Analisis Time Series Dan Forecastig Data Keuangan
A. 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%
|
13%
|
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).
Dalam analisis time series, ada tiga macam pendekatan
yang bisa dilakukan, antara lain:
1. Pendekatan
Ekonomi
2. Pendekatan
statistik
3. Pendekatan
visual
B. 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 fluktuasi bisnis dalam jangka yang lebih pendek 2 – 10 th. Belum ada
penjelasan yang memuaskan terhadap timbulnya fluktuasi siklus. 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.
1.
Mengukur Pengaruh
Trend
Trend suatu data bisa dilihat dengan
cara:
a.
Menggambar
dengan tangan
Penggambaran
secara langsung bisa dilakukan dengan menarik garis lurus di sekitar data-data
yang ada. Cara semacam ini sangat
praktis dan sederhana, tetapi mempunyai kelemahan karena konsistensi cara
semacam itu sangat kurang. Cara semacam ini menimbulkan masalah apabila teknik
kuantitatif akan digunakan untuk analisis lebih lanjut.
b.
Menggunakan
model matematika (metode least square)
Dengan menggunakan metode matematik, garis tren bisa
dibuat dengan metode least square.
Yt = a + b X
A dan b dihitung dengan cara sebagai berikut:
a = E(Y) – b E(X)
b = ∑XY - n ∑(X) ∑(Y) / ∑X² - n ∑(X)²
2. 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.
3. Analisis Siklus
Fluktuasi siklus bisnis muncul dalam jangka waktu menengah 2 – 10 tahun.
Pengaruh siklus dapat dilihat dengan persentase trend yang dirumuskan sbb:
% tren = (Y/Yt) x 100
4. 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
|
||
C. Metode-Metode Peramalan
Univariate
|
Multivariate
|
|
Mekanis
|
Model rata-rata bergerak
Model box-jenkins univariat
|
Model regresi
Model fungsi transfer box-jenkins
|
Non-mekanis
|
Pendekatan visual
|
Pendekatan analis sekuritas
|
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
Ada
beberapa pendekatan daalam forecasting
:
a) Mekanis versus
non-mekanis
Contoh pendekatan mekanis
adalah penggunaan statistik,sedangkan penggunaan non-mekanis adalah penggunaan
tren dengan tangan.
b) Univerate versus Multivariate
Contoh peramalan dengan
model univariate adalah penggunaan
penghalusan eksponensial,sedangkan contoh peramalan model multivariate adalah regresi berganda atau pendekatan ekonometri.
Daftar
Pustaka:
http://annisaarumartaarfan.blogspot.com/2013/10/analisis-times-series-dan-forecasting.html
Halim Abdul, dan
Mamduh. (2009). “Analisis Laporan
Keuangan”. Edisi Keempat. Yogyakarta: Sekolah Tinggi Ilmu Manajemen YKPN
