06. Modul Analisis Laporan Keuangan - Time Series & Forecasting

5

Click here to load reader

description

statistik

Transcript of 06. Modul Analisis Laporan Keuangan - Time Series & Forecasting

Page 1: 06. Modul Analisis Laporan Keuangan - Time Series & Forecasting

MODUL 6

PUSAT PENGEMBANGAN BAHAN AJAR-UMB Arie Novianti, MM ANALISIS LAPORAN KEUANGAN 1

2009

ANALISIS TIME SERIES DAN FORECASTING DATA KEUANGAN

Tujuan pembelajaran adalah agar memahami:

1. Analisis time series

2. Analisis data keuangan

3. Aplikasi commos size

4. Aplikasi indeks

5. Aplikasi trend analysis

ANALISIS TIME SERIES

Dalam analisis keuangan, analisis terhadap data historis diperlukan untuk melihat trend-trend

yang mungkin timbul. Kemudian kita bisa menganalisis apa yang terjadi dibalik tren angka-

angka tersebut. Data historis perusahaan sebaiknya juga dibandingkan dengan data historis

industry untuk melihat apakah tren suatu perusahaan bergerak relative lebih baik terhadap

industry. Misalkan diketahui data ROA suatu perusahaan dan data ROA industry sebagai

berikut ini.

Page 2: 06. Modul Analisis Laporan Keuangan - Time Series & Forecasting

MODUL 6

PUSAT PENGEMBANGAN BAHAN AJAR-UMB Arie Novianti, MM ANALISIS LAPORAN KEUANGAN 2

2009

Dari grafik dan table di atas Nampak bahwa tren ROA perusahaan mengalami kenaikan dari

tahun ke tahun. Demikian juga halnya dengan ROA industry. Dari analisis trend di atas Nampak

jgua bahwa kenaikan ROA industry lebih cepat dibandingkan dengan kenaikan ROA

perusahaan. Meskipun pada tahun 1989 ROA perusahaan masih lebih tinggi dibandingkan

dengan ROA industry, tetapi pada masa mendatang ROA perusahaan kemungkinan besar akan

di bawah ROA industry. Tentunya tren semacam ini bukan merupakan tren yang

menguntungkan buat perusahaan. Kejadian semacam ini bisa terjadi apabila industry tumbuh

pesat, tetapi perusahaan mengalami penurunan market share. Barangkali karena industry

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 industry.

Dalam anaisis time series, seperti analisis tren di atas, perubahan-perubahan structural yang

akan berpengaruh terhadap angka-angka keuangan harus diperhatikan. Berikut ini beberapa

contoh perubahan structural yang akan mempengaruhi tren keuangan suatu perusahaan:

• Peraturan pemerintah

• Perubahan kompetisi

Page 3: 06. Modul Analisis Laporan Keuangan - Time Series & Forecasting

MODUL 6

PUSAT PENGEMBANGAN BAHAN AJAR-UMB Arie Novianti, MM ANALISIS LAPORAN KEUANGAN 3

2009

• Perubahan teknologi

• Akuisisi dan merger (Penggabungan perusahaan)

Jika ada perubahan semacam itu, seorang analis mempunya beberapa alternative analisis.

Misalkan anais menganalisis industry perbankan dan ia tahu ada deregulasi perbankan sekitar

tahun 1988, analis bisa membagi periode analisis ke dalam dua periode yaitu periode sebelum

dan sesudah deregulasi. Kemudian analis menggunakan data-data sesudah tahun 1988 untuk

memproyeksikan kondisi keuangan pada masa mendatang. Sebaliknya, misalkan analis

mengasumsikan bahwa deregulasi semacam itu merupakan hal yang biasa dalam bisnis

perbankan, seorang analis bisa menggaunakan 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 kejadian yang luar biasa, pembagian periode analisis ke dalam dua periode,

yaitu sebelum dan sesudah deregulasi, merupakan cara yang realistis.

ANALISIS TREN DATA KEUANGAN

Dalam analisis time series, perhatian terhadap data historis sering digunakan untuk melihat

pola-pola yang sistematik terhadap data tersebut. Dalam kondisis analisis historis semacam itu,

analis mempunyai piluhan yang banyak terhadap factor-faktor yang diperkirakan akan

mempengaruhi suatu variable. Dalam konteks analisis masa mendatang (ex ante), seperti

forecasting, pilihan seorang analis menjadi serba terbatas. Seorang analis tidak tahu pasti

berapa nilai factor-factor di atas, dia harus memperkirakan niali tersebut sebelum

memperkirakan nilai variable yang diteliti tersebut. Analis tersebut terpaksa harus memfokuskan

pada beberapa variable saja yang lebih sedikit dan bisa diperkirakan pebih pasti. Analisis time

series klasik biasanya memfokuskan pada analisis musiman.

Data-data seperti data penjaualn mecerminkan emapt factor:

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 pola

Page 4: 06. Modul Analisis Laporan Keuangan - Time Series & Forecasting

MODUL 6

PUSAT PENGEMBANGAN BAHAN AJAR-UMB Arie Novianti, MM ANALISIS LAPORAN KEUANGAN 4

2009

tren tersebut. Tren tersebut bis dipengaruhi oleh perubahan jumlah penduduk,

perubahan teknologi dan semacamnya.

2. Siklus

Siklus merupakan fluktuasi bisnis dalam jangka yang lebih penden (sekita 10 tahun).

Belum ada penjelasa yang memuaskan terhadap penyebab timbulnya fluktuasi siklus

semacam ini. Lamanya dan besarnay fluktuasi juga sangat beragam dari perusahaan ke

perusahaan dan dari industry ke industri

3. Musiman

Muisiman merupakan fluktuasi yang terjadi dalam lingkup satu tahun. Ada beberapa

penyebab timbulnya fluktuasi musiman seperti disebutkan di muka:

- karena peristiwa tertentu, missal karena peristiwa lebaran atau tahun baru

- Karena cuaca, missal musim hujan dan musim kemarau

4. Ketidakteraturan (irregularities)

Fluktuasi semacam ini disebabkan karena factor-factor yang munculnya tidak teratur,

dengan jangka waktu yang pendek. Misalkan suatu perusahaan mengalami musibah

karena salah satu gudangnya terbakar, maka data keuangan 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 kalau ingin menganalsiis pengaruh musiman penjualan perusahaan,

maka akan lebih baik apabila pengaruh tren, siklus dan ketidakteraturan dalam data penjualan

dihilangkan, sehingga akan diperoleh data yang benar-benar mencerminkan pengaruh

musiman perusahaan.

Page 5: 06. Modul Analisis Laporan Keuangan - Time Series & Forecasting

MODUL 6

PUSAT PENGEMBANGAN BAHAN AJAR-UMB Arie Novianti, MM ANALISIS LAPORAN KEUANGAN 5

2009

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 di sekitar data-data

yang ada> Cara semacam ini sangat praktis dan sederhana, tetapi mempunyai kelemahan

karena konsistensi cara semacam itu sangat kurang, Dua orang, dengan data yang sama, bisa

menghasilkan garis tren yang berlainan. Demikian seorang analis apabila menggambar 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.

Dengan menggunakan metode matematik, garis tren bisa dibuat dengan metode least square.

Metode tersebut pada dasarnya menggambarkan garis lurus sedemikian rupa sehingga selisih

kuadrat antara garis lurus dengan data yang sesungguhnya, yang paling kecil. 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 korelasi antara

residual pada periode t dengan residual dengan periode t-1 sama dengan 0. Dalam analisis

time series, penjualan sebvagai contoh, tentunya asumsi semacam itu tidak masuk akal.

Penjualan pada periode t akan berkorelasi dengan penjualan pada t-1. Meskipun demikian

metode least square dipakai karena penggunaannya yang sederhana.

Model time series bisa dirumuskan sebagai berikut:

Y = a + b X

b = (ΣXY – n XY) / (ΣX2 – n X2)

a = Y – bX