Anda di halaman 1dari 30

MAKALAH

ANALISIS TIME SERIES FORECASTING DATA KEUANGAN

KELOMPOK 4

1. SITTI RAHMI USA (15 320 072) 6. MEGA ROSTIKA (15 320 067)

2. YULFA ANDRIANI ALIMIN (15 320 012) 7. HAWIRUN (15 320 004)

3. SUSAN PURNAMA (15 320 018) 8. KARDILA (14 320 046)

4. LISNAWATI (15 320 040) 9.RISMAWATI BASTU (14 320 006)

5. ACANI (15 320 061)

PROGRAM STUDI EKONOM

FAKULTAS AKUNTANSI

UNIVERSITAS DAYANU IKHSANUDDIN

BAUBAU

2017
KATA PENGANTAR

Puji dan puji syukur penulis panjatkan kepada Allah SWT, karena atas rahmat,
hidayah, dan inayah-Nya sehingga penulis dapat menyelesaikan tugas makalah Analisis
Laporan Keuangan ini sesuai dengan batas waktu yang telah ditentukan. Tak lupa pula,
penulis kirimkan salam dan salawat kepada junjungan kita semua, Rasulullah
Muhammad SAW, keluarga, dan seluruh sahabatnya.

Makalah Analisis Laporan Keuangan yang telah kami buat berjudul “Analisis
Time Series”. Makalah ini dapat hadir seperti sekarang ini tak lepas dari bantuan banyak
pihak. Untuk itu sudah sepantasnyalah kami mengucapkan rasa terima kasih yang
sebesar-besar buat mereka yang telah berjasa membantu penulis selama proses
pembuatan makalah ini dari awal hingga akhir.

Namun, kami menyadari bahwa makalah ini masih terdapat hal-hal yang belum
sempurna dan luput dari perhatian penulis. Baik itu dari bahasa yang digunakan maupun
dari teknik penyajiannya. Oleh karena itu, dengan segala kekurangan dan kerendahan
hati, kami sangat mengharapkan kritik dan saran dari para pembaca sekalian demi
perbaikan makalah ini kedepannya.

Akhirnya, besar harapan penulis agar kehadiran makalah ini dapat memberikan
manfaat yang berarti untuk para pembaca. Dan yang terpenting adalah semoga dapat
turut serta memajukan ilmu pengetahuan.

Baubau, 30 Desember 2017

Penulis

ii
DAFTAR ISI

HALAMAN SAMPUL .................................................................................i

KATA PENGANTAR ................................................................................ ii

DAFTAR ISI .............................................................................................. iii

DAFTAR TABEL .......................................................................................iv

DAFTAR GAMBAR ...................................................................................v

BAB I PENDAHULUAN .............................................................................1

1.1 Latar Belakang ................................................................................1

1.2 Rumusan Masalah ...........................................................................2

1.3 Tujuan Penelitian ............................................................................2

1.4 Manfaat Penelitian ..........................................................................2

BAB II PEMBAHASAN ..............................................................................3

2.1 Analisis Time Series .......................................................................3

2.2 Analisis Data Keuangan..................................................................8

2.3 Metode-Metode Peramalan ...........................................................18

BAB III PENUTUP ....................................................................................24

3.1. Kesimpulan ..................................................................................24

DAFTAR PUSTAKA

iii
DAFTAR TABEL

Tabel 1 ROA Hipotesis Untuk Perusahaan dan Industri............................. 3

Tabel 2 Data Penjualan PT ABC dan PT XYZ ............................................. 5

Tabel 3 Perhitungan Tren ............................................................................ 11

Tabel 4 Data Deseasonalized ......................................................................15

Tabel 5 Data Penjualan dan Perhitungan Indeks Musiman.........................16

Tabel 6 Perhitungan Rata-Rata Indeks Musiman ........................................ 17

Tabel 7 Metode-Metode Peramalan ............................................................ 18

iv
DAFTAR GAMBAR

Gambar 1 Grafik ROA Perusahaan dan Industri ............................................4

Gambar 2 Grafik Penjualan ............................................................................7

Gambar 3 Komponen Time Series..................................................................8

Gambar 4 Data Tren dan Data Sesunnguhnya..............................................12

Gambar 5 Pertumbuhan Nonlinear ...............................................................12

Gambar 6 Grafik Siklus Penjualan ...............................................................14

Gambar 7 Data Asli dan Data Rata-Rata bergerak.......................................17

Gambar 8 Data Musiman............................................................................. 18

Gambar 9 Data dengan Faktor Musiman Dihilangkan ................................ 18

v
BAB I

PENDAHULUAN

1.1 Latar Belakang

Salah satu tujuan dari analisa Laporan Keuangan suatu perusahaan adalah untuk
membuat estimasi/penelitian tentang laba, hasil penjaualan perusahaan di masa
mendatang dan lain-lain aspek finansial perusahaan atau secara umum dapat dikatakan
sebagai usaha untuk memproyeksikan ratio-ratio finansialnya yang bertujuan untuk
melihat keadaan suatu perusahaan yang berguna dalam pengambilan keputusan.
Berbagai alat analisa telah dikembangan dalam kaitannya dengan tujuan tersebut dan
untuk mempermudah proses dalam menganalisa.

Analisis semacam itu mengharuskan seorang analisis untuk melakukan beberapa


hal, yakni dengan menentukan dengan jelas tujuan analisis, kemudian memahami
konsep-konsep dan prinsip-prinsip yang mendasari laporan-laporan keuangan dan rasio-
rasio keuangan yang diturunkan dari laporan keuangan tersebut, serta memahami
kondisi perekonomian dan kondisi bisnis lain pada umumnya yang berkaitan dengan
perusahaan dan mempengaruhi usaha perusahaan.

Analisis Time series atau Analisa runtun waktu atau deret berkala adalah analisa
yang digunakan untuk mengetahui tren-tren yang timbul, dengan cara menganalisis data
historis atau serangkaian pengamatan terhadap peristiwa, kejadian atau variabel yang
diambil dari waktu ke waktu, dicatat secara teliti menurut urut-urutan waktu terjadinya,
kemudian disusun sebagai data statistik.

Oleh karena itu, dalam makalah ini penulis akan menjelaskan mengenai Analisis
Time Series dalam perbandingan dengan perusahaan atau industri yang sejenis dengan
data keuangan dalam beberapa periode yang telah lalu.

1
1.2 Rumusan Masalah

Berdasarkan latar belakang diatas, penulis merumuskan rumusan masalah


sebagai berikut :

1) Bagaimanakah penerapan Analisis Time Series pada perusahaan dan industri?


2) Apa saja faktor analisis data keuangan yang terdapat dalam time series?
3) Apa saja metode-metode peramalan yang dibahas dalam analisis time series?

1.3 Tujuan Penulisan

1) Menjelaskan apa saja penerapan Analisis Time Series pada perusahaan dan
Industri?
2) Menjelaskan faktor-faktor yang terdapat dalam analisis data keuangan pada time
series.
3) Menjelaskan metode-metode peramalan dalam analisis time series?

1.4 Manfaat Penulisan

Makalah ini dibuat dengan tujuan agar menambah ilmu dan wawasan bagi para
pembaca serta penulis sendiri mengenai Analisis Time Series dan diharapkan dapat
bermanfaat dikemudian hari.

2
BAB II

PEMBAHASAN

2.1 Analisis Time Series

Analisis time-series adalah membandingkan secara antar waktu atau antar


periode, dengan tujuan itu nantinya akan terlihat dalam bentuk angka-angka dan juga
secara grafik. Sedangkan menurut Lukas Setia Atmaja “Suatu rangkaian atau seri dari
nilai-nilai suatu variabel yang dicatat dalam jangka waktu yang berurutan disebut time-
series atau deret berkala”. Lebih jauh Lukas Setia Atmaja mengatakan bahwa “Time
Series” di analisis untuk mendapatkan pengukuran-pengukuran yang dapat digunakan
untuk membuat keputusan, dan merencanakan operasi di waktu mendatang”.

Dalam analisis keuangan, analisis terhadap data historis diperlukan untuk


melihat tren-tren yang mungkin timbul. Kemudian kita bisa mengalisis apa yang terjadi
dibalik tren-tren angka tersebut. Data historis perusahaan sebaiknya juga dibandingkan
dengan data historis industri untuk melihat apakah tren suatu perusahaan bergerak
relatif lebih baik terhadap tren industri. Misalkan diketahui data ROA suatu perusahaan
dan data ROA industri sebagai berikut ini :

Tabel 1 ROA Hipotesis Untuk Perusahaan dan Industri

Tahun ROA Perusahaan ROA Industri


2007 20,2% 16,0%
2008 21,1% 18,5%
2009 23,5% 21,1%
2010 24,5% 22,0%
2011 22,4% 25,0%
2012 23,6% 21,5%
2013 24,4% 23,1%
2014 25,1% 24,7%
2015 25,0% 24,8%

3
Data-data tersebut kemudian biasa diplot ke dalam suatu grafik berikut ini.

Gambar 1 Grafik ROA Perusahaan dan Industri

Dari grafik diatas nampak bahwa tren ROA perusahaan mengalami kenaikan
dari tahun ke tahun. Demikian juga halnya dengan ROA industri. Dari analisis tren
diatas nampak juga bahwa kenaikan ROA industri lebih cepat dibandingkan dengan
ROA perusahaan. meskipun pada tahun 2015 ROA perusahaan masih leboh tinggi
dibandingkan ROA industri, tetapi pada masa mendatang ROA perusahaan
kemungkinan akan dibawah ROA industri. Tentunya tren semacam ini bukan
merupakan tren yang menguntungkan buat perusahaan. kejadian semacam itu bisa
terjadi apabila industri tumbuh lebih pesat, tetapi perusahaan mengalami penurunan
markel share. Barangkali karena industri tersebut sedang tumbuh, banyak pesaing-
pesaing baru masuk dan mengurangi pangsa pasar yang dipunyai perusahaan.
manajemen tentunya harus melakukan perubahan-perubahan yang perlu untuk
mengatasi permasalahan tersebut. Analisis tren semacam itu bisa dilakukan untuk setiap
rasio atau angka keuangan dan dibandingkan dengan tren dalam industri.

Dalam analisis time series, seperti tren di atas, perubahan-perubahan struktural


yang akan berpengaruh terhadap angka-angka keuangan harus di perhatikan. Berikut ini
beberap contoh perubahan sruktural yang akan mempengaruhi tren keuangan suatu
perusahaan :

(1) Peraturan Pemerintah


(2) Perubahan Kompetisi

4
(3) Perubahan Teknologi
(4) Akuisisi dan merger (penggabungan perusahaan)

Jika ada perunahan semacam itu, seorang analis mempunyai beberapa alternatif
analisis. Misalkan menganalisis industri perbankan dan ia tahu ada deregulasi
perbankan sekitar tahun 2014, anlis bisa membagi periode anlisis ke dalam dua periode
yaitu periode sebelum dan sesudah deregulasi. Kemudian analis menggunakan data-data
sesudah tahun 2014 untuk memproyeksikan kondisi keuangan pada masa mendatang.
Sebaliknya, misalkan analisis mengasumsikan bahwa deregulasi semacam itu
merupakan hal yang biasa dalam bisnis perbankan, seorang analis bisa menggunakan
data-data untuk semua periode (periode sebelum dan sesudah deregulasi) untuk
memproyeksikan kondisi keuangan perusahaan pada masa mendatang. Tetapi kalau
deregulasi semacam di atas merupakan kebijakan yang jarang dan merupakan kejdian
yang luar biasa, pembagian periode analisis ke dalam dua periode, yaitu sebelum dan
sesudah deregulasi, merupakan cara yang lebih realistis.

Misalkan perusahaan ABC melakukan akuisisi terhadap perusahaan XYZ, dan


data-data penjualan sebelum dan sesudah akuisisi adalah sebagai berikut ini. Perusahaan
ABC mengakuisisi pengakuisisi perusahaan XYZ pada tahun 2010, dan perusahaan
XYZ tidak muncul lagi.

Tabel 2 Data Penjualan PT ABC dan PT XYZ


Penjualan
ABC XYZ Gabungan

2005 1.000 500 1.500


2006 1.500 750 2.250
2007 1.600 770 2.370
2008 1.750 750 2.500
2009 2.000 800 2.800
2010 2.100 850 2.950
2011 3.200 - 3.200
2012 3.300 - 3.300
2013 3.350 - 3.350
2014 3.400 - 3.400
2015 3.500 - 3.500

5
Dengan melihat data-data penjualan PT ABC saja (tanpa mencari informasi lain)
nampak ada perubahan struktural yang terjadi, karena tahun 2010 penjualan PT ABC
mengalami peningkatan yang tajam dari 2.100 menjadi 3.200. ada beberapa alternatif
analisis yang bisa dipakai :
(1) Analis bisa menggunakan data penjualan gabungan (kolom gabungan) untuk
mengalisis prospek perusahaan pada masa mendatang. Penggunaan anlisiss
semacam ini mempunyai asumsi implisit bahwa perusahaan gabungan merupakan
fungdi penambahan perusahaan individualnya. Kemungkinan munculnya sinergi
tidak diperhitungkan dalam hal ini.
(2) Analis bisa membagi periode analisis ke dalam dua periode, sebelum dan sesudah
akuisisi, dan kemudian memakai data sesudah akuisisi untuk analisis selanjutnya.
Analisis semacam ini mengasumsikan bahwa ada perbedaan struktural antara
kedua periode tersebut, sehingga kedua periode tersebut harus dipisahkan.
Misalkan diduga ada efek sinergi yang cukup signifikan sesudah akuisisi,
penggunaan cara semacam ini lebih realistis dilakukan.
(3) Analis bisa memfokuskan hanya pada data penjualan perusahaan ABC. Cara ini
bisa dilakukan apabila besarnya perusahaan yang diakuisisi (XYZ) tidak terlalu
signifikan dibandingkan besarnya perusahaan ABC. Apabila besarnya perusahaan
yang diakuisisi cukup signifikan, cara semacam ini tidak bisa dilakukan. Dari data
diatas nampak bahwa perusahaan XYZ cukup signifikan karena mencapai sekitar
50% dari besarnya perusahaan ABC. Cara semacam ini barangkali tidak bisa
dilakukan untuk data-data diatas.

Dalam analisis time series, ada tiga macam pendekatan yang bisa dilakukan :
(1) Pendekatan Ekonomi
(2) Pendekatan Statistik
(3) Pendekatan Visual

Ketiga macam pendekatan tersebut tidak saling menghilangkan, tetapi saling


melengkapi. Misalkan sebuah perusahaan memiliki grafik sebagai berikut.

6
Gambar 2 Grafik Penjualan

Dengan hanya melihat grafik di atas, nampak bahwa penjualan perusahaan


mempunyai pola yang berfluktuasi secara sistematis. Pola musiman nampak pada grafik
di atas. Setiap kuartal awal penjualan perusahan menunjukan angka yang lebih tinggi
dibandingkan dengan rata-rata penjualan bulanan. Di samping itu nampak bahwa
penjulan perusahaan menjukkan tren yang semakin naik dalam jangka panjang,
meskipun dalam jangka pendek terlihat penjualan yang naik turun.

Dari segi ekonomi, data-data di atas diinterprestasikan lebih lanjut. Pada akhir
tahun menunjukkan kecenderungan naik karena penjualan cenderung naik pada saat
tahun baru dan hari raya Natal. Penjualan juga menujukkan kecenderungan naik yang
cukup tinggi pada saat hari raya Idul Fitri. Dalam jangka panjang perusahaan
mengalami perkembangan yang cukup stabil. Karena hari raya Idul Fitri selalu maju 10
hari setiap tahunnya, maka analis bisa memperhitungkan bahwa suatu ketika hari raya
Idul Fitri akan jatuh pada kuartal keempat, yang berakibat akan munculnyapenjualan
yang sangat tinggi pada kuartal keempat, dan penjualan yang normal pada tiga kuartal
lainnya.

Data musiman di atas disebabkan oleh kejadian atau peristiwa yang mendorong
penjualan di atas penjualan normal. Di samping musiman itu ada musiman lain yang
disebabkan oleh perubahan cuaca. Pada saat musim kemarau barangkali penjualan

7
perusahaan pembuat minuman akan menjukkan kecenderungan yang lebih tinggi. Pada
saat musim hujan, perusahaan pembuat jas hujan menunjukkan penjualan yang jauh
lebih tinggi dibandingkan pada musim kemarau.

2.2 Analisis Data Keuangan

Dalam analisis time series, perhatian terhadap data historis (ex-post) sering
digunakan untuk melihat pola-pola yang sistematik terhadap data tersebut. Dalam
konteks analisis historis semacam itu, analisis mempunyai pilihan yang banyak terhadap
faktor-faktor yang di perkirakan akan mempengaruhi suatu variabel. Dalam konteks
analisis masa mendatang (ex-ante), seperti forecasting, pilihan seorang analis menjadi
serba terbatas. Seorang analis tidak tahu pasti berapa nilai faktor-faktor di atas, dia
harus memperkiran nilai tersebut sebelum memperkiran nilai variabel yang diteliti
tersebut. Analis tersebut terpaksa harus memfokuskan pada beberapa variabel saja yang
lebih sedikit dan bisa diperkirakan lebih pasti. Analisis Time Series klasik biasanya
memfokuskan pada analisis musiman. Perhatikan data time series berikut ini :

Gambar 3 Komponen Time Series

8
Data-data, seperti data penjualan mencerminkan empat faktor :

(1) Tren
Tren merupakan pergerakan time series dalam jangka panjang, bisa merupakan
tren naik atau tren turun. Diperlukan waktu jangka panjang (15 atau 20 tahun)
untuk melihat pola tren tersebut. Tren tersebut bisa dipengaruhi oleh perubahan
jumlah penduduk, perubahan teknologi, dan semacamnya.
(2) Siklus
Siklus merupakan fluktuasi bisnis dalam jangka yang lebih pendek (sekitar 2
samapi 10 tahun). Belum ada penjelasan yang memuaskan terhadap penyebab
timbulnya fluktuasi siklus semacam ini. Lamanya dan besarnya fluktuasi juga
sangat beragan dari perusahaan ke perusahaan, dari industri ke industri.
(3) Musiman
Musiman merupakan fluktuasi yang terjadi dalam lingkup 1 tahun. Ada beberapa
penyebab timbulnya fluktuasi musiman seperti : (1) Karena peristiwa tertentu,
misal karena peristiwa lebaran atau tahun baru, (2) Karena cuaca, misal musim
hujun dan musim kemarau.
(4) Ketidakterturan (Irregularities)
Fluktuasi semacam ini disebabkan karena faktor-faktor yang munculnya tidak
teratur, dengan jangka waktu yang pendek. Misalkan suatu perusahaan mengalami
musibah karena salah satu gudangnya terbakar, maka data keuntungan perusahaan
pada periode tersebut akan terpengaruh.

Misalkan analis ingin menganalisis tren penjualan suatu perusahaan, maka akan
lebih baik apabila pengaruh-pengaruh musiman, siklus, dan ketidakteraturan
dihilangkan dari data. Data yang dihasilkan merupakan data yang benar-benar
mencerminkan tren penjualan perusahaan tersebut. Demikian juga jika ingin menganalis
pengaruh musiman penjualan, maka akan lebih baik apabila pengaruh tren, siklus, dan
ketidakteraturan dalam data dihilangkan, sehingga akan diperoleh datayang benar-benar
mencerminkan pengaruh musiman perusahaan.

9
2.2.1 Mengukur Pengaruh Tren

Tren suatu data bisa dilihat dengan beberapa cara :

(1) Menggambar dengan tangan


(2) Menggunakan model matematika.

Penggambaran secara langsung bisa dilakukan dengan menarik garis lurus


disekitar data-data yang ada. Cara semacam ini sangat praktis dan sederhana, tetapi
mempunyai kelemahan karena konsistensi cara semacam itu sangatkurang. Dua orang,
dengan data yang sama, bisa menghasilkan data garis tren yang berlainan. Demikian
seorang analis apabila menggambar dua kali pada waktu yang berbeda, dengan
menggunakan data yang sama, bisa menghasilkan garis tren yang berlainan. Cara
semacam ini menimbulkan masalah apabila teknik kuantitatif akan digunakan untuk
analisis lebih lanjut.
Dengan menggunakan model matematik, garis tren bisa dibuat dengan metode
least square. Metode tersebut pada dasarnya menggabarkan garis lurus sedemikian rupa
sehingga selisih kuadrat antara garis lurus tersebut dengan data yang sesungguhnya,
yang paling keci. Model tersebut serupa dengan model regresi, kecuali asumsi yang
digunakan untuk metode regresi tidak bisa dipakai untuk analisis time series. Dalam
analisis regresi diasumsikan bahwa kolrelasi antara residul pada periode t-1 sama
dengan 0. Dalam analisis time series untuk penjualan sebagai contoh, tentunya asumsi
semacam itu tidak masuk akal. Penjulan pada periode t akan berkorelasi dengan
penjualan pada t-1. Meskipun demikian least square dipakai karena penggunaannya
yang sederhana.
Model time series bisa dirumuskan sebagai berikut :
Yt = a + b X
a dan b dihitung dengan cara sebagai berikut ini.
a = E(Y) – b E(X)

b= ∑

Misalkan kita mempunyai data seperti dalam tabel ini, garis tren bisa dihitung
dengan model di atas.

10
Tabel 3 Perhitungan Tren
(1) (2) (3) (4) (5) (6) (7)
Tahun X Penjualan (Y) XY X² Tren Y/Yt * 100 (%Tren)
1972 1 224 224 1 217 103,2
1973 2 233 466 4 234 99,5
1974 3 248 744 9 251 98,7
1975 4 258 1.032 16 268 96,2
1976 5 270 1.350 25 285 94,6
1977 6 288 1.728 36 303 95,2
1978 7 315 2.205 49 320 98,6
1979 8 344 2.752 64 337 102,2
1980 9 369 3.321 81 354 104,3
1981 10 393 3.930 100 371 106,0
1982 11 406 4.466 121 388 104,6
1983 12 416 4.992 144 405 102,7
1984 13 425 5.525 169 422 100,7
1985 14 437 6.118 196 439 99,5
1986 15 450 6.750 225 456 98,6
1987 16 462 7.392 256 474 97,6
1988 17 476 8.092 289 491 97,0
153 6.014 61.087 1.785

E(Y) = ∑ Y/N =6.014/17 = 353,8

. ( )( , )
b= ( . ) ( )
= 17,1

a = 353,8 – 17,1 (9) = 200

Persamaan tren: Yt = 200 + 17,1 Xt

Kolom enam (6) merupakan nilai tren yang dihitung berdasarkan persamaan tren
yang dihasilkan di atas. Berikut ini grafik yang menujukkan nilai penjualan yang
sesungguhnya dan nilai tren penjualan.

11
Gambar 4 Data Tren dan Data Sesunnguhnya

2.2.2 Tren sebagai Proyeksi Masa Depan

Untuk memakai persamaan tren di atas sebagai proyeksi masa depan, seorang
analis harus hati-hati terhadap asumsi yang digunakan. Tren di atas mengasumsikan
perkembangan yang konstan untuk masa-masa mendatang. Padahal pada beberapa
situasi, penjualan tumbuh dengan tingkat sangat cepat pada awal-awal periode,
kemudian tumbuh melambat pada periode berikutnya. Misalkan suatu produk masih
baru di luncurkan, pertumbuhan pada awal periode akan sangat cepat. Kemudian setelah
memasuki tahap kedewasaan, pertumbuhan tersebut akan semakin melambat.
Perhatikan dua grafik penjualan berikut ini.

Gambar 5 Pertumbuhan Nonlinear

12
Pada gambar (a) di atas, persamaan tren yang lebih sesuai adalah persamaan
parabola seperti berikut ini.

Y = a + bX + cX2

Sedangkan untuk grafik (b) di atas, persamaan tren yang lebih sesuai adalah
logaritma dengan model seperti berikut ini.

log Y = a + b log X

Perhatikan model yang akan digunakan sebagai proyeksi pada masa mendatang
akan sangat tergantung dari asumsi yang akan digunakan, apakah data akan tumbuh
secara linear atau tidak. Pendekatan linear mengasumsikan besarnya perubahan konstan,
sedangkan model parabola mengasumsikan besarnya perubahan pada perubahan yang
terjadi adalah tidak konstan.

2.2.3 Analisis siklus

Fluktuasi siklus bisnis muncul dalam jangka waktu menengah (2-10 tahun).
Pengaruh musiman dalam data tabel di atas hilang karena data yang digunakan
merupakan data tahunan, pengaruh musiman tidak terlihat dalam data tahunan.
Pengaruh siklus bisa dilihat dengan presentase tren yang dirumuskan sebagai berikut ini.

%Tren = × 100

Dimana Y merupakan data tahunan yang sesungguhnya, dan Yt merupakan data


tren yang di hitung berdasarkan persamaan tren. Kolom (7) pada tabel 3 di atas
memperlihatkan hasil perhitungan di atas. Plot angka-angka dalam kolom ke (7) akan
terlihat seperti berikut ini.

13
Gambar 6 Grafik Siklus Penjualan

Perhatikan bahwa ada kecenderungan siklus dengan jangka waktu sekitar 9


tahun. Tahun 1999 menunjukkan kecenderungan penjualan yang tinggi., relatif terhadap
angka tren, dan kemudian penjualan yang tinggi tersebut muncul lagi pada tahun 2008.

2.2.4 Analisis musiman

Analisis musiman akan bermanfaat pada beberapa situasi. Pertama, apabila


analis ingin melihat pengaruh musiman dan memanfatkan informasi tersebut untuk
tujuan tertentu. Misalkan ia menganggarkan penjualan tahun depan sebesar 400 juta,
dan mempunyai indeks musiman dengan data triwulanan 0,97 untuk triwulan 1, 1,1
untuk triwulan 2, 0,85 untuk triwulan 3, 1,08 untuk triwulan 4, analis bisa
mengalokasikan anggaran penjualan tahun mendatang ke dalam triwulan berikut ini.

Triwulan 1 : 0,97 x 100juta = 97 juta

Triwulan 2 : 1,10 x 100juta = 110 juta

Triwulan 3 : 0,85 x 100juta = 85 juta

Triwulan 4 : 1,08 x 100juta = 108 juta

Total Anggaran Penjualan = 400 juta

14
Kedua, apabila analis ingin menghilangkan pengaruh musiman untuk melihat pengaruh
trend, siklus dan ketidakteraturan secara lebih jelas. Apabila ia mempunyai data
penjualan triwulan yang sesungguhnya sebagai berikut ini, maka data yang bersih dar
pengaruh musiman adalah sebagai berikut.

Tabel 4 Data Deseasonalized

Tahun Penjualan Indeks musiman Data Tanpa Pengaruh Musiaman


(Deseasonalized)
(1) (2) (3) (2)/(3) = (4)
20X3 1 298,8 0,97 308
2 383,7 1,10 349
3 322,0 0,85 379
4 436,8 1,08 404

20X4 1 384,2 0,97 396


2 539,3 1,10 490
3 448,1 0,85 527
4 544,3 1,08 504

Data pada kolom (4) merupakan data penjualan setelah pengaruh musiman
dihilangkan. Penjualan pada tahun 20X3 triwulan 1 yang sebesar 308, merupakan
penjualan yang seharusnya terjadi apabila pengaruh musiman pada triwulan 1
dihilangkan. Penjulan pada kolom (4) tersebut masih mengandung pengaruh faktor tren,
siklus, dan ketidakteraturan.

Untuk menghitung indeks musiman, analis bisa menggunkan cara semacam ini
(Lihat tabel 5). Langka pertama yang perlu dilakukan pada tabel di atas adalah
menghitung total bergerak empat triwulanan seperti pada kolom (3). Hasil total tersebut
seharusnya di tempatkan diantara kuartal kedua dan ketiga (atau kuartal dua setengah).
Karena itu kolom (4) menghitung dua total bergerak pada kuartal ketiga dan keempat
(yang seharusnya pada kuartal kedua setengah dan ketiga setengah), dan hasil tersebut

15
sekarang ditempatkan pada kuartal ketiga. Kolom (5) merupakan rata-rata total
bergerak, yang dicari dengan membagi kolom (4) dengan 8

Perhtikan tabel bahwa kolom (5) pada tabel tersebut merupakan data moving
average yang sudah menghilangkan pengaruh musiman. Dengan kata lain, moving
average tersebut mencerminkan pengaruh tren, siklus dan random.kolom (6) merupakan
data musiman yang sudah menghilangkan faktor tren dan siklus, tetapi masih
mengandung komponen random. Data pada kolom (5) dan (6) pada tabel 5 bisa dilihat
pada berikut ini. (lihat gambar 7 dan 8)

Tabel 5 Data Penjualan dan Perhitungan Indeks Musiman

Setalah kolim (6) pada tabel di atas terbentuk, analis akan menghilangkan
pengaruh variabel random dan moving average dengan jalan mencari rata-rata yang
dimodifikasi. Rata-rata tersebut dicari dengan jalan menghilangkan angka terbesar dan
terkecil untuk setiap musim. Berikut ini tabel yang memperlihatkan perhitungan rata-
rata yang dimodifikasi.

16
Tabel 6 Perhitungan Rata-Rata Indeks Musiman

Setelah indeks musiman dibuat kita bisa menyusun data yang bersih dari
pengaruh musiman (deseasonalized) seperti yang terlihat pada kolom (7) Tabel 5. Data
tersebut bisa diartikan sebagai tingkat penjualan yang seharusnya terjadi apabila tidak
ada pengaruh musiman. Gambar data penjualan pada kolom (7) tersebut bisa dilihat
pada Gambar 9.

Gambar 7 Data Asli dan Data Rata-Rata bergerak

17
Gambar 8 Data Musiman

Gambar 9 Data dengan Faktor Musiman Dihilangkan

2.3 Metode-Metode Peramalan

Pada dasanya ada empat kategori peramalan seperti terlihat dari matriks berikut ini.

Tabel 7 Metode-Metode Peramalan

Univariate Multivariate
Mekanis Model Rata-rata Model Regresi
Bergerak Model Fungsi Tranfer
Model Box-Jenkins Box-Jenkins
Univariate

Nonmekanis Pendekatan Visual Pendekatan Analis


Sekuritas

18
Model-model tersebut bukan saling menggantikan, tetapi saling melengkapi.
Pendekatan mekanis pada dasarnya menggunakan teknik-teknik yang lebih obyektif
seperti statistik, dan cara tersebut menggunkan model yang sama untuk setiap forecast.
Salah satu contoh cara mekanis tersebut adalah model regresi. Dengan cara nonmekanis,
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 anlis
melakukan perkiaraan. Contoh pendekatan semacam ini yang mekanis adalah perkiraan
dengan cara pengahalusan ekponensial 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
meperhitungkan hubungan secarasimultan persamaan-persamaan dalam suatu sistem.
Contoh pendekatan multivariete nonekonomis adalah analisis yang digunakan oleh
analis keuangan. Analisis tersebut mempertimbangkan banyak faktor yang diperkirakan
mempunyai pengaruh terhadap data yang dianalisis baik secara kuantitatif maupun
kualitatif, kemudian menentukan angka perkiraan.

2.3.1 Model Penghalusan Ekponensial

Salah satu contoh peramalan metode univariate adalah penghalusa ekponensial.


Model penghalusan eksponensial mempunyai kelebihan karena kesederhanaannya, di
samping data yang dibutuhkan juga tidak banyak. Formula umum model tersebut bisa
dituliskan sebagai berikut ini.

Ft = w At-1 + (1-w) Ft-1

Dimana Ft = forcast untuk periode t

At-1 = data sesungguhnya pada periode t-1

19
Ft-1 = forcast pada periode t-1

W = konstanta dengan nilai antara 0 dan 1

Model di atas juga bisa dibaca sebagai berikut ini.

Forecast baru = w (Data sesungguhnya saat ini) + (1-w) (Forecast saat ini)

Model di atas bisa dituliskan kembali sebagai berikut ini.

Ft = At-1 + (1-w) ((Ft-1) – (At-1))

Data di atas bisa dibaca sebagai berikut ini. Forecast yang baru sama dengan data
sesungguhnya pada periode sebelumnya ditambah bagian dari error (atau penyipangan)
pada periode sebelumnya.

Apabila ada tiga periode, bisa dituliskan model forecast untuk periode 2,3, dan 4
sebagai berikut ini.

F2 = w A1 + (1-w) F1

F3 = w A2 + (1-w) F2

F4 = w A3 + (1-w) F3

Pesamaan F2 dan F3 bisa disubtitusikan untuk memperoleh nilai F4 sebagai berikut


ini.

F4 = w A3 + (1-w) w A2 + (1-w)2 w A1 + (1-w)3 F1

Perhatikan bahwa hanya satu variabel yg berisi data forecast, yaitu FI. Apabila
analis memperpanjang periode sampai ke periode 0, maka FI juga bisa dinyatakan
dalam data sesungguhnya yaitu A0.

Model di atas tersebut sebagai penghalusan eksponensial karena bobot untuk data
periode-periode sebelumnya semakin mengecil(dilihat dengan kuadrat atau
eksponensial yang semakin tinggi). Aabila w diberi angka 0,7, maka data A3
mempunyai bobot 0,03,data A2 mempunyai bobot 0,021, dan seterusnya. Bobot
semakin ke kanan semakin mengecil. Dari sudut pandang manajemen, hal semacam ini
masuk akal . Data terbaru mestinya memperoleh perhatian yang lebih besar.

20
Pilihan besarnya angka untuk w akan melibatkan trade-off. Jika w diberi nilai
mendekati nol,maka data yang terbaru akan memperoleh bobot yang kecil. Nilai w yang
kecil akan membuat forecast tidak gampang bereaksi terhadap perubahan-perubahan
jangka pendek dalam fluktuasi data. Forecast yang terjadi secra keseluruhan akan
mempunyai fluktuasi yang lebih kecil. Sebaliknya apabila w besar, forecast yang
terjadi akan bereaksi cepat terhadap perubahan-perubahan random yang bersifat jangka
pendek. Hasil forecast yang terjadi mempunyai fluktuasi yang lebih tajam. Nilai w yang
digunakan dalam praktik biasanya cukup rendah, sekitar 0,3 atau kurang w sebesar 0,1
sering digunakan.

Model di atas relatif sederhana, dan cocok untuk analisis data time series yang
relatif stabil, dan tidak mempunyai fluktuasi tren atau musiman yang cukup besar.
Model penghalusan eksponensial yang lebih kompleks kadang-kadang dipergunakan
untuk menganalisis data yang lebih kompleks.

2.3.2 Perbandingan Model-Model Forecast

Kelebihan dan kelemahan alternatif forecast bisa dilihat berikut ini (untuk
analisis univeriate mekanis dan pendekatan analis sekuritas).

Pendekatan Analis Sekuritas (Multivariate) untuk Forecasting

Kelebihan

1. Mampu menyusaikan terhadap informasi dari berbagai sumber.


2. Mampu menyesuaikan terhadap perubahan struktural secara cepat.
3. Mampu memperbaharui secara kontinue apabila ada informasi baru yang masuk.

Kelemahan

1. Biaya yang cukup tinngi untuk persiapan dan pelaksanaan, untuk monitoring
beberapa variabel, dan biaya-biaya lainnya.
2. Ketergantungan yang tinngi terhadap kemampuan individu analisisnya.
3. Analisis barangkali mempunyai insentif untuk tidak menampilkan forecast yang
tidak bias (misal, karena tekanan agar sesuai konsensus forecast)

21
4. Analisis barangkali bisa dimanfatkan oleh perusahaan-perusahaan tertentu untuk
kepentingan perusahaan tersebut.

Pendekatan Univariate Mekanis untuk Forecasting

Kelebihan

1. Kemampuan untuk mendeteksi dan memanfaatkan pola tertentu pada data masa
lalu.
2. Tingkat subyektivitas yang rendah, terutama apabila metode statistik digunakan.
3. Biaya relatif lebih rendah.
4. Mudah diperbaharui.
5. Kemampuan menganalisis lebih lanjut dengan menggunakan metode statistik.

Kelemahan

1. Jumlah observasi yang terbatas pada situasi tertentu, misal pada perusahaan
yang baru berdiri.
2. Laporan keuangan barangkali tidak memenuhi asumsi-asumsi yang diperlukan
dalam analisis statistik.
3. Sulit mengkomunikasikan analisis kepada luar, terutama dalam hal
metodeologinya.

Secara umum forecast yang diberikan oleh analis keuangan biasanya lebih
akurat dibandingkan dengan forecast dengan menggunakan model analisis time series.
Hal ini sebabkan karena beberapa alasan :

(1) Analis mempunyai akses terhadap informasi terbaru. Informasi tersebut bisa
dipakai untuk memperbaiki forecast mereka.
(2) Analis mempunyai akses terhadap informasi yang lebih luas seperti forecast
perekonomian, struktur industri, kejadian-kejadian lain yang relevan. Sedangkan
analisis time series hanya memfokus perilaku data tunggal pada masa lalu.

22
Secara umum model forecast multivariate biasanya lebih akurat dibandingkan
dengan model forecast univariate. Hal ini bisa dimengerti karena analisis multivariate
melibatkan lebih banyak faktor yang mempengaruhi suatu variabel.
Cara lain untuk menigkatkan akurasi forecast adalah dengan menggabungkan
beberapa forecast individual. Kesalahan-kesalahan (error) setiap forecast individual
akan cenderung saling menghilangkan dan rata-rata nilai forecast akan akan menapilkan
forecast yang lebih akurat. Berikut ini hasil penelitian yang melihat rangking akurasi
forecast yang di ukur dengan rata-rata persentase error kuadrat.
Tahun 20X8 Tahun 20X9
Konsesus Analis 1 1
Analis Individual 2 2
Model Tren Linear 3 4
Model Ekponensial Klasik 5 5
Model Ekponensial yang dimodifikasi 4 3

Terlihat bahwa forecast dari beberapa analis yang digabungkan selalu menempati
rangking pertama dalam segi akurasi.

Disamping analis individual seperti di atas, agregasi forecast bisa dilakukan


dengan menggabungkan hasil forecast oleh model-model individual. Sebagai
contoh,analis melakukan forecast suatu data dengan empat mavam metode : (1)
Pendekatan subyektif (pertimbangan kita), (2) Model regresi, (3) Model penghapusan
eksponensial (4) Model penghapusan eksponensial yang dimodifikasi. Kemudian hasil
dari masing-masing forecast di atas digabungkan dan menjadi forecast kita. Forecast
yang di hasilkan dari penggambungan semacam itu cenderung akan mempunyai akurasi
yang lebih baik dibandingkan dengan forecast dengan cara metode individual. Cara
penggabungan merupakan cara yang praktis dan bisa memberikan manfaat yang cukup
signifikan dalam peninggkatan akurasi forecast.

23
BAB III

PENUTUP

3.1 Kesimpulan
Data-data bisa diperbandingkan dengan data-data pada periode sebelumnya,
meskipun interprestasi yang dilakukan harus hati-hati. Prestasi pada periode masa lalu
barangkali tidak memuaskan sehingga perbandingan dengan periode masa lalu
barangkali tidak begitu tepat. Perbandingan dengan data-data masa lalu bisa dilakukan
dengan menggunakan beberapa periode (observasi) untuk melihat tren-tren yang
muncul. Analisis time series semacam itu juga bisa melihat pengaruh faktor-faktor
tertentu terhadap perkembangan data keuangan.
Ada tiga pendekatan dalam analisis time series, yaitu: ekonomi, statistik, dan
visual. Ketiga pendekatan tersebut saling melengkapi. Analisis time series yang klasik
memfokuskan pada empat hal yang mempengaruhi suatu data: (1)Tren, (2)Siklus,
(3)Musiman, dan (4)Random. Kadang-kadang ada situasi di mana analis ingin
memfokuskan pada analisis trend saja, analisis siklus saja, analisis musiman saja.
Teknik-teknik penyesuaian bisa digunakan untuk melihat pengaruh masing-masing
komponen data tersebut.
Ada beberapa pendekatan dalam forcasting: (1) Mekanis versus nonmekanis dan
(2) Univariate versus Multivariate. Contoh pendekatan mekanis adalah penggunaan
statistik, sedangkan penggunaan nonmekanis adalah penggambaran tren dengan tangan.
Contoh peramalan dengan model univariate adalah penggunaan penghalusan
ekponensial. Contoh model multivariate adalah regregi berganda atau pendekatan
ekonometri. Keempat metode tersebut tidak saling menghilangkan, tetapi bisa dipakai
besama-sama.
Agragasi metode peramalan atau peramalan individual cenderung menghasilkan
peramalan yang lebih akurat. Cara semacam ini merupakan cara yang cukup efisien
untuk meningkatkan akurasi suatu peramalan.

24
DAFTAR PUSTAKA

Hanafi, Mamduh, Abdul Halim. 2016. Analisis laporan keuangan. Yogyakarta: STIE
YKPN.

Hery. 2016. ANALISIS LAPORAN KEUANGAN. Jakarta: Gramedia Widiasarana


Indonesia

Fahmi, Irfan. 2011. ANALISIS KINERJA KEUANGAN. Bandung: Alfabeta