DOWNSCRIBD.

COM

Analisis Time Series Forecasting Data Keuangan

Uploaded by: Sitti Rahmi Usa

 DOWNLOAD PDF

MENARIK UNTUK ANDA

Jangan Baca Ini jika Anda tidak Siap Lebih Kaya 5x Lipat!
 Ingin Seks Untuk 3 Putaran? Letakkan Ini Di Bawah Lidah Anda

Description
MAKALAH

ANALISIS TIME SERIES FORECASTING DATA KEUANGAN

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)

3. SUSAN PURNAMA (15 320 018) 8. KARDILA (14 320 046)

4. LISNAWATI (15 320 040) 9.RISMAWATI BASTU (14 320 006)

5. ACANI (15 320 061)

PROGRAM STUDI EKONOM

FAKULTAS AKUNTANSI

UNIVERSITAS DAYANU IKHSANUDDIN

BAUBAU

2017 KATA PENGANTAR

Puji dan puji syukur penulis panjatkan kepada Allah SWT, karena atas rahmat,hidayah, dan inayah-Nya
sehingga penulis dapat menyelesaikan tugas makalah AnalisisLaporan Keuangan ini sesuai dengan
batas waktu yang telah ditentukan. Tak lupa pula,penulis kirimkan salam dan salawat kepada
junjungan kita semua, RasulullahMuhammad SAW, keluarga, dan seluruh sahabatnya.

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.

Baubau, 30 Desember 2017

Penulis

ii DAFTAR ISI

HALAMAN SAMPUL .................................................................................i

KATA PENGANTAR ................................................................................ ii

DAFTAR ISI .............................................................................................. iii

DAFTAR TABEL .......................................................................................iv

DAFTAR GAMBAR ...................................................................................v

BAB I PENDAHULUAN .............................................................................1

1.1 Latar Belakang ................................................................................1

1.2 Rumusan Masalah ...........................................................................2

1.3 Tujuan Penelitian ............................................................................2

1.4 Manfaat Penelitian ..........................................................................2

BAB II PEMBAHASAN ..............................................................................3

2.1 Analisis Time Series .......................................................................3

2.2 Analisis Data Keuangan..................................................................8

2.3 Metode-Metode Peramalan ...........................................................18

BAB III PENUTUP ....................................................................................24

3.1. Kesimpulan ..................................................................................24

DAFTAR PUSTAKA

iii DAFTAR TABEL

Tabel 1 ROA Hipotesis Untuk Perusahaan dan Industri............................. 3

Tabel 2 Data Penjualan PT ABC dan PT XYZ ............................................. 5

Tabel 3 Perhitungan Tren ............................................................................ 11

Tabel 4 Data Deseasonalized ......................................................................15

Tabel 5 Data Penjualan dan Perhitungan Indeks Musiman.........................16

Tabel 6 Perhitungan Rata-Rata Indeks Musiman ........................................ 17

Tabel 7 Metode-Metode Peramalan ............................................................ 18

iv DAFTAR GAMBAR

Gambar 1 Grafik ROA Perusahaan dan Industri ............................................4

Gambar 2 Grafik Penjualan ............................................................................7

Gambar 3 Komponen Time Series..................................................................8

Gambar 4 Data Tren dan Data Sesunnguhnya..............................................12

Gambar 5 Pertumbuhan Nonlinear ...............................................................12

Gambar 6 Grafik Siklus Penjualan ...............................................................14

Gambar 7 Data Asli dan Data Rata-Rata bergerak.......................................17

Gambar 8 Data Musiman............................................................................. 18

Gambar 9 Data dengan Faktor Musiman Dihilangkan ................................ 18

v BAB I

PENDAHULUAN

1.1 Latar Belakang

Salah satu tujuan dari analisa Laporan Keuangan suatu perusahaan adalah untukmembuat
estimasi/penelitian tentang laba, hasil penjaualan perusahaan di masamendatang dan lain-lain aspek
finansial perusahaan atau secara umum dapat dikatakansebagai usaha untuk memproyeksikan ratio-
ratio finansialnya yang bertujuan untukmelihat keadaan suatu perusahaan yang berguna dalam
pengambilan keputusan.Berbagai alat analisa telah dikembangan dalam kaitannya dengan tujuan
tersebut danuntuk mempermudah proses dalam menganalisa.

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 1.2 Rumusan Masalah

Berdasarkan latar belakang diatas, penulis merumuskan rumusan masalahsebagai berikut :

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?

1.3 Tujuan Penulisan

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?

1.4 Manfaat Penulisan

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

2.1 Analisis Time Series

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 :

Tabel 1 ROA Hipotesis Untuk Perusahaan dan Industri

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.

Gambar 1 Grafik ROA Perusahaan dan Industri

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 :

(1) Peraturan Pemerintah (2) Perubahan Kompetisi

4 (3) Perubahan Teknologi (4) Akuisisi dan merger (penggabungan perusahaan)

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.

6 Gambar 2 Grafik Penjualan

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.

2.2 Analisis Data Keuangan

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 :

Gambar 3 Komponen Time Series

8 Data-data, seperti data penjualan mencerminkan empat faktor :

(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.

9 2.2.1 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 lurusdisekitar data-data yang
ada. Cara semacam ini sangat praktis dan sederhana, tetapimempunyai kelemahan karena konsistensi
cara semacam itu sangatkurang. Dua orang,dengan data yang sama, bisa menghasilkan data garis tren
yang berlainan. Demikianseorang analis apabila menggambar dua kali pada waktu yang berbeda,
denganmenggunakan data yang sama, bisa menghasilkan garis tren yang berlainan. Carasemacam ini
menimbulkan masalah apabila teknik kuantitatif akan digunakan untukanalisis lebih lanjut. Dengan
menggunakan model matematik, garis tren bisa dibuat dengan metodeleast square. Metode tersebut
pada dasarnya menggabarkan garis lurus sedemikian rupasehingga selisih kuadrat antara garis lurus
tersebut dengan data yang sesungguhnya,yang paling keci. Model tersebut serupa dengan model
regresi, kecuali asumsi yangdigunakan untuk metode regresi tidak bisa dipakai untuk analisis time
series. Dalamanalisis regresi diasumsikan bahwa kolrelasi antara residul pada periode t-1 samadengan
0. Dalam analisis time series untuk penjualan sebagai contoh, tentunya asumsisemacam itu tidak
masuk akal. Penjulan pada periode t akan berkorelasi denganpenjualan pada t-1. Meskipun demikian
least square dipakai karena penggunaannyayang 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) ∑ b= ∑

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

E(Y) = ∑ Y/N =6.014/17 = 353,8

. ( )( , ) b= ( . ) ( ) = 17,1

a = 353,8 – 17,1 (9) = 200

Persamaan tren: Yt = 200 + 17,1 Xt

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.

11 Gambar 4 Data Tren dan Data Sesunnguhnya

2.2.2 Tren sebagai Proyeksi Masa Depan

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.

Gambar 5 Pertumbuhan Nonlinear

12 Pada gambar (a) di atas, persamaan tren yang lebih sesuai adalah persamaanparabola seperti
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.

2.2.3 Analisis siklus

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.

13 Gambar 6 Grafik Siklus Penjualan

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.

2.2.4 Analisis musiman

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.

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

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

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

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

Total Anggaran Penjualan = 400 juta

14 Kedua, apabila analis ingin menghilangkan pengaruh musiman untuk melihat pengaruhtrend, siklus
dan ketidakteraturan secara lebih jelas. Apabila ia mempunyai datapenjualan triwulan yang
sesungguhnya sebagai berikut ini, maka data yang bersih darpengaruh musiman adalah sebagai
berikut.

Tabel 4 Data Deseasonalized

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)

Tabel 5 Data Penjualan dan Perhitungan Indeks Musiman

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.

16 Tabel 6 Perhitungan Rata-Rata Indeks Musiman

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.

Gambar 7 Data Asli dan Data Rata-Rata bergerak

17 Gambar 8 Data Musiman

Gambar 9 Data dengan Faktor Musiman Dihilangkan

2.3 Metode-Metode Peramalan

Pada dasanya ada empat kategori peramalan seperti terlihat dari matriks berikut ini.

Tabel 7 Metode-Metode Peramalan

Univariate Multivariate Mekanis Model Rata-rata Model Regresi Bergerak Model Fungsi Tranfer Model
Box-Jenkins Box-Jenkins Univariate

Nonmekanis Pendekatan Visual Pendekatan Analis Sekuritas

18 Model-model tersebut bukan saling menggantikan, tetapi saling melengkapi.Pendekatan mekanis

pada dasarnya menggunakan teknik-teknik yang lebih obyektifseperti statistik, dan cara tersebut
menggunkan model yang sama untuk setiap forecast.Salah satu contoh cara mekanis tersebut adalah
model regresi. Dengan cara nonmekanis,teknik yang digunakan relatif lebih bebas. Tidak terdapat
hubungan yang pasti dan tetapantara data yang dianalisis dengan peramalan yang dibuat. Sebagai
contoh, seoranganalis bisa menggabungkan banyak pertimbangan untuk menentukan garis trend
yangdibuat dengan tangan. Faktor-faktor yang dipertimbangkan bisa diambil dari faktorindustri,
pasar, kondisi ekonomi, dan lainnya.

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.

2.3.1 Model Penghalusan Ekponensial

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.

Ft = w At-1 + (1-w) Ft-1

Dimana Ft = forcast untuk periode t

At-1 = data sesungguhnya pada periode t-1

19 Ft-1 = forcast pada periode t-1

W = konstanta dengan nilai antara 0 dan 1

Model di atas juga bisa dibaca sebagai berikut ini.

Forecast baru = w (Data sesungguhnya saat ini) + (1-w) (Forecast saat ini)
Model di atas bisa dituliskan 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 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

Pesamaan F2 dan F3 bisa disubtitusikan untuk memperoleh nilai F4 sebagai berikutini.

F4 = w A3 + (1-w) w A2 + (1-w)2 w A1 + (1-w)3 F1

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.

2.3.2 Perbandingan Model-Model Forecast

Kelebihan dan kelemahan alternatif forecast bisa dilihat berikut ini (untukanalisis univeriate mekanis
dan pendekatan analis sekuritas).

Pendekatan Analis Sekuritas (Multivariate) untuk Forecasting

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)

21 4. Analisis barangkali bisa dimanfatkan 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 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

3.1 Kesimpulan Data-data bisa diperbandingkan dengan data-data pada periode

sebelumnya,meskipun interprestasi yang dilakukan harus hati-hati. Prestasi pada periode masa
lalubarangkali tidak memuaskan sehingga perbandingan dengan periode masa lalubarangkali tidak
begitu tepat. Perbandingan dengan data-data masa lalu bisa dilakukandengan menggunakan
beberapa periode (observasi) untuk melihat tren-tren yangmuncul. Analisis time series semacam itu
juga bisa melihat pengaruh faktor-faktortertentu terhadap perkembangan data keuangan. Ada tiga
pendekatan dalam analisis time series, yaitu: ekonomi, statistik, danvisual. Ketiga pendekatan
tersebut saling melengkapi. Analisis time series yang klasikmemfokuskan pada empat hal yang
mempengaruhi suatu data: (1)Tren, (2)Siklus,(3)Musiman, dan (4)Random. Kadang-kadang ada situasi
di mana analis inginmemfokuskan pada analisis trend saja, analisis siklus saja, analisis musiman
saja.Teknik-teknik penyesuaian bisa digunakan untuk melihat pengaruh masing-masingkomponen
data tersebut. Ada beberapa pendekatan dalam forcasting: (1) Mekanis versus nonmekanis dan(2)
Univariate versus Multivariate. Contoh pendekatan mekanis adalah penggunaanstatistik, sedangkan
penggunaan nonmekanis adalah penggambaran tren dengan tangan.Contoh peramalan dengan
model univariate adalah penggunaan penghalusanekponensial. Contoh model multivariate adalah
regregi berganda atau pendekatanekonometri. Keempat metode tersebut tidak saling menghilangkan,
tetapi bisa dipakaibesama-sama. Agragasi metode peramalan atau peramalan individual cenderung
menghasilkanperamalan yang lebih akurat. Cara semacam ini merupakan cara yang cukup
efisienuntuk meningkatkan akurasi suatu peramalan.

24 DAFTAR PUSTAKA

Hanafi, Mamduh, Abdul Halim. 2016. Analisis laporan keuangan. Yogyakarta: STIE YKPN.

Hery. 2016. ANALISIS LAPORAN KEUANGAN. Jakarta: Gramedia Widiasarana Indonesia

Fahmi, Irfan. 2011. ANALISIS KINERJA KEUANGAN. Bandung: Alfabeta

© 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