A.

ANALISIS TIME SERIES

Analisis time series adalah analisis perbandingan data dengan data keuangan
periode sebelumnya (perbandingan dengan data historis). Forecasting digunakan untuk
memproyeksikan kondisi keuangan pada masa mendatang.
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.
Dalam analisis times series, perubahan-perubahan struktural yang akan
berpengaruh terhadap angka-angka keuangan harus diperhatikan. Perubahan-perubahan
struktural yang akan mempengaruhi tren keuangan suatu perusahaan antara lain:
a) Peraturan Pemerintah
b) Perubahan Kompetisi
c) Perubahan Teknologi
d) Akuisi dan Merger (Penggabungan Perusahaan)

Data penjualan PT ABC dan PT XYZ

Penjualan
Tahun Gabungan
PT ABC PT B
1971 1.000 500 1.500
1972 1.500 750 2.250
1973 1.600 770 2.370
1974 1.750 750 2.500
1975 2.000 800 2.800
1976 2.100 850 2.950
1977 3.200 - 3.200
1978 3.300 - 3.300
1979 3.350 - 3.350
1980 3.400 - 3.400
1981 3.500 - 3.500

Dengan melihat data-data penjualan PT ABC saja (tanpa mencari informasi lain)
nampak bahwa ada perubahan struktural yang terjadi, karena tahun 1977 penjualan PT
ABC mengalami peningkatan yang tajam dari 2.100 menjadi 3.200. Ada beberapa
alternative analisis yang bisa dipakai:
a) Analis bisa menggunakan data penjualan gabungan (kolom ketiga) untuk
menganalisis prospek perusahaan pada masa mendatang. Penggunaan analisis
semacam ini mempunyai asusmsi implisit bahwa perusahaan gabungan merupakan
fungsi penambahan perusahaan individualnya. Kemungkinan munculnya sinergi
tidak diperhitungkan dalam hal ini.
b) 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.
c) 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
di atas nampak bahwa besarnya perusahaan XYZ cukup signifikan karena mencapai
sekitar 50% dari besarnya perusahaan ABC. Cara semacam ini barangkali tidak bisa
dilakukan untuk data-data di atas.

Persoalan lain yang bisa timbul adalah perlakuan untuk data-data yang luar biasa
(outlier). Misalkan pada tahun 1981 PT ABC mengalami kerugian sebesar 1.000, setelah
sebelumnya selalu untung di atas 3.000. Kerugian tersebut bisa dianalisis penyebabnya.
Apabila penyebabnya adalah bencana alam (misalkan gempa bumi), dan kejadian tersebut
merupakan hal yang luar biasa, di luar kendali manajemen, dan kemungkinan munculnya
lagi bencana tersebut sangat kecil, maka lebih baik angka negatif tersebut dihilangkan dari
analisis. Kejadian semacam itu merupakan peristiwa yang sementara sifatnya. Tetapi
apabila kerugian tersebut diakibatkan oleh peristiwa restrukturisasi perusahaan, barangkali
kejadian semacam itu menjadi permulaan munculnya perubahan struktural. Diperlukan
pertimbangan khusus untuk memasukan kerugian semacam itu ke dalam analisis.
Barangkali diperlukan penyesuaian-penyesuaian tertentu kalau analisis akan memasukan
angka kerugian tersebut ke dalam analisis.
Dalam analisis time series, ada tiga macam pendekatan yang bisa dilakukan:
a. Pendekatan Ekonomi
b. Pendekatan Statistik
c. Pendekatan Visual

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 tertentu misalnya 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
menganalisa 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 data historis itu, dicoba melihat kecenderungan yang mungkin akan muncul
di masa yang akan datang.
Untuk melakukan analisa trend series berindeks (untuk hal-hal tertentu bisa dipakai
dalam teknis trend) ini maka dapat melakukannya melalui:
a) Metode statistik dengan cara menghitung garis trend dari laporan keuangan
beberapa periode.
b) Menggunakan angka indeks.

Langkah-langkah untuk melakukan analisa trend berindeks ini adalah sebagai berikut:
a. 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.
b. Menghitung angka indeks tahun-tahun lainnya dengan menggunakan angka pos
laporan keuangan tahun dasar sebagai penyebut.
 c. Memprediksi kecenderungan yang mungkin bakal terjadi berdasarkan arah dan
kecenderungan historis pos laporan keuangan yang dianalisa.
d. Mengambil keputusan mengenai hal-hal yang harus dilakukan untuk mengantisipasi
kecenderungan itu.

B. ANALISIS DATA KEUANGAN

Dalam analisis time series, perhatian terhadap data historis (ex-post) sering
digunakan untuk melihat pola-pola yang sitematik terhadap data tersebut. Dalam konteks
analisis historis semacam itu, analis mempunyai pilihan yang banyak terhadap faktor-
faktor yang diperkirakan akan mempengaruhi suatu variable. Dalam konteks analisis masa
mendatang (ex-ante), seperti forecasting.
Data penjualan mencerminkan empat macam faktor:
1. Trend
Trend merupakan pergerakan time series dalam jangka panjang, bisa
merupakan tren naik atau turun. Diperlukan waktu jangka panjang (15 atau 20
tahun) untuk melihat pola tren tersebut. Tren tersebut bisa dipengaruhi oleh
perubahan jumlah penduduk, perubahan teknologi, dll.
2. Siklus
Siklus merupakan fluktuasi bisnis dalam jangka yang lebih pendek (sekitar
2–10 tahun). 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 seperti:
a. Karena peristiwa tertentu, misal karena peristiwa lebaran atau tahun baru.
b. Karena cuaca, misal musim hujan dan musim kemarau
4. Ketidakteraturan(Irregularities)
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.

a) Mengukur Pengaruh Tren

Tren suatu data bisa dilihat dengan beberapa cara:
 1) Menggambar dengan tangan
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 sangat kurang.
Dua orang, dengan data yang sama, bisa mengasilkan garis trend yang berlainan.
Demikian seorang analis apabila menggambar dua kali pada waktu yang berbeda,
dengan menggunakan data yang sama, bisa menghasilkan garis trend yang
berlainan. Cara semacam ini menimbulkan masalah apabila teknik kuantitatif
akan digunakan untuk analisis lebih lanjut.
2) Menggunakan model matematika
Dengan menggunakan model matematik, garis trend bisa dibuat dengan
metode least square. Metode tersebut pada dasarnya menggambarkan garis lurus
sedemikian rupa sehingga selisih kuadrat antara garis lurus tersebut dengan data
yang sesungguhnya, yang paling kecil. 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 korelasi
antara residual pada periode t dengan residual pada periode t-1 sama dengan 0.
Dalam analisis time series untuk penjualan sebagai contoh, tentunya asumsi
semacam itu tidak masuk akal. Penjualan pada periode t akan berkolerasi dengan
penjualan pada t-1. Meskipun demikian metodeleast 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:
a = ∑(Y) – b ∑(X)
b = ∑XY - n ∑ (X) ∑(Y) / ∑ X2 - n ∑ (X)2

b) Trend Sebagai Proyeksi Masa Depan

Untuk memakai persamaan tren sebagai proyeksi masa depan, seorang analis
harus hati-hati terhadap asumsi yang digunakan. Tren garis 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 diluncurkan, pertumbuhan pada awal periode akan sangat cepat. Kemudian
setelah memasuki tahap kedewasaan, pertumbuhan tersebut akan semakin melambat.
Pada Skala Aritmatik persamaan tren yang lebih sesuai adalah persamaan parabola
seperti berikut ini.
Y = a + bX + cX2
Sedangkan untuk Skala Semi-Logaritma persamaan tren yang lebih sesuai
adalah persamaan logaritma dengan model seperti berikut ini.
log Y = a + b log X
Pemilihan model yang akan digunakan sebagai proyeksi pada masa mendatang
akan sangat tergantung dari asumsi yang digunakan, apakah data akan tumbuh secara
linear atau tidak. Pendekatan linear mengasumsikan besarnya perubahan pada
perubahan yang terjadi adalah tidak konstan.

c) Analisis Siklus
Fluktuasi siklus bisnis muncul dalam jangka waktu menengah (2–10 tahun).
Pengaruh musiman dalam data table di atas hilang karena data yang digunakan
merupakan data tahunan, pengaruh musiman tidak terlihat dalam data tahunan.
Pengaruh siklus bisa dilihat dengan persentase tren yang dirumuskan sebagai berikut
ini.
% Trend = Y / Yt × 100

d) Analisis Musiman
Analisis musiman akan bermanfaat pada beberapa situasi. Pertama, apabila
analis ingin melihat pengaruh musiman dan memanfaatkan informasi tersebut untuk
tujuan tertentu. PT A mempunyai anggaran penjualan tahun 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 Indeks Anggaran Penjualan Anggaran penjualan dengan
musiman pengaruh musiman
(4)=(2)x(3)
(1) (2) (3)
I 0,99 250.000.000 247.500.000
II 1,01 250.000.000 252.500.000
III 0,90 250.000.000 225.000.000
IV 1,10 250.000.000 275.000.000
Total anggaran penjualan 1.000.000.000

Kedua, apabila analis ingin menghilangkan pengaruh musiman untuk melihat pengaruh
trend, siklus, dan ketidakteraturan secara lebih jelas.

Triwulan Indeks Anggaran Penjualan Anggaran penjualan tanpa

musiman dengan pengaruh pengaruh musiman
musiman (4) = (3) / (2)
(1) (2) (3)
I 0,99 247.500.000 250.000.000
II 1,01 252.500.000 250.000.000
III 0,90 225.000.000 250.000.000
IV 1,10 275.000.000 250.000.000
Total anggaran penjualan 1.000.000.000

C. METODE-METODE PERAMALAN

Univariate Multivariate
Mekanis Model Rata-rata Bergerak Model Regresi
Model Box-Jenkins Univariate Model Fungsi Transfer Box-
Jenkins
Non-mekanis Pendekatan Visual Pendekatan analis sekuritas

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
modelmultivariate 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.

1. Model Penghalusan Eksponensial

Kelebihannya karena kesederhanaannya dan data yang dibutuhkan tidak banyak.
Rumus: Ft = w At - 1 + (1 – w) Ft – 1
Ft = forecast untuk periode t
At - 1 = data sesungguhnya pada periode t – 1
Ft - 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
Ft = At - 1 + (1 - w) (Ft - 1 – At - 1)
F 2009 = W A 2008 + (1 – W) F 2008

2. Perbandingan Model-model Forecast

a) Pendekatan Analis Sekuritas (Multivariate) untuk Forecasting
 Kelebihan:
1) Mampu menyesuaikan terhadap informasi dari berbagai sumber
2) Mampu menyesuaikan terhadap perubahan struktural secara cepat
3) Mampu memperbaharui secara kontinu apabila ada informasi baru masuk
Kelemahan:
1) Biaya yang cukup tinggi untuk persiapan dan pelaksanaan, untuk monitoring
beberapa variabel, dan biaya-biaya lainnya
2) Ketergantungan yang tinggi terhadap kemampuan individu analisnya
3) Analis barangkali mempunyai insentif untuk tidak menampilkan forecast yang
tidak bias (misal, karena tekanan agar sesuai dengan konsensus forecast)
4) Analis barangkali bisa dimanfaatkan oleh perusahaan-perusahaan tertentu untuk
kepentingan perusahaan tersebut