RPS minggu 10 · 2x50 menit
Permodelan Risiko Operasional Permodelan Risiko — Magister Manajemen FEB UNDIP Hari ini kita beralih ke risiko operasional — risiko kerugian akibat kegagalan proses internal, sistem, orang, atau eksternal. Risiko operasional adalah risiko yang paling sulit dimodelkan karena jarang terjadi tetapi magnitude bisa sangat besar. Kasus klasik: Nick Leeson yang menghancurkan Baring Brothers 1995, Société Générale 2008 dengan rugi 4,9 miliar Euro, dan Wirecard 2020 dengan fraud 1,9 miliar Euro. Pertemuan ini mengupas taksonomi 7 kategori Basel, tiga pendekatan perhitungan modal (BIA, SA, AMA), dan kerangka pengelolaan tiga garis pertahanan. Topik ini sangat relevan untuk bank Indonesia dengan kasus-kasus fraud yang pernah terjadi. Peta Pembelajaran Hari Ini Sub-CPMK 10: mengidentifikasi dan mengukur risiko operasional; memilih pendekatan perhitungan modal.
Taksonomi 7 kategori Basel op-risk 3 pendekatan modal: BIA, SA, AMA Hitung dari nol: modal BIA vs SA AMA: distribusi frekuensi-severity (LDA) 3 lines of defense; RCSA; KRI Kasus Leeson/SoGen/Wirecard; persiapan P11 Posisi: P10 komplemen P9 kredit & P4-P5 pasar; P11 simulasi; P12 ERM.
Empat indikator yang harus Anda kuasai: menjelaskan 7 kategori op-risk Basel, menghitung modal dengan tiga pendekatan (BIA, SA, AMA), menjelaskan tiga lines of defense, dan mengidentifikasi KRI untuk op-risk. Pertemuan ini menuntut sedikit distribusi statistik tetapi sangat aplikatif untuk kerangka pengelolaan op-risk di bank modern. Nick Leeson & Keruntuhan Baring 1995 Nick Leeson, trader di Baring Singapore, menumpuk rugi tersembunyi ¥(283 miliar (£827 juta) lewat error account 88888 — menghancurkan bank berusia 233 tahun.
Rugi Tersembunyi
£827 juta
di error account 88888 — disembunyikan dari manajemen London
Umur Bank Saat Kolaps
233 tahun
Baring Brothers, bank tertua Inggris, diakuisisi INK dengan £1
Pertanyaan pemantik: bagaimana mungkin satu trader dapat menghancurkan bank berusia 233 tahun tanpa terdeteksi?
Kasus Nick Leeson 1995 adalah ikon risiko operasional. Leeson, trader di Baring Singapore, menumpuk rugi tersembunyi £827 juta lewat error account 88888 — sebuah akun yang seharusnya untuk kesalahan transaksi admin tetapi ia gunakan untuk menyembunyikan rugi trading. Manajemen London tidak curiga karena Leeson juga bertindak sebagai head of settlement — segregasi tugas yang melanggar prinsip dasar. Akhirnya rugi melebihi modal bank; Baring Brothers yang berusia 233 tahun diakuisisi ING dengan harga simbolis £1. Pelajaran: risiko operasional dari kegagalan kontrol internal dapat menghancurkan institusi yang sehat secara finansial. Tiga pelajaran: segregasi tugas wajib, back-office tidak boleh melapor ke front-office, dan limit trading harus ditegakkan real-time. Kasus ini menjadi katalis utama lahirnya kerangka op-risk Basel. Bagian 1 · 1/4
Taksonomi Op-Risk
Diskusi kelas: dari pengalaman Anda, kategori op-risk mana yang paling sering terjadi di bank/organisasi Indonesia?
Blok pertama membangun taksonomi op-risk. Pertanyaan diskusi tadi membuka distribusi empiris: di Indonesia, kategori Execution/Process dan External Fraud paling sering terjadi dari data loss event database OJK. Pemahaman distribusi empiris ini penting untuk fokus mitigasi. Definisi Op-Risk & 7 Kategori Basel Risiko operasional (Basel): risiko kerugian akibat kegagalan/kekurangtepatan proses internal, orang, sistem, atau akibat peristiwa eksternal. Termasuk legal risk; tidak termasuk strategic/reputational.
# Kategori Basel Contoh 1 Internal Fraud Pencurian, mark-up, insider trading 2 External Fraud Perampokan, phishing, pemalsuan 3 Employment Practices & WS Discrimination, klaim K3, turnover 4 Clients, Products & BP Mis-selling, churn, pelanggaran privasi 5 Damage to Physical Assets Bencana, vandalisme, kebakaran 6 Business Disruption & Sys Failures Hardware/software failure, outage 7 Execution, Delivery & Process Mgmt Data entry error, settlement fail, slip
7 kategori Basel adalah taksonomi standar untuk klasifikasi loss event — dipakai OJK Indonesia.
Definisi risiko operasional Basel adalah risiko kerugian akibat kegagalan atau kekurangtepatan proses internal, orang, sistem, atau akibat peristiwa eksternal. Termasuk legal risk; tidak termasuk strategic dan reputational risk yang diperlakukan terpisah. Tujuh kategori Basel adalah taksonomi standar untuk klasifikasi loss event. Internal Fraud — pencurian, mark-up, insider trading. External Fraud — perampokan, phishing, pemalsuan. Employment Practices and Workplace Safety — diskriminasi, klaim K3, turnover. Clients, Products and Business Practices — mis-selling, churn, pelanggaran privasi. Damage to Physical Assets — bencana, vandalisme, kebakaran. Business Disruption and System Failures — hardware atau software failure, outage. Execution, Delivery and Process Management — data entry error, settlement fail, slip. Tujuh kategori ini dipakai OJK Indonesia untuk klasifikasi dan reporting loss event. Bank harus punya database loss event internal yang konsisten dengan taksonomi ini. Tiga Pendekatan Perhitungan Modal Op-Risk Basel menetapkan tiga pendekatan perhitungan modal op-risk dengan kompleksitas berbeda.
Pendekatan Kompleksitas Formula Inti Risk-Sensitive? BIA (Basic Indicator)Sederhana α × gross income (α=15%) Rendah SA (Standardized)Sedang Σ(βᵢ × GIᵢ per business line) Sedang AMA (Advanced Measurement)Tinggi Distribusi frekuensi × severity (LDA) Tinggi
Basel II (2004) → SMA (Standardized Measurement Approach) di Basel III (2017) menggantikan AMA.
Basel menetapkan tiga pendekatan perhitungan modal op-risk dengan kompleksitas dan risk-sensitivity berbeda. Basic Indicator Approach paling sederhana — modal sama dengan 15 persen kali gross income tiga tahun rata-rata. Standardized Approach lebih kompleks — modal sama dengan jumlah beta kali gross income per business line, dengan beta 12-18 persen tergantung lininya. Advanced Measurement Approach paling kompleks dan paling risk-sensitive — modal dihitung dari distribusi gabungan frekuensi-severity dengan Loss Distribution Approach atau pendekatan internal model. Penting: Basel III 2017 menghapus AMA dan menggantinya dengan Standardized Measurement Approach atau SMA yang menggabungkan SA dengan loss data internal. Implikasi: bank yang sebelumnya menginvestasi di AMA infrastructure harus beralih ke SMA. Indonesia melalui POJK menerapkan BIA untuk bank kecil, SA untuk bank menengah, dan SMA untuk bank besar. Hitung dari Nol: Modal Op-Risk BIA Skenario: Bank dengan gross income 3 tahun terakhir (Rp Miliar): 2021: 50; 2022: 60; 2023: 70. Hitung modal op-risk dengan Basic Indicator Approach (α = 15%).
Tahun Gross Income (Rp M) α Charge 2021 50 15% 7,5 2022 60 15% 9,0 2023 70 15% 10,5 Rata-rata 60 9,0
Kesimpulan
Rp 9 M
Modal op-risk BIA = rata-rata charge 3 tahun = α × rata-rata GI = 15% × Rp 60 M
Hitungan ini menerapkan Basic Indicator Approach ke kasus konkret. Gross income tiga tahun terakhir: Rp 50, 60, 70 miliar. Charge per tahun 15 persen kali gross income: 7,5, 9,0, 10,5. Rata-rata charge Rp 9 miliar — ini adalah modal op-risk BIA. Formula alternatif: alpha kali rata-rata gross income sama dengan 15 persen kali 60 sama dengan Rp 9 miliar. Pelajaran manajerial: BIA sangat sederhana — tidak memerlukan data loss event detail, hanya gross income. Kelemahannya: tidak risk-sensitive. Bank dengan kontrol op-risk yang kuat dan lemah akan menanggung modal yang sama jika gross income-nya sama. Tidak ada insentif untuk investasi kontrol. Inilah alasan bank besar beralih ke SA atau AMA yang lebih risk-sensitive. Standardized Approach: 8 Business Lines SA membagi bank menjadi 8 business lines dengan beta berbeda — lebih risk-sensitive daripada BIA.
Business Line β Karakteristik Risiko Corporate Finance 18% Advisory, IPO, M&A; op-risk tinggi Trading & Sales 18% Trading desk; Leeson-class risk Retail Banking 12% Volume tinggi, ticket kecil; op-risk rendah Commercial Banking 15% Korporasi; risk moderat Payment & Settlement 18% Sistem; fail = systemic Agency Services 15% Custody; risk moderat Asset Management 12% Fees; risk rendah Retail Brokerage 12% Ritel sekuritas; risk rendah
Beta bervariasi 12-18% per business line — SA lebih sensitif daripada flat 15% BIA.
Standardized Approach membagi bank menjadi 8 business lines dengan beta berbeda. Corporate Finance dan Trading Sales punya beta tertinggi 18 persen karena op-risk profile tinggi. Retail Banking dan Asset Management punya beta 12 persen karena op-risk rendah. Beta bervariasi 12-18 persen — lebih risk-sensitive daripada flat 15 persen BIA. Implikasi: bank dengan business mix ke arah Corporate Finance dan Trading akan menanggung modal lebih tinggi daripada bank dengan mix ke Retail Banking. SA menghargai diversifikasi bisnis ke lines dengan beta rendah. Selain itu, SA dapat dikombinasikan dengan loss data internal dalam SMA (Standardized Measurement Approach) Basel III untuk risk-sensitivity lebih tinggi. Bank Indonesia besar menggunakan SA atau SMA; bank kecil tetap BIA. Hitung dari Nol: Modal Op-Risk SA Skenario: Bank dengan gross income per business line (Rp M): Retail Banking 30 (β=12%); Commercial Banking 20 (β=15%); Trading 10 (β=18%). Hitung modal op-risk SA.
Business Line GI (Rp M) β Charge Retail Banking 30 12% 3,60 Commercial Banking 20 15% 3,00 Trading & Sales 10 18% 1,80 Total 60 8,40
Kesimpulan
Rp 8,4 M
Modal SA lebih rendah dari BIA (Rp 9 M) karena GI didominasi Retail Banking (β rendah)
Hitungan ini membandingkan SA dengan BIA. Gross income total sama dengan Rp 60 miliar — sama dengan contoh BIA sebelumnya. Tetapi karena distribusi per business line berbeda, hasilnya berbeda. Modal SA sama dengan Rp 8,4 miliar — lebih rendah dari BIA Rp 9 miliar. Alasannya: GI didominasi Retail Banking dengan beta rendah 12 persen, sehingga rata-rata beta efektif turun di bawah 15 persen. Pelajaran manajerial: bank dengan business mix yang condong ke Retail Banking atau Asset Management akan diuntungkan oleh SA — modal lebih rendah. Sebaliknya, bank dengan mix ke Corporate Finance atau Trading akan menanggung modal lebih tinggi di SA. Pemilihan pendekatan harus sesuai dengan struktur bisnis bank; tidak ada satu pendekatan yang optimal untuk semua bank. Bagian 2 · 2/4
AMA & LDA
Diskusi kelas: untuk distribusi frekuensi-severity, mengapa tail sangat tebal? Apa implikasinya untuk modal?
Blok ini mengupas AMA dan Loss Distribution Approach. Pertanyaan diskusi tadi membuka karakteristik op-risk: frekuensi event rendah tetapi severity sangat bervariasi dari kecil hingga katastropik. Tail distribution sangat tebal, yang berarti modal AMA bisa beberapa kali lebih tinggi dari rata-rata. Implikasi: bank dengan loss event katastropik historis akan menanggung modal AMA tinggi. AMA: Loss Distribution Approach (LDA) Frekuensi N Poisson(λ=5/tahun) berapa event per tahun? Severity S Lognormal/Weibull berapa rugi per event? Aggregate L L = Σ Sᵢ (compound) VaR 99,9% = modal LDA: compound distribusi → VaR 99,9% = modal AMA AMA model compound distribution: N (frekuensi) × S (severity) → L (aggregate loss); VaR 99,9% = modal.
Loss Distribution Approach adalah inti AMA. Diagram menunjukkan tiga komponen. Pertama, frekuensi N — jumlah loss event per tahun, dimodelkan dengan distribusi Poisson dengan parameter lambda. Kedua, severity S — besarnya rugi per event, dimodelkan dengan distribusi lognormal atau Weibull yang menangkap tail tebal. Ketiga, aggregate loss L sama dengan jumlah severity sampai dengan frekuensi N — compound distribution. Modal AMA adalah quantile 99,9 persen dari distribusi aggregate loss, yaitu kerugian yang hanya akan terlampaui 0,1 persen dari tahun. Implikasi: tail distribution sangat tebal sehingga VaR 99,9 persen bisa beberapa kali rata-rata. Bank dengan loss event katastropik historis akan menanggung modal AMA tinggi. AMA memerlukan data loss event internal minimal 3-5 tahun plus external data untuk tail. Basel III 2017 menghapus AMA dan menggantinya dengan SMA yang lebih sederhana. Karakteristik Distribusi Op-Risk Distribusi op-risk sangat berbeda dari kredit — frequency tinggi di severity rendah, tetapi tail katastropik.
Karakteristik Op-Risk Kredit (bandingkan) Frekuensi event Tinggi (ribuan/tahun) Rendah-moderat Severity rata-rata Kecil (Rp juta) Bervariasi Severity tail Sangat besar (Rp miliar) Batas eksposur Distribusi Sangat skewed; lognormal Bernoulli; beta Predictability Rendah —的黑 swan Sedang
Op-risk sangat sulit diprediksi: high-frequency low-severity predictable, low-frequency high-severity adalah "unknown unknowns".
Distribusi op-risk memiliki karakteristik unik yang membedakannya dari kredit dan pasar. Frekuensi event tinggi — ribuan per tahun untuk bank besar, terutama di kategori Execution dan External Fraud. Severity rata-rata kecil — sebagian besar event hanya Rp jutaan. Tetapi severity tail sangat besar — kasus Leeson £827 juta, SoGen 4,9 miliar Euro, Wirecard 1,9 miliar Euro. Distribusi sangat skewed dan mengikuti lognormal atau distribusi tail-heavy lain. Predictability rendah — high-frequency low-severity predictable dari data historis, tetapi low-frequency high-severity adalah unknown unknowns yang sulit atau bahkan tidak terduga dari data historis. Implikasi manajerial: modal op-risk didominasi oleh tail yang jarang. Mitigasi terbaik bukan dengan modal tetapi dengan kontrol pencegahan (3 lines of defense) dan transfer risk (asuransi). Eksplorasi Interaktif: Key Risk Indicator Dashboard Atur threshold KRI op-risk untuk merasikan sensitivitas skor risiko operasional — dashboard yang sama yang dipakai risk committee bulanan.
Widget KRI dashboard ini adalah alat yang sama yang dipakai risk committee bank untuk memantau op-risk bulanan. Sebagai manajer risk, geser threshold KRI dan amati bagaimana overall risk score berubah. Diskusi: KRI mana yang paling sensitif terhadap overall score? Itu parameter yang harus dipantau paling ketat. Pelajaran manajerial: KRI yang baik adalah forward-looking dan actionable — breach threshold harus trigger action plan formal. Widget ini menjadi template untuk dashboard KRI yang akan Anda rancang untuk organisasi sendiri. Studi Kasus: Société Générale 2008 & Wirecard 2020 Dua kasus fraud besar menggambarkan karakteristik low-frequency high-severity op-risk.
Kasus Tahun Rugi Kategori Basel Pelajaran Société Générale (Jérôme Kerviel) 2008 €4,9 M Internal Fraud + Execution Trader junior mengakali kontrol; segregasi tugas gagal Wirecard (fraud akuntansi) 2020 €1,9 M Internal Fraud Saldo fiktif years; auditor gagal deteksi Nick Leeson (Baring) 1995 £827 jt Internal Fraud + Execution Error account 88888; segregasi gagal BNP Paribat (US sanction) 2014 $8,9 M fine Clients/Products + Execution Compliance failure; sanction breach
Pola umum: kontrol lemah + segregasi tugas gagal + budaya "star trader" = fraud katastropik.
Empat kasus fraud besar menggambarkan karakteristik low-frequency high-severity op-risk. Société Générale 2008: Jérôme Kerviel, trader junior, mengakali kontrol dengan posisi total €50 miliar yang tidak diotorisasi, rugi €4,9 miliar. Kategori Internal Fraud dan Execution. Wirecard 2020: saldo fiktif €1,9 miliar selama bertahun-tahun, auditor EY gagal deteksi. Kategori Internal Fraud. Nick Leeson 1995: error account 88888 menyembunyikan rugi £827 juta. BNP Paribas 2014: pelanggaran sanksi AS, denda $8,9 miliar. Pola umum di semua kasus: kontrol lemah, segregasi tugas gagal, dan budaya star trader yang tidak boleh dipertanyakan. Pelajaran: kasus-kasus ini sangat jarang (low frequency) tetapi magnitude miliaran Euro (high severity). Tidak mungkin diprediksi dari data historis internal. Mitigasi terbaik adalah kultur kontrol yang kuat, whistleblower protection, dan audit yang independent. Bagian 3 · 3/4
Pengelolaan Op-Risk
Diskusi kelas: di bank Anda, mana dari 3 lines of defense yang paling lemah? Apa implikasinya untuk fraud risk?
Blok ini mengupas kerangka pengelolaan op-risk. Pertanyaan diskusi tadi membuka self-assessment: jika first line (business) paling lemah, fraud risk dari内部 tinggi. Jika second line (risk) lemah, kontrol tidak ditegakkan. Jika third line (audit) lemah, masalah tidak terdeteksi. Pemahaman kelemahan struktur membantu fokus perbaikan. Tiga Lines of Defense Kerangka pengelolaan op-risk yang menjadi standar industri perbankan global.
Line Pemegang Fungsi 1st Line Business unit Own & manage risk; kontrol real-time 2nd Line Risk Management & Compliance Set policy; monitor; challenge 1st 3rd Line Internal Audit Independent assurance; report ke Board
Tiga lines of defense memastikan checks-and-balances — tidak ada satu pihak yang own, monitor, dan audit sekaligus.
Tiga Lines of Defense adalah kerangka pengelolaan risiko yang menjadi standar industri perbankan global. First Line adalah business unit yang own dan manage risk secara real-time — melakukan kontrol harian. Second Line adalah Risk Management dan Compliance yang set policy, monitor, dan challenge first line. Third Line adalah Internal Audit yang memberikan independent assurance dan report ke Board atau Audit Committee. Kerangka ini memastikan checks-and-balances: tidak ada satu pihak yang own, monitor, dan audit sekaligus. Kasus Leeson gagal di first line (back office melapor ke front office) dan third line (audit tidak deteksi). Implikasi manajerial: struktur organisasi bank harus clear tentang siapa first, second, third line; reporting line harus independent; budaya challenge harus ditegakkan. Bank yang melanggar segregasi ini rentan fraud. RCSA: Risk Control Self-Assessment RCSA adalah proses di mana business unit (1st line) mengevaluasi sendiri risiko & kontrolnya — input untuk manajemen op-risk.
Identifikasi risk event per proses Nilai inherent risk (sebelum kontrol) Identifikasi kontrol mitigasi Nilai residual risk (setelah kontrol) Rencana aksi untuk high residual Heat map risk × impact Daftar kontrol & efektivitas Gap analysis & action plan Key Risk Indicator (KRI) Dashboard untuk risk committee RCSA dilakukan minimal tahunan; frekuensi lebih tinggi untuk proses high-risk (treasury, trading).
Risk and Control Self-Assessment adalah proses di mana business unit sebagai first line mengevaluasi sendiri risiko dan kontrolnya. Lima tahap: identifikasi risk event per proses, nilai inherent risk sebelum kontrol, identifikasi kontrol mitigasi, nilai residual risk setelah kontrol, dan rencana aksi untuk high residual risk. Output RCSA meliputi heat map risk versus impact, daftar kontrol dan efektivitasnya, gap analysis dan action plan, Key Risk Indicator, serta dashboard untuk risk committee. Frekuensi RCSA minimal tahunan; lebih sering untuk proses high-risk seperti treasury atau trading. Pelajaran manajerial: RCSA efektif jika first line jujur dan second line mengkritisi. Bahaya utama: checkbox compliance tanpa substance. RCSA yang berkualitas adalah dasar dari pengelolaan op-risk yang efektif, bukan sekadar formalitas regulatori. Key Risk Indicators (KRI) untuk Op-Risk KRI adalah metrik forward-looking yang memberi early warning sebelum loss terjadi.
Kategori Contoh KRI Threshold Warning People Voluntary turnover rate >15% per tahun Process Trade error rate >0,5% transaksi Systems System downtime (jam/bulan) >2 jam/bulan External Phishing email diterima >100/bulan Fraud Suspicious activity report (SAR) Naik >30% YoY Compliance Open compliance issues >60 hari open
KRI harus dilaporkan ke risk committee bulanan; breach threshold harus trigger action plan.
Key Risk Indicators adalah metrik forward-looking yang memberi early warning sebelum loss terjadi. Berbeda dari Key Performance Indicators yang backward-looking, KRI bersifat predictif. Tabel menunjukkan contoh KRI per kategori: People — voluntary turnover rate lebih dari 15 persen per tahun (turnover tinggi sering menyertai penurunan kontrol). Process — trade error rate lebih dari 0,5 persen transaksi (indikasi training atau sistem lemah). Systems — downtime lebih dari 2 jam per bulan. External — phishing email lebih dari 100 per bulan. Fraud — Suspicious Activity Report naik lebih dari 30 persen year-on-year. Compliance — open compliance issues lebih dari 60 hari. KRI harus dilaporkan ke risk committee bulanan; breach threshold harus trigger action plan formal. Pelajaran manajerial: KRI yang baik adalah predictif dan actionable. Bank yang serius dengan op-risk memantau KRI real-time dan menetapkan limit internal lebih ketat dari threshold warning. Bagian 4 · 4/4
Persiapan P11
Diskusi kelas: bagaimana simulasi Monte Carlo dapat membantu mengestimasi modal op-risk yang tidak terjangkau data historis?
Blok penutup menghubungkan P10 ke P11. Pertanyaan diskusi tadi membuka jembatan: simulasi Monte Carlo memungkinkan menggenerate skenario yang tidak terjangkau data historis, terutama tail op-risk. Dengan model frekuensi-severity, simulasi dapat menghasilkan ribuan tahun synthetic untuk estimasi VaR 99,9 persen. P11 akan mendalami teknik Monte Carlo. POJK Manajemen Risiko Operasional OJK mengatur kerangka pengelolaan op-risk melalui POJK 17/2014 dan POJK permodalan.
Aspek POJK Acuan Implikasi Kerangka op-risk POJK 17/2014 lampiran Bank wajib punya framework: identifikasi-metode-monitoring-kontrol Permodalan op-risk POJK permodalan (CAR) Bank besar wajib SA/SMA; bank kecil BIA Loss event reporting OJK reporting Database internal loss 10.000 record + tahun Fraud reporting POJK APU-PPT Anti pencucian uang; SAR ke PPATK
POJK 17/2014 + POJK permodalan membentuk kerangka lengkap pengelolaan op-risk di Indonesia.
OJK mengatur kerangka pengelolaan op-risk melalui beberapa POJK. POJK 17 tahun 2014 lampiran op-risk mewajibkan bank punya framework identifikasi-metode-monitoring-kontrol. POJK permodalan CAR mengatur perhitungan modal op-risk: bank besar wajib SA atau SMA, bank kecil BIA. Loss event reporting ke OJK memerlukan database internal loss minimal 10.000 record atau tahun. POJK APU-PPT Anti Pencucian Uang mengatur reporting Suspicious Activity Report ke PPATK. Implikasi manajerial: bank Indonesia harus investasi dalam infrastruktur op-risk — database loss event, sistem RCSA, KRI dashboard, dan tim op-risk yang kompeten. Bank besar menerapkan SMA dengan loss data internal yang komprehensif; bank kecil dapat BIA tetapi tetap harus punya kerangka identifikasi dan kontrol. Pelanggaran POJK dapat mengakibatkan sanksi administratif termasuk denda dan pembatasan bisnis. Ringkasan Kunci Pertemuan 10 7 Kategori
Taksonomi Basel untuk klasifikasi loss
3 Pendekatan
BIA · SA · AMA/SMA
3 Lines of Defense
Business · Risk · Audit
Bawa tiga lensa ini (taksonomi · permodalan · struktur) sebagai kerangka pengelolaan op-risk.
Persiapan P11: baca tentang Monte Carlo simulation; siapkan memodelkan frekuensi-severity dan simulasi VaR op-risk.
Sebagai penutup, tiga pesan kunci. Pertama, tujuh kategori Basel adalah taksonomi standar untuk klasifikasi loss event op-risk — dipakai OJK Indonesia. Kedua, tiga pendekatan perhitungan modal (BIA, SA, AMA/SMA) menawarkan trade-off kompleksitas dan risk-sensitivity. Ketiga, tiga lines of defense memberikan struktur checks-and-balances untuk mencegah fraud katastropik. Sampai jumpa di P11 di mana kita akan mendalami simulasi Monte Carlo sebagai teknik fundamental untuk mengestimasi VaR op-risk, harga derivatif, dan skenario stress yang tidak terjangkau data historis.