ANALISIS
TIME SERIES DAN FORECASTING DATA KEUANGAN
1.
ANALISIS
TIME SERIES
Dalam analisis data keuangan, analisis terhadap data historis diperlukan untuk
melihat tren-tren yang mungkin timbul. Kemudian kita bisa menganalisis apa yang
terjadi dibalik tren-tren angka tersebut. Data historis perusahaan sebaiknya
juga dibandingkan dengan data historis industri untuk melihat apakah tren suatu
perusahaan begerak relatif lebih baik terhadap tren industri.
|
Tahun
|
ROA
PT
A
|
ROA Industri
|
||
|
2003
|
10%
|
9%
|
||
|
2004
|
12%
|
11%
|
||
|
2005
|
13%
|
12%
|
||
|
2006
|
17%
|
19%
|
||
|
2007
|
15%
|
14%
|
||
|
2008
|
14%
|
1`3%
|
||
|
2009
|
13,50%
|
12,50%
|
||
|
Perbandingan
ROA PT A dengan ROA Industri
|
||||
Dalam analisis times series perubahan-perubahan struktural yang akan
berpengaruh terhadap angka-angka keuangan harus diperhatikan.
Perubahan-perubahan struktural terdiri:
1. Peraturan
pemerintah
2. Perubahan
kompetisi
3. Perubahan
tehnologi
4. Akuisi dan
merger (penggabungan perusahaan).
TIME SERIES INDEKS - Teknik ini bisa menggunakan angka
indeks bisa juga angka-angka yang ada dalam laporan keuangan disusun dan
disajikan dalam rentang waktu berseri misalnya 5 atau 10 tahun. Jika laporan
ini dikonvensi menjadi angka indeks maka menjadi laporan indeks berseri. Semua
laporan keuangan yang dibandingkan secara berseri dikonvensikan ke indeks.
Untuk menentukan indeks ini maka menentukan tahun dasar. Tahun dasar ini
dipilih menurut kriteria tertentumisalnya dipilih tahun pendirian sebagai tahun
dasar atau tahun tertentu yang bisa dijadikan sebagai suatu moment penting agar
kita lebih mudah dan lebih cepat melakukan perbandingan dengan indeks tahun
lainnya.
ANALISA TREND - Analisa trend ini bertujuan untuk
mengetahui tendensi atau kecenderungan keadaan keuangan suatu perusahaan di
masa yang akan datang baik kecenderungan naik, turun, maupun tetap. Teknik
analisa ini biasanya dipergunakan untuk menganal`isa laporan keuangan yang
meliputi minimal 3 periode atau lebih. Analisa ini dimaksudkan untuk mengetahui
perkembangan perusahaan melalui rentang perjalanan waktu yang sudah lalu dan
memproyeksi situasi masa itu ke masa yang berikutnya. Berdasarkan dat ahistoris
itu, dicoba melihat kecenderungan yang mungkin akan muncul di masa yang akan
datang.
Analisa trend ini bermanfaat untuk menilai situasi
“trend” perusahaan yang telah lalu serta dapat memprediksi “trend” perusahaan
di masa yang akan datang berdasarkan garis trend yang sudah terjadi itu.
Untuk melakukan analisa trend series berindeks (untuk
hal-hal tertentu bisa dipakai dalam teknis trend) ini maka dapat melakukannnya
melalui :
1.
Metode statistik dengan cara menghitung garis trend dari laporan keuangan
beberapa periode.
2.
Menggunakan angka indeks
Dalam bab ini kita menggunakan metode angka indeks.
Langkah-langkah untuk melakukan analisa trend berindeks ini adalah sebagai
berikut :
1.
Menentukan tahun dasar. Tahun dasar ini ditentukan dengan melihat arti suatu
tahun bisa tahun pendirian, tahun perubahan, atau reorganisasi, dan tahun
bersejarah lainnya. Pos-pos laporan keuangan tahun dasar dicatat sebagai indeks
100.
2.
Menghitung angka indeks tahun-tahun lainnya dengan menggunakan angka pos
laporan keuangan tahun dasar sebagai penyebut.
3.
Memprediksi kecenderungan yang mungkin bakal terjadi berdasarkan arah dan
kecenderungan historis pos laporan keuangan yang dianalisa.
4.
Mengambil keputusan mengenai hal-hal yang harus dilakukan untuk mengantisipasi
kecenderungan itu.
Data
penjualan PT A & PT B
|
Tahun
|
Penjualan
|
Gabungan
|
|
|
PT A
|
PT B
|
||
|
2004
|
Rp.
9.000.000.000
|
Rp.5.000.000.000
|
Rp.14.000.000.000
|
|
2005
|
Rp.10.000.000.000
|
Rp.6.000.000.000
|
Rp.16.000.000.000
|
|
2006
|
Rp.12.000.000.000
|
Rp.7.000.000.000
|
Rp.19.000.000.000
|
|
2007
|
Rp.21.000.000.000
|
-
|
Rp.21.000.000.000
|
|
2008
|
Rp.23.000.000.000
|
-
|
Rp.23.000.000.000
|
|
2009
|
Rp.24.000.000.000
|
-
|
Rp.24.000.000.000
|
2.
ANALISIS
DATA KEUANGAN
Data
penjualan mencerminkan empat macam faktor:
1.
Trend
Trend merupakan pergerakan time-series dalam jangka
panjang, bisa merupakan trend naik atau turun. Diperlukan waktu 15 – 20 th
untuk melihat pola tren tsb. Tren tsb bisa dipengaruhi oleh perubahan jumlah
penduduk, perubahan tehnologi dll.
2.
Siklus
Siklus merupakan
situasi bisnis dalam jangka yang lebih pendek (sekitar 2-10 tahun). Belum ada
penjelasan yang memuaskan terhadap penyebab timbulnya fluktuasi siklus semacam
ini. Lamanya dan besarnya fluktuasi juga sangat beragam dari perusahaan ke perusahaan dan
dari industri ke industri.
3.
Musiman
Musiman
merupakan fluktuasi yang terjadi dalam lingkup satu tahun. Ada beberapa
penyebab timbulnya fluktuasi musiman, misalnya karena peristiwa tertentu
(lebaran, tahun baru), karena cuaca ( musim hujan, kemarau).
4.
Ketidakteraturan
Fluktuasi
semacam ini disebabkan karena faktor-faktor yang munculnya tidak teratur, dalam
jangka waktu pendek. Misalnya gudang perusahaan terbakar, akibatnya keuntungan
perusahaan pada periode itu terpengaruh.
3.
MENGUKUR
PENGARUH TREND
Trend suatu
data bisa dilihat dengan cara:
1.
Menggambar dengan tangan
2.
Menggunakan model matematika
Yt =
a + b X
a = E ( Y ) – b E ( X )
 |
 |
`
∑ XY – n ∑ ( X ) ∑ ( Y )
b =
=
∑
X2 – n ∑ ( X )2
|
Perhitungan
trend
|
||||||
|
TH
|
X
|
PENJ (Y)
|
XY
|
X2
|
TREND (Yt*)
|
Y/Yt*100
(% trend)
|
|
2000
|
1
|
8.000.000
|
8.000.000
|
1
|
7.932.888,9
|
100,85
|
|
2001
|
2
|
8.050.000
|
16.100.000
|
4
|
8.011.472,2
|
100,48
|
|
2002
|
3
|
8.110.000
|
24.330.000
|
9
|
8.090.055,6
|
100,25
|
|
2003
|
4
|
8.140.000
|
32.560.000
|
16
|
8.168.638,9
|
99,65
|
|
2004
|
5
|
8.200.000
|
41.000.000
|
25
|
8.247.222,2
|
99,43
|
|
2005
|
6
|
8.225.000
|
49.350.000
|
36
|
8.325.805,6
|
98,79
|
|
2006
|
7
|
8.300.000
|
58.100.000
|
49
|
8.404.388,9
|
98,76
|
|
2007
|
8
|
8.400.000
|
67.200.000
|
64
|
8.482.972,2
|
99,02
|
|
2008
|
9
|
8.800.000
|
79.200.000
|
81
|
8.561.555,5
|
102,79
|
|
JML
|
45
|
74.225.000
|
375.840.000
|
285
|
||
|
Rata-rata
|
5
|
8.247.222,22
|
||||
375.840.000
- 9(5) (8.247.222,22) 4.715.000,10
b = = = 78.583,33
285 – 9 (5)2 60
a =
8.247.222,22 - 78.583,33 (5) = 7.854.305,57
a = 8.247.222,22
- 78.583,33 (5) = 7.854.305,57
|
Yt =
7.854.305,57 + 78.583,33 Xt
|
TREND
SEBAGAI PROYEKSI MASA DEPAN
Untuk memakai persamaan trend sebagai proyeksi masa depan, seorang analis harus
hati-hati terhadap asumsi yang digunakan. Trend garis lurus mengasumsikan
perkembangan yang konstan untuk masa-masa yang akan mendatang. Padahal beberapa
situasi, penjualan tumbuh merambat pada periode berikutnya. Mis suatu produk
baru diluncurkan, pertumbuhan pada awal periode akan sangat cepat. Kemudian
memasuki tahap kedewasaan, pertumbuhan tsb akan semakin melambat.
ANALISIS
SIKLUS
Fluktuasi siklus bisnis muncul dalam jangka waktu menengah 2 – 10 tahun.
Pengaruh siklus dapat dilihat dengan persentase trend yang dirumuskan sbb:
Y
% trend = --------
x 100
Y t
ANALISIS
MUSIMAN
Analisis musiman akan bermanfaat pada beberapa
situasi. Pertama apabila analis ingin melihat pengaruh musiman dan memanfaatkan
informasi tsb untuk tujuan ttt. PT A mempunyai anggaran penjualan th 2009
sebesar Rp.1.000.000.000 (per triwulan Rp.250.000.000) dan mempunyai indeks
musiman:`
Triwulan I : 0,99
Triwulan II : 1,01
Triwulan III : 0,90
Triwulan IV : 1,10
|
Triwulan
(1)
|
Indeks musiman
(2)
|
Anggaran Penjualan
(3)
|
Anggaran penjualan dengan pengaruh musiman
(4)=(2)x(3)
|
|
I
|
0,99
|
Rp.250.000.000
|
Rp. 247.500.000
|
|
II
|
1,01
|
Rp.250.000.000
|
Rp. 252.500.000
|
|
III
|
0,90
|
Rp.250.000.000
|
Rp. 225.000.000
|
|
IV
|
1,10
|
Rp.250.000.000
|
Rp. 275.000.000
|
|
Total anggaran penjualan
|
Rp.1.000.000.000
|
||
Kedua,
apabila analis ingin menghilangkan pengaruh musiman untuk melihat pengaruh
trend siklus dan ketidakteraturan secara lebih jelas.
|
Triwulan
(1)
|
Indeks musiman
(2)
|
Anggaran Penjualan dengan pengaruh musiman
(3)
|
Anggaran penjualan tanpa pengaruh musiman
(4)=(3)/(2)
|
|
I
|
0,99
|
Rp. 247.500.000
|
Rp.250.000.000
|
|
II
|
1,01
|
Rp. 252.500.000
|
Rp.250.000.000
|
|
III
|
0,90
|
Rp. 225.000.000
|
Rp.250.000.000
|
|
IV
|
1,10
|
Rp. 275.000.000
|
Rp.250.000.000
|
|
Total anggaran penjualan
|
Rp.1.000.000.000
|
||
METODE-METODE PERAMALAN
Metode-metode peramalan sebagai berikut:
Ada 2 metode: mekanis dan non mekanis:
1.
Metode mekanis
Menggunakan teknik-teknik yang lebih objektif
seperti statistik misal menggunakan model regresi (regresi sederhana
/univariate maupun regrese berganda/multivariate)
2.
Metode non mekanis
Menggunakan teknik yang bersifat subjektif
dengan menggabungkan banyak pertimbangan untuk menentukan garis tren yang
dibuat dengan tangan (pendekatan visual untuk univariate) dan pendekatan analis
sekuritas (multivariate). (pertimbangan
bisa dari faktor industri, ekonomi, pasar dll)
Model-model tersebut bukan saling menggantikan, tetapi
saling melengkapi. Pendekatan mekanis pada dasarnya menggunakan teknik-teknik
yang lebih obyektif seperti statistik, dan cara tersebut menggunakan model yang
sama untuk setiap forecast. Salah satu contoh cara mekanis teresebut
adalah model regresi. Dengan cara non-mekanis, teknik yang digunakan relatif
lebih bebas. Tidak terdapat hubungan yang pasti dan tetap antara data yang
dianalisis dengan peramalan yang dibuat. Sebagai contoh, seorang analis bisa
menggabungkan banyak pertimbangan untuk menentukan garis trend yang
dibuat dengan tangan. Faktor-faktor yang dipertimbangkan bisa diambil dari
faktor industri, pasar, kondisi ekonomi dan lainnya.
Dalam pendekatan univariate, hanya satu variabel
yang dilihat ketika analis melakukan perkiraan. Contoh pendekatan semacam ini
yang mekanis adalah perkiraan dengan cara penghalusan eksponensial atau model
rata-rata bergerak tertimbang. Dalam pendekatan multivariate, beberapa
variabel dan interaksi antar variabel-variabel tersebut dipertimbangkan dalam
perkiraan data. Contoh model multivariate mekanis adalah model regresi
berganda yang menggunakan beberapa variabel, model ekonometris yang
memperhitungkan hubungan secara simultan persamaan-persamaan dalam suatu
sistem. Contoh pendekatan multivariate non-mekanis adalah analisis yang
digunakan oleh analisis keuangan. Analisis tersebut mempertimbangkan banyak
faktor yang diperkirakan mempunyai pengaruh terhadap data yang dianalisis baik
secara kuantitatif maupun kualitatif, kemudian menentukan angka perkiraan. ````
Model
Penghalusan Eksponensial
Kelebihannya
karena kesederhanaannya dan data yang dibutuhkan tidak banyak.
F t = W A t – 1 + (1 – W) F t
– 1
F t =
forecast untuk periode t
A t – 1 = data sesungguhnya
pada periode t – 1
F t – 1 = forecast
pada periode t – 1
W = konstanta
dengan nilai antara 0 – 1
Forecast
baru = W ( data sesungguhnya saat ini ) + (1 – w) (forecast saat ini)
Atau
F t
= A t – 1 + (1-W) (F t – 1 – A t –
1)
F 2009 =
W A 2008 + (1 – W) F 2008
PERBANDINGAN MODEL-MODEL FORECAST
Kelebihan dan kelemahan alternatif model-model
forecast bisa dilihat berikut ini untuk analisis univariate mekanis dan
pendekatan analis sekuritas.
Pendekatan Analis Sekuritas (Multivariate) untuk
Forecasting, yaitu :
1. Kelebihan-Kelebihannya, antara lain :
a. Mampu menyesuaikan terhadap
informasi dari berbagai sumber
b. Mampu menyesuaikan terhadap
perubahan structural secara cepat
c. Mampu memperbaharui secara
kontinu apabila ada informasi baru masuk
2. Kelemahan-Kelemahannya, antara lain :
a. Biaya
yang cukup tinggi untuk persiapan dan pelaksanaan,untuk monitoring beberapa variable dan biaya-biaya lainnya.
b. Ketergantungan yang tinggi
terhadap kemampuan individu analisnya
c. Seorang
analisnya barangkali mempunyai insentif untuk tidak menampilkan for ecast yang
tidak bias (misalnya;karena tekanan agar sesuai dengan consensus forecast)
d. Analis barangkali bisa di manfaatkan oleh perusahaan-perusahaan tertentu
untuk kepentingan perusahaan tersebut Ø
Pendekatan
Univariate Mekanis untuk Forecasting, yaitu :
1. Kelebihan-Kelebihannya, antara lain :
a. Kemampuan untuk mendeteksi dan
memanfaatkan pola tertentu pada data masa lalu
b. Tingkat subyektivitas yang
rendah, terutama apabila metode statistic digunakan
c. Biaya yang relative lebih rendah
d. Mudah diperbaharui
e. Kemampuan menganalisis lebih
lanjut dengan menggunakan metode statistic
2. Kelemahan-Kelemahannya, antara lain :
a. Jumlah observasi yang terbatas
pada situasi tertentu
b. Laporan
keuangan barangkali tidak memenuhi asumsi-asumsi yang diperlukan dalam analisis
statistic
c. Sulit
mengkomunikasikan hasil analisis kepada luar,terutama dalam hal metodologinya.
Secara umum
Forecast yang diberikan oleh analis keuangan biasanya lebih akurat di
bandingkan dengan Forecast dengan menggunakan Model Analisis Time-Series.
Hal ini dise
babkan karena beberapa alasannya,meliputi :
Analis mempunyai akses terhadap informasi terbaru.Informasi
terbaru tersebut bisa dipakai untuk memperbaiki Forecast mereka. Analis
mempunyai akses terhadap informasi yang lebih luas,seperti:Forecast
perekonomian , struktur industry, kejadian-kejadian lain yang relevan.
Sedangkan analisis Time-Series ha nya memfokuskan pada perilaku data tunggal
pada masa lalu. Secara umum Model Forecast Multi Variate biasanya lebih akurat
dibandingkan den gan Model Forecast Univariate.Hal ini bisa di mengerti karena
Analisis Multi Variate melib at kan lebih banyak factor yang mempengaruhi suatu
Variabel. Cara lain untuk meningkatkan akurasi Forecast adalah dengan
menggabungkan beber apa Forecast Individual.Kesalahan-Kesalahan (Error) setiap
Forecast individual akan cende rung saling menghilangkan dan rata-rata nilai
Forecast akan menampilkan Forecast yang di ukur dengan rata-rata % error
kuadrat
Referensi:
Hanafi, Mamduh,Abdul Halim(2003),Analisis Laporan Keuangan,Yogyakarta:UPP-AMP YKPN.
