur dari pendekatan ini — model 5 rasio untuk memprediksi bankruptcy korporasi Amerika. Praktik modern: bank besar mengembangkan model logit internal dengan 10-20 variabel yang divalidasi dengan sample out-of-time dan out-of-sample. Validasi model adalah topik penting yang akan dibahas di P13. Hitung dari Nol: PD dari Data Historis Default Skenario: Sampel UMKM 1.000 debitur selama 2020-2023. Jumlah default observasi: 2020: 40; 2021: 25; 2022: 20; 2023: 15. Hitung PD tahunan rata-rata.
Tahun Default obs. Total obs. PD tahunan 2020 (COVID) 40 1.000 4,0% 2021 25 1.000 2,5% 2022 20 1.000 2,0% 2023 15 1.000 1,5% Rata-rata 25 1.000 2,5%
Kesimpulan
PD ≈ 2,5%
PD rata-rata sampel UMKM; PD 2020 (4%) menunjukkan procyclical nature — naik saat krisis
Hitungan ini mengilustrasikan estimasi PD sederhana dari data historis. Dari 1.000 debitur UMKM yang dipantau selama 4 tahun, jumlah default observasi: 40 di 2020 saat COVID, 25 di 2021, 20 di 2022, 15 di 2023. PD tahunan: 4 persen, 2,5 persen, 2 persen, 1,5 persen. Rata-rata 25 default per tahun atau PD rata-rata 2,5 persen. Pelajaran penting: PD bersifat procyclical — naik tajam saat krisis (4 persen di 2020) dan turun saat pemulihan (1,5 persen di 2023). Untuk perhitungan modal through-the-cycle Basel, PD harus di-smoothing untuk menghilangkan efek siklus. Tetapi untuk IFRS 9 ECL point-in-time, PD harus mencerminkan kondisi current. Pemilihan PD through-the-cycle vs point-in-time adalah keputusan metodologis penting yang akan dibahas lebih lanjut di P13. Bagian 2 · 2/4
LGD & EAD
Diskusi kelas: untuk segmen KTA (Kredit Tanpa Agunan) vs KPR, mana yang LGD-nya lebih tinggi? Mengapa?
Blok ini mengupas LGD dan EAD. Pertanyaan diskusi tadi membuka perbedaan LGD per produk: KTA tanpa agunan punya LGD tinggi 70-90 persen karena tidak ada recovery dari collateral; KPR dengan agunan properti punya LGD rendah 20-40 persen karena properti bisa dijual untuk recovery. Pilihan produk kredit harus sadar akan LGD profile. LGD Modeling: Loss Given Default LGD = 1 − Recovery Rate. Fraksi eksposur yang hilang setelah workout (agunan, garanti, litigasi).
LGD = 1 − RR · EL = PD × LGD × EAD
Produk Collateral RR tipikal LGD tipikal KPR (rumah) Properti 80% appraised ~60-80% ~20-40% Kredit Mobil BPKB; depreciating ~50-70% ~30-50% Korporasi (secured) Aset tetap, inventori ~40-60% ~40-60% KTA / Kartu kredit Tidak ada ~10-30% ~70-90%
LGD = 1 − RR; produk tanpa agunan punya LGD tinggi — risiko lebih besar per unit eksposur.
LGD atau Loss Given Default adalah fraksi eksposur yang hilang setelah workout. Secara matematis, LGD sama dengan 1 dikurangi Recovery Rate. Tabel menunjukkan LGD tipikal per produk di Indonesia. KPR dengan collateral properti 80 persen appraised punya RR tinggi 60-80 persen, LGD rendah 20-40 persen. Kredit mobil dengan BPKB sebagai collateral punya RR 50-70 persen, LGD 30-50 persen — lebih tinggi karena mobil depreciating. Korporasi secured dengan aset tetap dan inventori punya RR 40-60 persen, LGD 40-60 persen. KTA dan kartu kredit tanpa agunan punya RR rendah 10-30 persen, LGD tinggi 70-90 persen. Pelajaran manajerial: produk tanpa agunan punya LGD tinggi sehingga risiko lebih besar per unit eksposur. Bank harus mengenakan pricing premium atau limit ketat untuk produk high-LGD. Selain itu, modeling LGD harus memperhitungkan cost of workout dan time value of recovery. EAD Modeling: Exposure at Default EAD adalah saldo terpapar saat default — termasuk drawn dan fraction dari undrawn facility yang akan ditarik.
Produk Sifat EAD EAD tipikal Term loan Drawn saja = saldo outstanding Kartu kredit Revolving = saldo + % limit tersisa AKMK/credit line Drawn + undrawn drawn + CCF × undrawn Derivatif Mark-to-market + add-on NPV + add-on potensi
EAD = Drawn + CCF × Undrawn (Credit Conversion Factor)
CCF tipikal: revolving 40-75%; financial guarantee 100%; trade contingent 20-50%.
EAD modeling lebih kompleks daripada terlihat. Untuk term loan, EAD adalah saldo outstanding saja — sudah fully drawn. Untuk kartu kredit revolving, EAD termasuk fraction dari limit tersisa yang akan ditarik saat distress. Untuk AKMK atau credit line, EAD adalah drawn ditambah CCF kali undrawn. CCF atau Credit Conversion Factor tipikal: revolving 40-75 persen, financial guarantee 100 persen, trade contingent 20-50 persen. Untuk derivatif, EAD adalah NPV ditambah add-on potensi exposure masa depan. Pelajaran: debitur yang mengalami distress cenderung menggambar undrawn facility untuk survival sebelum default — fenomena adverse drawdown. Modeling EAD harus memperhitungkan ini dengan CCF yang diestimasi dari data historis. Salah estimasi EAD dapat menyebabkan under-provision; ini adalah bug klasik yang sering ditemukan di audit IFRS 9. Hitung dari Nol: Expected Loss Kredit Korporasi Skenario: Kredit korporasi Rp 10 miliar; PD = 2%; LGD = 45%; EAD = Rp 10 miliar (drawn penuh). Hitung Expected Loss.
Langkah Perhitungan Nilai 1. PD dari model logit/Merton 2,0% 2. LGD 1 − RR; collateral aset tetap 45% 3. EAD saldo terpapar saat default Rp 10 M 4. EL PD × LGD × EAD = 0,02 × 0,45 × 10M Rp 90 jt 5. EL rate EL / EAD 0,9%
Kesimpulan
EL = Rp 90 jt
Expected Loss per kredit Rp 10 M; EL rate 0,9% per tahun — input untuk pricing & provisioning
Hitungan ini menerapkan rumus EL ke kasus konkret. Kredit korporasi Rp 10 miliar, PD 2 persen, LGD 45 persen (collateral aset tetap dengan recovery 55 persen), EAD Rp 10 miliar karena drawn penuh. EL sama dengan 0,02 kali 0,45 kali Rp 10 miliar sama dengan Rp 90 juta. EL rate 0,9 persen per tahun. Implikasi manajerial: EL rate 0,9 persen adalah biaya risiko kredit yang harus dibebankan ke pricing — paling tidak Rp 90 juta per tahun untuk kredit Rp 10 miliar. Selain itu, EL harus di-provision sebagai CKPN atau ECL sesuai IFRS 9. Bank yang meng-underprice EL akan menanggung kerugian berkumulatif yang menggerus modal. EL rate harus dibandingkan dengan spread di atas biaya dana untuk menilai profitabilitas risk-adjusted. Eksplorasi Interaktif: Kalkulator EL PD×LGD×EAD Geser parameter kredit di bawah untuk merasakan sensitivitas Expected Loss — alat yang sama yang dipakai credit risk analyst untuk pricing dan provisioning.
Widget interaktif ini mengaplikasikan rumus EL ke berbagai segmen kredit Indonesia. Sebagai manajer risk, pilih preset "UMKM" vs "KTA" dan amati bagaimana EL rate berubah 2 hingga 4 kali. Diskusi: untuk segmen mana pricing paling perlu disesuaikan? Pelajaran manajerial: EL rate bervariasi 44 kali antar segmen — bank yang underprice segmen high-LGD seperti KTA akan menanggung kerugian berkumulatif yang menggerus modal. Widget ini adalah alat yang sama yang dipakai tim credit risk modeling di bank besar untuk pricing dan provisioning IFRS 9. Bagian 3 · 3/4
EL vs UL
Diskusi kelas: untuk portofolio kredit bank Anda, mana yang lebih besar — EL agregat atau UL agregat? Apa implikasinya untuk modal?
Blok ini membedakan Expected Loss dari Unexpected Loss. Pertanyaan diskusi tadi membuka konsep penting: EL agregat ditanggung oleh provisioning sebagai biaya operasi, sedangkan UL agregat ditanggung oleh modal sebagai buffer terhadap tail. Bank perlu modal cukup untuk UL — bukan untuk EL yang sudah di-pricing. Expected Loss vs Unexpected Loss Loss (Rp) Distribusi Loss Portofolio Kredit EL (mean) ditanggung provisioning UL (deviasi) ditanggung modal (VaR 99,9%) Tail (rare) stress testing EL = provisioning (cost of business); UL = modal (buffer against tail); tail = stress test (skenario ekstrem).
Distribusi loss portofolio kredit menggambarkan tiga zona penting. Mean distribusi adalah Expected Loss — rata-rata kerugian yang diharapkan, ditanggung oleh provisioning sebagai biaya operasi. Deviasi dari mean sampai quantile tertentu (mis. 99,9 persen untuk Basel) adalah Unexpected Loss — ditanggung oleh modal sebagai buffer. Ekor di atas quantile adalah tail risk yang ditanggung oleh stress testing. Implikasi manajerial: EL ditanggung oleh pricing dan provisioning — bukan masalah modal. UL ditanggung oleh modal — VaR 99,9 persen digunakan Basel IRB untuk menghitung kebutuhan modal kredit. Tail ditanggung oleh stress testing — skenario severely adverse menilai ketahanan terhadap ekor. Bank yang sehat harus memiliki ketiga lapisan proteksi: pricing untuk EL, modal untuk UL, stress plan untuk tail. IFRS 9 ECL: 12-Month vs Lifetime IFRS 9 menggantikan IAS 39 incurred loss dengan Expected Credit Loss — tiga stage provision.
Stage Kondisi ECL Horizon Stage 1 Performing; tidak ada SICR 12-month ECL Stage 2 SICR (significant increase in credit risk) Lifetime ECL Stage 3 Credit-impaired (default) Lifetime ECL (net carrying)
IFRS 9 mengharuskan provision lebih awal — lifetime ECL sejak SICR. Implikasi: P&L lebih fluktuatif saat transisi.
IFRS 9 menggantikan IAS 39 incurred loss model dengan Expected Credit Loss model. Tiga stage provision: Stage 1 untuk performing loan tanpa SICR, provision 12-month ECL — pendekatan ringan. Stage 2 untuk loan dengan Significant Increase in Credit Risk, provision lifetime ECL — pendekatan berat. Stage 3 untuk credit-impaired atau default, provision lifetime ECL pada net carrying amount. Pelajaran: IFRS 9 mengharuskan provision lebih awal — lifetime ECL sejak SICR, bukan menunggu default. Implikasi: P&L bank lebih fluktuatif saat transisi stage, terutama saat krisis dimana banyak loan beralih dari Stage 1 ke Stage 2 secara simultan. Bank Indonesia menerapkan IFRS 9 sejak 2018 dengan transisi penghalusan OJK. Implementasi memerlukan model PD lifetime, LGD lifetime, dan EAD lifetime — kompleksitas modeling yang signifikan. Studi Kasus: PD/LGD/EAD Bank BUKB Indonesia (dihedge) Bank besar Indonesia mempublikasikan parameter PD/LGD per segmen dalam laporan tahunan — input untuk modal IRB.
Segmen PD tipikal (dihedge) LGD tipikal (dihedge) EL rate Korporasi AAA ~0,1-0,3% ~30-40% ~0,03-0,12% Korporasi BB ~2-5% ~40-50% ~0,8-2,5% UMKM ~3-6% ~50-70% ~1,5-4,2% Konsumen (KPR) ~1-2% ~20-30% ~0,2-0,6% Konsumen (KTA) ~4-8% ~70-90% ~2,8-7,2%
Pelajaran: EL rate bervariasi 25× antar segmen — pricing dan provision harus sesuai.
Bank besar Indonesia menerapkan IRB dan mempublikasikan parameter PD/LGD per segmen dalam laporan tahunan. Tabel menunjukkan range tipikal yang dihedge karena bervariasi per bank dan per tahun. Korporasi AAA punya PD sangat rendah 0,1-0,3 persen dan LGD 30-40 persen, memberi EL rate 0,03-0,12 persen — risiko minimal. Korporasi BB punya PD 2-5 persen dan LGD 40-50 persen, EL rate 0,8-2,5 persen. UMKM dengan PD 3-6 persen dan LGD 50-70 persen memberi EL rate 1,5-4,2 persen. Konsumen KPR dengan PD 1-2 persen dan LGD 20-30 persen memberi EL rate 0,2-0,6 persen. Konsumen KTA dengan PD 4-8 persen dan LGD 70-90 persen memberi EL rate tertinggi 2,8-7,2 persen. Pelajaran manajerial: EL rate bervariasi 25 kali antar segmen — pricing dan provision harus sesuai. Bank yang underprice segmen high-EL akan menanggung kerugian berkumulatif yang menggerus modal. Bagian 4 · 4/4
Persiapan P10
Diskusi kelas: risiko operasional mana yang paling relevan untuk bank Anda — dan apakah ia dapat dimodelkan dengan parameter serupa PD/LGD/EAD?
Blok penutup menghubungkan P9 ke P10. Pertanyaan diskusi tadi membuka perbedaan modeling: risiko operasional lebih sulit dimodelkan karena jarang terjadi tetapi magnitude besar. Pendekatan Basic Indicator dan Standardized lebih sederhana, sedangkan Advanced Measurement Approach mencoba menerapkan parameter serupa frekuensi-severity. P10 akan mendalami trade-off ini. POJK Manajemen Risiko Kredit Indonesia OJK mengatur permodelan risiko kredit melalui POJK 17/2014 dan POJK IRB.
Aspek POJK Acuan Implikasi Kerangka manajemen risiko POJK 17/2014 Bank wajib punya framework credit risk Standardized Approach POJK IRB (per bank) Bobot risiko berdasarkan rating eksternal IRB Approach (Foundation/Advanced) POJK IRB Bank menghitung PD sendiri (F-IRB) atau PD+LGD+EAD (A-IRB) CKPN / ECL (IFRS 9) PSAK 71 / POJK provisioning 3-stage ECL; provision lifetime sejak SICR
Bank besar Indonesia (BUKB) dapat izin IRB — modal lebih risk-sensitive; bank kecil tetap standardized.
OJK mengatur permodelan risiko kredit melalui beberapa POJK. POJK 17 tahun 2014 tentang Manajemen Risiko mewajibkan setiap bank punya framework credit risk. POJK IRB mengatur tiga pendekatan perhitungan modal kredit: Standardized dengan bobot risiko berdasarkan rating eksternal, IRB Foundation dimana bank menghitung PD sendiri tetapi LGD dan EAD dari regulator, dan IRB Advanced dimana bank menghitung PD, LGD, EAD sendiri. PSAK 71 setara IFRS 9 mengatur provisioning dengan 3-stage ECL dan lifetime provision sejak SICR. Bank besar Indonesia atau BUKB dapat izin IRB dari OJK — modal lebih risk-sensitive dan biasanya lebih rendah dari standardized untuk portfolio berkualitas baik. Bank kecil tetap menggunakan Standardized karena kompleksitas IRB terlalu tinggi untuk skala operasional. Sebagai manajer bank besar, Anda harus memahami trade-off kedua pendekatan dan menyiapkan infrastruktur modeling untuk IRB. Ringkasan Kunci Pertemuan 9 Atom Kredit
EL = PD × LGD × EAD
Dua Paradigma PD
Merton structural · logit reduced-form
EL vs UL vs Tail
Provisioning · modal · stress test
Bawa tiga lensa ini (atom · modeling · EL/UL) sebagai pondasi seluruh perhitungan modal kredit.
Persiapan P10: baca tentang Basic Indicator Approach, Standardized Approach, dan AMA untuk risiko operasional; siapkan menghitung modal op-risk.
Sebagai penutup, tiga pesan kunci. Pertama, atom risiko kredit adalah EL sama dengan PD kali LGD kali EAD — dekomposisi modular yang menjadi pondasi seluruh perhitungan modal. Kedua, dua paradigma PD modeling — Merton structural berbasis harga saham dan logit reduced-form berbasis financial ratios — dipilih berdasarkan ketersediaan data per segmen. Ketiga, pemisahan EL sebagai provisioning, UL sebagai modal, dan tail sebagai stress test memberikan kerangka tiga lapis proteksi. Sampai jumpa di P10 di mana kita akan beralih ke permodelan risiko operasional — tantangan yang berbeda karena jarang terjadi tetapi magnitude besar, dengan pendekatan Basic Indicator, Standardized, dan Advanced Measurement Approach.