Analisis Aik.docx

A. ANALISIS TIME SERIES 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. 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. 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: a) Peraturan Pemerintah b) Perubahan Kompetisi c) Perubahan Teknologi d) Akuisi dan Merger (Penggabungan Perusahaan)

Data penjualan PT ABC dan PT XYZ Penjualan Tahun

Gabungan PT ABC

PT B

1971

1.000

500

1.500

1972

1.500

750

2.250

1973

1.600

770

2.370

1974

1.750

750

2.500

1975

2.000

800

2.800

1976

2.100

850

2.950

1977

3.200

-

3.200

1978

3.300

-

3.300

1979

3.350

-

3.350

1980

3.400

-

3.400

1981

3.500

-

3.500

Dengan melihat data-data penjualan PT ABC saja (tanpa mencari informasi lain) nampak bahwa ada perubahan struktural yang terjadi, karena tahun 1977 penjualan PT

ABC mengalami peningkatan yang tajam dari 2.100 menjadi 3.200. Ada beberapa alternative analisis yang bisa dipakai: a) Analis bisa menggunakan data penjualan gabungan (kolom ketiga) untuk menganalisis prospek perusahaan pada masa mendatang. Penggunaan analisis semacam ini mempunyai asusmsi implisit bahwa perusahaan gabungan merupakan fungsi penambahan perusahaan individualnya. Kemungkinan munculnya sinergi tidak diperhitungkan dalam hal ini. b) 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. c) 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 perusahaan yang diakuisisi cukup signifikan, cara semacam ini tidak bisa dilakukan. Dari data di atas nampak bahwa besarnya perusahaan XYZ cukup signifikan karena mencapai sekitar 50% dari besarnya perusahaan ABC. Cara semacam ini barangkali tidak bisa dilakukan untuk data-data di atas.

Persoalan lain yang bisa timbul adalah perlakuan untuk data-data yang luar biasa (outlier). Misalkan pada tahun 1981 PT ABC mengalami kerugian sebesar 1.000, setelah sebelumnya selalu untung di atas 3.000. Kerugian tersebut bisa dianalisis penyebabnya. Apabila penyebabnya adalah bencana alam (misalkan gempa bumi), dan kejadian tersebut merupakan hal yang luar biasa, di luar kendali manajemen, dan kemungkinan munculnya lagi bencana tersebut sangat kecil, maka lebih baik angka negatif tersebut dihilangkan dari analisis. Kejadian semacam itu merupakan peristiwa yang sementara sifatnya. Tetapi apabila kerugian tersebut diakibatkan oleh peristiwa restrukturisasi perusahaan, barangkali kejadian semacam itu menjadi permulaan munculnya perubahan struktural. Diperlukan pertimbangan khusus untuk memasukan kerugian semacam itu ke dalam analisis. Barangkali diperlukan penyesuaian-penyesuaian tertentu kalau analisis akan memasukan angka kerugian tersebut ke dalam analisis.

Dalam analisis time series, ada tiga macam pendekatan yang bisa dilakukan: a. Pendekatan Ekonomi b. Pendekatan Statistik c. 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. Untuk melakukan analisa trend series berindeks (untuk hal-hal tertentu bisa dipakai dalam teknis trend) ini maka dapat melakukannya melalui: a) Metode statistik dengan cara menghitung garis trend dari laporan keuangan beberapa periode. b) 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.

B. ANALISIS DATA KEUANGAN Dalam analisis time series, perhatian terhadap

data historis (ex-post) sering

digunakan untuk melihat pola-pola yang sitematik terhadap data tersebut. Dalam konteks analisis historis semacam itu, analis mempunyai pilihan yang banyak terhadap faktorfaktor yang diperkirakan akan mempengaruhi suatu variable. Dalam konteks analisis masa mendatang (ex-ante), seperti forecasting. 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. 2. Siklus 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. 3. Musiman Musiman merupakan fluktuasi yang terjadi dalam lingkup satu tahun. Ada beberapa penyebab timbulnya fluktuasi seperti: a. Karena peristiwa tertentu, misal karena peristiwa lebaran atau tahun baru. b. Karena cuaca, misal musim hujan dan musim kemarau 4. Ketidakteraturan(Irregularities) 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 Tren suatu data bisa dilihat dengan beberapa cara:

1) Menggambar dengan tangan 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 sangat kurang. Dua orang, dengan data yang sama, bisa mengasilkan garis trend 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. 2) Menggunakan model matematika Dengan menggunakan model matematik, garis trend bisa dibuat dengan metode 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 regresi tidak bisa dipakai untuk analisis time series. Dalam analisis regresi diasumsikan bahwa korelasi antara residual pada periode t dengan residual pada periode t-1 sama dengan 0. Dalam analisis time series untuk penjualan sebagai contoh, tentunya asumsi semacam itu tidak masuk akal. Penjualan pada periode t akan berkolerasi dengan penjualan pada t-1. Meskipun demikian metodeleast 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: a

= ∑(Y) – b ∑(X)

b

= ∑XY - n ∑ (X) ∑(Y) / ∑ X2 - n ∑ (X)2

b) Trend Sebagai Proyeksi Masa Depan Untuk memakai persamaan tren sebagai proyeksi masa depan, seorang analis harus hati-hati terhadap asumsi yang digunakan. Tren garis 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. Pada Skala Aritmatik persamaan tren yang lebih sesuai adalah persamaan parabola seperti berikut ini. Y

= a + bX + cX2 Sedangkan untuk Skala Semi-Logaritma persamaan tren yang lebih sesuai

adalah persamaan logaritma dengan model seperti berikut ini. log Y = a + b log X Pemilihan model yang akan digunakan sebagai proyeksi pada masa mendatang akan sangat tergantung dari asumsi yang digunakan, apakah data akan tumbuh secara linear atau tidak. Pendekatan linear mengasumsikan besarnya perubahan pada perubahan yang terjadi adalah tidak konstan.

c) Analisis Siklus Fluktuasi siklus bisnis muncul dalam jangka waktu menengah (2–10 tahun). Pengaruh musiman dalam data table di atas hilang karena data yang digunakan merupakan data tahunan, pengaruh musiman tidak terlihat dalam data tahunan. Pengaruh siklus bisa dilihat dengan persentase tren yang dirumuskan sebagai berikut ini. % Trend = Y / Yt × 100

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

Indeks

Anggaran Penjualan Anggaran

musiman

penjualan

dengan

pengaruh musiman (4)=(2)x(3)

(1)

(2)

(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

Indeks

Anggaran

Penjualan Anggaran penjualan tanpa

musiman

dengan

pengaruh pengaruh musiman

musiman

(4) = (3) / (2)

(1)

(2)

(3)

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

C. METODE-METODE PERAMALAN

Univariate Mekanis

Model Rata-rata Bergerak Model Box-Jenkins Univariate

Multivariate Model Regresi Model

Fungsi

Transfer

Box-

Jenkins Non-mekanis

Pendekatan Visual

Pendekatan analis sekuritas

Model-model tersebut bukan saling menggantikan, tetapi saling melengkapi. Pendekatan mekanis pada dasarnya menggunakan teknik-teknik yang lebih obyektif

seperti statistik, dan cara tersebut menggunakan model yang sama untuk setiap forecast. Salah satu contoh cara mekanis teresebut adalah model regresi. Dengan cara non-mekanis, 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 analis melakukan perkiraan. Contoh pendekatan semacam ini yang mekanis adalah perkiraan dengan cara penghalusan eksponensial atau model rata-rata bergerak tertimbang. Dalam pendekatan multivariate, beberapa variabel dan interaksi antar variabelvariabel

tersebut

dipertimbangkan

dalam

perkiraan

data.

Contoh

modelmultivariate mekanis adalah model regresi berganda yang menggunakan beberapa variabel, model ekonometris yang memperhitungkan hubungan secara simultan

persamaan-persamaan

dalam

suatu

sistem.

Contoh

pendekatan multivariate non-mekanis adalah analisis yang digunakan oleh analisis keuangan. Analisis tersebut mempertimbangkan banyak faktor yang diperkirakan mempunyai pengaruh terhadap data yang dianalisis baik secara kuantitatif maupun kualitatif, kemudian menentukan angka perkiraan.

1. 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

2. Perbandingan Model-model Forecast a)

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