Anda di halaman 1dari 29

Makalah

ANALISIS TIME SERIES DAN

FORECASTING DATA KEUANGAN

Disusun oleh:

KELOMPOK 3

Egariaty H. Worang 17304014

Maronetino Sianturi 17304099

Gaby C. Ritonga 17304150

Ribka L.M Kessek 17304198

UNIVERSITAS NEGERI MANADO

FAKULTAS EKONOMI

AKUNTANSI

2020
KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa, karena atas kelimpahan berkat
dan karunia-nya kami dapat menyelesaikan makalah ini tepat pada waktunya. Makalah ini
berjudul ”ANALISIS TIME SERIES DAN FORECASTING DATA KEUANGAN”

Dalam kesempatan ini kami menyampaikan terimakasih kepada bapak Dr.ir. Ramon F.A
Tumiwa, MM selaku dosen yang mengajar matakuliah Analisis Laporan Keuangan yang telah
memberikan waktu dan kesempatan bagi kami kelompok tiga untuk menyelessaikan makalah
ini.

Akhir kata kami menyadari bahwa penbuatan makalah ini masih jauh dari kata
sempurna dan banyak kekurangannya, oleh karena itu kami mengahrapkan saran, kritik
sanggahan dan pentunjuk dari berbagai pihak agar berikutnya pembuatan makalah ini menjadi
baik dimasa mendatang.

Terimakash atas perhatiannya, kurang lebihnya kami mohon maaf.

Tondano, 17 Maret 2020


ANALISIS TIME SERIES DAN

FORECASTING DATA KEUANGAN

7.1 ANALISIS TIME SERIES

Dalam analisi keuangan, analisis terhadap data historis diperlukan untuk melihat tren-tren
yang mungkin timbul. Kemudian kita bisa menganalisi apa yang terjadi dibalik tren-angka
tersebut. Data historis perusahaan sebaiknya juga dibandingan dengan data historis industry
untuk melihat apakah tren suatu perusahaan bergerak relative lebih baik terhadap tren
industry.Misalkan diketahui data ROA suatu perusahaan dan data ROA industry sebaga berikut
ini.

Table 7.1. ROA Hipotesis Untuk Perusahaan dan Industri

Tahun ROS 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%

Data-data tersebut kemudian diplot ke dalam suatu grafik berikut ,


Gambar 7.1. Grafik ROA Perusahaan dan Industri

27.5

25.0

22.5

20.5

17.5

15.0
07 08 09 10 11 12 13 14 15
INDSR
PERSH

Dari grafik diatas nampak bahwa tren ROA perusahaan mengalami kenaikan dari tahun ke
tahun.demikian juga halnya dengan ROA industry.Dari analisis tren diatas nampak juga bahwa
kenaikan ROA industry lebih cepat dibandingkan dengan ROA perusahaan.Meskipun pada
tahun 2015 ROA perusahaan masih lebih tinggi dibandingan dengan ROA industry, tetapi pada
masa mendatang ROA perusahaan kemungkinan besar di bawah ROA industry.Tentunya tren
semacam ini bukan merupakan tren yang menguntungkan buat perusahaan.Kejadian semacam
itu bisa terjadi apabila industry tumbuh pesat, tetapi perusahaan mengalami penurunan market
share.Analisis tren semacm itu bisa dilakukan untuk setiap rasio atau angka keuangan dan
dibandingkan dengan tren dalam industry.

Dalam analisis time series, seperti analisi tren diatas, perubahan-perubahan structural
yang akan berpengaruh terhadap angka-angka keuangan harus diperhatikan. Berikut ini
beberapa contoh perubahan strukturan yang akan mempengaruhi tren keuangan suatu
perusahaan:

(1) Peraturan Pemerintah


(2) Perubahan Kompetisi
(3) Perubahan Teknologi
(4) Akusisi dan Merger (Penggabungan Perusahaan)
Jika ada perubahan semacam itu, seorang analis mempunyai bebrapa alternative analisis.
Misalkan analis menganalisis industry perbankan dan ia ada dregulasi perbankan sekitar tahun
2014, analis bisa membagi periode analisis 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 analis
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 diatas merupakan kebijakan yang jarang dan
merupakan kejadian 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 perusahaan XYZ pada tahun 2010, dan perusahaan XYZ tidak muncul lagi.

Table 7.2. Data Penjualan PT ABC dan 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

Dengan melihat data-data penjualan PT ABC saja (tanpa mencari informasi lain) nampak
bahwa ada perubahan structural yang terjad, karena tahun 2010 penjualan PT ABC mengalami
peningkatan yang tajam dari 2.100 menjadi 3.200. ada beberapa alternative analisis yang bisa
dipakai:
(1) Analisi bisa menggunakan data penjualan gabungan (kolom ketiga) untuk menganalisis
prospek perusahaan pada masa mendatang. Penggunaan analisis semacam ini
mempunyai asumsi implisit bahwa perusahaan gabungan merupakan funsi
penambahan perusahaan individualnya.kemungkinan munculnya sinergi tidak di
perhitungkan dalam hal ini.
(2) Analis 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 structural antara kedua periode
tersebut, sehingga kedua periode tersebut harus dipisahkan. Misalkan diduga ada efek
senergi yang cukupsignifikan 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 di akuisisi (XYZ) tidak terlalu signifikan
dibandingkan besarnya perusahaan ABC. Apabila besarnya perusahaan yang di
akuisisi cukup signifikan, cara semacam ini tidak bisa dilakukan. Dari data diatas
nampak bahwa besarnya perusahaan XYZ cukup signifikan Karena mencapai 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 dat-data yang luar biasa ( outlier).
Misalkan pada tahun 2015 PT ABC mengalami kerugian sebesar 1.000, setelah sebelumnya
selalu untung di atas 3.000.Kerugian tersebut bisa di analisis 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 dihilangkan dari analisis.Kejadian
semacam itu merupakan peristiwa sestrukturisasi perusahaan, barangkali kejadian semacam itu
menjadi permulaan munculnya perubahan structural.Diperlukan pertimbangan khusus untuk
memasukan kerugian semacam itu kedalam analisis. Barangkali diperlukan penyesuaian-
penyesuaian tertentu kalau analis akan memasukan angka kerugian tersebut ke dalam analisis

Dalam analisis time series, ada tiga macam pendekatan yang bisa dilakukan :

(1) Pendakatan Ekonomi


(2) Pendekatan Statistik
(3) Pendekatan Visual

Ketiga macam pendekatan tersebut tidak saling menghilangkan, tetapi saling


melengkapi.Misalkan sebuah perusahaan mempunyai grafik penjualan sebagai berikut.
Gambar 7.2. Grafik Penjualan
800

700

600

500

400

300

200

100

2 4 6 8 10 12 14 16 20 22 24

Dengan hanya melihat grafik diatas,nampak bahwa penjualan perusahaan mempunyai


pola yang berfluktuasi secara sistematis. Pola musiman Nampak dari grafik diatas.Setiap
kuartal awal penjualan perusahaan menunjukan angka yang lebih tinggi dibandingkan dengan
rata-rata penjualan bulanan. Disamping itu Nampak bahwa penjualan perusahaan menunjukan
tren yang semakin naik dalam jangka panjang,meskipun dalam jangka pendek terlihat
penjualan yang naik turun.

Dari segi ekonomi,data-data diatas bisa diinterpretasikan lebih lanjut. Pada akhir tahun
penjualan menunjukan kecendrungan naik karena penjualan cenderung naik pada saat tahun
baru dan hari raya natal.Penjualan juga menunjukan 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 sekitar 10 hari setiap tahunnya,maka
analis bisa memperhitungkan bahwa suatu ketika hari raya Idul Fitri akan jatuh pada kuartal
keempat,yang berakibat akan munculnya penjualan yang sangat tinggi pada kuartal
keempat,dan penjualan yang normal pada tinggi kuartal lainnya.

Data musiman diatas disebabkan oleh kejadian atau peristiwa yang mendorong
penjualan diatas penjualan normal. Disamping musiman semacam itu ada musiman lain yang
disebabkan oleh perubahan cuaca. Pada saat musim kemarau barangkali penjualan
perusahaan pembuat minuman akan menunjukan kecenderungan yang lebih tinggi. Pada saat
musim hujan,perusahaan pembuat jas hujan menunjukan penjualan yang lebih tinggi
dibandingkan pada musim kemarau. Disamping musiman seperti diatas,ada juga musiman
yang disebabkan karena pada pelaporan keuangan. Misalkan suatu perusahaan menyusun
laporan keuangan kuartalan yang terdiri dari 12 munggu,12 minggu,12 minggu,dan 16 minggu
(satu tahun ada 52 minggu),apabila factor-faktor lain konstan,ada kecenderungan penjualan
pada kuartal keempat menunjukan angka yang lebih tinggi karena jumlah minggunya yang lebih
banyak.

7.2 ANALISIS 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,analis mempunyai pilihan yang banyak terhadap factor-faktor yang diperkirakan
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 factor-faktor diatas,dia harus memperkirakan nilai tersebut sebelum memperkiakan
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 7.3. Komponen Time Series

Data Asli

Trend

Tahun

Siklus

Tahun
Musiman Pergerakan
random

Tahun
Data-data,seperti data penjualan mencerminkan empat macam factor:

1) Tren
Tren 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,dan semacamnya.
2) Siklus
Siklus merupakan fluktuasi bisnis dalam jangka yang lebih pendek (sekitar 210 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 industry ke industry.
3) Musiman
Musiman merupakan fluktuasi yang terjadi dalam lingkup satu tahun. Ada beberapa
penyebab timbulnya fluktuasi musiman seperti yang disebutkan dimuka: (1) karena
peristiwa tertentu,misal karena peristiwa lebaran atau tahun baru, (2) karena
cuaca,misal musim hujan dan musim kemarau.
4) Ketidakteraturan (irregularities)
Fluktuasi semacam ini disebabkan karena factor-faktor yang munculnya tidak
teratur,dengan jangka waktu pendek. Misalkan suatu perusahaan mengalami musibah
karena salah satu gudangnya terbakar,maka data keuntungan perusahaanpada 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 kalau ingin menganalisis pengaruh
musiman penjualan perusahaan,maka akan lebih baik apabila pengaruh tren,siklus, dan
ketidakaturan dalam data penjualan dihilangkan,sehingga akan diperoleh data yang
benar-benar mencerminkan pengaruh musiman perusahaan.

7.2.1. 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 sangat kurang. Dua orang,
dengan data yang sama, bisa menghasilkan garis tren 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.
Dengan menggunakan model matematik,garis tren bisa dibuat dengan metode least
square

Model tersebut pada dasarnya menggambarkan garis lurus sedemikian rupa sehingga selisih
kuadrat antara garis lurus tersebut dengan data yang sesungguhnya, yang paling kecil. Model
tersebutserupa 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 peeriode t dengan residual pada periodet 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 berkorelasi dengan penjualan pada t-1. Meskipun
demikian metode 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)

∑ XY – n X́ Ý
b =

∑ X2 - N X́ 2

Misalkan kita mempunyai data seperti dala tabel ini, garis tren bisa dihitung dengan model
diatas.
Tabel 7.3.perhitungan tren

(3) (7)
(1) (2) (4) (5) (6)
Penj Y/Yt * 100
2
Tahun X XY X Tren
(Y) (%Tren)

1 224 224 1
1999 217 103,2
2 233 466 4
2000 234 99,5
3 248 744 9
2001 251 98,7
4 258 1.032 16
2002 268 96,2
5 270 1.350 25
2003 285 94,6
6 288 1.728 36
2004 303 95,2
7 315 2.205 49
2005 320 98,6
8 344 2.752 64
2006 337 102,2
9 369 3.321 81
2007 354 104,3
10 393 3.930 100
2008 371 106,0
11 406 4.466 121
2009 388 104,6
12 416 4.992 144
2010 405 102,7
13 425 5.525 169
2011 422 100,7
14 437 6.118 196
2012 439 99,5
15 450 6.750 225
2013 456 98,6
16 462 7.392 256
2014 474 97,6
17 476 8.092 289
2015 491 97,0
153 6.014 61.087 1.785
E(Y) = ∑ Y/N = 6.014/17 = 353,8

61.087 – 17(9) (353,8)

b= = 17,1

(1.785) – 17 (9)2

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
diatas. Berikut ini grafik yang menunjukan nilai penjualan yang sesungguhnya dan nilai tren
penjualan.

Gambar 7.4.Data Trend Dan Data Sesungguhnya

500

450 Data Asli

Garis
400

350

300

250

1999 01 02 05 07 09 11 13 15
==
7.2.2. Tren Sebagai Proyeksi Masa Depan

Untuk memakai persamaan tren diatas sebagai proyeksi masa depan, seorang analis
harus hati-hati terhadap asumsi yang digunakan. Tren garis lurus diatas mengasumsikan
perkembangan yang konstan untuk masa-masa mendatang. Padahal pada beberapa situasi,
pesnjualan 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. Perhatikan dua grafik
penjualan berikut ini.

Gambar 7.5.Pertumbuhan Nonlinear

Skala Skala Semi-


Aritmatik logaritma

Waktu (a) Waktu (b)

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
persamaan logaritma dengan model seperti berikut ini.

Log Y = a + b log X

Pemilihan model yang akan digunakan sebagai proyeksi pada mas mendatang akan sangat
tergantung dari asumsi yang 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.
7.2.3. Analisis Siklus

Seperti dikatakan dimuka,fluktuasi siklus bisnis muncul dalam jangka waktu menengah

(2-10 tahun).Pengaruh musiman dalam data tabel diatas 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.

%tren = ×100

Yt

Di mana Y merupakan data tahunan yang sesungguhnya, dan Yt merupakan data tren yang
dihitung berdasarkan persamaan tren. Kolom (7) pada Tabel 7.3. diatas memperlihatkan
hasilperhitungan diatas. Plot angka-angka dalam kolom ke (7) akan terlihat seperti berikut ini.

Gambar 7.6. Grafik Siklus penjualan

106

104

102
Presentase
dari Trend
100

98

96

94

1999 01 02 05 07 09 11 13 15
== Tahun
Perhatikan bahwa ada kecenderungan siklus dengan jangka waktu sekitar 9 tahun.
Tahun 1999 menunjukan kecenderungan penjualan yang tinggi, relatif terhadap angka tren,
dan kemudian penjualan yang tinggi tersebut muncul lagi pada tahun 2008.

7.2.4 Analisis Musiman

Analisis musiman akan bermanfaat pada beberapa situasi. Pertama, apabila analisis ingin
melihat pengaruh musiman dan memanfaatkan informasi tersebut untuk tujuan tertentu.
Misalnya 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 dan 1,08 untuk triwulan 4, analisi bisa mengalokasikan anggaran penjualan tahun mendatang
ke dalam triwulanan berikut ini.

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

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

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

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

Total Anggaran Penjualan = 400 juta

Kedua, apabila analisis ingin menghilangkan pengaruh musiman untuk melihat pengaruh trend,
siklus, dan ketidateraturan secara lebih jelas. Apabila ia mempunyai data penjualan triwulanan
yang sesungguhya sebagai berikut ini, maka data yang bersih dari pengaruh musiman adalah
sebagai berikut:

Tabel 7.4. Data Deseasonalized

Tahun Penjualan Indeks Musiman Data Tanpa pengaruh


Musiman (Deseasonalized)
(1) (2) (3) (2)/(3)= (4)
20X3 1 289,8 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, meupakan penjualan yang
seharusnya terjadi apabila pengaruh musiman triwulan 1 dihilangkan. Penjualan pada kolom (4)
tersebut masih mengandung pengaruh faktor tren, siklus, dan ketidakteraturan.
Untuk mengitung indeks musiman, amalisi bisa menggunakan cara semacam ini (Lihat
Tabel 7.5.). Langkah pertama yang perlu dilakukan pada tabel diatas adalah menghitung total
bergerak empat triwulanan seperti pada kolom (3). Hasil total tersebut seharusnya ditempatkan
diantara kuartal kedua dan ketiga (atau kuatal 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 sekarang ditempatkan pada kuartal ketiga.
Kolom (5) merupakan rata-rata total bergerak, yang dicari dengan membagi kolom (4) dengan
8.

Perhatikan 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 faktor siklus, tetapi masih mengandung komponen
random Data pada kolom (5) dan (6) pada Tabel 7.5. bisa dilihat berikut ini. (lihat Gambar 7.7.
dan 7.8.

Tabel 7.5. Data Penjualan dan Perhitungan Indeks Musiman


(1) (2) (3) (4) (5) (6) (7) (8)
Tahun/ Penjualan Total Bergerak Total Rata-rata Data asli Indeks Penjualan yang
Kuartal Empat Kuartal Bergerak Bergerak Sbg.Persen Musiman dihilangkan
Dua Empat tase Rata2 Musimanya
Kuartal Bergerak (Deseasonalized)
(4)x1/8 [(2)/(5)]x100 [(2)/(7)]x100
2006 I 298,9 85.6 394.2
II 383,7 115.8 331.3
III 322,0 1,441.4 2,968.1 371.0 86.8 93.2 345.5
IV 436,8 1,626.7 3,209.0 401.1 108.9 105.3 414.8
2007 I 384.2 1,682.3 3,490.7 436.3 88.1 85.6 448.8
II 539,3 1,808.4 3,724.3 465.5 115.8 115.8 465.7
III 448,1 1,915.9 3,869.6 483.7 92.6 93.2 480.8
IV 544,3 1,953.7 3,904.3 488.0 111.5 105.3 516.9
2008 I 422.0 1.950.6 3.896.1 487.0 86.7 85.6 493.0
II 536.2 1.945.5 3,905.8 488.2 109.8 115.8 463.0
III 443.0 1.960.3 3,975.2 496.9 89.2 93.2 475.3
IV 559.1 2.014.9 4,142.7 517.8 108.0 105.3 531.0
2009 I 476.6 2,127.8 4,338.1 542.3 87.9 85.6 556.8
II 649.1 2,210.3 4,504.8 563.1 115.3 115.8 560.5
III 525.5 2,294.5 4,620.9 577.6 91.0 93.2 563.8
IV 643.3 2,326.4 4,744.3 593.0 108.5 105.3 610.9
2010 I 508.5 2,417.9 4,930.7 616.3 82.5 85.6 594.0
II 740.6 2,512.8 5,077.1 634.6 116.7 115.8 639.6
III 620.4 2,564.3 5,209.1 651.1 95.3 93.2 665.7
IV 694.8 2,644.8 5,441.8 680.2 102.1 105.3 659.8
2011 I 589.0 2,797.0 5,692.7 711.6 82.8 85.6 688.1
II 892.8 2,895.7 5,887.9 736.0 121.3 115.8 771.0
III 719.1 2,992.2 6,063.7 758.0 94.9 93.2 771.6
IV 791.3 3,071.5 6,195.8 774.5 102.2 105.3 751.5
2012 I 668.3 3,124.3 6,332.1 790.3 84.6 85.6 780.7
II 945.6 3,197.8 6,500.1 812.5 116.4 115.8 816.6
III 792.6 3,302.3 6,735.0 841.9 94.1 93.2 850.4
IV 895.8 3,342.7 6,993.2 874.2 102.5 105.3 850.7
2013 I 798.7 3,560.5 7,426.1 905.8 88.2 85.6 933.1
II 1,073.4 3,685.6 7,531.8 941.5 114.0 115.8 926.9
III 917.7 3,846.2 7,760.5 970.1 94.6 93.2 984.7
IV 1,056.4 3,914.3 7,954.7 994.3 106.2 105.3 1,003.2

2014 I 866.8 4,040.4 8,190.3 1,023.8 84.7 85.6 1,012.6


II 1,199.5 4,149.9 8,360.2 1,045.0 114.8 115.8 1,035.8
III 1,027.2 4,210.3 8,495.8 1,062.0 96.7 93.2 1,102.1
IV 1,116.8 4,285.5 8,726.9 1,090.9 102.4 105.3 1,060.6

2015 I 942.0 4,441.4 9,024.4 1,128.1 83.5 85.6 1,100.5


II 1,355.4 4,583.0 9,297.5 1,162.2 116.6 115.8 1,170.5
III 1,168.8 4,714.5 8,487.0 1,060.9 110.2 93.2 1,254.1
IV 1,248.3 3,772.5 3,772.5 471.6 264.7 105.3 1,185.5
Setelah kolom (6) pada Tabel diatas terbentuk, analisis akan menghilangkan pengaruh
variabel random terhadap data 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.

Tabel 7.6. perhitungan Rata-rata Indeks Musiman

% Rata-rata Bergerak data Kuartalan


Tahun 1 2 3 4
2003 86,8 108,9
2004 88,1 115,8 92,6 111,5
2005 86,7 119,8 89,2 108,0
2006 87,9 115,3 91,0 108,5
2007 82,5 116,7 95,3 102,1
2008 82,8 121,3 94,9 102,2
2009 84,7 116,4 94,1 102,5
2010 88,2 114,0 94,6 106,2
2011 84,7 114,8 96,7 102,4
2012 83,5 116,7

Rata-rata yang
dimodifikasi 85,5 115,7 93,1 105,1

Total Rata-rata yang dimodifikasi = 85,5 + 115,7 + 93,1 + 105,1 += 399,4


Faktor Penyesuaian*)= 400/399,4
Indeks Musiman 1 2 3 4
85,6 115,8 93,2 105,3
* Faktor penyesuaian dibuat karena penjualan dianggarkan 400 setiap tahunnya

Setelah indeks musiman dibuat kkita bisa menyusun data yang bersih dari pengaruh
musiman (deseasonalized) seperti yang terlihat pada kolom (7) Tabel 7.5. 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 7.9.
Gambar 7.7. Data Asli dan Data Rata-rata bergerak

1200

1000
Data Asli

800
Rata-rata bergerak

Penjualan

600

400

200
2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Gambar 7.8. Data Musiman

120

115

110

Presentase
105
dari rata-
100

95

90

85

80

2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Tahun
Gambar 7.9. Data dengan Faktor Musiman Dihilangkan (Deseasonalized)

1400

1200

1000

800
Penjualan
600

400

200
2007 2008 2009 2010 2011 2012 2013 2014 2015
2006
Tahun

7.3 METODE-METODE KEUANGAN

Pada dasarnya ada empat kategori peramalan seperti terlihat dari mmatriks berikut ini

Tabel 7.7. Metode-metode Peramalan

Univariate Multivariate

Mekanis Model Rata-rata Model Regresi


Bergerak Model Fungsi Transfer
Model Box-Jenkins Box-Jenkins
Univariate

Nonmekanis Pendekatan Visual Pendekatan analisis


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 tersebut adalah model regresi. Dengan cara ninmekanis, teknik yang
digunakan relatif lebih bebas. Tidak terdapat hubungan yang pasti dan tetap antara data yang
dianalisis dengan peramalan yang dibuat. Sebagai contoh, seorang analisis 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 analisis melakukan
perkiraan. Contoh pendekatan semacam ini yang mekanis adalah perkiraan dengan cara
penghalusan eksponensial atau model rata-rata bergerak tertimbang. Model ini akan
dibicarakan lebih banyak pada bagian berikut. 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 ekonometri yang memperhitungkan hibungan secara simultan
persamaan-persamaan dalam suatu sistem. Contoh pendekatan multivariate nonmekanis
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 prakiraan.

7.3.1 Model Penghalusan Eksponensial


Salah sartu contoh peramalan metode multivariate adalah penghalusan eksponensial.
Model penghalusan eksponensial mempuyai kelebihan karena kesederhanaannya,
disamping 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 = Forecast untuk peroide t


At-1 = data sesungguhnya pada periode t-1
Ft-1 = Forecastpada periode t-1
w = konstanta dengan nilai antara 0 dan 1
Model di atas juga bisa dibaca sebagai berikut ini.
Forecastbaru = w (Data sesungguhnya saat ini) + (1-w) (Forecastsaat ini)
Model diatas bisa dituiskan 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 penyimpangan pada
periode sebelumnyaApabila 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

F3 = w A3 + (1-w) F3

Persamaan F2 dan F3 bisa disubstitusikan 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 yang berisi data forecast, yaitu F1. Apabila analis
memperpanjang periode sampai ke periode 0, maka F1 juga bisa dinyatakan dalam data
sesungguhnya yaitu A0.

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

Pilihan besarnya angka untuk w akan melibatkan trade-off. Jika w di beri nilai mendekati
nol, maka data yang terbaru akan memperoleh bobot yang kecil. Nilai w yang kecil akan
membuat forecast tidak gampang beraksi terhadap perusahaan-perusahaan jangka pendek
dalam fluktuasi data. Forecast yang terjadi secara keseluruhan akan akan mempunyai fluktuasi
yang lebih kecil. Sebaiknya apabila nilai w besar, forecast yang terjadi akan beraksi cepat
terhadap perubahan-perubahan random yang bersifat jangka pendek. Hasil forecast yang
terjadi mempunyai fluktuasi yang lebih tajam. Nilai w yang di gunakan 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 di pergunakan untuk menganalisis data yang
lebih kompleks.

7.3.2. Perbandingan Model-model Forecast

Kelebihan dan kelemahan alternatif model-model forecast bisa di lihat berikut ini (untuk
analisis univariate mekanis dan pendekatan analis sekuritas).
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 insentif untuk tidak menampilkan forecast yang tidak biasa
(missal, karena tekanan agar sesuai dengan consensus forecast)
4. Analis barangkali bisa di manfaatkan 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 statistic digunakan
3. Biaya yang relatif lebih rendah
4. Mudah di perbaharui
5. Kemampuan menganalisis lebih lanjut dengan menggunakan metode statistic

Kelemahan
1. Jumlah observasi yang terbatas pada situasi tertentu, missal pada perusahaan yang baru
berdiri
2. Laporan keuangan barangkali tidak memenuhi asumsi-asumsi yang di perlikan dalam
analisis statistic
3. Sulit mengkomunikasikan hasil analisis kepada luar, terutama dalam hal metodologinya

Secara umum forecast yang diberikan oleh analis keuangan biasanya lebih akurat
dibandingkan dengan forecast dengan menggunakan model analisis timeseries. Hal ini
disebabkan karena beberapa alasan:
(1) Analis mempunyai akses terhadap informasi terbaru. Informasi terbaru tersebut bisa di
pakai untuk memperbaiki forecast mereka.
(2) Analis mempunyai akses terhadap informasi yang lebih luas, seperti forecast perekonomian,
struktur industry, kejadian-kejadian lain yang relevan. Sedangkan analisis time series hanya
memfokuskan pada perilaku data tunggal pada masa lalu.
Secara umum model forecast multivariate biasanya lebih akurat di bandingkan dengan
model forecast univariate .hal ini bisa di mengerti karna analisis multivariate melibatkan lebih
banyak factor yang mempengaruhi suatu variabel.

Cara lain untuk meningkatkan akurasi forecast adalah dengan menggabungkan beberapa
forecast individual. Kesalahan-kesalahan (error) setiap forecast individual akan cenderung
saling menghilangkan dan rata-rata nilai forecast akan menampilkan forecast yang lebih akurat.
Berikut ini hasil penelitian yang melihat rangking akurasi forecast yang diukur dengan rata-rata
presentase error kuadrat.

Tahun 20X8 Tahun 20X9

Konsensus Analis 1 1
Analis Individual 2 2
Model Tren Linear 3 4
Model Eksponensial Klasik 5 5
Model Eksponensial yang dimodifikasi 4 3

Terlihat bahwa forecast dari beberapa analis yang di gabunkan selalu menempati rangking
pertama dalam seni akurasi.
Disamping agregasi analis individual seperti di atas, agregasi forecast bisa di lakukan
dengan menggabungkan hasil forecast oleh model-model individual. Sebagai contoh, analis
melakukan forecast suatu data dengan empat macam metode: (1) pendekatan subyektif
(pertimbangan kita), (2) Model regresi, (3) Model penghalusan eksponensial, dan (4) Model
penghalusan eksponensial yang di modifikasi. Kemudian dari hasil masing-masing forecast di
atas di gabungkan dan menjadi forecast kita. Forecast yang di hasilkan dari penggabungan
semacam itu cenderung akan mempunyai akurasi yang lebih baik di badingkan dengan forecast
dengan cara metode individual. Cara penggabungan semacam ini merupakan cara yang praktis
yang bisa memberikan manfaat yang cukup signifikan dalam peningkatan akurasi forecast.
7.4 RANGKUMAN
Dalam data-data bisa di perbandingkan dengan data-data pada periode sebelumnya, meskipun
interpretasi yang dilakukan harus hati-hati.Prestasi pada periode masa lalu barang kali tidak
memuaskan sehingga perbandigan dengan periode masa lalu barang kali tidak begitu
tepat.Perbandigan dengan data-data masa lalu bisa di lakukan dengan menggunakan beberapa
periode (observasi) untuk melihat tren-tren yang muncul. Analisis time series semacam itu juga
bisa melihat pengaruh factor-faktor tertentu terhadap perkembangan data keuangan.
Apabila ada perubahan structural, seorang analis harus menetukan apakah pengamatan
akan di lakukan seperti biasa atau akan di lakukan penyesuaian-penesuaian tertentu terhadap
analisis. Sebagai contoh, apabilah ada merger seorang analis bisa membagi analisis ke dalam
dua periode: sebelum dan sesudah merger.Analis juga bisa menggabungkan data-data kedua
perusahaan tersebut, atau hanya memfokuskan pada perusahaan yang mengakuisisi. Pilihan
akan tergantung pada pertimbangan yang digunakan oleh analis.
Ada tiga pendekatan dalam analisis time series, yaitu: ekonomi, statistik, dan vidual.
Ketiga pendekatan tersebut saling melengkapi.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 analisis ingin memfokuskan pada analisis tren saja,
analisis siklus saja, atau analisis musiman saja.Teknik-teknik penyesuain bisa di gunakan untuk
melihat pengaruh masing-masing komponen data tersebut.
Ada beberapa pendekatan dalam forecasting: (1) Mekanis versus nonmekanis dan (2)
Univariateversus Multivariate.contoh pendekatan mekanis adalah pengunaan statistik,
sedangkan pengunaan nonmekanis adalah penggambaran tren dengan tangan. Contoh
peramalan dengan model univariate adalah penggunaan pegghalusan eksponensial.Contoh
model multivariate adalah regresi berganda atau pendekatan ekonometri.Keempat metode
tersebut tidak saling menghilangkan, tetapi bisa dipakai bersama-sama.
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.
7.5 BEBERAPA ISTILAH DALAM BAB INI

Data histori
Analisis time series
Tren
Perubahan Struktural
Data-data Outlier
Pendekatan Ekonomi
Pendekatan Visual
Pendekatan Statistik
Analisis Ex-post
Analisis Ex-ante
Siklus
Musiman
Random atau Ketidakaturan
Pertumbuhan yang Konstan
Pertumbuhan yang Semakin Cepat
Pertumbuhan yang Semakin Melambat
Model Tren Logaritma
Model Tren Parabola
Indeks Musiman
Data Deseasonalized
Rata-rata Bergerak
Rata-rata yang Dimodifikasi
Pendekatan Mekanis
Pendekatan Nonmekanis
Analisis Univariate
Analisis Multivariate
Model Penghalusan Eksponensial
Pendekatan Analis Sekuritas
Agregasi Peramalan
7.6 PERTANYAAN REVIEW

1. Apa manfaat analisis time series?


2. Mengapa analisis time series juga mesti digabungkan dengan analisi time series industri?
3. Jika ada merger, atau perubahan structural lainnya, bagaimana perlakuan analis terhadap
analisis time series?
4. Dalam analisis time series, pendekatan-pendekatan apa yang bisa di pakai? Jelaskan!
5. Apa bedahnya analisis ex-post dengan analisis ex-ante dalam peramalan keuangan?
6. Menurut pendekatan klasik, factor-faktor apa yang mempengaruhi suatu data?
7. Apa yang di maksud dengan tren?
8. Apa yang dimaksud dengan siklus?
9. Apa yang di maksud dengan Musiman?
10. Apa yang di maksud dengan Random atau Ketikateraturan?
11. Bagaimana menggambarkan tren linear?
12. Apakah asumsi tren linear selalu tepat untuk setiap situasi? Adakah situasi lain di mana
asumsi tren linear tidak tepat? Jelaskan!
13. Bagaimana menganalisis pengaruh siklus dang menghilangkan pengaruh tren?
14. Apa manfaat indeks musiman?
15. Bagaimana menghitung indeks musiman?
16. Apa yang di maksud dengan peramalan makanis dan nonmekanis? Berikan contohnya!
17. Apa yang di maksud dengan peramalan Univariante dan Multivariate? Berikancontohnya!
18. Metode mana yang lebih akurat, mekanis vs nonmekanis, Univariate vs Multivariate?
jelakan alasannya!
19. Apa kelebihan metode penghalusan eksponensial?
20. Trade off apa yang di hadapi pada waktu kita mementukan w (bobot) dalam metode
penghalusan eksponensial?
21. Apa kelebihan dan kelemahan dalam pendekatan analisis sekuritas?
22. Apa pengaruh agregasi metode peramalan individual terhadap akurasi peramalan?
Mengapa terjadi demikian?
7.7 PROBLEM

Misalkan manajemen PT Maju Tbk mengumumkan bahwa perusahaan di perkiraan akan


memperoleh EPS sebesar Rp.1.000 perlembar pada bulan Oktober, 20X5. Analis dengan
perkiraan EPS-nya pada bulan yang sama adalah sebagai berikut.
Analisis A B C D E
Perkiraan EPS 1.200 1.000 1.050 1.250 1.075

Pada bulan Desember PT Maju Tbk mengumumkan memperoleh EPS sebesar Rp 1.100
perlembar saham.
a. Jelaskan mana yang mempunyai forecast yang lebih baik, manajemen atau analis!
b. Jelaskan alasan mengapa terjadi jawaban seperti pada (a) tersebut!