ANALISIS TIME SERIES DAN FORECASTING DATA KEUANGAN

A. Analisis Time Series

Dalam analisis keuangan, analisis terhadap data histori diperlukan untuk
melihat tren-tren yang mungkin timbul. Kemudian kita bisa menganalisis apa yang
terjadi dibalik tren-tren angka tersebut. Data histori perusahaan sebaiknya juga
dibandingkan dengan data histori industri untuk melihat apakah tren suatu
perusahaan bergerak relatif lebih baik terhadap tren industri. Misalnya diketahui
data ROA suatu perusahaan dan data ROA industri sebagai berikut ini.
Tahun ROA Perusahaan ROA Industri
1981 20,1% 16,0%
1982 21,1% 18,5%
1983 23,5% 21,1%
1984 24,5% 22,0%
1985 22,4% 25,0%
1986 23,6% 21,5%
1987 24,4% 23,1%
1988 25,1% 24,7%
1989 25,0% 24,8%
Dari data di atas nampak bahwa tren ROA perusahaan mengalami keniakan
dari tahun ke tahun. Demikian juga halnya dengan ROA industri. Dari analisis tren
di atas nampak juga bahwa kenaikan ROA industri lebih cepat dibandingkan dengan
kenaikan ROA perusahaan. Meskipun pada tahun 1989 ROA perusahaan masih lebih
tinggi dibandingkan dengan ROA industri, tetapi pada masa mendatang ROA
perusahaan kemungkinan besar akan dibawah ROA industri. Tentunya tren
semacam ini bukan merupakan tren yang menguntungkan buat perusahaan. Kejadian
semacam itu bisa terjadi apabila industri tumbuh pesat, tetapi perusahaan
mengalami penurunan market 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 permasalan tersebut. Analisis tren semacam itu bisa
dilakukan untuk setiap rasio atau angka keuangan dan dibandingkan dengan tren
dalam industri.
Dalam analisis time series, seperti analisis tren di atas, perubahan-
perubahan struktural yang akan berpengaruh terhadap angka-angka keuangan
harus diperhatikan. Berikut ini beberapa perubahan struktural yang akan
mempengaruhi tren keuangan suatu perusahan:
1. Peraturan Pemerintah
2. Perubahan Kompetisi
3. Perubahan Teknologi
4. Akuisisi dan merger
 Dalam analisis time series , ada tiga pendekatan yang dapat dilakukan :
1. Pendekatan Ekonomi
2. Pendekatan Statistik
3. Pendekatan Visual
Ketiga macam pendekatan tersebut tidak saling menghilangkan tetapi saling
melengkapi.

B. Analisis Data Keuangan

Dalam analisis time series, perhatian terhadap data histories (ex-
post) sering digunakan untuk melihat pola-pola yang sistematik terhadap data
tersebut. Dalam konteks analisis histories semacam itu, analisis mempunyai pilihan
yang banyak terhadap faktor-faktor yang diperkirakan akan mempengaruhi suatu
variable. Dalam konteks analisis masa mendatang (ex-ante) seperti forecasting,
pilihan seorang analisis menjadi serba terbatas. Seorang analisis tidak tahu pasti
beberapa nilai faktor-faktor di atas, dia harus memperkirakan nilai tersebut
sebelum memperkirakan nilai variable yang diteliti tersebut. Analis tersebut
terpaksa harus memfokuskan pada beberapa variable saja yang lebih sedikit dan
bisa diperkirakan lebih pasti. Analisis time series klasik biasanya memfokuskan
pada analisis musiman.
Data-data seperti penjualan mencerminkan empat macam factor
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
tersebut. Tren tersebut 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.
a. Mengukur Pengaruh Tren
Trend suatu data dapat dilihat dengan berbagai cara:
1) Menggambar dengan tangan
2) Menggunakan model matematika (metode least square)
Dua orang, dengan data yang sama, bisa menghasilkan garis tren yang berlainan.
Demikian seorang analis apabila menggambarkan 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.
Model times series dapat dirumuskan sbb:
Yt = a + bX , a dan b dapat dihitung sebagai berikut:
a = E ( Y ) – b E ( X ) dan
b. 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. Misal suatu produk baru diluncurkan, pertumbuhan pada awal
periode akan sangat cepat. Kemudian memasuki tahap kedewasaan,
pertumbuhan tsb akan semakin melambat.
c. Analisis Siklus
Fluktuasi siklus bisnis muncul dalam jangka waktu menengah 2 – 10 tahun.
Pengaruh siklus dapat dilihat dengan persentase trend yang dirumuskan sbb:
Di mana Y merupakan data tahunan yang sesungguhnya, dan Yt merupakan data
tren yang dihitung berdasarkan persamaan trend.
d. Analisis Musiman
Analisis musiman akan bermanfaat pada beberapa situasi. Pertama apabila analis
ingin melihat pengaruh musiman dan memanfaatkan informasi tersebut untuk
tujuan tertentu. Misalnya ia menggambarkan penjualan tahun depan sebesar
400 juta, dan mempunyai indeks musiman dengan data triwulan untuk yang
pertama 0,97, untuk yang kedua 1,1, ketiga 0,85. Ke empat 1,08, analis bisa
mengalokasikan anggaran penjualan tahun mendatang ke dalam triwulanan
berikut ini.
Triwulan I : 0,97 x 100.000.000 = 97.000.000
Triwulan II : 1,10 x 100.000.000 = 110.000.000
Triwulan III : 0,85 x 100.000.000 = 85.000.000
Triwulan IV : 1,08 x 100.000.000 = 108.000.000
Total Anggaran Penjualan = 400.000.000
Kedua, apabila analis ingin menghilangkan pengaruh musiman untuk melihat
pengaruh trend, siklus dan ketidakteraturan secara lebih jelas. Apabila is
 mempunyai data penjualan triwulan yang sesungguhnya sebagai berikut ini, maka
data yang bersih dari pengaruh musiman adalah sebagai berikut:

Tahun Penjualan Indeks Musiman Data Tanpa pengaruh Musiman

(1) (2) (3) (Deseasonalized)
(2)/(3) = (4)

1980 1 298,8 0,97 308

2 383,7 1,10 349
3 322,0 0,85 379
4 436,8 1,08 404

1981 1 384,2 0,97 396

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

C. Metode-Metode Peramalan
Pada dasarnya ada empat kategori peramalan seperti terlihat dari matriks berikut
ini:
Univariate Multivariate
Mekanis Model rata-rata Model regresi
Bergerak Model fungsi transfer box-
Model Box-Jenkins jenkins
Univariat
Non- Pendekatan visual Pendekatan analis sekuritas
mekanis
1. Model Penghalusan Eksponensial
Model Penghalusan Eksponensial mempunyai kelebihannya karena
kesederhanaannya dan data yang dibutuhkan tidak banyak. Formula umum
model tersebut:
Ft = w At-1 + (1-w) Ft-1
Dimana 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 dan 1
Model diatas bisa dibaca sbb:
Forecast baru = w (data sesungguhnya saat ini) + (1-w) (Forecast saat ini)
Model diatas bisa dituliskan:
Ft = At-1 + (1-w)(Ft-1 –At-1)
2. Perbandingan Model- model forecast
Pendekatan analisis sekuritas ( multivariate) untuk foresting
Kelebihan
a. Mampu menyesuaikan terhadap informasi dari berbagai sumber
b. Mampu menyesuaikan terhadap perubahan struktural secara cepat
c. Mampu memperbaharui secara kontinyu apabila ada informasi yang baru
masuk.
Kekurangan
a. Biaya yang cukup tinggi untuk persiapan dan perlaksanaan, untuk
memonitoring beberapa variabel dan biaya-biaya lainnya.
b. Ketergantungan yang tinggi terhadap kemampuan individu analisnya
c. Analis barangkali mempunyai insentif yang tidak menampilkan forecast yang
tidak bias.
d. Analis barangkali bisa dimanfaatkan oleh perusahaan-perusahaan tertentu
untuk kepentingan perusahaan tersebut.

Pendekatan Univarate mekanis untuk forecasting

Kelebihan
a. Kemampuan untuk mendeteksi dan memanfaatkan pola tertentu pada masa
yang akan datang.
b. Tingkat subjektifitas yang rendah, terutama apabila metode statistik
digunakan
c. Biaya yang relatif lebih rendah
d. Mudah diperbaharui
e. Kemampuan menganalisis lebih lanjut dengan menggunakan metode statistik.
Kekurangan
a. Jumlah observasi yang terbatas pada situasi tertentu
b. Laporan keuangan tidak memenuhi asumsi-asumsi yang diperlukan dalam
analisis statistik.
c. Sulit mengkomunikasikan hasil analisis kepada luar

Secara umum forecast yang diberikan oleh analis keuangan biasanya lebih
akurat dibandingkan dengan forecast dengan menggunakan model analisis time
series. Hal ini disebabkan karena beberapa alasan:
1. Analis mempunyai akses terhadap informasi terbaru. Informasi terbaru
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 memfokuskan pada
perilaku data tunggal pada masa lalu.