PENDAHULUAN
Bab ini akan membicarakan analisis perbandingan data, bukan secara cross
sectional tetapi dengan data keuangan periode sebelumya (perbandingan dengan data
historis). Kemudian pada bagian akhir bab ini, forecasting data keuangan akan
datang.
1.3 Tujuan
1
BAB II
PEMBAHASAN
Dalam analisis keuangan, analisis terhadap data historis diperlukan untuk melihat
tren-tren yang mungkin timbul. Kemudian kita bisa menganalisis apa yang terjadi dibalik
tren-tren angka tersebut. Data historis perusahaan sebaiknya dibandingkan dengan data
historis industri untuk melihat apakah tren suatu perusahaan bergerak relatif lebih baik
a. Peraturan pemerintah
b. Perubahan kompetisi
c. Perubahan teknologi
a. Peendekatan ekonomi
b. Pendekatan statistik
c. Pendekatan visual
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, analis mempunyai pilihan yang banyak terhadap faktor-faktor
yang di perkirakan akan mempengaruhi suatu variabel. Dalam konteks analisis masa
2
mendatang (ex-ante), seperti forecasting, pilihan seorang analisis menjadi serba terbatas.
Seorang analis tidak tahu pasti berapa nilai faktor- faktor di atas, dia harus memperkirakan
nilai tersebut sebelum memperkirakan nilai variabel yang diteliti tersebut. Analisis 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.
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
2. Siklus
Siklus merupakan fluktuasi bisnis dalam jangka yang lebih pendek (selitar 2-10
tahun). Belum ada penjelasan yang memuaskan terhadap timbulnya fluktuasi siklus
semacam ini.
3. Musiman
Musiman merupakan fluktuasi yang terjadi dalam lingkup satu tahun. Ada beberapa
peristiwa tertentu, misal seperti peristiwa lebaran atau tahun baru, (2) Karena cuaca,
4. Ketidakteraturan (Irregularities)
Fluktuasi semacam ini disebabkan karena faktot-faktor yang munculnya tidal teratur,
3
2.2.1 Mengukur Pengaruh Tren
Penggambaran secara langsung bisa dilakukan dengan menarik garis lurus di sekitar
data-data yang ada. Cara semacam ini sangatpraktis dan sederhana, tetapi mempunyai
Dengan menggunakan model matematik, garis tren bisa dibuat dengan metide least
square. Metode tersebut pada dasarnya menggambarkan garis lurus sedemikian rupa sehingga
selisih kuadrat antara garis lurus tersebut dengan data yang sesungguhnya, yang paling kecil.
Model tersebut serupa dengan model regresi, kecuali asumsi yang digunakan untuk metode
Untuk memakai persamaan tren di atas sebagai proyeksi masa depan, seorang analis
harus hati-hati terhadap asumsi yang digunakan. Tren garis lurus di atas mengasumsikan
perkembangan yang konstan untuk masa-masa mendatang. Padahal pada beberapa situasi,
penjualan 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. Pemilihan model yang akan
digunakan sebagai proyeksi pada masa mendatang akan sangat tergantung dari asumsi yang
4
2.2.3 Analisis Siklus
Seperti dikatakan di muka, fluktuasi siklus bisnis muncul dalam jangka waktu
Analisis musiman akan bermanfaat pada beberapa situasi. Pertama, apabila analisis
ingin melihat pengaruh musiman dan memanfaatkan informasi tersebut untuk tujuan tertentu.
Kedua, apabila analisis ingin menghilangkan pengaruh musiman untuk melihat pengaruh
Pada dasarnya ada empat kategori peramalan seperti terlihat dari matriks berikut ini:
Univariate Multivariate
Univariate
Sekuritas
Dalam pendekatan univariate, hanya satu variabel yang dilihat ketika analisis
melakukan perkiraan. Contoh pendekatan pendekatan ini yang mekanis adalah perkiraan
degan cara penghalusan eksponensial atau model rata-rata bergerak tertimbang. Model ini
akan dibicarakan lebih bnyak pada bagian berikut. Dalam pendekatan multivariate, beberapa
variabel dan interaksi antar variabel-variabel tersebut dipertimbangkan dalam perkiraan data.
5
Contoh model multivariate, mekanis adalah model regresi berganda yang menggunakan
samping data yang dibutuhkan juga tidak banyak. Formula umum tersebut bisa di tuliskan
Dimana :
Forescast baru = w (Data sesungguhnya saat ini) + (1w) (Forecast saat ini)
Data diatas bisa dibaca sebagai berikut ini. Forecast yang baru sama dengan data
sesungguhnya pada periode sebelumnya ditambah bagian dari eror (atau penyimpangan) pada
periode sebelumnya.
6
Apabila ada 3 periode, bisa dituliskan model forecast untuk periode 2,3 dan 4 sebagai
berikut ini.
F2 = wA1 + (1-w) F1
F3 = Wa2 + (1-w) F2
F4 = wA3 + (1-w) F3
Persamaan F2 dan F3 bisa disubsidikan untuk memperoleh nilai F4 sebagai berikut ini.
Kelebihan dan kelemahan alternatif model-model forecast bisa dilihat berikut ini
(untuk analisis univariate mekanis dan pendekatan analisis sekuritas). Pendekatan Analisis
Kelebihan
Kelemahan
1. Biaya yang cukup tinggi untuk persiapan dan pelaksanaan, untuk monitoring
tidak bias.
7
Pendekatan Univariate Mekanis untuk Forecasting
Kelebihan
1. Kemampuan untuk mendeteksi dan memanfaatkan pola tertentu pada data masa
lalu.
4. Mudah diperbaruhi
Kelemahan
analisis statistik.
metodologia
Secara umum Forecast yang diberikan oleh analisis keuangan biasanya lebih akurat
dibandinkan dengan forecast dengan menggunakan model analisis time series, hal ini
8
2. Analisis mempunyai akses terhadap informasi yang lebih lius, seperti forecast
analisis time series hanya memfokuskan pada perilaku data tunggal pada masa
lalu.
BAB III
SAMPEL
ROA ROA
Tahun Perusahaan Industri
2007 20,20% 16,00%
2008 21,10% 18,50%
2009 23,50% 21,10%
2010 24,50% 22,00%
2011 22,40% 25,00%
2012 23,60% 21,50%
2013 24,40% 23,10%
2014 25,10% 24,70%
2015 25,00% 24,80%
Dari tabel diatas nampak bahwa tren ROA perusahaan mengalami kenaikan dari tahun
ke tahun. Demikian juga dengan ROA industri. Dari analisis tren diatas nampak juga bahwa
kenaikan ROA industri lebih cepat dibandimgkan dengan kenaikan ROA perusahaan.
Meskipun tahun 2015 ROA perusahaan masih lebih tinggi dibanding dengan ROA industri,
tetapi masa datang ROA perusahaan kemungkinan lebih besar akan dibawah ROA industri.
Tentunnya tren semacam ini bukan merupakan tren yang menguntungkan buat perusahaan.
Kejadian semacam itu bisa terjadi apabila industri tumbuh pesat, tetapi perusahaan
9
BAB IV
PENUTUP
3.1 Rangkuman
Supaya analisis keuangan lebih tajam, analisis keuangan bisa memperoleh gambaraan
lebih jelas mengenai prestasi perusahaan, analisis perbandingan bisa dilakukan. Analisis ini
bisa dilakukan dengan perbandingan terhadap data masa lalu (analisis time series) maupun
dengan perbandingan terhadap perusahaan lain atau rata-rata industri (analisis cross section)
pada titik waktu tertentu. Mendefinisikan industri bukan merupakan pekerjaan yang mudah.
Masalah lain yang mungkin timbul dalam analisis perbandingan cross section adalah
tidak jelasya industri yang relevan. Sebagai contoh, apabila ada suatu perusahaan yang tidak
tidaak representatif. Masalah lain adalah adanya beberapa perusahaan yang bergerak dalam
berbagai bidang (industri), dan laporan keuangan yang diterbitkan adalah laporan keuangan
konsolidasi. Informasi per segmen industri tidak dipublikasikan. Dalam situasi dimana tidak
ada industri domestik yang bisa dijadikan perbandingan, perbandingan internasional bisa
10
dilakukan. Interprestasi harus dilakukan lebih berhati-hati, dengan mengingat latar belakang
tertimbang, median atau modus. Data-data outlier bisa dihilangkan apabila kita berasumsi
bahwa data tersebut merupakan kejadian yang luar biasa. Perbandingan industri mempunyai
asumsi implikasi bahwa resiko bisnis antar industri berbeda, dan dengan demikian
11