Analisis time series adalah analisis perbandingan data dengan data keuangan periode sebelumnya [perbandingan dengan data historis]. Forecasting digunakan untuk memproyeksikan kondisi keuangan pada masa mendatang.
ANALISIS TIME SERIES
Dalam analisis data 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 juga dibandingkan dengan data historis industri untuk melihat apakah tren suatu perusahaan begerak relatif lebih baik terhadap tren industri.
Perbandingan ROA PT A dengan ROA Industri:
Tahun | ROA PT A | ROA Industri |
2003 | 10% | 9% |
2004 | 12% | 11% |
2005 | 13% | 12% |
2006 | 17% | 19% |
2007 | 15% | 14% |
2008 | 14% | 13% |
2009 | 13,50% | 12,50% |
Dalam analisis times series, perubahan-perubahan struktural yang akan berpengaruh terhadap angka-angka keuangan harus diperhatikan. Perubahan-perubahan struktural yang akan mempengaruhi tren keuangan suatu perusahaan antara lain:
1. Peraturan Pemerintah
2. Perubahan Kompetisi
3. Perubahan Teknologi
4. Akuisi dan Merger [Penggabungan Perusahaan]
Data penjualan PT A & PT B:
Tahun | Penjualan | Gabungan | |
PT A | PT B | ||
2004 | Rp 9.000.000.000,00 | Rp 5.000.000.000,00 | Rp 14.000.000.000,00 |
2005 | Rp 10.000.000.000,00 | Rp 6.000.000.000,00 | Rp 16.000.000.000,00 |
2006 | Rp 12.000.000.000,00 | Rp 7.000.000.000,00 | Rp 19.000.000.000,00 |
2007 | Rp 21.000.000.000,00 | - | Rp 21.000.000.000,00 |
2008 | Rp 23.000.000.000,00 | - | Rp 23.000.000.000,00 |
2009 | Rp 24.000.000.000,00 | - | Rp 24.000.000.000,00 |
Tiga pendekatan dalam analisis time series:
1. Pendekatan Ekonomi
2. Pendekatan Statistik
3. Pendekatan Visual
TIME SERIES INDEKS - Teknik ini bisa menggunakan angka indeks bisa juga angka-angka yang ada dalam laporan keuangan disusun dan disajikan dalam rentang waktu berseri misalnya 5 atau 10 tahun. Jika laporan ini dikonvensi menjadi angka indeks maka menjadi laporan indeks berseri. Semua laporan keuangan yang dibandingkan secara berseri dikonvensikan ke indeks. Untuk menentukan indeks ini maka menentukan tahun dasar. Tahun dasar ini dipilih menurut kriteria tertentu misalnya dipilih tahun pendirian sebagai tahun dasar atau tahun tertentu yang bisa dijadikan sebagai suatu moment penting agar kita lebih mudah dan lebih cepat melakukan perbandingan dengan indeks tahun lainnya.
ANALISA TREND - Analisa trend ini bertujuan untuk mengetahui tendensi atau kecenderungan keadaan keuangan suatu perusahaan di masa yang akan datang baik kecenderungan naik, turun, maupun tetap. Teknik analisa ini biasanya dipergunakan untuk menganalisa laporan keuangan yang meliputi minimal 3 periode atau lebih. Analisa ini dimaksudkan untuk mengetahui perkembangan perusahaan melalui rentang perjalanan waktu yang sudah lalu dan memproyeksi situasi masa itu ke masa yang berikutnya. Berdasarkan data historis itu, dicoba melihat kecenderungan yang mungkin akan muncul di masa yang akan datang.
Analisa trend ini bermanfaat untuk menilai situasi “trend” perusahaan yang telah lalu serta dapat memprediksi “trend” perusahaan di masa yang akan datang berdasarkan garis trend yang sudah terjadi itu.
Untuk melakukan analisa trend series berindeks [untuk hal-hal tertentu bisa dipakai dalam teknis trend] ini maka dapat melakukannya melalui:
1. Metode statistik dengan cara menghitung garis trend dari laporan keuangan beberapa periode.
2. Menggunakan angka indeks.
Langkah-langkah untuk melakukan analisa trend berindeks ini adalah sebagai berikut:
a. Menentukan tahun dasar. Tahun dasar ini ditentukan dengan melihat arti suatu tahun bisa tahun pendirian, tahun perubahan, atau reorganisasi, dan tahun bersejarah lainnya. Pos-pos laporan keuangan tahun dasar dicatat sebagai indeks 100.
b. Menghitung angka indeks tahun-tahun lainnya dengan menggunakan angka pos laporan keuangan tahun dasar sebagai penyebut.
c. Memprediksi kecenderungan yang mungkin bakal terjadi berdasarkan arah dan kecenderungan historis pos laporan keuangan yang dianalisa.
d. Mengambil keputusan mengenai hal-hal yang harus dilakukan untuk mengantisipasi kecenderungan itu.
ANALISIS DATA KEUANGAN
Data penjualan mencerminkan empat macam faktor:
1. Trend
Trend 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, dll.
Siklus merupakan fluktuasi bisnis dalam jangka yang lebih pendek [sekitar 2–10 tahun]. Belum ada penjelasan yang memuaskan terhadap timbulnya fluktuasi siklus. Lamanya dan besarnya fluktuasi juga sangat beragam dari perusahaan ke perusahaan dan dari industri ke industri. Musiman merupakan fluktuasi yang terjadi dalam lingkup satu tahun. Ada beberapa penyebab timbulnya fluktuasi musiman, misalnya karena peristiwa tertentu [lebaran, tahun baru], karena cuaca [musim hujan, kemarau].- Ketidakteraturan[Irregularities]
A. Mengukur Pengaruh Tren
Tren suatu data bisa dilihat dengan cara:
Yaitu dengan cara menarik garis lurus disekitar data-data yang ada. Kelebihan: sangat praktis dan sederhana, kelemahan: kurang konsisten [subyektif].
- Menggunakan model matematika [metode least square]
Yaitu menggambarkan garis lurus sedemikian rupa sehingga selisih kuadrat antara garis lurus tersebut dengan data yang sesungguhnya, yang paling kecil. Kelebihan:: obyektif, kelemahan: terlalu mekanistis.
Rumus:
Yt = a + b X
a = ∑ [Y] – b ∑ [X]
b = [∑ XY – n ∑ [X] ∑ [Y]] / [∑ X2 – n ∑ [X]2]
Perhitungan trend:
TH | X | PENJ [Y] | XY | X2 | TREND [Yt*] | Y/Yt*100 [% trend] |
2000 | 1 | 8.000.000 | 8.000.000 | 1 | 7.932.888,9 | 100,85 |
2001 | 2 | 8.050.000 | 16.100.000 | 4 | 8.011.472,2 | 100,48 |
2002 | 3 | 8.110.000 | 24.330.000 | 9 | 8.090.055,6 | 100,25 |
2003 | 4 | 8.140.000 | 32.560.000 | 16 | 8.168.638,9 | 99,65 |
2004 | 5 | 8.200.000 | 41.000.000 | 25 | 8.247.222,2 | 99,43 |
2005 | 6 | 8.225.000 | 49.350.000 | 36 | 8.325.805,6 | 98,79 |
2006 | 7 | 8.300.000 | 58.100.000 | 49 | 8.404.388,9 | 98,76 |
2007 | 8 | 8.400.000 | 67.200.000 | 64 | 8.482.972,2 | 99,02 |
2008 | 9 | 8.800.000 | 79.200.000 | 81 | 8.561.555,5 | 102,79 |
JML | 45 | 74.225.000 | 375.840.000 | 285 | ||
Rata-rata | 5 | 8.247.222,22 |
b = [∑ XY – n ∑ [X] ∑ [Y]] / [∑ X2 – n ∑ [X]2]
b = [375.840.000 – 9 [5] [8.247.222,22]] / [285 – 9 [5]2]
b = 4. 715.000,10 / 60
b = 78.583,33
a = ∑ [Y] – b ∑ [X]
a = 8.247.222,22 - 78.583,33 [5] = 7.854.305,57
Yt = a + b X
Yt = 7.854.305,57 + 78.583,33 X
B. Trend Sebagai Proyeksi Masa Depan
Untuk memakai persamaan tren sebagai proyeksi masa depan, seorang analis harus hati-hati terhadap asumsi yang digunakan. Trend garis lurus mengasumsikan perkembangan yang konstan untuk masa-masa yang akan mendatang. Padahal beberapa situasi, penjualan tumbuh merambat pada periode berikutnya. Misalnya suatu produk baru diluncurkan, pertumbuhan pada awal periode akan sangat cepat. Kemudian memasuki tahap kedewasaan, pertumbuhan tersebut akan semakin melambat.
Rumus:
Y = a + b X + c X 2
log Y = a + b log X
C. Analisis Siklus
Fluktuasi siklus bisnis muncul dalam jangka waktu menengah [2–10 tahun].. Pengaruh siklus dapat dilihat dengan persentase tren yang dirumuskan sbb:
% Trend = Y / Yt × 100
Ada kecenderungan siklus dengan jangka waktu 7 tahun. Tahun 2000 menunjukkan penjualan tinggi, penjualan tinggi tersebut muncul lagi tahun 2008.
D. Analisis Musiman
Analisis musiman akan bermanfaat pada beberapa situasi. Pertama, apabila analis ingin melihat pengaruh musiman dan memanfaatkan informasi tersebut untuk tujuan tertentu. PT A mempunyai anggaran penjualan tahun 2009 sebesar Rp 1.000.000.000 [per triwulan Rp 250.000.000] dan mempunyai indeks musiman:
Triwulan I : 0,99
Triwulan II : 1,01
Triwulan III : 0,90
Triwulan IV : 1,10
Triwulan [1] | Indeks musiman [2] | Anggaran Penjualan [3] | Anggaran penjualan dengan pengaruh musiman [4]=[2]x[3] |
I | 0,99 | 250.000.000 | 247.500.000 |
II | 1,01 | 250.000.000 | 252.500.000 |
III | 0,90 | 250.000.000 | 225.000.000 |
IV | 1,10 | 250.000.000 | 275.000.000 |
Total anggaran penjualan | 1.000.000.000 |
Kedua, apabila analis ingin menghilangkan pengaruh musiman untuk melihat pengaruh trend, siklus, dan ketidakteraturan secara lebih jelas.
Triwulan [1] | Indeks musiman [2] | Anggaran Penjualan dengan pengaruh musiman [3] | Anggaran penjualan tanpa pengaruh musiman [4] = [3] / [2] |
I | 0,99 | 247.500.000 | 250.000.000 |
II | 1,01 | 252.500.000 | 250.000.000 |
III | 0,90 | 225.000.000 | 250.000.000 |
IV | 1,10 | 275.000.000 | 250.000.000 |
Total anggaran penjualan | 1.000.000.000 |
METODE-METODE PERAMALAN
Univariate | Multivariate | |
Mekanis | Model Rata-rata Bergerak Model Box-Jenkins Univariate | Model Regresi Model Fungsi Transfer Box-Jenkins |
Non-mekanis | Pendekatan Visual | Pendekatan analis sekuritas |
Dalam pendekatan univariate, hanya satu variabel yang dilihat ketika analis melakukan perkiraan. Sedangkan dalam pendekatan multivariate, beberapa variabel dan interaksi antar variabel-variabel tersebut dipertimbangkan dalam perkiraan data.
A. Model Penghalusan Eksponensial
Kelebihannya karena kesederhanaannya dan data yang dibutuhkan tidak banyak.
Rumus:
Ft = w At - 1 + [1 – w] Ft - 1
Ft = forecast untuk periode t
At - 1 = data sesungguhnya pada periode t – 1
Ft - 1 = forecast pada periode t – 1
w = konstanta dengan nilai antara 0 – 1
Forecast baru = w [data sesungguhnya saat ini] + [1 – w] [forecast saat ini]
Atau
Ft = At - 1 + [1 - w] [Ft - 1 – At - 1]
F 2009 = W A 2008 + [1 – W] F 2008
B. Perbandingan Model-model Forecast
v Pendekatan Analis Sekuritas [Multivariate] untuk Forecasting
Kelebihan:
1. Mampu menyesuaikan terhadap informasi dari berbagai sumber
2. Mampu menyesuaikan terhadap perubahan struktural 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 bias [misal, karena tekanan agar sesuai dengan konsensus forecast]
4. Analis barangkali bisa dimanfaatkan oleh perusahaan‑perusahaan tertentu untuk kepentingan perusahaan tersebut
v Pendekatan Univariate Mekanis untuk Forecasting
Kelebihan:
1. Kemampuan mendeteksi dan memanfaatkan pola tertentu pada data masa lalu
2. Tingkat subyektivitas yang rendah, terutama apabila metode statistik digunakan
3. Biaya yang relatif lebih rendah
4. Mudah diperbaharui
5. Kemampuan menganalisis lebih lanjut dengan 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 hasil analisis kepada luar, terutama dalam hal metodologinya
Referensi:
Hanafi, Mamduh M. dan Abdul Halim. 2005. Analisis Laporan Keuangan. Edisi Kedua.
Yogyakarta: UPP-AMP YKPN.
//annisaarumartaarfan.blogspot.com/2013/10/analisis-times-series-dan
forecasting.html