MAKALAH
ANALISIS TIME SERIES FORECASTING DATA KEUANGAN
KELOMPOK 4
1.
SITTI RAHMI USA
2.
(15 320 072)
6. MEGA ROSTIKA
(15 320 067)
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 menyelesaikan tugas makalah Analisis Laporan Keuangan Keuangan ini sesuai dengan batas batas waktu yang telah ditentukan. ditentukan. Tak lupa pula, penulis kirimkan salam dan salawat kepada junjungan kita semua, Rasulullah Muhammad SAW, keluarga, dan seluruh sahabatnya. Makalah Analisis Laporan Keuangan yang telah kami buat berjudul “Analisis Makalah ini dapat hadir seperti sekarang ini tak lepas dari bantuan banyak Time Series”. Series”. Makalah pihak. Untuk itu sudah sepantasnyalah kami mengucapkan rasa terima kasih yang sebesar-besar buat mereka yang telah berjasa membantu penulis selama proses pembuatan makalah ini dari awal hingga akhir. Namun, kami menyadari bahwa makalah ini masih terdapat hal-hal yang belum sempurna dan luput dari perhatian penulis. Baik itu dari bahasa yang digunakan maupun dari teknik penyajiannya. Oleh karena itu, dengan segala kekurangan dan kerendahan hati, kami sangat mengharapkan kritik dan saran dari para pembaca sekalian demi perbaikan makalah ini kedepannya. Akhirnya, besar besar harapan penulis agar agar kehadiran makalah makalah ini dapat memberikan manfaat yang berarti berarti untuk para pembaca. pembaca. Dan yang terpenting adalah semoga dapat turut serta memajukan ilmu il mu pengetahuan.
Baubau, 30 Desember 2017
Penulis
ii
DAFTAR ISI
HALAMAN SAMPUL .......................................... ................................................................ .......................................i .................i KATA PENGANTAR ........................................... ................................................................. ..................................... ............... ii DAFTAR ISI ISI ........................................... ................................................................. ............................................ ............................. ....... iii DAFTAR TABEL .......................................... ................................................................ ............................................ .......................iv .iv DAFTAR GAMBAR ......................................... ............................................................... ..........................................v ....................v BAB I PENDAHULUAN .......................................... ................................................................ ...................................1 .............1
1.1 Latar Belakang .......................................... ................................................................ ......................................1 ................1 1.2 Rumusan Masalah ............................................ .................................................................. ...............................2 .........2 1.3 Tujuan Penelitian ......................................... ............................................................... ...................................2 .............2 1.4 Manfaat Penelitian ........................................... ................................................................. ...............................2 .........2 BAB II PEMBAHASAN ........................................... ................................................................. ...................................3 .............3
2.1 Analisis Time Series ............................................ .................................................................. ...........................3 .....3 2.2 Analisis Data Keuangan .......................................... ................................................................ ........................8 ..8 2.3 Metode-Metode Peramalan ......................................... ...........................................................18 ..................18 BAB III PENUTUP ............................................ .................................................................. ........................................24 ..................24
3.1. Kesimpulan .......................................... ................................................................ ........................................24 ..................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 untuk membuat estimasi/penelitian tentang laba, hasil penjaualan perusahaan di masa mendatang dan lain-lain aspek finansial perusahaan atau secara umum dapat dikatakan sebagai usaha untuk memproyeksikan ratio-ratio finansialnya yang bertujuan untuk melihat keadaan suatu perusahaan yang berguna dalam pengambilan keputusan. Berbagai alat analisa telah dikembangan dalam kaitannya dengan tujuan tersebut dan untuk mempermudah proses dalam menganalisa.
Analisis semacam itu mengharuskan seorang analisis untuk melakukan beberapa hal, yakni dengan menentukan dengan jelas tujuan analisis, kemudian memahami konsep-konsep dan prinsip-prinsip yang mendasari laporan-laporan keuangan dan rasiorasio keuangan yang diturunkan dari laporan keuangan tersebut, serta memahami kondisi perekonomian dan kondisi bisnis lain pada umumnya yang berkaitan dengan perusahaan dan mempengaruhi usaha perusahaan.
Analisis Time series atau Analisa runtun waktu atau deret berkala adalah analisa
yang digunakan untuk mengetahui tren-tren yang timbul, dengan cara menganalisis data historis atau serangkaian pengamatan terhadap peristiwa, kejadian atau variabel yang diambil 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 Analisis Time Series dalam perbandingan dengan perusahaan atau industri yang sejenis dengan
data keuangan dalam beberapa periode yang telah lalu.
1
1.2 Rumusan Masalah Berdasarkan latar belakang diatas, penulis merumuskan rumusan masalah sebagai 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 para pembaca serta penulis sendiri mengenai Analisis Time Series dan diharapkan dapat bermanfaat dikemudian hari.
2
BAB II PEMBAHASAN
2.1
Analisis Time Series Analisis time-series adalah membandingkan secara antar waktu atau antar
periode, dengan tujuan itu nantinya akan terlihat dalam bentuk angka-angka dan juga secara grafik. Sedangkan menurut Lukas Setia Atmaja “Suatu rangkaian atau seri dari nilai-nilai suatu variabel yang dicatat dalam jangka waktu yang berurutan disebut timeseries atau deret berkala”. Lebih jauh Lukas Setia Atmaja mengatakan bahwa “ Time Series ” di analisis untuk mendapatkan pengukuran-pengukuran yang dapat digunakan
untuk membuat keputusan, dan merencanakan operasi di waktu mendatang”. Dalam analisis keuangan, analisis terhadap data historis diperlukan untuk melihat tren-tren yang mungkin timbul. Kemudian kita bisa mengalisis apa yang terjadi dibalik tren-tren angka tersebut. Data historis perusahaan sebaiknya juga dibandingkan dengan data historis industri untuk melihat apakah tren suatu perusahaan bergerak relatif lebih baik terhadap tren industri. Misalkan diketahui data ROA suatu perusahaan dan 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 kenaikan dari tahun ke tahun. Demikian juga halnya dengan ROA industri. Dari analisis tren diatas nampak juga bahwa kenaikan ROA industri lebih cepat dibandingkan dengan ROA perusahaan. meskipun pada tahun 2015 ROA perusahaan masih leboh tinggi dibandingkan ROA industri, tetapi pada masa mendatang ROA perusahaan kemungkinan akan dibawah ROA industri. Tentunya tren semacam ini bukan merupakan tren yang menguntungkan buat perusahaan. kejadian semacam itu bisa terjadi apabila industri tumbuh lebih pesat, tetapi perusahaan mengalami penurunan markel 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 permasalahan tersebut. Analisis tren semacam itu bisa dilakukan untuk setiap rasio atau angka keuangan dan dibandingkan dengan tren dalam industri. Dalam analisis time series, seperti tren di atas, perubahan-perubahan struktural yang akan berpengaruh terhadap angka-angka keuangan harus di perhatikan. Berikut ini beberap contoh perubahan sruktural yang akan mempengaruhi tren keuangan suatu perusahaan : (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 alternatif analisis. Misalkan menganalisis industri perbankan dan ia tahu ada deregulasi perbankan sekitar tahun 2014, anlis bisa membagi periode anlisis ke dalam dua periode yaitu periode sebelum dan sesudah deregulasi. Kemudian analis menggunakan data-data sesudah tahun 2014 untuk memproyeksikan kondisi keuangan pada masa mendatang. Sebaliknya, misalkan analisis mengasumsikan bahwa deregulasi semacam itu merupakan hal yang biasa dalam bisnis perbankan, seorang analis bisa menggunakan data-data untuk semua periode (periode sebelum dan sesudah deregulasi) untuk memproyeksikan kondisi keuangan perusahaan pada masa mendatang. Tetapi kalau deregulasi semacam di atas merupakan kebijakan yang jarang dan merupakan kejdian yang luar biasa, pembagian periode analisis ke dalam dua periode, yaitu sebelum dan sesudah deregulasi, merupakan cara yang lebih realistis.
Misalkan perusahaan ABC melakukan akuisisi terhadap perusahaan XYZ, dan data-data penjualan sebelum dan sesudah akuisisi adalah sebagai berikut ini. Perusahaan ABC mengakuisisi pengakuisisi perusahaan XYZ pada tahun 2010, dan perusahaan XYZ tidak muncul lagi.
Tabel 2 Data Penjualan PT ABC dan PT XYZ
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
ABC
Penjualan XYZ
Gabungan
1.000 1.500 1.600 1.750 2.000 2.100 3.200 3.300 3.350 3.400 3.500
500 750 770 750 800 850 -
1.500 2.250 2.370 2.500 2.800 2.950 3.200 3.300 3.350 3.400 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 ABC mengalami peningkatan yang tajam dari 2.100 menjadi 3.200. ada beberapa alternatif analisis 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 per usahaan 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 saling melengkapi. Misalkan sebuah perusahaan memiliki grafik sebagai berikut.
6
Gambar 2 Grafik Penjualan
Dengan hanya melihat grafik di atas, nampak bahwa penjualan perusahaan mempunyai pola yang berfluktuasi secara sistematis. Pola musiman nampak pada grafik di atas. Setiap kuartal awal penjualan perusahan menunjukan angka yang lebih tinggi dibandingkan dengan rata-rata penjualan bulanan. Di samping itu nampak bahwa penjulan 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 akhir tahun menunjukkan kecenderungan naik karena penjualan cenderung naik pada saat tahun baru dan hari raya Natal. Penjualan juga menujukkan kecenderungan naik yang cukup tinggi pada saat hari raya Idul Fitri. Dalam jangka panjang perusahaan mengalami perkembangan yang cukup stabil. Karena hari raya Idul Fitri selalu maju 10 hari setiap tahunnya, maka analis bisa memperhitungkan bahwa suatu ketika hari raya Idul Fitri akan jatuh pada kuartal keempat, yang berakibat akan munculnyapenjualan yang sangat tinggi pada kuartal keempat, dan penjualan yang normal pada tiga kuartal lainnya. Data musiman di atas disebabkan oleh kejadian atau peristiwa yang mendorong penjualan di atas penjualan normal. Di samping musiman itu ada musiman lain yang disebabkan oleh perubahan cuaca. Pada saat musim kemarau barangkali penjualan
7
perusahaan pembuat minuman akan menjukkan kecenderungan yang lebih tinggi. Pada saat musim hujan, perusahaan pembuat jas hujan menunjukkan penjualan yang jauh lebih tinggi dibandingkan pada musim kemarau.
2.2
Analisis Data Keuangan 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, analisis mempunyai pilihan yang banyak terhadap faktor-faktor yang di perkirakan akan mempengaruhi suatu variabel. Dalam konteks analisis masa mendatang ( ex-ante) , seperti forecasting, pilihan seorang analis menjadi serba terbatas. Seorang analis tidak tahu pasti berapa nilai faktor-faktor di atas, dia harus memperkiran nilai tersebut sebelum memperkiran nilai variabel yang diteliti tersebut. Analis 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. 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 akan
lebih baik apabila pengaruh-pengaruh musiman, siklus, dan ketidakteraturan dihilangkan dari data. Data yang dihasilkan merupakan data yang benar-benar mencerminkan tren penjualan perusahaan tersebut. Demikian juga jika ingin menganalis pengaruh musiman penjualan, maka akan lebih baik apabila pengaruh tren, siklus, dan ketidakteraturan dalam data dihilangkan, sehingga akan diperoleh datayang benar-benar mencerminkan 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 lurus disekitar data-data yang ada. Cara semacam ini sangat praktis dan sederhana, tetapi mempunyai kelemahan karena konsistensi cara semacam itu sangatkurang. Dua orang, dengan data yang sama, bisa menghasilkan data garis tren yang berlainan. Demikian seorang analis apabila menggambar dua kali pada waktu yang berbeda, dengan menggunakan data yang sama, bisa menghasilkan garis tren yang berlainan. Cara semacam ini menimbulkan masalah apabila teknik kuantitatif akan digunakan untuk analisis lebih lanjut. Dengan menggunakan model matematik, garis tren bisa dibuat dengan metode least square . Metode tersebut pada dasarnya menggabarkan garis lurus sedemikian rupa
sehingga selisih kuadrat antara garis lurus tersebut dengan data yang sesungguhnya, yang paling keci. Model tersebut serupa dengan model regresi, kecuali asumsi yang digunakan untuk metode regresi tidak bisa dipakai untuk analisis time series. Dalam analisis regresi diasumsikan bahwa kolrelasi antara residul pada periode t-1 sama dengan 0. Dalam analisis time series untuk penjualan sebagai contoh, tentunya asumsi semacam itu tidak masuk akal. Penjulan pada periode t akan berkorelasi dengan penjualan pada t-1. Meskipun demikian least square dipakai karena penggunaannya yang 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 dihitung dengan 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 tren yang dihasilkan di atas. Berikut ini grafik yang menujukkan nilai penjualan yang sesungguhnya 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, seorang
analis harus hati-hati terhadap asumsi yang digunakan. Tren 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 di luncurkan, pertumbuhan pada awal periode akan sangat cepat. Kemudian setelah memasuki 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 persamaan parabola seperti berikut ini. Y = a + bX + cX
2
Sedangkan untuk grafik (b) di atas, persamaan tren yang lebih sesuai adalah logaritma dengan model seperti berikut ini. log Y = a + b log X Perhatikan model yang akan digunakan sebagai proyeksi pada masa mendatang akan sangat tergantung dari asumsi yang akan digunakan, apakah data akan tumbuh secara linear atau tidak. Pendekatan linear mengasumsikan besarnya perubahan konstan, sedangkan model parabola mengasumsikan besarnya perubahan pada perubahan yang terjadi 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 digunakan merupakan 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 data tren
yang di hitung berdasarkan persamaan tren. Kolom (7) pada tabel 3 di atas
memperlihatkan hasil perhitungan di atas. Plot angka-angka dalam kolom ke (7) akan terlihat seperti berikut ini.
13
Gambar 6 Grafik Siklus Penjualan
Perhatikan bahwa ada kecenderungan siklus dengan jangka waktu sekitar 9 tahun. Tahun 1999 menunjukkan kecenderungan penjualan yang tinggi., relatif terhadap angka 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, apabila
analis ingin melihat pengaruh musiman dan memanfatkan informasi tersebut untuk tujuan tertentu. Misalkan ia menganggarkan penjualan tahun depan sebesar 400 juta, dan mempunyai indeks musiman dengan data triwulanan 0,97 untuk triwulan 1, 1,1 untuk triwulan 2, 0,85 untuk triwulan 3, 1,08 untuk triwulan 4, analis bisa mengalokasikan 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
=
400 juta
Total Anggaran Penjualan
14
Kedua, apabila analis ingin menghilangkan pengaruh musiman untuk melihat pengaruh trend , siklus dan ketidakteraturan secara lebih jelas. Apabila ia mempunyai data
penjualan triwulan yang sesungguhnya sebagai berikut ini, maka data yang bersih dar pengaruh 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 musiman dihilangkan. Penjualan pada tahun 20X3 triwulan 1 yang sebesar 308, merupakan penjualan yang seharusnya terjadi apabila pengaruh musiman pada triwulan 1 dihilangkan. 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 adalah menghitung total bergerak empat triwulanan seperti pada kolom (3). Hasil total tersebut seharusnya 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 total bergerak, yang dicari dengan membagi kolom (4) dengan 8 Perhtikan tabel bahwa kolom (5) pada tabel tersebut merupakan data moving average yang sudah menghilangkan pengaruh musiman. Dengan kata lain, moving average tersebut mencerminkan pengaruh tren, siklus dan random.kolom (6) merupakan
data musiman yang sudah menghilangkan faktor tren dan siklus, tetapi masih mengandung komponen random. Data pada kolom (5) dan (6) pada tabel 5 bisa dilihat pada 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 menghilangkan pengaruh variabel random dan moving average dengan jalan mencari rata-rata yang dimodifikasi. Rata-rata tersebut dicari dengan jalan menghilangkan angka terbesar dan terkecil untuk setiap musim. Berikut ini tabel yang memperlihatkan perhitungan ratarata yang dimodifikasi. 16
Tabel 6 Perhitungan Rata-Rata Indeks Musiman
Setelah indeks musiman dibuat kita bisa menyusun data yang bersih dari pengaruh musiman ( deseasonalized ) seperti yang terlihat pada kolom (7) Tabel 5. Data tersebut bisa diartikan sebagai tingkat penjualan yang seharusnya terjadi apabila tidak ada pengaruh musiman. Gambar data penjualan pada kolom (7) tersebut bisa dilihat pada 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
Mekanis
Univariate
Multivariate
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 obyektif seperti statistik, dan cara tersebut menggunkan model yang sama untuk setiap forecast. Salah satu contoh cara mekanis tersebut adalah model regresi. D engan cara nonmekanis, teknik yang digunakan relatif lebih bebas. Tidak terdapat hubungan yang pasti dan tetap antara data yang dianalisis dengan peramalan yang dibuat. Sebagai contoh, seorang analis bisa menggabungkan banyak pertimbangan untuk menentukan garis trend yang dibuat dengan tangan. Faktor-faktor yang dipertimbangkan bisa diambil dari faktor industri, pasar, kondisi ekonomi, dan lainnya. Dalam pendekatan univariate, hanya satu variabel yang dilihat ketika anlis melakukan perkiaraan. Contoh pendekatan semacam ini yang mekanis adalah perkiraan dengan cara pengahalusan ekponensial atau model rata-rata bergerak tertimbang. Dalam pendekatan multivariate , beberapa variabel dan interaksi antar variabel-variabel tersebut dipertimbangkan dalam perkiraan data. Contoh model multivariate mekanis adalah model regresi berganda yang menggunakan beberapa variabel, model ekonometris yang meperhitungkan hubungan secarasimultan persamaan-persamaan dalam suatu sistem. Contoh pendekatan multivariete nonekonomis adalah analisis yang digunakan oleh analis keuangan. Analisis tersebut mempertimbangkan banyak faktor yang diperkirakan mempunyai pengaruh terhadap data yang dianalisis baik secara kuantitatif maupun kualitatif, 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, di samping data yang dibutuhkan juga tidak banyak. Formula umum model tersebut bisa dituliskan sebagai berikut ini. Ft Dimana Ft
= w At-1 + (1-w) Ft-1 = 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 data sesungguhnya 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 4 sebagai 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 berikut ini. F4
=
2
3
w A3 + (1-w) w A2 + (1-w) w A1 + (1-w) F1
Perhatikan bahwa hanya satu variabel yg berisi data forecast, yaitu FI. Apabila analis memperpanjang periode sampai ke periode 0, maka FI juga bisa dinyatakan dalam data sesungguhnya yaitu A0. Model di atas tersebut sebagai penghalusan eksponensial karena bobot untuk data periode-periode
sebelumnya
semakin
mengecil(dilihat
dengan
kuadrat
atau
eksponensial yang semakin tinggi). Aabila w diberi angka 0,7, maka data A3 mempunyai bobot 0,03,data A2 mempunyai bobot 0,021, dan seterusnya. Bobot semakin ke kanan semakin mengecil. Dari sudut pandang manajemen, hal semacam ini masuk akal . Data terbaru mestinya memperoleh perhatian yang lebih besar. 20
Pilihan besarnya angka untuk w akan melibatkan trade-off . Jika w diberi nilai mendekati nol,maka data yang terbaru akan memperoleh bobot yang kecil. Nilai w yang kecil akan membuat forecast tidak gampang bereaksi terhadap perubahan-perubahan jangka pendek dalam fluktuasi data. Forecast yang terjadi secra keseluruhan akan mempunyai fluktuasi yang lebih kecil. Sebaliknya apabila w besar, forecast yang terjadi akan bereaksi cepat terhadap perubahan-perubahan random yang bersifat jangka pendek. Hasil forecast yang terjadi mempunyai fluktuasi yang lebih tajam. Nilai w yang digunakan dalam praktik biasanya cukup rendah, sekitar 0,3 atau kurang w sebesar 0,1 sering digunakan. Model di atas relatif sederhana, dan cocok untuk analisis data time series yang relatif stabil, dan tidak mempunyai fluktuasi tren atau musiman yang cukup besar. Model penghalusan eksponensial yang lebih kompleks kadang-kadang dipergunakan untuk menganalisis data yang lebih kompleks.
2.3.2
Perbandingan Model-Model Forecast Kelebihan dan kelemahan alternatif forecast bisa dilihat berikut ini (untuk
analisis 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 lebih akurat 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 dibandingkan dengan model forecast univariate . Hal ini bisa dimengerti karena analisis multivariate melibatkan lebih banyak faktor yang mempengaruhi suatu variabel. Cara lain untuk menigkatkan akurasi forecast adalah dengan menggabungkan beberapa forecast individual. Kesalahan-kesalahan ( error) setiap forecast individual akan cenderung saling menghilangkan dan rata-rata nilai forecast akan akan menapilkan forecast yang lebih akurat. Berikut ini hasil penelitian yang melihat rangking akurasi forecast 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 menempati rangking pertama dalam segi akurasi. Disamping analis individual seperti di atas, agregasi forecast bisa dilakukan dengan
menggabungkan
hasil forecast oleh model-model individual. Sebagai
contoh,analis melakukan forecast suatu data dengan empat mavam metode : (1) Pendekatan subyektif (pertimbangan kita), (2) Model regresi, (3) Model penghapusan eksponensial (4) Model penghapusan eksponensial yang dimodifikasi. Kemudian hasil dari masing-masing forecast di atas digabungkan dan menjadi forecast kita. Forecast yang di hasilkan dari penggambungan semacam itu cenderung akan mempunyai akurasi yang lebih baik dibandingkan dengan forecast dengan cara metode individual. Cara penggabungan merupakan cara yang praktis dan bisa memberikan manfaat yang cukup signifikan 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 lalu barangkali tidak memuaskan sehingga perbandingan dengan periode masa lalu barangkali tidak begitu tepat. Perbandingan dengan data-data masa lalu bisa dilakukan dengan menggunakan beberapa periode (observasi) untuk melihat tren-tren yang muncul. Analisis time series semacam itu juga bisa melihat pengaruh faktor-faktor tertentu terhadap perkembangan data keuangan. Ada tiga pendekatan dalam analisis time series , yaitu: ekonomi, statistik, dan visual. Ketiga pendekatan tersebut saling melengkapi. Analisis time series yang klasik memfokuskan pada empat hal yang mempengaruhi suatu data: (1) Tren, (2)Siklus, (3)Musiman, dan (4) Random. Kadang-kadang ada situasi di mana analis ingin memfokuskan pada analisis trend saja, analisis siklus saja, analisis musiman saja. Teknik-teknik penyesuaian bisa digunakan untuk melihat pengaruh masing-masing komponen data tersebut. Ada beberapa pendekatan dalam forcasting: (1) Mekanis versus nonmekanis dan (2) Univariate versus Multivariate . Contoh pendekatan mekanis adalah penggunaan statistik, sedangkan penggunaan nonmekanis adalah penggambaran tren dengan tangan. Contoh
peramalan dengan model univariate adalah penggunaan penghalusan
ekponensial. Contoh model multivariate adalah regregi berganda atau pendekatan ekonometri. Keempat metode tersebut tidak saling menghilangkan, tetapi bisa dipakai besama-sama. Agragasi metode peramalan atau peramalan individual cenderung menghasilkan peramalan yang lebih akurat. Cara semacam ini merupakan cara yang cukup efisien untuk meningkatkan akurasi suatu peramalan.
24