TUGAS MAKALAH MATA KULIAH ANALISIS LAPORAN

KEUANGAN
ANALISIS CROSS-SECTION

Disusun Oleh :
Ria Resti Yunita (C1C014006)
Mudia Ilrani (C1C014011)
Imron Rosady (C1C014015)
Konsentrasi : Akuntansi Keuangan

Jurusan Akuntansi
Fakultas Ekonomi dan Bisnis
Universitas Jambi
Tahun Ajaran 2016

KATA PENGANTAR

Puji dan puji syukur penulis panjatkan kepada Allah SWT, karena atas rahmat, hidayah,
dan inayah-Nya sehingga penulis dapat menyelesaikan tugas makalah Analisis Laporan
Keuangan ini sesuai dengan batas waktu yang telah 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 Time
Series. Makalah ini dapat hadir seperti sekarang ini tak lepas dari bantuan banyak 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 harapan penulis agar kehadiran makalah ini dapat memberikan manfaat
yang berarti untuk para pembaca. Dan yang terpenting adalah semoga dapat turut serta
memajukan ilmu pengetahuan.

Jambi, September 2016

Penulis

DAFTAR ISI

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 finansilanya 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 rasio-rasio 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.

1.2.

Rumusan Masalah

Berdasarkan latar belakang diatas, penulis merumuskan rumusan masalah sebagai berikut
:
1.3.

Tujuan Penulisan

1.4.

Manfaat Penulisan

BAB II
PEMBAHASAN

1.

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 trentren 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:
ROA
Tahun
1981
1982
1983
1984
1985
1986
1987
1988
1989

Perusahaan
20,2%
21,1%
23,5%
24,5%
22,4%
23,6%
24,4%
25,1%
25,0%

ROA Industri
16,0%
18,5%
21,1%
22,0%
25,0%
21,5%
23,1%
24,7%
24,8%

Data-data tersebut kemudian bisa diplot ke dalam suatu grafik sebagai berikut ini:

Dari grafik di atas nampak bahwa tren ROA perusahaan mengalami kenaikan 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 di bawah ROA
industri. Tentunya tren semacam ini bukan merupakan tren yang menguntungkan buat
perusahaan. Kejadian semacam itu bisa terjadi apabila indurstri 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
permasalahan tersebut. Analisis tren semacar itu bisa dilakukan untuk setiap rasio atau angka
keuangan dan dibandingkan dengan tren dalam industri.
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.
2.
3.
4.

Peraturan Pemerintah
Perubahan Kompetisi
Perubahan Teknologi
Akuisi dan Merger (Penggabungan Perusahaan)
Jika ada perubahan semacam itu, seorang analis mempunyai beberapa alternatif analisis.
Misalkan analis menganalisis industri 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 analisis 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 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 kejadian yang luar biasa, pembagian periode analisis ke dalam dua periode, yaitu
sebelum dan sesudah deregulasi, merupakan cara yang realistis.
Data penjualan PT ABC dan PT XYZ

Tahun
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981

Penjualan
PT ABC
1.000
1.500
1.600
1.750
2.000
2.100
3.200
3.300
3.350
3.400
3.500

PT B
500
750
770
750
800
850
-

Gabungan
1.500
2.250
2.370
2.500
2.800
2.950
3.200
3.300
3.350
3.400
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:
1. 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.
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 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
Ketiga macam pendekatan tersebut tidak saling menghilangkan, tetapi saling melengkapi.
Misalkan sebuah perusahaan mempunyai grafik penjualan sebagai berikut:

Dengan halnya melihat grafik di atas, nampak bahwa penjualan perusahaan mempunyai
pola yang berfluktuasi secara sistematis. Pola musiman nampak dari grafik di atas. Setiap kuartal
awal penjualan perusahaan menunjukkan angka yang lebih tinggi dibandingkan dengan rata-rata
penjualan bulanan. Di samping itu nampak bahwa penjualan perusahaan menunjukkan tren yang
semakin menaik dalam jangka panjang, meskipun dalam jangka pendek terlihat penjualan yang
naik turun.
Dari segi ekonomi, data-data di atas bisa diinterpretasikan lebih lanjut. Pada akhir tahun
penjualan menunjukkan kecenderungan naik karena penjualan cenderung naik pada saat tahun
baru dan hari raya Natal. Penjualan juga menunjukkan kecenderungan naik yang cukup tinggi
pada hari raya Idul Fitri. Dalam jangka panjang perusahaan mengalami perkembangan yang
cukup stabil. Karena hari raya Idul Fitri selalu maju sekitar 10 hari setiap tahunnya, maka analis
bisa memperhitungkan bahwa suatu ketika hari raya Idul Fitri akan jatuh pada kuartal keempat,
yang berakibat akan munculnya penjualan 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 semacam itu ada musiman lain yang disebabkan
oleh perubahan cuaca. Pada saat musim kemarau barangkali penjulaan perusahaan pembuat

minuman akan menunjukkan kecenderungan yang lebih tinggi. Pada saat musim hujan,
perusahaan pembuat jas hujan menunjukkan penjualan yang jauh lebih tinggi dibandingkan pada
musim kemarau. Di samping musiman seperti di atas, ada juga musiman yang disebabkan karena
pola pelaporan keuangan. Misalkan suatu perusahaan menyusun laporan keuangan kuartalan
yang terdiri dari 12 minggu, 12 minggu, 12 minggu, dan 16 minggu (satu tahun ada 52 minggu),
apabila faktor-faktor lain konstan, ada kecenderungan penjualan pada kuartal keempat
menunjukkan angka yang lebih tinggi karena jumlah minggunya yang lebh banyak.
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.
2.

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 faktor-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 faktor-faktor di atas, dia harus memperkirakan nilai tersebut sebelum memperkirakan nilai
variable 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.

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 210
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.
Misalkan analis ingin menganalisis tren penjualan suatu perusahaan, maka akan lebih
baik apabila pengaruh-pengeruh musiman, siklus, dan ketidakteraturan dihilangkan dari data.
Data yang dihasilkan merupakan data yang benar-benar mencerminkan tren penjualan
perusahaan tersebut. Demikian juga kalau ingin menganalisis pengaruh musiman penjualan
perusahaan, maka akan lebih baik apabila pengeruh tren, siklus, dan ketidakteraturan dalam
data penjualan dihilangkan, sehingga akan diperoleh data yang benar-benar mencerminkan
pengaruh musiman perusahaan.
1.

Mengukur Pengaruh Tren

Tren suatu data bisa dilihat dengan beberapa cara:

a. 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.
b. 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)

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

Perhitungan trend:
(1)

(2)

Tahun
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988

X
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
153

(3)
Penjualan
(Y)
224
233
248
258
270
288
315
344
369
393
406
416
425
437
450
462
476
6.014

E(Y) = Y/N = 6.014/17 = 353,8

b=

61.08717 ( 9 ) (353,8)
( 1.785 )17( 9)

a = 353,8 17,1 (9) = 200

Persamaan Tren:
Yt = a + b X

= 17,1

(4)

(5)

(6)

XY
224
466
744
1.032
1.350
1.728
2.205
2.752
3.321
3.930
4.466
4.992
5.525
6.118
6.750
7.392
8.092
61.087

X
1
4
9
16
25
36
49
64
81
100
121
144
169
196
225
256
289
1.785

Tren
217
234
251
268
285
303
320
337
354
371
388
405
422
439
456
474
491

(7)
Y/Yt * 100
(%Tren)
103,2
99,5
98,7
96,2
94,6
95,2
98,6
102,2
104,3
106,0
104,6
102,7
100,7
99,5
98,6
97,6
97,0

Yt = 200 + 17,1 Xt
Kolom enam (6) merupakan nilai tren yang dihitung berdasarkan persamaan tren yang
dihasilkan di atas. Berikut ini grafik yang menunjukkan nilai penjualan yang sesungguhnya dan
nilai tren penjualan.

2.

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.
= 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.

3.

Analisis Siklus
Fluktuasi siklus bisnis muncul dalam jangka waktu menengah (210 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

Di mana Y merupakan data tahunan yang sesungguhnya, dan Yt merupakan data tren
yang dihitung berdasarkan persamaan tren. Kolom (7) pada Tabel 7.3. di atas memperlihatkan
hasil perhitungan di atas. Plot angka-angka dalam kolom ke (7) akan terlihat seperti berikut ini

Perhatikan bahwa ada kecenderungan siklus dengan jangka waktu sekitar 9 tahun. Tahun
1972 menunjukkan kecenderungan penjualan yang tinggi, relative terhadap angka tren, dan
kemudian penjualan yang tinggi tersebut muncul lagi pada tahun 1981.

4.

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

musiman

Anggaran

penjualan

dengan

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

(1)
(2)
I
0,99
II
1,01
III
0,90
IV
1,10
Total anggaran penjualan

(3)
250.000.000
250.000.000
250.000.000
250.000.000

247.500.000
252.500.000
225.000.000
275.000.000
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 dengan Anggaran

musiman

pengaruh musiman

pengaruh musiman

(3)

(4) = (3) / (2)

247.500.000
252.500.000
225.000.000
275.000.000

250.000.000
250.000.000
250.000.000
250.000.000
1.000.000.000

(1)
(2)
I
0,99
II
1,01
III
0,90
IV
1,10
Total anggaran penjualan

3.

penjualan

tanpa

METODE-METODE PERAMALAN

Mekanis

Univariate
Model Rata-rata Bergerak

Multivariate
Model Regresi

Non-mekanis

Model Box-Jenkins Univariate

Pendekatan Visual

Model Fungsi Transfer Box-Jenkins

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 variabel-variabel 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
w

= forecast pada periode t 1

= 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

1. Pendekatan Analis Sekuritas (Multivariate) untuk Forecasting

Kelebihan:
a. Mampu menyesuaikan terhadap informasi dari berbagai sumber
b. Mampu menyesuaikan terhadap perubahan struktural secara cepat
c. Mampu memperbaharui secara kontinu apabila ada informasi baru masuk
Kelemahan:
a. Biaya yang cukup tinggi untuk persiapan dan pelaksanaan, untuk monitoring beberapa
variabel, dan biaya-biaya lainnya
b. Ketergantungan yang tinggi terhadap kemampuan individu analisnya
c. Analis barangkali mempunyai insentif untuk tidak menampilkan forecast yang tidak
bias (misal, karena tekanan agar sesuai dengan konsensus forecast)
d. Analis barangkali bisa dimanfaatkan oleh perusahaan-perusahaan tertentu untuk
kepentingan perusahaan tersebut
2. Pendekatan Univariate Mekanis untuk Forecasting
Kelebihan:
a.
b.
c.
d.
e.

Kemampuan mendeteksi dan memanfaatkan pola tertentu pada data masa lalu
Tingkat subyektivitas yang rendah, terutama apabila metode statistik digunakan
Biaya yang relatif lebih rendah
Mudah diperbaharui
Kemampuan menganalisis lebih lanjut dengan metode statistik
Kelemahan:
a. Jumlah observasi yang terbatas pada situasi tertentu, misal pada perusahaan yang baru
berdiri

b. Laporan keuangan barangkali tidak memenuhi asumsi-asumsi yang diperlukan dalam

analisis statistik
c. Sulit mengkomunikasikan hasil analisis kepada luar, terutama dalam hal metodologinya

BAB III
PENUTUP

1.

KESIMPULAN
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 digunakan untuk melakukan analisis data yang mempertimbangkan
pengaruh waktu. Data-data yang dikumpulkan secara periodik berdasarkan urutan waktu, bisa
dalam jam, hari, minggu, bulan, kuartal dan tahun. Selain itu analisis time series bisa digunakan
untuk peramalan data beberapa periode ke depan yang sangat membantu dalam menyusun
perencanaan ke depan.
2.

SARAN
Dalam menganalisis laporan keuangan suatu perusahaan secara efektif dan efisien, salah

satu cara yang dapat dilakukan yaitu membandingkan data historis perusahaan dan data historis
industri (analisis time series) untuk melihat apakah bagaimana perkembangan tren di suatu
perusahaan, apakah bergerak relatif baik atau tidak.

DAFTAR PUSTAKA

Hanafi, Mamduh , Abdul Halim. 2007. Analisis laporan keuangan. Yogyakarta: STIE
YKPN.
http://annisaarumartaarfan.blogspot.com/2013/10/analisis-times-series-danforecasting.html