⚠️ Operational Risk Management

Implementasi Bab 12 — Giudici, Applied Data Mining for Business and Industry (2009)

📖 Apa itu Risiko Operasional?

Definisi Basel II: "The risk of loss resulting from inadequate or failed internal processes, people and systems or from external events."
— Giudici (2009), Bab 12.1

Risiko operasional = risiko kerugian akibat proses internal yang gagal, kesalahan manusia, kegagalan sistem, atau kejadian eksternal (termasuk penipuan/fraud).

Contoh nyata: penipuan (fraud), kesalahan input data, sistem IT down, bencana alam, pencurian, pemalsuan dokumen.

💡 Intinya: Semakin tinggi risiko operasional suatu bank, semakin buruk sistem kontrolnya. Mengukur risiko = mengukur seberapa efektif kontrol yang ada (Giudici, 2009, hlm. 227).

🎯 Dua Tujuan Pengukuran (Bab 12.1)

🏛️ Tujuan Prudensial

Menentukan berapa cadangan modal (capital reserve) yang harus disiapkan bank untuk menutup kerugian tak terduga.

→ Model 2 & 3: VaR

📊 Tujuan Manajerial

Membuat peringkat risiko agar manajemen tahu mana yang harus ditangani lebih dulu.

→ Model 1: Scorecard

📥 Tiga Sumber Data (Bab 12.2)

📊 Data Internal

(Bab 12.2, hal. 221)

Buku mensyaratkan tabel riwayat kerugian bank sendiri: jumlah kerugian (amount), tanggal, unit organisasi, lini bisnis & jenis kejadian.

Backward-looking

Di proyek ini: Dataset PaySim (Kaggle) — data bank asli bersifat rahasia.

👥 Penilaian Ahli

(Bab 12.2, hal. 222–224)

Kepala cabang, kepala area, dan manajer menilai frekuensi, severity, dan kontrol tiap risiko dalam skala ordinal. 8 BL × 7 ET = 56 kategori.

Forward-looking

Di proyek ini: Data sintetis mengikuti struktur buku.

🏢 Data Eksternal

(Bab 12.2, hal. 221–222)

Data konsorsium bank (DIPO). Karena gabungan banyak bank, di-scaling agar setara ukuran bank kita.

Perspektif industri

Di proyek ini: Data sintetis dengan proses scaling sesuai buku.

🎯 Mengapa Dataset PaySim?

✅ Kenapa cocok sebagai data internal?

Syarat Buku	PaySim
Jumlah kerugian (amount)	✅ Kolom `amount`
Tanggal/waktu kejadian	✅ Kolom `step` (jam → hari)
Label kejadian (fraud/tidak)	✅ Kolom `isFraud`
Jenis transaksi	✅ Kolom `type`
Identitas pelaku/korban	✅ `nameOrig`, `nameDest`
Jumlah data besar	✅ 6,3 juta transaksi

📌 Untuk apa dataset ini dipakai?

Transaksi fraud (isFraud=1) → data kerugian internal bank, kolom amount = besarnya kerugian
Dari data ini dihitung frekuensi (berapa kali fraud per tahun) dan severity (distribusi besarnya kerugian)
Frekuensi & severity menjadi input utama model VaR Aktuaria dan VaR Integrasi Bayesian

💡 Mengapa bukan data bank asli? — Data kerugian operasional bank bersifat sangat rahasia. PaySim adalah alternatif terbaik karena sintetis tetapi realistis.

🔧 Tiga Model yang Dipakai (Bab 12.3–12.4)

📋 1. Scorecard

Apa: Sistem peringkat risiko berbasis warna 🟢🟡🔴

Untuk apa: Tujuan manajerial — prioritas risiko

Metode: Median + Indeks Gini → Rating huruf

Pendekatan: Bottom-up, kualitatif

📈 2. VaR Aktuaria

Apa: Estimasi cadangan modal dari simulasi

Untuk apa: Tujuan prudensial — cadangan modal

Metode: Poisson × Lognormal → Monte Carlo → VaR 99,9%

Pendekatan: Bottom-up, kuantitatif

🧮 3. VaR Integrasi & BIA

Apa: Gabungan 3 sumber data + pembanding BIA

Untuk apa: Validasi silang (cross-check)

Metode: Integrasi Bayesian + BIA (15% GI)

Pendekatan: Bottom-up + Top-down

🔄 Alur Keseluruhan Proyek (Animasi)

Step 1 Kumpulkan 3 Sumber Data

data_collection.py

# Bab 12.2 — Tiga aliran data
import pandas as pd
internal = pd.read_csv("paysim.csv")
fraud = internal[internal["isFraud"] == 1]
expert  = generate_expert_opinions(8, 56)
external= generate_consortium_data()

📊 Data Terkumpul

Sumber	Jenis	Jumlah
① Internal	PaySim (fraud)	8.213 event
② Expert	8 ahli × 56 kat	448 penilaian
③ Eksternal	Konsorsium DIPO	200 kerugian

Step 2 Terapkan 3 Model Rumus

models.py

# Model 1: Scorecard
gini = 1 - sum(p_k**2)  # kesepakatan ahli
loss  = freq * severity * control
# Model 2: VaR Aktuaria
N ~ Poisson(λ);  X ~ Lognormal(μ, σ)
# Model 3: Integrasi + BIA
BIA = 0.15 * gross_income

📐 Rumus yang Diterapkan

Model	Rumus Utama
Scorecard	G = 1 − Σpₖ² → Rating
VaR Aktuaria	L = Σ Xᵢ → VaR 99,9%
Integrasi	S₁ ∪ exp ∪ S₃/c
BIA	15% × Gross Income

Step 3 Proses & Simulasi

process.py

# Scorecard: rating 56 kategori
for cat in categories:
    rating[cat] = median(votes[cat])
# Monte Carlo: 100.000 skenario
for s in range(100_000):
    n = poisson(λ)
    L[s] = sum(lognorm(μ, σ, n))

⚙️ Proses Berjalan

Proses	Status
Rating 56 kategori	✅ 56/56 selesai
Monte Carlo simulasi	✅ 100K skenario
Integrasi 3 sumber	✅ Digabung
Hitung 7 metode VaR	✅ 7/7 selesai

Step 4 Hasil & Validasi Silang

results.py

# Output akhir
scorecard  = traffic_light_ratings 🟢🟡🔴
var_99_9   = percentile(L, 99.9)
bia        = 0.15 * gross_income
# Validasi: BIA ≈ Bayes VaR → konsisten!
assert abs(bia - bayes_var) < threshold

📊 Hasil Akhir

Output	Nilai
Risiko Tertinggi	🔴 Prioritas 1
VaR 99,9%	Modal cadangan
BIA vs Bayes	✅ Konsisten
7 metode VaR	✅ Tervalidasi

Langkah	Apa yang Dilakukan	Output
1. Kumpulkan Data	Ambil 3 sumber data (internal, ahli, eksternal)	Dataset siap pakai
2. Scorecard	Ahli menilai 56 kategori risiko → rating & prioritas	Peringkat risiko 🟢🟡🔴
3. VaR Aktuaria	Simulasi Monte Carlo dari data fraud → distribusi kerugian	Cadangan modal (VaR)
4. VaR Integrasi	Gabungkan 3 sumber + bandingkan dengan BIA	7 estimasi VaR (Gambar 12.2)
5. Kesimpulan	Bandingkan semua metode → validasi silang	Estimasi yang bisa dipercaya

📚 Referensi Buku

Bagian Buku	Model	Halaman
Bab 12.1 — Kerangka Basel II	Dasar semua model	225–227
Bab 12.2 — Sumber Data	Data internal, ahli, eksternal	228–231
Bab 12.3 — Model Aktuaria	VaR Aktuaria (Model 2)	231–234
Bab 12.4 — Self-Assessment	Scorecard (Model 1) + Integrasi (Model 3)	234–240
Bab 12.5 — Kesimpulan	Perbandingan 7 metrik VaR	240–241

📂 Data Lengkap — Semua Dataset

Seluruh data yang dipakai proyek, sesuai Bab 12.2 buku Giudici (2009)

📋 Model 1 — Scorecard (Self-Assessment)

Lis Indriani · Giudici (2009) Bab 12.4 · analog Gambar 12.1

📌 Halaman ini menjawab: Dari 56 kategori risiko bank, mana yang paling berbahaya dan harus ditangani lebih dulu? Model ini menggunakan pendapat ahli untuk membuat peringkat risiko dengan sistem warna 🟢🟡🔴.

1️⃣ Rumusan Masalah

Dari banyak jenis risiko operasional yang bisa terjadi di sebuah bank, mana yang paling berbahaya dan harus ditangani lebih dulu?

Sebuah bank menghadapi puluhan jenis risiko. Tidak mungkin menangani semua sekaligus. Kita perlu cara untuk memberi peringkat risiko mana yang paling mendesak.

2️⃣ Metode (dari buku)

Scorecard / Self-Assessment — seperti membuat rapor untuk tiap risiko.

Para ahli menilai tiap risiko dari 3 sisi: frekuensi, severity, dan kontrol.
Penilaian digabung memakai median + indeks Gini (tingkat kesepakatan).
Hasilnya: rating huruf (A = paling aman) + lampu lalu lintas 🟢🟡🔴.

🧩 Perumpamaan: Seperti dokter UGD yang melakukan triase. Pasien paling kritis didahulukan. Scorecard melakukan hal sama untuk risiko.

G = 1 − Σ p_k² → G_norm = G × K/(K−1)

Perceived Loss = frekuensi/tahun × nilai severity × faktor kontrol

📖 Istilah, Rumus, & Kenapa Dipakai

Daftar Istilah

Median (nilai tengah)	Nilai yang persis di tengah setelah data diurutkan. Tahan terhadap nilai ekstrem.
Ordinal	Skala berjenjang (rendah/sedang/tinggi) tanpa jarak pasti antar tingkat.
Indeks Gini	Ukuran seberapa beragam jawaban para ahli: 0 = semua sama, 1 = sangat beragam.
Konsensus	Tingkat kesepakatan antar ahli.
Rating huruf (A/AA/AAA)	Seperti peringkat kredit. A = paling aman; makin banyak huruf = makin kuat keyakinannya.
Perceived loss	Perkiraan kerugian = seberapa sering × seberapa besar × faktor kontrol.

Rumus yang Dipakai

G = 1 − Σ p_k² → G_norm = G × K/(K−1)

Indeks Gini ternormalisasi — mengukur keberagaman jawaban ahli (p_k = proporsi ahli yang memilih kelas ke-k, K = jumlah kelas).

Perceived Loss = frekuensi/tahun × nilai severity × faktor kontrol

Skor Prioritas = r_freq × r_sev × r_ctrl

r = peringkat kelas median tiap dimensi (makin tinggi = makin berisiko).

Kenapa Rumus Ini Dipakai?

Median (bukan rata-rata) — penilaian ahli bersifat ordinal, dan median tahan terhadap 1 ahli yang menjawab ekstrem.
Indeks Gini — mengubah seberapa kompak pendapat ahli menjadi angka. Kalau ahli kompak (Gini kecil), kita lebih percaya → rating diperkuat (AAA). Inilah cara buku menilai kualitas konsensus.
Frekuensi × Severity × Kontrol — definisi baku risiko: Risiko = Peluang × Dampak, lalu disesuaikan oleh kualitas kontrol.

3️⃣ & 4️⃣ Proses Langkah demi Langkah

Dataset Ambil Data Penilaian Ahli

scorecard.py — ambil data

# 8 ahli menilai 56 kategori risiko
business_lines = ["Corporate Finance", "Trading", ...]  # 8 BL
event_types   = ["Internal Fraud", "External Fraud", ...]  # 7 ET
n_experts     = 8
categories    = 8 * 7  # = 56 kategori Basel II
# Tiap ahli beri nilai ordinal (1-5) untuk 3 dimensi
dims = ["frequency", "severity", "control"]

📊 Contoh Data Penilaian Ahli (mentah)

Ahli	Lini Bisnis	Jenis	Freq	Sev	Ctrl
1	Corporate Finance	Int. Fraud	3	4	2
2	Corporate Finance	Int. Fraud	4	4	3
3	Corporate Finance	Int. Fraud	3	5	2
…	…	…	…	…	…
8	Corporate Finance	Int. Fraud	3	4	2

Rumus Hitung Median & Indeks Gini

scorecard.py — rumus

def gini_index(votes, K):
    # Hitung proporsi tiap kelas
    p = [votes.count(k) / len(votes) for k in range(K)]
    G = 1 - sum(pk**2 for pk in p)
    return G * K / (K - 1)  # normalisasi
median_freq = np.median([3,4,3,3,4,3,3,3])  # = 3
gini_freq  = gini_index([3,4,3,3,4,3,3,3], 5)  # = 0.375

📐 Data Berubah → Median & Gini dihitung

Dimensi	8 Votes	→ Median	→ Gini
Frequency	3,4,3,3,4,3,3,3	3	0.375
Severity	4,4,5,4,3,4,4,4	4	0.344
Control	2,3,2,2,2,3,2,2	2	0.375

Proses Tentukan Rating & Perceived Loss

scorecard.py — proses

for cat in all_56_categories:
    # Gini kecil → konsensus kuat → rating AAA
    if gini < 0.3:   rating = "AAA"  # 🟢
    elif gini < 0.5: rating = "AA"   # 🟡
    else:             rating = "A"    # 🔴
    # Perceived Loss = Freq × Sev × Ctrl factor
    loss = freq_per_year * sev_value * ctrl_factor

⚙️ Data Berubah → Rating & Loss muncul

Kategori	Rating	Warna	Loss
Corp.Fin × Int.Fraud	A	🔴	480.000
Trading × Ext.Fraud	AA	🟡	240.000
Retail × Sys.Failure	AAA	🟢	60.000
…	…	…	…
56 kategori total	—	—	Σ total

Hasil Peringkat Risiko Final

scorecard.py — output

# Urutkan dari yang paling berisiko
ranked = sorted(scorecard, key="priority", reverse=True)
print("🔴 Risiko #1:", ranked[0].name)
print("🟡 Risiko #2:", ranked[1].name)
print("Total perceived loss:", sum(losses))

✅ Hasil Akhir — Peringkat Risiko

#	Kategori Risiko	Lampu	Aksi
1	Paling berbahaya	🔴	Segera mitigasi
2	Risiko menengah	🟡	Pantau ketat
3	Risiko rendah	🟢	Cukup monitor

5️⃣ Hasil & Kesimpulan

Tabel Scorecard (diurutkan: paling atas = paling prioritas)

📊 Grafik 15 Risiko Prioritas Tertinggi

🗺️ Peta Risiko (Heatmap)

💡 Kotak paling merah = area yang harus mendapat perhatian utama.

📈 Model 2 — VaR Aktuaria

Ana Sulistiana Alwi · Giudici (2009) Bab 12.3 · analog Gambar 12.2

📌 Halaman ini menjawab: Berapa cadangan modal minimum yang harus disiapkan bank untuk menutup kerugian fraud? Model ini mensimulasikan ribuan skenario lalu mencari batas kerugian terburuk (VaR 99,9%).

1️⃣ Rumusan Masalah

Seberapa besar total kerugian terburuk yang mungkin kita alami akibat penipuan (fraud), dan berapa "modal cadangan" yang harus disiapkan?

2️⃣ Metode (dari buku)

Model Aktuaria — menggabungkan:

Frekuensi → distribusi Poisson (berapa kali fraud terjadi)
Severity → distribusi Lognormal (berapa besar tiap kerugian)
Simulasi Monte Carlo — komputer mengarang ribuan skenario masa depan
VaR 99,9% = batas kerugian pada tingkat keyakinan sangat tinggi

🧩 Perumpamaan: Seperti perusahaan asuransi menghitung premi. Dengan ribuan simulasi, mereka tahu skenario terburuk. VaR 99,9% = "dana darurat" untuk 999 dari 1.000 kemungkinan.

L = Σ_i=1^N X_i → N ~ Poisson(λ), X ~ Lognormal(μ, σ)

VaR_q = persentil ke-q dari distribusi L

📖 Istilah, Rumus, & Kenapa Dipakai

Daftar Istilah

Frekuensi (N)	Berapa kali kejadian terjadi dalam satu periode.
Severity (X)	Besar kerugian setiap kejadian.
Distribusi Poisson	Model peluang untuk MENGHITUNG JUMLAH kejadian acak yang langka per periode (mis. jumlah klaim per hari).
Distribusi Lognormal	Model untuk BESARAN yang selalu positif & condong ke kanan: banyak kerugian kecil, sesekali sangat besar.
Monte Carlo	Teknik 'mengarang' ribuan skenario acak lalu meninjau hasil keseluruhannya.
VaR (Value at Risk)	Batas kerugian pada tingkat keyakinan tertentu.
Persentil	Nilai yang di bawahnya terdapat sekian persen data (P99,9 = 99,9% data di bawahnya).
μ dan σ	Rata-rata & simpangan dari logaritma kerugian (parameter lognormal).

Rumus yang Dipakai

L = Σ_i=1^N X_i

Total kerugian = menjumlahkan N kerugian individual (N pun acak).

N ~ Poisson(λ) X ~ Lognormal(μ, σ)

VaR_q = persentil ke-q dari distribusi L x_q = e^{μ + σz_q}

z_q = nilai-z normal baku untuk peluang q.

Kenapa Rumus Ini Dipakai?

Poisson untuk frekuensi — paling cocok menghitung jumlah kejadian langka & acak yang saling bebas per periode (standar di aktuaria/asuransi).
Lognormal untuk severity — kerugian tidak pernah negatif dan punya ekor panjang (sesekali kerugian sangat besar), persis pola data fraud.
Monte Carlo — menjumlahkan N (acak) kerugian (acak) sulit dihitung dengan satu rumus; menyimulasikan ribuan kali memberi gambaran utuh.
VaR 99,9% — regulator Basel mewajibkan modal yang cukup menutup kerugian pada tingkat keyakinan sangat tinggi (hanya 0,1% boleh meleset).

3️⃣ Proses Langkah demi Langkah

Dataset Ambil Data Fraud dari PaySim

actuarial.py — ambil data

import pandas as pd
import numpy as np
df = pd.read_csv("paysim.csv")
fraud = df[df["isFraud"] == 1]
losses = fraud["amount"].values
print(f"Total fraud: {len(fraud)}")

📊 Data Fraud (isFraud = 1)

No	type	amount	isFraud
1	TRANSFER	181.000	1
2	CASH_OUT	339.682	1
3	TRANSFER	4.205.533	1
4	CASH_OUT	1.325.012	1
…	…	…	8.213 total

Rumus Fit Distribusi Poisson & Lognormal

actuarial.py — fit distribusi

# Frekuensi: berapa kali fraud/hari?
lambda_ = fraud_per_day.mean()  # → λ ≈ 27.3
# N ~ Poisson(λ=27.3)
# Severity: distribusi besarnya kerugian
log_losses = np.log(losses)
mu    = log_losses.mean()     # → μ ≈ 13.2
sigma = log_losses.std()      # → σ ≈ 1.8

📐 Parameter Terhitung

Parameter	Distribusi	Nilai
λ (lambda)	Poisson — frekuensi	≈ 27,3 fraud/hari
μ (mu)	Lognormal — lokasi	≈ 13,2
σ (sigma)	Lognormal — skala	≈ 1,8

Proses Simulasi Monte Carlo (100.000×)

actuarial.py — simulasi

n_sim = 100_000
total_losses = []
for s in range(n_sim):
    n = np.random.poisson(lambda_)      # acak: brp kejadian?
    x = np.random.lognormal(mu, sigma, n) # acak: brp besar?
    total_losses.append(sum(x))            # L = Σ Xᵢ

⚙️ Simulasi Berjalan...

Skenario	N (kejadian)	Total Loss (L)
#1	24	12.450.000
#2	31	89.200.000
#3	28	34.100.000
#4	19	245.000.000
…	…	100.000 skenario

Hasil Hitung VaR 99,9% → Cadangan Modal

actuarial.py — output

# Ambil persentil ke-99,9
var_999 = np.percentile(total_losses, 99.9)
expected = np.mean(total_losses)
print(f"VaR 99.9%: Rp {var_999:,.0f}")
print("→ Siapkan modal cadangan sebesar ini")

✅ Hasil Akhir

Metrik	Nilai
Rata-rata kerugian	E[L] = dari simulasi
VaR 99,9%	= cadangan modal
Keyakinan	99,9% aman
Skenario melebihi	Hanya 0,1% (100 dari 100K)

4️⃣ & 5️⃣ Hasil

Distribusi Total Kerugian (dari ribuan skenario Monte Carlo)

💡 Sebagian besar skenario ada di kiri (kerugian kecil). Garis merah menandai batas VaR — hanya 0,1% skenario melampaui garis ini.

🧮 Model 3 — VaR Integrasi & BIA

Andi Agung Dwi Arya B · Giudici (2009) Bab 12.4 · analog Gambar 12.2

📌 Halaman ini menjawab: Jika kita gabungkan semua sumber data (internal + ahli + bank lain), berapa estimasi VaR-nya? Dan apakah hasilnya konsisten dengan cara sederhana (BIA = 15% pendapatan)?

1️⃣ Rumusan Masalah

Kalau kerugian dihitung dengan beberapa metode berbeda, berapa hasilnya dan apakah saling konsisten?

Mengandalkan satu metode saja berisiko. Lebih aman bila kita menghitung dengan beberapa cara lalu membandingkannya.

2️⃣ Metode (dari buku)

Integrasi Bayesian (bottom-up) — menggabungkan 3 sumber data menjadi satu estimasi
Basic Indicator Approach / BIA (top-down) — cadangan = 15% dari pendapatan kotor

🧩 Perumpamaan: Seperti minta second opinion ke beberapa dokter. Kalau semua sepakat, kita jauh lebih yakin.

S_gabungan = S_internal ∪ {p_{self-assessment}} ∪ S_eksternal^scaled

BIA = α × Gross Income, α = 15%

📖 Istilah, Rumus, & Kenapa Dipakai

Daftar Istilah

Integrasi / Bayesian	Menggabungkan beberapa sumber informasi menjadi satu estimasi yang lebih kuat.
Bottom-up vs Top-down	Dari data rinci ke atas (Bayesian) vs dari indikator besar ke bawah (BIA).
Scaling	Menyetarakan skala data bank lain agar sebanding dengan data kita.
Gross income	Pendapatan kotor bank — indikator ukuran bisnis.
BIA	Basic Indicator Approach (Basel II): cadangan = 15% pendapatan kotor.
Konsorsium / DIPO	Basis data kerugian gabungan dari banyak bank.

Rumus yang Dipakai

S_gabungan = S_internal ∪ {p_{self-assessment}} ∪ S_eksternal^scaled

c = Σ kerugian eksternal / Σ kerugian internal S^scaled = S_eksternal / c

Konstanta scaling c menyetarakan ukuran data eksternal terhadap internal.

VaR_q = persentil ke-q dari S_gabungan

BIA = α × Gross Income, α = 15%

Kenapa Rumus Ini Dipakai?

Menggabungkan 3 sumber — tiap sumber punya kelemahan: internal (terbatas pengalaman sendiri), expert (subjektif), eksternal (beda konteks). Gabungan lebih lengkap dan tahan.
Scaling — agar kerugian bank besar tidak 'membanjiri' estimasi bank kita; disesuaikan secara proporsional dulu.
BIA (15% gross income) — pembanding sederhana yang diakui regulator. Kalau metode canggih (Bayesian) hasilnya dekat dengan BIA, itu memberi keyakinan silang bahwa angkanya masuk akal.

3️⃣ Proses Langkah demi Langkah

Dataset Kumpulkan 3 Sumber Data

integration.py — load data

# Sumber 1: Data internal (PaySim fraud)
S_internal = paysim[paysim.isFraud==1]["amount"]
# Sumber 2: Penilaian ahli (expert)
S_expert = expert_assessment["perceived_loss"]
# Sumber 3: Data eksternal (konsorsium bank)
S_external = external_data["loss_amount"]

📂 3 Sumber Data Terkumpul

Sumber	Tipe	Jumlah
① Internal	PaySim fraud records	8.213 kejadian
② Expert	Self-assessment ahli	7 kategori
③ Eksternal	Konsorsium bank lain	Scaled data

Rumus Scaling & Integrasi Bayesian

integration.py — rumus

# Scaling: samakan skala data eksternal
c = S_external.sum() / S_internal.sum()
S_ext_scaled = S_external / c
# Gabungkan semua sumber (Bayesian)
S_combined = concat([S_internal, S_expert, S_ext_scaled])
# BIA sebagai pembanding
BIA = 0.15 * gross_income

📐 Rumus Diterapkan

Variabel	Rumus	Hasil
c (scaling)	Σ ext / Σ int	faktor penyesuaian
S_combined	S₁ ∪ S₂ ∪ S₃/c	data gabungan
BIA	15% × Gross Income	pembanding top-down

Proses Hitung VaR dengan 7 Metode

integration.py — hitung

methods = {
    "Internal_Hist":  percentile(S_int,  99.9),
    "Bayes_Hist":    percentile(S_comb, 99.9),
    "Bayes_MonteCar": mc_sim(S_comb),
    "Self_Assess":   var_expert(S_exp),
    "External":      percentile(S_ext, 99.9),
    "Actuarial":     actuarial_var,
    "BIA":           0.15 * gross_income,
}

⚙️ 7 Estimasi VaR Terhitung

No	Metode	Sumber
1	Internal Historical	Internal saja
2	Bayes Historical	Gabungan
3	Bayes Monte Carlo	Gabungan
4	Self Assessment	Expert
5	External VaR	Eksternal
6	Actuarial VaR	Model 2
7	BIA	Top-down

Hasil Validasi Silang — 7 Metode Dibandingkan

integration.py — validasi

# Bandingkan semua metode (Gambar 12.2)
for name, val in methods.items():
    print(f"{name}: Rp {val:,.0f}")
# Apakah BIA ≈ Bayes? → validasi!
ratio = methods["BIA"] / methods["Bayes_Hist"]
print(f"BIA/Bayes ratio: {ratio:.2f} ✅")

✅ Hasil Validasi Silang

Cek	Hasil
7 metode dihitung	✅ Selesai
BIA ≈ Bayes VaR?	✅ Konsisten
Metode saling dekat?	✅ Tervalidasi
Status Model	VALID ✅

Data yang Digunakan (3 sumber)

① Internal (PaySim)

② Expert (ahli)

③ Eksternal (bank lain)

4️⃣ & 5️⃣ Hasil

📊 Perbandingan VaR antar-metode (analog Gambar 12.2 di buku)

💡 Jika batang-batang berdekatan, berarti metode-metode saling sepakat → hasil lebih dapat dipercaya.

📊 Ringkasan Eksekutif

Semua hasil dari 3 model dalam satu halaman — siap untuk presentasi

🎯 Angka Kunci

💡 Temuan Utama: Ketiga pendekatan (bottom-up via aktuaria, gabungan Bayesian, dan top-down BIA) menghasilkan estimasi yang saling berdekatan — menunjukkan bahwa model ini saling memvalidasi, sesuai Gambar 12.2 di buku Giudici.

📋 Model 1 — Hasil Scorecard

🗺️ Peta Risiko — Perceived Loss per Kategori Basel II

📈 Model 2 & 3 — Perbandingan 7 Metode VaR

📝 Ringkasan per Model

⚠️ Operational Risk Management

📖 Apa itu Risiko Operasional?

🏛️ Tujuan Prudensial

📊 Tujuan Manajerial

📊 Data Internal

👥 Penilaian Ahli

🏢 Data Eksternal

✅ Kenapa cocok sebagai data internal?

📌 Untuk apa dataset ini dipakai?

📋 1. Scorecard

📈 2. VaR Aktuaria

🧮 3. VaR Integrasi & BIA

📂 Data Lengkap — Semua Dataset

📋 Model 1 — Scorecard (Self-Assessment)

1️⃣ Rumusan Masalah

2️⃣ Metode (dari buku)

Daftar Istilah

Rumus yang Dipakai

Kenapa Rumus Ini Dipakai?

3️⃣ & 4️⃣ Proses Langkah demi Langkah

5️⃣ Hasil & Kesimpulan

Tabel Scorecard (diurutkan: paling atas = paling prioritas)

📊 Grafik 15 Risiko Prioritas Tertinggi

🗺️ Peta Risiko (Heatmap)

📈 Model 2 — VaR Aktuaria

1️⃣ Rumusan Masalah

2️⃣ Metode (dari buku)

Daftar Istilah

Rumus yang Dipakai

Kenapa Rumus Ini Dipakai?

3️⃣ Proses Langkah demi Langkah

4️⃣ & 5️⃣ Hasil

Distribusi Total Kerugian (dari ribuan skenario Monte Carlo)

🧮 Model 3 — VaR Integrasi & BIA

1️⃣ Rumusan Masalah

2️⃣ Metode (dari buku)

Daftar Istilah

Rumus yang Dipakai

Kenapa Rumus Ini Dipakai?

3️⃣ Proses Langkah demi Langkah

Data yang Digunakan (3 sumber)

4️⃣ & 5️⃣ Hasil

📊 Perbandingan VaR antar-metode (analog Gambar 12.2 di buku)

📊 Ringkasan Eksekutif

🗺️ Peta Risiko — Perceived Loss per Kategori Basel II

📖 Detail Kesesuaian dengan Buku (11/12 aspek ✅)