BAB Sebelumnya membicarakan perbandingan data keuangan secara Cross sectional.

Bab ini
akan membicarakan analisis perbandingan data, bukan secara cross sectional tetapi dengan data keuangan
periode sebelumnya ( perbandingan dengan data historis ). Kemudian pada bagian akhir bab ini,
forecasting data keuangan akan dibicarakan. Forecasting digunakan untuk digunakan untuk
memproyeksikan kondisi keuangan pada masa mendatang.

 ANALISIS TIME SERIES DAN FORECASTING DATA DATA KEUANGAN

adalah analisis perbandingan data dengan data keuangan periode sebelumnya (perbandingan
dengan data historis). Dari analisis time series dapat diperoleh ukuran-ukuran yang dapat digunakan untuk
membuat keputusan pada saat ini, untuk peramalan dan untuk merencanakan masa
depan. 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. 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 ROAIndustri

PT X
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%

Dari tabel diatas nampak bahwa tren ROA perusahaan mengalami kenaikan dari tahun ke tahun.
Demikian juga dengan ROA industri. Akan tetapi kenaikan ROA industri lebih cepat dibadingkan
dengan kenaikan ROA Perusahaan. Meskipun pada tahun 2015 ROA perusahaan masih lebih tinggi
dibandingkan ROA industri, namun kemungkinan besarnya ROA perusahaan pada masa mendatang akan
lebih rendah dari ROA industri.

Dalam analisis times series, seperti analisis tren diatas, 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)
Pendekatan-pendekatan Analisis Time-Series

Paling tidak ada tiga pendekatan untuk menganalisis data time-series yang bisa digunakan:

1. Ekonomi. Ini bisa melibatkan hipotesis ex ante (meramalkan apa yang terjadi) mengenai bentuk
sistematis yang diharapkan dalam data time-series dan analisis ex post (memahami apa yang
terjadi) faktor-faktor kausal yang melandasi perilaku time-series.

2. Visual Ini melibatkan plotting data dan selanjutnya mengkaji secara visual plot untuk suatu
bentuk sistematis.

3. Statistical. Ini melibatkan penggunaan alat statistik seperti suatu autokorelagram untuk
mendeteksi bentuk sistematis dalam data.

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

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.
MENGUKUR PENGARUH TREND
Trend suatu data bisa dilihat dengan cara:

1. Menggambar dengan tangan

2, Menggunakan model matematika

1. MANFAAT
Dari analisis time series dapat diperoleh ukuran-ukuran yang dapat digunakan untuk membuat keputusan
pada saat ini, untuk peramalan dan untuk merencanakan masa depan.

2.

3. Suatu time-series bersifat statis ketika properti statistik (seperti mean dan varian) pasti konstan
sepanjang waktu. Perubahan struktural bisa menyebabkan asumsi ini menjadi validitas yang
dipertanyakan. Perubahan struktural bisa dihasilkan dari faktor-faktor seperti:

(1) perubahan karena deregulasi pemerintah

(2) perubahan dalam kompetisi, baik dari produk lain atau dari perusahaan baru

(3) pengembangan teknologi yang secara substansial mengubah hubungan biaya-volume-laba

(4) akuisisi atau divestitures.

Ada dua pertimbangan yang mengimbangi ketika perubahan struktural. Untuk efisiensi estimasi,
diperlukan ukuran sampel yang besar. Dalam time-series, ini berarti kembali ke periode waktu yang lama.
Analisis visual akan sering mengidentifikasi kemungkinan masalah perubahan struktural. Analisis
statistik bisa digunakan untuk menguji secara formal persamaan varian subperiode dari seri yang diuji.

4. Pendekatan-pendekatan Analisis Time-Series

Paling tidak ada tiga pendekatan untuk menganalisis data time-series yang bisa digunakan:

1. Ekonomi. Ini bisa melibatkan hipotesis ex ante (meramalkan apa yang terjadi) mengenai bentuk
sistematis yang diharapkan dalam data time-series dan analisis ex post (memahami apa yang
terjadi) faktor-faktor kausal yang melandasi perilaku time-series.

2. Visual Ini melibatkan plotting data dan selanjutnya mengkaji secara visual plot untuk suatu
bentuk sistematis.

3. Statistical. Ini melibatkan penggunaan alat statistik seperti suatu autokorelagram untuk
mendeteksi bentuk sistematis dalam data.
5. Analisis ex post versus analisis ex ante

Ketika mencoba mengikuti faktor-faktor, sangat berguna untuk membedakan antara analisis ex post
(memahami apa yang terjadi) dengan analisis ex ante (meramalkan apa yang akan terjadi). Ketika analis
menghadapi ketidakpastian mengenai bagaimana faktor-faktor kausal berinteraksi, secara khusus nilai
aktual faktor-faktor kausal akan tersedia dalam analisis ex post. Sebaliknya, nilai aktual dari faktor-faktor
kausal tidak akan tersedia dalam konteks ex ante.

6. Menurut pendekatan klasik, faktor-faktor apa yang mempengaruhi suatu data?

7. Apa yang dimaksud dengan tren? Tren merupakan pergerakan time series dalam jangka waktu panjang,
bisa merupakan tren naik atau turun. Diperlukan waktu jangka panjang (15 atau 20 tahun) untuk melihat
pola tren tersebut. Tren disebut bisa dipengaruhi oleh perubahan jumlah penduduk, perubajan teknologi,
dan semacamnya.

8. Apa yang dimaksud dengan siklus? Siklus merupakan fluktuasi bisnis dalam jangka yang lebih pendek
(sekitar 210 tahun). Belum ada penjelasan yang memuaskan terhadap penyebab timbulnyavfluktuasi
siklus semacam ini. Lamanya dan besarnya fluktuasi juga sangat beragam dari perusahaan ke perusahaan,
dan dari industri ke industri.

9. Apa yang dimaksud dengan musiman? Musiman merupakan fluktuasi yang terjadi dalam lingkup satu
tahun. Ada beberapa penyebab timbulnya fluktuasi musiman seperti 1. Karena peristiwa tertentu, misal
karena peristiwa lebaran atau tahun baru, 2. Karena cuaca, misal musim hujan dan musim kemarau.

10. Apa yang dimaksud dengan random atau ketidakteraturan? Ketidakteraturan (irregularities) yaitu
fluktuasi semacam ini disebabkan karena faktor-faktor yang munculnua tidak teratur, dengan jangka
waktu yang pendek. Misalkan suatu perusahaaan mengalami musibah karena salah satu gudangnya
terbakar, maka data keuntungan perusahaan pada periode tersebut akan terpengaruh.

16. Pendekatan mekanis pada dasarnya menggunakan teknik-teknik yang lebih objektif seperti statistik,
dan cara tersebut menggunakan model yang sama untuk setiap forecasting contohnya model regresi
berganda yang menggunakan beberapa variabel, model ekonometris yang memperhitungkan hubungan
secara simultan persamaan-persamaan dalam suatu sistem. 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 industri, ekonomi, pasar, dll). Contohnya 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.

17. Metode peramalan univariate, disebut juga metode deret waktu, menggunakan data masa lampau dan
pola internal untuk meramalkan masa depan. Metode ini memodelkan fungsinya berdasarkan fungsi deret
waktu itu sendiri, tanpa variabel luar. Metode yang termasuk metode univariate adalah pemulusan,
pemulusan eksponensial (exponential smoothing), dekomposisi, analisa deret Fourier, ARIMA (Box-
Jenkis), trend linear, dan model pertumbuhan non-linear.

Contohnya adalah pekiraan dengan cara penghalusan eksponensial atau model rata-rata bergerak
tertimbang.

Metode peramalan multivariate, disebut juga metode kausal, yaknni membuat proyeksi untuk masa depan
dengan memodelkan hubungan antara sebuah deret dengan deret-deret lainnya.

Contohnya adalah peramalan dari penjual produk makanan dapat berhubungan dengan pendapatan
masyarakat, daya beli, pola konsumsi.

18. Pada dasarnya ada 4 kategori peramalan

Metode Univariate Multivariate

Mekanisme Model rata-rata bergerak Model regresi
Model box-jenkis Model fungsi transfer
Univariate Box-Jenkis
Non-mekanisme Pendekatan visual Pendekatan analis sekuritas
Model-model tersebut bukan saling menggantikan namun saling melengkapi.

 Pendekatan mekanis pada dasarnya menggunakan teknik-teknik yang lebih objektif seperti
statistik, dan cara tersebut menggunakan model yang sama untuk setiap forecasting contohnya
model regresi.
 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 industri,
ekonomi, pasar, dll)
Secara umum model multivariate biasanya lebih akurat dibandingkan dengan model univariate.
Hal ini bisa dimengerti karena analisis multivariate melibatkan lebih banyak factor yang
mempengaruhi suatu variabel.

19. Metode penghalusan ekasponensial ini banyak digunakan untuk meramalkan permintaan
barang (demand) yang perubahannya sangat cepat. Dengan kata lain, semangkin baru atau
semakin kini datanya ,semangkin besar pula bobotnya. Hal ini dikarenakan data yang terbaru
dianggap lebih relevan sehingga di beri bobot yang lebih besar.

20. 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 secara keseluruhan akan mempunyai
fluktuasi yang lebih kecil. Sebaliknya apabila nilai 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.

21. Pendekatan analis sekuritas (multivariate) untuk forecasting

Kelebihan :
1. Mampu menyesuaikan terhadap informasi dari berbagai sumber.
2. Mampu menyesuaikan terhadap perubahan structural 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 intensif untuk tidak menampilkan forecast yang tidak biasa
(missal, karena tekanan agar sesuai dengan consensus forecast).
4. Analis barangkali bisa dimanfaatkan oleh perusahaan-perusahaan tertentu untuk kepentingan
perusahaan tersebut.

22. Agregasi metode peramalan atau peramalan individual cenderung menghasilkan peramalan
yang lebih akurat. Cara semacam ini merupakan cara yang cukup efisien untuk meningkatkan
akurasi suatu peramalan. Hal ini dikarenakan memiliki kemampuan mendeteksi dan
memanfaatkan pola tertentu. Sehingga dengan metode peramalan individual akan lebih
berfokus dengan satu tujuan peramalan.