Manajemen Risiko Kuantitatif: Dari VaR ke Expected Shortfall untuk Keputusan Finansial Modern

1. Pendahuluan

Bicara soal risiko, banyak orang langsung membayangkan sesuatu yang “buruk”: rugi, gagal, bangkrut, atau kehilangan. Namun dalam kenyataan ekonomi modern, risiko bukan sekadar ancaman, melainkan sesuatu yang melekat pada pilihan. Ketika seseorang menabung, ia mengambil risiko inflasi yang diam-diam menggerus daya beli. Ketika seseorang berinvestasi, ia mengambil risiko volatilitas. Ketika perusahaan memperluas bisnis, ia berhadapan dengan risiko pasar, risiko operasional, dan risiko reputasi sekaligus. Bahkan ketika seseorang memilih “diam saja”, sering kali itu tetap sebuah keputusan yang memiliki konsekuensi, dan konsekuensi itu pun dapat dimaknai sebagai risiko.

Masalahnya, risiko sering diperlakukan sebagai perasaan, bukan sebagai objek yang bisa dihitung. Ada hari ketika pasar bergerak liar lalu kita berkata “hari ini berisiko,” tapi definisinya tidak jelas. Ada momen ketika sebuah aset jatuh, lalu orang menyebutnya “berbahaya,” padahal bahaya itu seharusnya dapat diterjemahkan menjadi angka: seberapa besar potensi kerugian, seberapa sering kerugian ekstrem terjadi, dan seberapa besar “batas aman” yang masih bisa ditoleransi.

Di titik inilah manajemen risiko kuantitatif menjadi penting. Dalam orasi ilmiah yang menjadi sumber utama tulisan ini, ide intinya tegas: manajemen risiko kuantitatif membutuhkan statistika (lebih tepatnya peluang dan statistika), karena risiko yang kita hadapi bersifat stokastik, memiliki distribusi, dan karenanya bisa dimodelkan.

Cara berpikir ini bukan cuma perkara akademik. Ia punya implikasi praktis yang sangat nyata:

• Bagi investor, ukuran risiko menentukan seberapa agresif atau defensif strategi portofolio.

• Bagi bank dan lembaga keuangan, ukuran risiko menjadi dasar perhitungan modal, penetapan limit, sampai pengujian ketahanan (stress test).

• Bagi perusahaan asuransi, ukuran risiko menentukan premi, cadangan klaim, dan kemampuan perusahaan bertahan saat klaim melonjak.

• Bagi masyarakat luas, literasi risiko menentukan keputusan finansial jangka panjang, termasuk kesiapan menghadapi usia lanjut.

Jika kita tarik lebih luas, risiko juga berkembang seiring perubahan perilaku manusia dan kemajuan teknologi. Dunia sekarang dipenuhi aset baru seperti cryptocurrency, model bisnis baru berbasis platform digital, dan sistem keuangan yang semakin terhubung. Akibatnya, risiko pun tidak lagi “sederhana.” Perubahan harga bisa terjadi dalam hitungan menit, informasi menyebar seketika, dan keputusan massa dapat memicu gejolak yang sulit diprediksi dengan intuisi semata.

Karena itu, pendekatan berbasis “kira-kira” sudah makin berbahaya. Risiko harus diturunkan menjadi sesuatu yang bisa dibaca, dihitung, dibandingkan, dan dievaluasi akurasinya. Dengan begitu, keputusan bukan sekadar reaksi emosional, melainkan respons yang punya pijakan matematis.

Tulisan ini akan membedah dua hal besar yang saling terhubung. Pertama, bagaimana risiko bisa didefinisikan sebagai “risiko acak” atau variabel acak yang memiliki distribusi. Kedua, bagaimana risiko acak itu dipetakan menjadi angka melalui ukuran risiko, sehingga akhirnya bisa dipakai untuk memprediksi dan mengelola kerugian secara lebih sistematis.

Namun saya tidak akan berhenti di level definisi. Artikel ini akan bergerak lebih jauh: mengapa ukuran risiko klasik punya keterbatasan, mengapa muncul kebutuhan pengembangan seperti improve Value at Risk atau expected shortfall yang lebih adaptif, serta bagaimana portofolio lintas aset (misalnya Bitcoin dan minyak) memberi contoh nyata bahwa risiko sering bersifat relasional, bukan berdiri sendiri.

Kalau disederhanakan, pesan besarnya kira-kira begini: risiko tidak bisa dihilangkan, tetapi cara kita membaca dan mengelola risiko bisa membuat kita lebih tahan banting, lebih rasional, dan lebih siap menghadapi ketidakpastian.

2. Dari Risiko Sebagai “Kerugian” Menuju Risiko Sebagai Objek Stokastik

Langkah pertama dalam manajemen risiko kuantitatif adalah “membuat risiko menjadi jelas.” Ini terdengar sederhana, tapi justru bagian paling krusial. Sebab risiko yang tidak didefinisikan dengan benar akan menghasilkan ukuran yang menyesatkan, dan ukuran yang menyesatkan akan melahirkan keputusan yang salah.

Dalam orasi tersebut, risiko dijelaskan sebagai kerugian: sesuatu yang tidak menyenangkan, sesuatu yang membuat kita kehilangan nilai. Dalam konteks keuangan, risiko sering dipandang sebagai negatif dari imbal hasil (return). Jika return adalah “untung”, maka risiko adalah “potensi rugi” yang mengintai di balik peluang keuntungan. Untuk asuransi, risikonya berwujud klaim: pembayaran yang harus dilakukan perusahaan kepada nasabah ketika kejadian tertentu terjadi.

Akan tetapi, jika berhenti di situ, risiko masih berupa narasi. Supaya bisa dikelola, risiko harus berubah menjadi variabel random: risiko acak.

2.1 Risiko Acak sebagai Fondasi Berpikir Kuantitatif

Risiko acak bukan “acak-acakan.” Ia berarti risiko dipandang sebagai variabel yang nilainya tidak pasti, namun memiliki pola probabilistik. Dengan kata lain, kita tidak tahu nilai tepatnya hari ini, tetapi kita bisa mengestimasi perilaku jangka panjangnya.

Ini seperti cuaca: kita tidak bisa menjamin hujan jam 3 sore, tetapi kita bisa mengukur peluang hujan, intensitas rata-ratanya, dan seberapa sering hujan ekstrem terjadi. Di dunia finansial, situasinya mirip:

• Harga saham bisa turun atau naik.

• Kurs mata uang bisa melonjak dalam sehari.

• Harga Bitcoin bisa bergerak liar dalam jam tertentu.

• Klaim asuransi bisa memuncak pada periode tertentu.

Jika semua itu diperlakukan sebagai data historis yang memiliki distribusi, maka risiko bisa dipelajari secara statistik.

Dari sisi matematika, distribusi adalah “bahasa” yang menjelaskan karakter risiko: seberapa sering terjadi kerugian kecil, seberapa sering terjadi kerugian besar, dan seberapa tebal ekor distribusinya (tail risk). Karena dalam banyak kejadian finansial, masalah terbesar bukan rugi kecil, melainkan rugi ekstrem yang jarang terjadi tapi menghancurkan.

Di sinilah banyak orang keliru: mereka menilai risiko dari rata-rata saja. Padahal rata-rata sering tidak menceritakan kisah yang paling penting. Dua aset bisa memiliki rata-rata return yang sama, tetapi salah satunya memiliki peluang crash yang jauh lebih besar.

Pendekatan stokastik membuat kita tidak hanya fokus pada “nilai tengah”, melainkan juga pada kemungkinan kejadian ekstrem.

2.2 Mengapa Distribusi Penting: Bukan Semua Risiko Normal

Dalam praktik sehari-hari, banyak model keuangan lama mengandalkan asumsi distribusi normal. Ini mudah dihitung, nyaman, dan elegan. Tetapi kenyataannya, banyak data finansial bersifat “tidak normal”:

• Volatilitas berubah-ubah (volatility clustering).

• Ada lonjakan ekstrem pada periode krisis.

• Pergerakan pasar dipengaruhi sentimen dan efek domino.

Hasilnya, ukuran risiko berbasis asumsi normal bisa gagal total ketika pasar memasuki fase tidak biasa, misalnya saat krisis finansial atau panic selling.

Di titik ini, memahami distribusi bukan sekadar akademik. Ia menjadi mekanisme “mencegah rasa aman palsu.” Karena banyak institusi tampak aman di hari-hari normal, tetapi runtuh saat terjadi kejadian ekstrem yang tidak masuk perhitungan.

2.3 Ukuran Risiko: Memetakan Risiko Acak Menjadi Angka

Setelah risiko didefinisikan sebagai variabel random, tahap kedua adalah mengubahnya menjadi angka yang bisa dipakai untuk mengambil keputusan. Di sinilah ukuran risiko berperan.

Ukuran risiko adalah fungsi yang memetakan risiko acak ke bilangan real. Dengan ukuran risiko, perusahaan bisa menjawab pertanyaan yang lebih operasional:

• “Kerugian maksimum yang masih masuk toleransi berapa?”

• “Seberapa besar cadangan yang harus disiapkan?”

• “Premi yang wajar harus ditetapkan di angka berapa?”

• “Apakah portofolio ini terlalu berisiko untuk target saya?”

Orasi ilmiah tersebut menyinggung beberapa ukuran risiko populer, misalnya rerata dan deviasi standar, serta Value at Risk (VaR) yang berbasis kuantil.

Rerata dan deviasi standar sering dipakai karena sederhana dan intuitif. Tetapi dalam banyak kasus, ukuran ini tidak cukup. Deviasi standar memperlakukan fluktuasi positif dan negatif sama-sama sebagai “risiko”, padahal investor biasanya lebih takut pada kerugian ekstrem, bukan pada keuntungan ekstrem. Karena itu, ukuran berbasis kuantil seperti VaR muncul sebagai respons: ia mencoba menangkap “batas kerugian” pada level kepercayaan tertentu (misalnya 95% atau 99%).

Namun VaR pun bukan obat mujarab. VaR memberi batas, tetapi tidak memberi informasi seberapa parah kerugian jika batas itu terlewati. Di sinilah konsep expected shortfall menjadi relevan karena ia melihat rata-rata kerugian pada bagian tail (bagian terburuk).

Menariknya, orasi tersebut menekankan bahwa ukuran risiko seharusnya tidak “diam sendiri.” Ukuran risiko perlu terus diuji akurasinya, dibandingkan, dan diperbaiki. Karena dalam dunia nyata, ukuran risiko yang bagus adalah yang benar-benar bekerja di kondisi pasar yang dinamis, bukan hanya terlihat bagus di kertas.

3. Evolusi Ukuran Risiko dari VaR Menuju Improve VaR, Expected Shortfall

Jika risiko sudah dipahami sebagai variabel acak, pertanyaan berikutnya selalu sama: ukuran apa yang paling masuk akal untuk dipakai? Di sinilah diskusi menjadi menarik, karena ukuran risiko bukan sekadar soal rumus, melainkan soal cara pandang terhadap ketidakpastian.

Selama bertahun-tahun, banyak institusi keuangan memakai ukuran risiko yang praktis: mudah dihitung, mudah dikomunikasikan, dan bisa dijadikan dasar keputusan cepat. Salah satu yang paling populer adalah Value at Risk (VaR). Pada prinsipnya, VaR menjawab pertanyaan yang terdengar sederhana tetapi sangat “menggigit” dalam praktik:

“Dengan tingkat keyakinan tertentu, berapa besar kerugian maksimum yang mungkin terjadi dalam periode tertentu?”

Contoh yang sering dipakai: VaR 95% untuk satu hari sebesar Rp10 juta. Ini berarti, dalam 95% kondisi pasar, kerugian harian tidak akan melebihi Rp10 juta. Kalimat ini terdengar menenangkan, karena memberikan angka yang jelas dan terasa seperti batas aman.

Namun masalahnya, VaR hanya memberi batas, bukan cerita lengkap.

3.1 Kelebihan VaR: ringkas, komunikatif, dan cepat dipakai

Mengapa VaR begitu disukai?

Pertama, ia mudah dipahami oleh pengambil keputusan non-teknis. Angka VaR terasa seperti “limit risiko”. Bahkan orang yang tidak mendalami statistika pun bisa menangkap intuisi dasarnya.

Kedua, VaR relatif mudah dihitung. Dengan data historis return, VaR bisa diperkirakan memakai pendekatan kuantil, simulasi, atau model parametrik. Dalam konteks industri, kemudahan ini berarti efisiensi biaya dan waktu.

Ketiga, VaR cocok untuk kebutuhan pengawasan (control) harian. Bank, manajer aset, maupun institusi investasi sering perlu memantau risiko dengan cepat. VaR memungkinkan mereka membuat semacam “dashboard risiko” yang rutin.

Tapi di balik semua kelebihannya, VaR punya satu kelemahan mendasar yang tidak boleh dianggap sepele: VaR tidak menjelaskan apa yang terjadi di luar batas.

3.2 Keterbatasan VaR: tidak peka pada kerugian ekstrem

Ketika kita mengatakan VaR 95%, itu berarti ada 5% kemungkinan kita akan mengalami kerugian yang lebih buruk dari angka VaR tersebut.

Pertanyaannya: seberapa buruk?

Di situlah VaR “diam.”

VaR tidak memberi informasi tentang seberapa besar rata-rata kerugian pada kondisi terburuk tersebut. Padahal dalam dunia nyata, justru bagian 5% inilah yang paling berbahaya. Karena di situlah krisis, panic, dan kehancuran portofolio biasanya terjadi.

Masalah ini sering disebut sebagai problem tail risk. Dalam banyak instrumen finansial modern, distribusi return memiliki “ekor tebal” (fat tails). Artinya, kejadian ekstrem terjadi lebih sering daripada yang dibayangkan oleh model sederhana.

Di pasar saham, “hari buruk” bisa bermakna penurunan tajam. Di aset kripto, penurunan 10–20% dalam sehari bukan hal langka. Di sektor komoditas, perubahan geopolitik bisa membuat harga melonjak atau jatuh dalam hitungan jam.

Jika ukuran risiko tidak cukup sensitif pada bagian ekor, ia bisa menciptakan rasa aman palsu. Portofolio tampak aman dalam simulasi, tapi runtuh ketika realitas menghadirkan skenario yang lebih ekstrem dari yang dihitung.

3.3 Expected Shortfall: ketika kita ingin tahu seberapa parah “skenario terburuk”

Di sinilah Expected Shortfall (ES) menjadi upgrade logis.

ES tidak hanya mengatakan: “batas kerugian di kuantil tertentu.”
ES mengatakan: “rata-rata kerugian ketika kondisi sudah lebih buruk dari batas itu.”

Secara sederhana, jika VaR adalah “garis pagar,” maka ES adalah “rata-rata kedalaman jurang di balik pagar tersebut.”

Ini penting karena keputusan manajemen risiko bukan hanya soal menghindari melewati garis batas, tetapi juga soal kesiapan ketika batas itu pasti dilanggar.

ES membuat manajemen risiko lebih realistis: bukan sekadar berpikir “95% aman,” tetapi juga mempersiapkan diri untuk 5% kondisi yang bisa mematikan.

Dalam konteks kebijakan internal perusahaan, ES lebih relevan untuk:

• menentukan cadangan modal,

• menyiapkan likuiditas,

• menetapkan limit portofolio berbasis ketahanan,

• menyusun strategi hedging.

3.4 Improve VaR: adaptasi agar ukuran risiko lebih sesuai realitas

Meskipun ES menawarkan perspektif yang lebih tajam, bukan berarti VaR otomatis ditinggalkan. Faktanya, banyak institusi tetap memakai VaR karena historisnya kuat, sistemnya sudah terbentuk, dan komunikasinya mudah.

Karena itu, muncul berbagai pendekatan perbaikan atau improve VaR. Intinya, improve VaR berusaha memperbaiki kelemahan VaR dengan mengadaptasi model agar lebih akurat menangkap dinamika pasar.

Improve VaR bisa berbentuk:

• pemilihan distribusi yang lebih sesuai dengan data,

• penggunaan volatilitas dinamis,

• teknik simulasi yang lebih realistis,

• pendekatan yang mempertimbangkan ketergantungan antar aset.

Yang menarik, improve VaR pada dasarnya mengakui bahwa satu angka risiko tidak bisa sakral. Ukuran risiko bukan alat “sekali jadi,” tapi harus berkembang mengikuti perubahan karakter pasar.

3.5 Mengapa ukuran risiko harus terus berkembang: pasar berubah lebih cepat daripada model

Kita sering lupa bahwa ukuran risiko lahir dari kebutuhan manusia untuk menyederhanakan realitas.

Namun realitas finansial tidak statis. Pasar berubah karena:

• teknologi (algoritma trading, AI, kecepatan transaksi),

• struktur pelaku (retail trader lebih dominan di beberapa pasar),

• informasi (sentimen viral di media sosial),

• interkoneksi global (kejadian di satu negara memicu domino ke negara lain).

Model risiko yang bagus di satu dekade tertentu bisa menjadi kurang relevan di dekade berikutnya. Inilah alasan kenapa diskusi tentang VaR, improve VaR, dan ES bukan sekadar perdebatan angka, tetapi evolusi cara berpikir.

Kalau VaR adalah simbol “generasi pertama” ukuran risiko kuantil, maka ES dan varian improve VaR adalah simbol bahwa kita sedang bergerak menuju pendekatan yang lebih tahan terhadap kejutan.

4. Studi Kasus Portofolio Modern Bitcoin dan Minyak: Risiko yang Tidak Lagi Berdiri Sendiri

Salah satu kesalahan umum dalam manajemen risiko adalah menganggap aset berdiri sendiri. Padahal dalam praktik, portofolio adalah sistem: aset saling mempengaruhi, saling menutupi, atau justru saling memperburuk.

Diversifikasi sering dianggap obat mujarab. Dalam teori portofolio klasik, menggabungkan aset yang tidak berkorelasi dapat menurunkan risiko total. Ini benar dalam banyak kondisi normal.

Namun pada kondisi ekstrem, korelasi sering berubah.

Aset yang biasanya bergerak terpisah tiba-tiba jatuh bersamaan. Ini sering terjadi saat krisis, ketika kepanikan membuat investor menjual apa pun yang mereka pegang, tanpa peduli kualitas aset.

Di sinilah studi kasus portofolio modern, misalnya kombinasi Bitcoin dan minyak, menjadi contoh menarik untuk membaca realitas risiko hari ini.

4.1 Bitcoin: aset dengan volatilitas tinggi dan karakter “narasi”

Bitcoin sering dilabeli sebagai aset spekulatif. Volatilitasnya tinggi, pergerakannya cepat, dan banyak dipengaruhi oleh sentimen.

Yang membuat Bitcoin unik adalah bahwa harganya tidak hanya dipengaruhi faktor ekonomi “klasik,” tetapi juga narasi:

• berita regulasi,

• dukungan tokoh publik,

• momentum komunitas,

• aliran dana institusional,

• perubahan sikap pasar terhadap risiko (risk-on vs risk-off).

Artinya, distribusi return Bitcoin cenderung memiliki ekor yang tebal. Kejadian ekstrem bukan anomali, tetapi bagian dari identitas aset itu sendiri.

Kalau seseorang memegang Bitcoin dalam portofolio, ia tidak hanya mengambil risiko “fluktuasi biasa,” tetapi juga risiko kejadian mendadak yang bisa membuat harga bergerak sangat tajam dalam waktu singkat.

4.2 Minyak: aset yang “fisik”, geopolitik, dan penuh shock

Minyak di sisi lain adalah komoditas yang sangat dipengaruhi oleh faktor dunia nyata: produksi, konsumsi, konflik geopolitik, hingga keputusan organisasi energi.

Ketika ada perang, embargo, atau perubahan kebijakan produksi, harga minyak dapat melonjak drastis. Sebaliknya, ketika permintaan global turun (misalnya saat resesi), harga minyak bisa tertekan.

Minyak sering dianggap lebih “nyata” dibanding aset digital seperti Bitcoin, karena ia dipakai oleh industri dan transportasi.

Tetapi justru karena keterkaitannya dengan dunia nyata, minyak juga punya risiko ekstrem yang kuat. Ia bisa terkena shock besar, bukan karena psikologi pasar semata, melainkan karena perubahan suplai dan demand yang sangat konkret.

4.3 Portofolio Bitcoin dan Minyak: menguji ketergantungan risiko

Menggabungkan Bitcoin dan minyak menimbulkan pertanyaan menarik:

Apakah keduanya bisa saling menyeimbangkan?

Dalam kondisi normal, mungkin ada periode ketika Bitcoin naik saat minyak turun, atau sebaliknya. Jika demikian, diversifikasi bisa bekerja.

Namun dalam kondisi ekstrem, risiko bisa menjadi lebih “terkait” daripada yang diperkirakan.

Di sinilah konsep ketergantungan (dependence) menjadi penting. Risiko portofolio tidak cukup diukur dengan risiko masing-masing aset. Kita harus melihat bagaimana aset berperilaku ketika pasar mengalami guncangan.

Sederhananya:

• Risiko individual menjelaskan “seberapa liar” tiap aset.

• Risiko ketergantungan menjelaskan “apakah mereka jatuh bersama.”

Dari perspektif manajemen risiko modern, kejadian paling berbahaya bukan hanya saat satu aset jatuh, tetapi saat banyak aset jatuh pada waktu yang sama.

4.4 Dependent Expected Shortfall: melihat sisi paling buruk dari keterkaitan

Di sinilah ukuran seperti Dependent Expected Shortfall menjadi relevan. ES biasa sudah memberi informasi tentang rata-rata kerugian di bagian tail. Tetapi dependent ES membawa gagasan itu lebih jauh: ia mempertimbangkan kerugian tail dengan mempertimbangkan keterkaitan antar variabel risiko.

Pendekatan ini terasa lebih sesuai dengan dunia nyata, karena portofolio modern sering menghadapi risiko sistemik, bukan risiko individual.

Misalnya, jika Bitcoin mengalami crash besar, apakah minyak cenderung ikut terguncang karena sentimen global yang berubah? Atau justru minyak tetap stabil karena faktor demand fisik? Jawabannya tidak bisa dipastikan dengan intuisi; ia perlu dilihat dari data, model ketergantungan, dan pengukuran risiko yang sensitif terhadap kondisi ekstrem.

4.5 Nilai praktis studi kasus ini: risiko modern harus dibaca sebagai jaringan

Studi kasus Bitcoin dan minyak memberi pelajaran sederhana: risiko modern bukan lagi persoalan satu aset, melainkan persoalan jaringan.

Di lapangan, investor dan perusahaan menghadapi realitas bahwa:

• aset bisa berkorelasi lebih tinggi saat krisis,

• volatilitas bisa meledak secara bersamaan,

• instrumen baru seperti kripto membawa pola risiko yang berbeda.

Karena itu, manajemen risiko tidak cukup hanya menghitung VaR satu aset. Ia perlu membaca struktur portofolio secara keseluruhan dan memikirkan skenario tail secara lebih serius.

Jika VaR adalah alat untuk mengetahui “seberapa jauh kita bisa berjalan dengan aman,” maka ES dan dependent ES adalah alat untuk mengetahui “seberapa parah kita akan jatuh jika terpeleset.”

Dalam dunia yang semakin kompleks, ukuran risiko yang peka pada keterkaitan dan kejadian ekstrem bukan sekadar tambahan mewah, tetapi kebutuhan.

5. Implikasi Praktis untuk Industri Keuangan dan Kebijakan Risiko

Kalau dua bagian sebelumnya membahas evolusi ukuran risiko dan contoh portofolio modern, maka bagian ini membawa diskusinya turun ke tanah: apa sebenarnya dampak semua konsep itu bagi industri? Dan yang lebih penting, bagaimana ukuran risiko mempengaruhi keputusan yang nyata—bukan hanya di spreadsheet, tetapi dalam strategi bisnis, regulasi, sampai ketahanan institusi menghadapi krisis.

Sering kali, manajemen risiko dipersepsikan sebagai fungsi “penghambat.” Tim risiko dianggap yang paling sering berkata tidak, yang paling banyak meminta pembatasan, atau yang paling gemar menampilkan skenario pesimis. Padahal, fungsi risiko yang sehat seharusnya bekerja seperti sistem imun: bukan melarang kita bergerak, tetapi memastikan kita tidak tumbang karena satu serangan yang tidak kita antisipasi.

Dalam kerangka ini, statistik dan ukuran risiko bukan sekadar alat hitung, melainkan alat navigasi.

5.1 Bank dan lembaga keuangan: risiko sebagai dasar modal dan ketahanan

Bank adalah contoh paling jelas mengapa ukuran risiko bisa menentukan hidup-matinya institusi. Bank bekerja dengan leverage. Mereka menghimpun dana dari masyarakat lalu menyalurkannya dalam bentuk kredit, investasi, atau produk keuangan lain. Dalam sistem seperti ini, sebuah kerugian besar bisa berbahaya karena langsung menggerus modal.

Dalam praktiknya, bank membutuhkan ukuran risiko untuk:

• menetapkan limit eksposur kredit atau pasar,

• menentukan kebutuhan modal minimum,

• menilai ketahanan portofolio terhadap shock,

• menjaga kepatuhan terhadap regulasi.

Masalah yang sering muncul adalah bank bisa terlihat aman dalam kondisi normal, tetapi ternyata rapuh ketika kondisi berubah ekstrem. Ini yang membuat ukuran seperti VaR sering diperdebatkan. Bukan karena VaR salah total, tetapi karena ia mudah membuat institusi merasa “aman” hanya karena angka batasnya kecil—padahal risiko tail-nya besar.

Di sisi lain, expected shortfall mendorong cara pandang yang lebih konservatif. Ia memaksa institusi memikirkan “kalau hal buruk benar-benar terjadi, seberapa parah dampaknya?” Dalam perspektif manajemen modal, pertanyaan ini jauh lebih penting daripada sekadar “seberapa sering hal buruk terjadi.”

5.2 Asuransi: premi yang adil tidak cukup jika risiko ekstrem tidak dihitung

Di industri asuransi, risiko muncul dalam bentuk klaim. Secara intuitif, klaim adalah “biaya” yang harus dibayar perusahaan ketika kejadian tertentu terjadi: kecelakaan, kematian, sakit, bencana, kebakaran, dan sebagainya.

Asuransi sering dibangun di atas prinsip pooling: mengumpulkan banyak individu dengan probabilitas kejadian yang relatif kecil, lalu membagi beban kerugian melalui premi.

Namun problemnya, risiko dalam dunia nyata tidak selalu stabil.

Ketika ada kejadian ekstrem, klaim bisa melonjak bersamaan. Dalam kasus bencana alam, bukan hanya satu orang yang mengajukan klaim, tetapi ribuan dalam waktu singkat. Dalam kasus pandemi, lonjakan klaim bisa terjadi di banyak lini sekaligus. Dalam kasus gangguan ekonomi, risiko gagal bayar premi pun meningkat.

Kalau perusahaan asuransi hanya mengandalkan ukuran risiko rata-rata, maka mereka rentan “terlihat sehat” tetapi sebenarnya rapuh.

Di sini, ukuran risiko berbasis tail seperti expected shortfall menjadi sangat berguna, karena:

• membantu menghitung kebutuhan cadangan saat skenario ekstrem,

• memetakan risiko agregat klaim yang terjadi bersamaan,

• menilai sensitivitas portofolio polis terhadap perubahan kondisi.

Secara praktis, perusahaan asuransi yang membaca tail risk dengan benar cenderung lebih mampu bertahan, sementara yang meremehkannya sering terkejut ketika dunia nyata tidak sesuai asumsi.

5.3 Manajer investasi: diversifikasi tidak selalu bekerja saat krisis

Manajer investasi sering mengajarkan satu prinsip: diversifikasi. Gabungkan aset berbeda agar risiko menyebar.

Dalam kondisi normal, diversifikasi memang efektif. Tetapi di dunia modern, diversifikasi punya dua musuh utama:

• korelasi yang berubah ketika krisis,

• shock sistemik yang menggerakkan banyak aset dalam arah sama.

Pada masa panic selling, investor tidak peduli apakah sebuah aset “berkualitas” atau tidak; mereka ingin likuiditas. Akibatnya, aset yang biasanya tidak berkorelasi bisa jatuh bersamaan.

Di sinilah manajer investasi membutuhkan pendekatan risiko yang lebih adaptif:

• bukan hanya mengukur risiko rata-rata,

• tetapi mengukur skenario paling buruk,

• dan memperhatikan ketergantungan antar aset.

Jika portofolio mengandung aset volatil seperti kripto, saham growth, atau komoditas, maka risiko tail menjadi semakin penting. Banyak portofolio terlihat menguntungkan ketika pasar tenang, tetapi runtuh karena kejadian ekstrem yang tidak dihitung dengan serius.

5.4 Perusahaan non-keuangan: risiko operasional dan risiko pasar tetap relevan

Menariknya, manajemen risiko kuantitatif tidak hanya relevan untuk lembaga keuangan. Perusahaan di sektor manufaktur, energi, retail, bahkan teknologi pun menghadapi risiko yang bisa dimodelkan secara statistik.

Contoh sederhana:

• perusahaan impor menghadapi risiko nilai tukar,

• perusahaan energi menghadapi risiko harga komoditas,

• perusahaan yang bergantung pada rantai pasok global menghadapi risiko keterlambatan distribusi,

• platform digital menghadapi risiko lonjakan permintaan atau downtime sistem.

Di sini, ukuran risiko berfungsi untuk membantu keputusan strategis:

• kapan harus hedging,

• kapan harus menyimpan cadangan,

• kapan harus melakukan ekspansi,

• kapan harus menunda investasi.

Dengan kata lain, pendekatan statistik membuat risiko lebih “terlihat.” Ia mengubah ketidakpastian menjadi sesuatu yang bisa diukur dan dikelola.

5.5 Dampak kebijakan: ketika ukuran risiko mempengaruhi perilaku sistem

Satu hal yang sering terlupakan adalah ukuran risiko bukan hanya alat ukur, tetapi juga alat yang membentuk perilaku.

Ketika perusahaan memakai VaR sebagai limit, maka mereka akan cenderung menyusun portofolio yang “terlihat aman” di bawah VaR. Tapi jika VaR tidak cukup menangkap tail risk, maka portofolio bisa mengandung bom waktu.

Ketika perusahaan memakai expected shortfall, mereka dipaksa berpikir lebih jauh tentang skenario ekstrem. Ini bisa mendorong perilaku yang lebih prudent, tetapi juga bisa mengurangi agresivitas mengambil peluang.

Dalam praktik, ini menciptakan trade-off yang nyata:

• terlalu longgar: keuntungan jangka pendek naik, tetapi risiko kehancuran meningkat,

• terlalu ketat: institusi aman, tetapi peluang profit bisa hilang.

Karena itu, manajemen risiko yang matang tidak hanya memilih ukuran risiko tertentu, tetapi juga menyeimbangkan kebutuhan bisnis, daya tahan modal, dan karakter pasar.

6. Kesimpulan dan Rekomendasi Strategis untuk Manajemen Risiko Modern

Jika kita tarik garis besar dari seluruh pembahasan, maka pesan utamanya jelas: risiko tidak bisa lagi dipahami sebagai sesuatu yang “dirasakan,” tetapi harus dilihat sebagai sesuatu yang dapat didefinisikan, dipetakan, dan diuji.

Risiko adalah variabel acak. Ia punya distribusi. Dan distribusi itu membawa informasi penting yang sering luput jika kita hanya melihat rata-rata.

Di dunia finansial modern, pendekatan manajemen risiko yang terlalu sederhana sering jatuh pada dua jebakan:

• merasa aman karena kondisi normal terlihat stabil,

• mengabaikan tail risk yang jarang terjadi namun menghancurkan.

Dari sini kita bisa melihat mengapa ukuran risiko berkembang dari rerata dan deviasi standar, menuju VaR, lalu bergerak lagi ke expected shortfall serta pendekatan yang mempertimbangkan ketergantungan antar aset.

Kesimpulannya bukan bahwa VaR harus dibuang. Kesimpulannya adalah VaR harus ditempatkan pada konteks yang tepat, dipadukan dengan ukuran lain, dan selalu diuji akurasinya.

6.1 Rekomendasi strategis: mengukur risiko dengan cara yang “jujur”

Ukuran risiko yang baik bukan yang paling indah secara matematis, tetapi yang paling jujur terhadap realitas.

Karena itu, institusi yang ingin membangun sistem manajemen risiko modern perlu:

1. Memastikan definisi risiko sesuai konteks
   Risiko investasi berbeda dengan risiko klaim asuransi. Risiko nilai tukar berbeda dengan risiko likuiditas. Semakin tepat definisinya, semakin tepat ukuran yang dipakai.

2. Tidak berhenti pada ukuran “normal”
   Deviasi standar cocok untuk menggambarkan fluktuasi umum, tetapi tidak selalu cocok untuk menggambarkan kerugian ekstrem. Untuk aset dengan fat tails seperti kripto atau komoditas, ukuran berbasis tail harus menjadi prioritas.

3. Menggunakan kombinasi ukuran risiko, bukan satu angka tunggal
   Satu angka risiko mudah dikomunikasikan, tetapi dunia nyata terlalu kompleks untuk ditangkap oleh satu angka. Kombinasi VaR dan ES, misalnya, sering lebih informatif.

4. Memperhitungkan ketergantungan antar aset
   Portofolio adalah sistem, bukan kumpulan aset yang berdiri sendiri. Ketika shock terjadi, hubungan antar aset bisa berubah drastis. Karena itu, pendekatan yang mempertimbangkan dependence lebih relevan.

5. Menjadikan stress test sebagai rutinitas
   Mengukur risiko tidak cukup di kondisi normal. Institusi perlu secara rutin menjalankan skenario ekstrem: krisis global, shock geopolitik, lonjakan volatilitas, atau crash likuiditas.

6.2 Penutup: risiko bukan untuk ditakuti, tapi untuk dipahami

Banyak orang takut pada risiko karena mereka tidak bisa melihat bentuknya. Manajemen risiko kuantitatif pada dasarnya adalah usaha untuk “menghidupkan” risiko sebagai sesuatu yang dapat dibaca.

Dengan statistika, risiko menjadi tidak lagi sekadar cerita. Ia menjadi angka, pola, dan probabilitas yang bisa diuji.

Namun pada akhirnya, manajemen risiko bukan tentang membuat dunia tanpa ketidakpastian. Dunia memang tidak pasti. Yang bisa kita lakukan adalah memperbaiki cara kita membuat keputusan di dalam ketidakpastian itu.

Dan dalam ekonomi yang semakin cepat, semakin kompleks, dan semakin terhubung, kemampuan membaca risiko dengan tepat akan menjadi pembeda besar antara institusi yang tumbuh dan institusi yang tumbang.

Daftar Pustaka

Syuhada, K. I. A. (2025). Manajemen risiko kuantitatif: Peran statistika dalam mengukur dan mengelola risiko. Orasi Ilmiah Guru Besar, Institut Teknologi Bandung.