Analisis Time Series Dan Forecasting Data Keuangan [PDF]

Citation preview

ANALISIS TIME SERIES DAN FORECASTING DATA KEUANGAN A. Analisis Time Series Dalam analisis keuangan, analisis terhadap data histori diperlukan untuk melihat tren-tren yang mungkin timbul. Kemudian kita bisa menganalisis apa yang terjadi dibalik tren-tren angka tersebut. Data histori perusahaan sebaiknya juga dibandingkan dengan data histori industri untuk melihat apakah tren suatu perusahaan bergerak relatif lebih baik terhadap tren industri. Misalnya diketahui data ROA suatu perusahaan dan data ROA industri sebagai berikut ini. Tahun ROA Perusahaan ROA Industri 1981 20,1% 16,0% 1982 21,1% 18,5% 1983 23,5% 21,1% 1984 24,5% 22,0% 1985 22,4% 25,0% 1986 23,6% 21,5% 1987 24,4% 23,1% 1988 25,1% 24,7% 1989 25,0% 24,8% Dari data di atas nampak bahwa tren ROA perusahaan mengalami keniakan dari tahun ke tahun. Demikian juga halnya dengan ROA industri. Dari analisis tren di atas nampak juga bahwa kenaikan ROA industri lebih cepat dibandingkan dengan kenaikan ROA perusahaan. Meskipun pada tahun 1989 ROA perusahaan masih lebih tinggi dibandingkan dengan ROA industri, tetapi pada masa mendatang ROA perusahaan kemungkinan besar akan dibawah ROA industri. Tentunya tren semacam ini bukan merupakan tren yang menguntungkan buat perusahaan. Kejadian semacam itu bisa terjadi apabila industri tumbuh pesat, tetapi perusahaan mengalami penurunan market 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 untuk mengatasi permasalan tersebut. Analisis tren semacam itu bisa dilakukan untuk setiap rasio atau angka keuangan dan dibandingkan dengan tren dalam industri. Dalam analisis time series, seperti analisis tren di atas, perubahanperubahan struktural yang akan berpengaruh terhadap angka-angka keuangan harus diperhatikan. Berikut ini beberapa perubahan struktural yang akan mempengaruhi tren keuangan suatu perusahan: 1. Peraturan Pemerintah 2. Perubahan Kompetisi 3. Perubahan Teknologi 4. Akuisisi dan merger



Dalam analisis time series , ada tiga pendekatan yang dapat dilakukan : 1. Pendekatan Ekonomi 2. Pendekatan Statistik 3. Pendekatan Visual Ketiga macam pendekatan tersebut tidak saling menghilangkan tetapi saling melengkapi. B. Analisis Data Keuangan Dalam analisis time series, perhatian terhadap data histories (expost) sering digunakan untuk melihat pola-pola yang sistematik terhadap data tersebut. Dalam konteks analisis histories semacam itu, analisis mempunyai pilihan yang banyak terhadap faktor-faktor yang diperkirakan akan mempengaruhi suatu variable. Dalam konteks analisis masa mendatang (ex-ante) seperti forecasting, pilihan seorang analisis menjadi serba terbatas. Seorang analisis tidak tahu pasti beberapa nilai faktor-faktor di atas, dia harus memperkirakan nilai tersebut sebelum memperkirakan nilai variable yang diteliti tersebut. Analis tersebut terpaksa harus memfokuskan pada beberapa variable saja yang lebih sedikit dan bisa diperkirakan lebih pasti. Analisis time series klasik biasanya memfokuskan pada analisis musiman. Data-data seperti penjualan mencerminkan empat macam factor 1. Trend Trend merupakan pergerakan time-series dalam jangka panjang, bisa merupakan trend naik atau turun. Diperlukan waktu 15 – 20 th untuk melihat pola tren tersebut. Tren tersebut bisa dipengaruhi oleh perubahan jumlah penduduk, perubahan tehnologi dll. 2. Siklus Siklus merupakan fluktuasi bisnis dalam jangka yang lebih pendek 2 – 10 th. 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. 3. Musiman 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). 4. Ketidakteraturan Fluktuasi semacam ini disebabkan karena faktor-faktor yang munculnya tidak teratur, dalam jangka waktu pendek. Misalnya gudang perusahaan terbakar, akibatnya keuntungan perusahaan pada periode itu terpengaruh.



a. Mengukur Pengaruh Tren Trend suatu data dapat dilihat dengan berbagai cara: 1) Menggambar dengan tangan 2) Menggunakan model matematika (metode least square) Dua orang, dengan data yang sama, bisa menghasilkan garis tren yang berlainan. Demikian seorang analis apabila menggambarkan 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. Model times series dapat dirumuskan sbb: Yt = a + bX , a dan b dapat dihitung sebagai berikut: a = E ( Y ) – b E ( X ) dan b. Trend Sebagai Proyeksi Masa Depan Untuk memakai persamaan trend 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. Misal suatu produk baru diluncurkan, pertumbuhan pada awal periode akan sangat cepat. Kemudian memasuki tahap kedewasaan, pertumbuhan tsb akan semakin melambat. c. Analisis Siklus Fluktuasi siklus bisnis muncul dalam jangka waktu menengah 2 – 10 tahun. Pengaruh siklus dapat dilihat dengan persentase trend yang dirumuskan sbb: Di mana Y merupakan data tahunan yang sesungguhnya, dan Yt merupakan data tren yang dihitung berdasarkan persamaan trend. d. Analisis Musiman Analisis musiman akan bermanfaat pada beberapa situasi. Pertama apabila analis ingin melihat pengaruh musiman dan memanfaatkan informasi tersebut untuk tujuan tertentu. Misalnya ia menggambarkan penjualan tahun depan sebesar 400 juta, dan mempunyai indeks musiman dengan data triwulan untuk yang pertama 0,97, untuk yang kedua 1,1, ketiga 0,85. Ke empat 1,08, analis bisa mengalokasikan anggaran penjualan tahun mendatang ke dalam triwulanan berikut ini. Triwulan I : 0,97 x 100.000.000 = 97.000.000 Triwulan II : 1,10 x 100.000.000 = 110.000.000 Triwulan III : 0,85 x 100.000.000 = 85.000.000 Triwulan IV : 1,08 x 100.000.000 = 108.000.000 Total Anggaran Penjualan = 400.000.000 Kedua, apabila analis ingin menghilangkan pengaruh musiman untuk melihat pengaruh trend, siklus dan ketidakteraturan secara lebih jelas. Apabila is



mempunyai data penjualan triwulan yang sesungguhnya sebagai berikut ini, maka data yang bersih dari pengaruh musiman adalah sebagai berikut: Tahun (1)



Penjualan (2)



Indeks Musiman (3)



Data Tanpa pengaruh Musiman (Deseasonalized) (2)/(3) = (4)



1980 1 2 3 4



298,8 383,7 322,0 436,8



0,97 1,10 0,85 1,08



308 349 379 404



1981 1 2 3 4



384,2 539,3 448,1 544,3



0,97 1,10 0,85 1,08



396 490 527 504



C. Metode-Metode Peramalan Pada dasarnya ada empat kategori peramalan seperti terlihat dari matriks berikut ini: Univariate Multivariate Mekanis Model rata-rata Model regresi Bergerak Model fungsi transfer boxModel Box-Jenkins jenkins Univariat NonPendekatan visual Pendekatan analis sekuritas mekanis 1. Model Penghalusan Eksponensial Model Penghalusan Eksponensial mempunyai kelebihannya karena kesederhanaannya dan data yang dibutuhkan tidak banyak. Formula umum model tersebut: Ft = w At-1 + (1-w) Ft-1 Dimana 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 dan 1 Model diatas bisa dibaca sbb: Forecast baru = w (data sesungguhnya saat ini) + (1-w) (Forecast saat ini) Model diatas bisa dituliskan: Ft = At-1 + (1-w)(Ft-1 –At-1)



2. Perbandingan Model- model forecast Pendekatan analisis sekuritas ( multivariate) untuk foresting Kelebihan a. Mampu menyesuaikan terhadap informasi dari berbagai sumber b. Mampu menyesuaikan terhadap perubahan struktural secara cepat c. Mampu memperbaharui secara kontinyu apabila ada informasi yang baru masuk. Kekurangan a. Biaya yang cukup tinggi untuk persiapan dan perlaksanaan, untuk memonitoring beberapa variabel dan biaya-biaya lainnya. b. Ketergantungan yang tinggi terhadap kemampuan individu analisnya c. Analis barangkali mempunyai insentif yang tidak menampilkan forecast yang tidak bias. d. Analis barangkali bisa dimanfaatkan oleh perusahaan-perusahaan tertentu untuk kepentingan perusahaan tersebut. Pendekatan Univarate mekanis untuk forecasting Kelebihan a. Kemampuan untuk mendeteksi dan memanfaatkan pola tertentu pada masa yang akan datang. b. Tingkat subjektifitas yang rendah, terutama apabila metode statistik digunakan c. Biaya yang relatif lebih rendah d. Mudah diperbaharui e. Kemampuan menganalisis lebih lanjut dengan menggunakan metode statistik. Kekurangan a. Jumlah observasi yang terbatas pada situasi tertentu b. Laporan keuangan tidak memenuhi asumsi-asumsi yang diperlukan dalam analisis statistik. c. Sulit mengkomunikasikan hasil analisis kepada luar Secara umum forecast yang diberikan oleh analis keuangan biasanya lebih akurat dibandingkan dengan forecast dengan menggunakan model analisis time series. Hal ini disebabkan karena beberapa alasan: 1. Analis mempunyai akses terhadap informasi terbaru. Informasi terbaru 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 memfokuskan pada perilaku data tunggal pada masa lalu.