COM
DOWNLOAD PDF
Jangan Baca Ini jika Anda tidak Siap Lebih Kaya 5x Lipat!
Ingin Seks Untuk 3 Putaran? Letakkan Ini Di Bawah Lidah Anda
Description
MAKALAH
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)
FAKULTAS AKUNTANSI
BAUBAU
Makalah Analisis Laporan Keuangan yang telah kami buat berjudul “AnalisisTime Series”. Makalah ini
dapat hadir seperti sekarang ini tak lepas dari bantuan banyakpihak. Untuk itu sudah sepantasnyalah
kami mengucapkan rasa terima kasih yangsebesar-besar buat mereka yang telah berjasa membantu
penulis selama prosespembuatan makalah ini dari awal hingga akhir.
Namun, kami menyadari bahwa makalah ini masih terdapat hal-hal yang belumsempurna dan luput
dari perhatian penulis. Baik itu dari bahasa yang digunakan maupundari teknik penyajiannya. Oleh
karena itu, dengan segala kekurangan dan kerendahanhati, kami sangat mengharapkan kritik dan
saran dari para pembaca sekalian demiperbaikan makalah ini kedepannya.
Akhirnya, besar harapan penulis agar kehadiran makalah ini dapat memberikanmanfaat yang berarti
untuk para pembaca. Dan yang terpenting adalah semoga dapatturut serta memajukan ilmu
pengetahuan.
Penulis
ii DAFTAR ISI
DAFTAR PUSTAKA
iv DAFTAR GAMBAR
v BAB I
PENDAHULUAN
Analisis semacam itu mengharuskan seorang analisis untuk melakukan beberapahal, yakni dengan
menentukan dengan jelas tujuan analisis, kemudian memahamikonsep-konsep dan prinsip-prinsip
yang mendasari laporan-laporan keuangan dan rasio-rasio keuangan yang diturunkan dari laporan
keuangan tersebut, serta memahamikondisi perekonomian dan kondisi bisnis lain pada umumnya
yang berkaitan denganperusahaan dan mempengaruhi usaha perusahaan.
Analisis Time series atau Analisa runtun waktu atau deret berkala adalah analisayang digunakan untuk
mengetahui tren-tren yang timbul, dengan cara menganalisis datahistoris atau serangkaian
pengamatan terhadap peristiwa, kejadian atau variabel yangdiambil 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 AnalisisTime Series dalam
perbandingan dengan perusahaan atau industri yang sejenis dengandata keuangan dalam beberapa
periode yang telah lalu.
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) 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?
Makalah ini dibuat dengan tujuan agar menambah ilmu dan wawasan bagi parapembaca serta penulis
sendiri mengenai Analisis Time Series dan diharapkan dapatbermanfaat dikemudian hari.
2 BAB II
PEMBAHASAN
Analisis time-series adalah membandingkan secara antar waktu atau antarperiode, dengan tujuan itu
nantinya akan terlihat dalam bentuk angka-angka dan jugasecara grafik. Sedangkan menurut Lukas
Setia Atmaja “Suatu rangkaian atau seri darinilai-nilai suatu variabel yang dicatat dalam jangka waktu
yang berurutan disebut time-series atau deret berkala”. Lebih jauh Lukas Setia Atmaja mengatakan
bahwa “TimeSeries” di analisis untuk mendapatkan pengukuran-pengukuran yang dapat
digunakanuntuk membuat keputusan, dan merencanakan operasi di waktu mendatang”.
Dalam analisis keuangan, analisis terhadap data historis diperlukan untukmelihat tren-tren yang
mungkin timbul. Kemudian kita bisa mengalisis apa yang terjadidibalik tren-tren angka tersebut. Data
historis perusahaan sebaiknya juga dibandingkandengan data historis industri untuk melihat apakah
tren suatu perusahaan bergerakrelatif lebih baik terhadap tren industri. Misalkan diketahui data ROA
suatu perusahaandan data ROA industri sebagai berikut ini :
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.
Dari grafik diatas nampak bahwa tren ROA perusahaan mengalami kenaikandari tahun ke tahun.
Demikian juga halnya dengan ROA industri. Dari analisis trendiatas nampak juga bahwa kenaikan ROA
industri lebih cepat dibandingkan denganROA perusahaan. meskipun pada tahun 2015 ROA
perusahaan masih leboh tinggidibandingkan ROA industri, tetapi pada masa mendatang ROA
perusahaankemungkinan akan dibawah ROA industri. Tentunya tren semacam ini bukanmerupakan
tren yang menguntungkan buat perusahaan. kejadian semacam itu bisaterjadi apabila industri tumbuh
lebih pesat, tetapi perusahaan mengalami penurunanmarkel 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
untukmengatasi permasalahan tersebut. Analisis tren semacam itu bisa dilakukan untuk setiaprasio
atau angka keuangan dan dibandingkan dengan tren dalam industri.
Dalam analisis time series, seperti tren di atas, perubahan-perubahan strukturalyang akan
berpengaruh terhadap angka-angka keuangan harus di perhatikan. Berikut inibeberap contoh
perubahan sruktural yang akan mempengaruhi tren keuangan suatuperusahaan :
Jika ada perunahan semacam itu, seorang analis mempunyai beberapa alternatifanalisis. Misalkan
menganalisis industri perbankan dan ia tahu ada deregulasiperbankan sekitar tahun 2014, anlis bisa
membagi periode anlisis ke dalam dua periodeyaitu periode sebelum dan sesudah deregulasi.
Kemudian analis menggunakan data-datasesudah tahun 2014 untuk memproyeksikan kondisi
keuangan pada masa mendatang.Sebaliknya, misalkan analisis mengasumsikan bahwa deregulasi
semacam itumerupakan hal yang biasa dalam bisnis perbankan, seorang analis bisa
menggunakandata-data untuk semua periode (periode sebelum dan sesudah deregulasi)
untukmemproyeksikan kondisi keuangan perusahaan pada masa mendatang. Tetapi kalauderegulasi
semacam di atas merupakan kebijakan yang jarang dan merupakan kejdianyang luar biasa,
pembagian periode analisis ke dalam dua periode, yaitu sebelum dansesudah deregulasi, merupakan
cara yang lebih realistis.
Misalkan perusahaan ABC melakukan akuisisi terhadap perusahaan XYZ, dandata-data penjualan
sebelum dan sesudah akuisisi adalah sebagai berikut ini. PerusahaanABC mengakuisisi pengakuisisi
perusahaan XYZ pada tahun 2010, dan perusahaanXYZ 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 ABCmengalami peningkatan yang
tajam dari 2.100 menjadi 3.200. ada beberapa alternatifanalisis 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 salingmelengkapi. Misalkan
sebuah perusahaan memiliki grafik sebagai berikut.
Dengan hanya melihat grafik di atas, nampak bahwa penjualan perusahaanmempunyai pola yang
berfluktuasi secara sistematis. Pola musiman nampak pada grafikdi atas. Setiap kuartal awal
penjualan perusahan menunjukan angka yang lebih tinggidibandingkan dengan rata-rata penjualan
bulanan. Di samping itu nampak bahwapenjulan 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 akhirtahun menunjukkan
kecenderungan naik karena penjualan cenderung naik pada saattahun baru dan hari raya Natal.
Penjualan juga menujukkan kecenderungan naik yangcukup tinggi pada saat hari raya Idul Fitri. Dalam
jangka panjang perusahaanmengalami perkembangan yang cukup stabil. Karena hari raya Idul Fitri
selalu maju 10hari setiap tahunnya, maka analis bisa memperhitungkan bahwa suatu ketika hari
rayaIdul Fitri akan jatuh pada kuartal keempat, yang berakibat akan munculnyapenjualanyang sangat
tinggi pada kuartal keempat, dan penjualan yang normal pada tiga kuartallainnya.
Data musiman di atas disebabkan oleh kejadian atau peristiwa yang mendorongpenjualan di atas
penjualan normal. Di samping musiman itu ada musiman lain yangdisebabkan oleh perubahan cuaca.
Pada saat musim kemarau barangkali penjualan
7 perusahaan pembuat minuman akan menjukkan kecenderungan yang lebih tinggi. Padasaat musim
hujan, perusahaan pembuat jas hujan menunjukkan penjualan yang jauhlebih tinggi dibandingkan
pada musim kemarau.
Dalam analisis time series, perhatian terhadap data historis (ex-post) seringdigunakan untuk melihat
pola-pola yang sistematik terhadap data tersebut. Dalamkonteks analisis historis semacam itu, analisis
mempunyai pilihan yang banyak terhadapfaktor-faktor yang di perkirakan akan mempengaruhi suatu
variabel. Dalam konteksanalisis masa mendatang (ex-ante), seperti forecasting, pilihan seorang analis
menjadiserba terbatas. Seorang analis tidak tahu pasti berapa nilai faktor-faktor di atas, diaharus
memperkiran nilai tersebut sebelum memperkiran nilai variabel yang ditelititersebut. Analis tersebut
terpaksa harus memfokuskan pada beberapa variabel saja yanglebih sedikit dan bisa diperkirakan
lebih pasti. Analisis Time Series klasik biasanyamemfokuskan pada analisis musiman. Perhatikan data
time series berikut ini :
(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 akanlebih baik apabila
pengaruh-pengaruh musiman, siklus, dan ketidakteraturandihilangkan dari data. Data yang dihasilkan
merupakan data yang benar-benarmencerminkan tren penjualan perusahaan tersebut. Demikian juga
jika ingin menganalispengaruh musiman penjualan, maka akan lebih baik apabila pengaruh tren,
siklus, danketidakteraturan dalam data dihilangkan, sehingga akan diperoleh datayang benar-
benarmencerminkan pengaruh musiman perusahaan.
Misalkan kita mempunyai data seperti dalam tabel ini, garis tren bisa dihitungdengan 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
. ( )( , ) b= ( . ) ( ) = 17,1
Kolom enam (6) merupakan nilai tren yang dihitung berdasarkan persamaan trenyang dihasilkan di
atas. Berikut ini grafik yang menujukkan nilai penjualan yangsesungguhnya dan nilai tren penjualan.
Untuk memakai persamaan tren di atas sebagai proyeksi masa depan, seoranganalis harus hati-hati
terhadap asumsi yang digunakan. Tren di atas mengasumsikanperkembangan yang konstan untuk
masa-masa mendatang. Padahal pada beberapasituasi, penjualan tumbuh dengan tingkat sangat
cepat pada awal-awal periode,kemudian tumbuh melambat pada periode berikutnya. Misalkan suatu
produk masihbaru di luncurkan, pertumbuhan pada awal periode akan sangat cepat. Kemudian
setelahmemasuki tahap kedewasaan, pertumbuhan tersebut akan semakin melambat.Perhatikan dua
grafik penjualan berikut ini.
Y = a + bX + cX2
Sedangkan untuk grafik (b) di atas, persamaan tren yang lebih sesuai adalahlogaritma dengan model
seperti berikut ini.
log Y = a + b log X
Perhatikan model yang akan digunakan sebagai proyeksi pada masa mendatangakan sangat
tergantung dari asumsi yang akan digunakan, apakah data akan tumbuhsecara linear atau tidak.
Pendekatan linear mengasumsikan besarnya perubahan konstan,sedangkan model parabola
mengasumsikan besarnya perubahan pada perubahan yangterjadi adalah tidak konstan.
Fluktuasi siklus bisnis muncul dalam jangka waktu menengah (2-10 tahun).Pengaruh musiman dalam
data tabel di atas hilang karena data yang digunakanmerupakan 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 datatren yang di hitung
berdasarkan persamaan tren. Kolom (7) pada tabel 3 di atasmemperlihatkan hasil perhitungan di atas.
Plot angka-angka dalam kolom ke (7) akanterlihat seperti berikut ini.
Perhatikan bahwa ada kecenderungan siklus dengan jangka waktu sekitar 9tahun. Tahun 1999
menunjukkan kecenderungan penjualan yang tinggi., relatif terhadapangka tren, dan kemudian
penjualan yang tinggi tersebut muncul lagi pada tahun 2008.
Analisis musiman akan bermanfaat pada beberapa situasi. Pertama, apabilaanalis ingin melihat
pengaruh musiman dan memanfatkan informasi tersebut untuktujuan tertentu. Misalkan ia
menganggarkan penjualan tahun depan sebesar 400 juta,dan mempunyai indeks musiman dengan
data triwulanan 0,97 untuk triwulan 1, 1,1untuk triwulan 2, 0,85 untuk triwulan 3, 1,08 untuk triwulan 4,
analis bisamengalokasikan anggaran penjualan tahun mendatang ke dalam triwulan berikut ini.
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 musimandihilangkan. Penjualan
pada tahun 20X3 triwulan 1 yang sebesar 308, merupakanpenjualan yang seharusnya terjadi apabila
pengaruh musiman pada triwulan 1dihilangkan. 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 adalahmenghitung total bergerak empat triwulanan
seperti pada kolom (3). Hasil total tersebutseharusnya 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 totalbergerak, yang
dicari dengan membagi kolom (4) dengan 8
Perhtikan tabel bahwa kolom (5) pada tabel tersebut merupakan data movingaverage yang sudah
menghilangkan pengaruh musiman. Dengan kata lain, movingaverage tersebut mencerminkan
pengaruh tren, siklus dan random.kolom (6) merupakandata musiman yang sudah menghilangkan
faktor tren dan siklus, tetapi masihmengandung komponen random. Data pada kolom (5) dan (6) pada
tabel 5 bisa dilihatpada berikut ini. (lihat gambar 7 dan 8)
Setalah kolim (6) pada tabel di atas terbentuk, analis akan menghilangkanpengaruh variabel random
dan moving average dengan jalan mencari rata-rata yangdimodifikasi. Rata-rata tersebut dicari
dengan jalan menghilangkan angka terbesar danterkecil untuk setiap musim. Berikut ini tabel yang
memperlihatkan perhitungan rata-rata yang dimodifikasi.
Setelah indeks musiman dibuat kita bisa menyusun data yang bersih daripengaruh musiman
(deseasonalized) seperti yang terlihat pada kolom (7) Tabel 5. Datatersebut bisa diartikan sebagai
tingkat penjualan yang seharusnya terjadi apabila tidakada pengaruh musiman. Gambar data
penjualan pada kolom (7) tersebut bisa dilihatpada Gambar 9.
Pada dasanya ada empat kategori peramalan seperti terlihat dari matriks berikut ini.
Univariate Multivariate Mekanis Model Rata-rata Model Regresi Bergerak Model Fungsi Tranfer Model
Box-Jenkins Box-Jenkins Univariate
Dalam pendekatan univariate, hanya satu variabel yang dilihat ketika anlismelakukan perkiaraan.
Contoh pendekatan semacam ini yang mekanis adalah perkiraandengan cara pengahalusan
ekponensial atau model rata-rata bergerak tertimbang. Dalampendekatan multivariate, beberapa
variabel dan interaksi antar variabel-variabel tersebutdipertimbangkan dalam perkiraan data. Contoh
model multivariate mekanis adalahmodel regresi berganda yang menggunakan beberapa variabel,
model ekonometris yangmeperhitungkan hubungan secarasimultan persamaan-persamaan dalam
suatu sistem.Contoh pendekatan multivariete nonekonomis adalah analisis yang digunakan olehanalis
keuangan. Analisis tersebut mempertimbangkan banyak faktor yang diperkirakanmempunyai
pengaruh terhadap data yang dianalisis baik secara kuantitatif maupunkualitatif, kemudian
menentukan angka perkiraan.
Salah satu contoh peramalan metode univariate adalah penghalusa ekponensial.Model penghalusan
eksponensial mempunyai kelebihan karena kesederhanaannya, disamping data yang dibutuhkan juga
tidak banyak. Formula umum model tersebut bisadituliskan sebagai berikut ini.
Forecast baru = w (Data sesungguhnya saat ini) + (1-w) (Forecast saat ini)
Model di atas bisa dituliskan kembali sebagai berikut ini.
Data di atas bisa dibaca sebagai berikut ini. Forecast yang baru sama dengan datasesungguhnya 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 4sebagai berikut ini.
F2 = w A1 + (1-w) F1
F3 = w A2 + (1-w) F2
F4 = w A3 + (1-w) F3
Perhatikan bahwa hanya satu variabel yg berisi data forecast, yaitu FI. Apabilaanalis memperpanjang
periode sampai ke periode 0, maka FI juga bisa dinyatakandalam data sesungguhnya yaitu A0.
Model di atas tersebut sebagai penghalusan eksponensial karena bobot untuk dataperiode-periode
sebelumnya semakin mengecil(dilihat dengan kuadrat ataueksponensial yang semakin tinggi). Aabila
w diberi angka 0,7, maka data A3mempunyai bobot 0,03,data A2 mempunyai bobot 0,021, dan
seterusnya. Bobotsemakin ke kanan semakin mengecil. Dari sudut pandang manajemen, hal semacam
inimasuk akal . Data terbaru mestinya memperoleh perhatian yang lebih besar.
20 Pilihan besarnya angka untuk w akan melibatkan trade-off. Jika w diberi nilaimendekati nol,maka
data yang terbaru akan memperoleh bobot yang kecil. Nilai w yangkecil akan membuat forecast tidak
gampang bereaksi terhadap perubahan-perubahanjangka pendek dalam fluktuasi data. Forecast yang
terjadi secra keseluruhan akanmempunyai fluktuasi yang lebih kecil. Sebaliknya apabila w besar,
forecast yangterjadi akan bereaksi cepat terhadap perubahan-perubahan random yang bersifat
jangkapendek. Hasil forecast yang terjadi mempunyai fluktuasi yang lebih tajam. Nilai w
yangdigunakan dalam praktik biasanya cukup rendah, sekitar 0,3 atau kurang w sebesar 0,1sering
digunakan.
Model di atas relatif sederhana, dan cocok untuk analisis data time series yangrelatif stabil, dan tidak
mempunyai fluktuasi tren atau musiman yang cukup besar.Model penghalusan eksponensial yang
lebih kompleks kadang-kadang dipergunakanuntuk menganalisis data yang lebih kompleks.
Kelebihan dan kelemahan alternatif forecast bisa dilihat berikut ini (untukanalisis univeriate mekanis
dan pendekatan analis sekuritas).
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)
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 lebihakurat 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 dibandingkandengan model
forecast univariate. Hal ini bisa dimengerti karena analisis multivariatemelibatkan lebih banyak faktor
yang mempengaruhi suatu variabel. Cara lain untuk menigkatkan akurasi forecast adalah dengan
menggabungkanbeberapa forecast individual. Kesalahan-kesalahan (error) setiap forecast
individualakan cenderung saling menghilangkan dan rata-rata nilai forecast akan akan
menapilkanforecast yang lebih akurat. Berikut ini hasil penelitian yang melihat rangking
akurasiforecast 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 menempatirangking pertama
dalam segi akurasi.
Disamping analis individual seperti di atas, agregasi forecast bisa dilakukandengan menggabungkan
hasil forecast oleh model-model individual. Sebagaicontoh,analis melakukan forecast suatu data
dengan empat mavam metode : (1)Pendekatan subyektif (pertimbangan kita), (2) Model regresi, (3)
Model penghapusaneksponensial (4) Model penghapusan eksponensial yang dimodifikasi. Kemudian
hasildari masing-masing forecast di atas digabungkan dan menjadi forecast kita. Forecastyang di
hasilkan dari penggambungan semacam itu cenderung akan mempunyai akurasiyang lebih baik
dibandingkan dengan forecast dengan cara metode individual. Carapenggabungan merupakan cara
yang praktis dan bisa memberikan manfaat yang cukupsignifikan dalam peninggkatan akurasi
forecast.
23 BAB III
PENUTUP
24 DAFTAR PUSTAKA
Hanafi, Mamduh, Abdul Halim. 2016. Analisis laporan keuangan. Yogyakarta: STIE YKPN.
© 2021 DownScribd.com
DownScribd.com is not affiliated with any websites (such as Scribd.com and Slideshare.net).
We do not store any of files on our servers.
About Us
Terms of Services
Privacy Policy
Disclaimer