6 5
4 3
2 1
7000000 6000000
5000000 4000000
3000000 2000000
1000000
I ndex
P e
n d
a p
a ta
n L
a in
n y
a
A lpha lev el 0,2
Gam m a trend 0,2
Sm oothing C onstants M A PE
1,98222E+ 01 M A D
5,38948E+ 05 M SD
3,31290E+ 11 A ccuracy M easures
A ctual F its
F orecasts 95,0 PI
V ariable
DES = 02 = 0,2
Double Exponent ial Met hod
Tingkat akurasi menggunakan α = 0,2 dan β = 0,2 lebih baik digunakan
karena angka MAPE, MAD dan MSD yang dihasilkannya lebih kecil. Dengan demikian, dapat disimpulkan bahwa prediksi pendapatan lainnya tahun 2011
sebaiknya menggunakan angka Rp 5.784.429 juta. Tabel hasil Output forecasting
pendapatan lainnya dapat dilihat di Lampiran 15., dan berikut ini merupakan grafik forecasting pendapatan lainnya.
Gambar 5. Grafik Forecasting Pendapatan Lainnya
3. Jumlah Beban
Pola data yang dihasilkan dengan menggunakan fasilitas Time series out pada data jumlah beban menunjukkan bahwa data semakin naik ke kanan atas,
yang menunjukkan data tidak stasioner. Sehingga tepat untuk menggunakan metode double exponential smoothing
untuk meramalkan nilai jumlah beban di tahun berikutnya. Dari hasil pengolahan data dengan menggunakan metode
double exponential smoothing dengan menggunakan α=0,2 dan β=0,2, hasil
forecasting sebesar Rp 17.092.894 juta.
Untuk menguji tingkat errornya, nilai t hitung yang dihasilkan sangat kecil atau lebih kecil dari t tabel yang bernilai sebesar 2,776, dan Ljung Box Q pada
lag 10 dari
2
tabel 11,143, hal ini menunjukkan forecasting dengan metode ini dengan kriteria
α=0,2 dan β=0,2 dapat digunakan untuk untuk memprediksi rata-rata jumlah beban dimasa mendatang.
A lpha lev el 0,2
Gam m a trend 0,2
Sm oothing C onstants
M A PE 1,98222E+ 01
M A D 5,38948E+ 05
M SD 3,31290E+ 11
A ccuracy M easures Alpha lev el
0,4 Gamma trend
0,3 Smoothing Constants
MAPE 2,16928E+ 01
MAD 5,98820E+ 05
MSD 4,35978E+ 11
Accuracy Measures
Untuk mengetahui forecast dengan menggunakan α=0,2 dan β=0,2
mempunyai kesalahan prediksi minimal maka dicoba dengan menggunakan besaran α=0,4 dan β=0,3. Hasil tingkat akurasi yang dihasilkan sebagai berikut:
Tingkat akurasi menggunakan α=0,2 dan β=0,2 baik karena angka
MAPE, MAD dan MSD yang dihasilkannya lebih kecil. Dengan demikian, dapat disimpulkan bahwa prediksi jumlah beban tahun 2011 sebaiknya
menggunakan angka Rp 17.092.894 juta. Tabel hasil Output forecasting jumlah beban dapat dilihat di Lampiran 15., dan berikut ini merupakan grafik
forecasting- nya.
Gambar 6. Grafik Forecasting Jumlah Beban
4. Laba Sebelum Pajak
Pola data yang dihasilkan dengan menggunakan fasilitas Time series out pada data laba sebelum pajak menunjukkan bahwa data semakin naik ke kanan atas,
yang menunjukkan data tidak stasioner. Sehingga tepat untuk menggunakan metode double exponential smoothing
untuk meramalkan nilai laba sebelum pajak di tahun berikutnya. Dari hasil pengolahan data dengan menggunakan metode double
exponential smoothing dengan menggunakan α=0,2 dan β=0,2, hasil forecasting
sebesar Rp 15.483.198 juta.
Alpha lev el 0,4
Gamma tr end 0,3
Smoothing Constants
MAPE 6,56688E+ 00
MAD 7,85377E+ 05
MSD 8,93664E+ 11
Accur acy Measur es Alpha lev el
0,2 Gamma trend
0,2 Smoothing Constants
MAPE 5,82277E+ 00
MAD 6,86122E+ 05
MSD 6,75623E+ 11
Accuracy Measures
6 5
4 3
2 1
20000000 18000000
16000000 14000000
12000000 10000000
8000000 6000000
I ndex Ju
m la
h B
e b
a n
Alpha lev el 0,2
Gamma tr end 0,2
Smoothing Constants MAPE
5,82277E+ 00 MAD
6,86122E+ 05 MSD
6,75623E+ 11 Accur acy Measur es
Actual Fits
For ecasts 95,0 PI
Var iable
Smoothing Plot for Jumlah Beban
Double Exponential Method
Untuk menguji tingkat errornya, nilai t hitung yang dihasilkan sangat kecil atau lebih kecil dari t tabel yang bernilai sebesar 2,776, dan Ljung Box Q pada lag 10
dari
2
tabel 11,143, hal ini menunjukkan forecasting dengan metode ini dengan kriteria
α=0,2 dan β=0,2 dapat digunakan untuk untuk memprediksi rata-rata laba sebelum pajak dimasa mendatang.
Untuk mengetahui forecast dengan menggunakan α=0,2 dan β=0,2
mempunyai kesalahan prediksi minimal maka dicoba dengan menggunakan besaran α = 0,4 dan β = 0,3. Hasil tingkat akurasi yang dihasilkan sebagai berikut:
Tingkat akurasi menggunakan α=0,4 dan β=0,3 baik karena angka
MAPE, MAD dan MSD yang dihasilkannya lebih kecil. Hasil forecasting menggunakan α = 0,4 dan β = 0,3 menghasilkan prediksi nilai laba sebelum
pajak sebesar Rp 15.564.172 juta. Dengan demikian, dapat disimpulkan bahwa
prediksi sebelum pajak bersih tahun 2011 sebaiknya menggunakan angka Rp 15.564.172 juta. Tabel hasil Output forecasting laba sebelum pajak dapat
dilihat di Lampiran 15., dan berikut ini merupakan grafik forecasting-nya.
Gambar 7. Grafik Forecasting Laba Sebelum Pajak Dari hasil forecasting pendapatan bunga bersih diperoleh prediksi nilai
pendapatan bunga bersih BRI tahun 2011 naik menjadi Rp34.553.308 juta, yaitu meningkat sebesar Rp1.664.705 5,06 persen dari tahun 2010 yaitu pada tahun 2010
Alpha lev el 0,2
Gamma tr end 0,2
Smoothing Constants
MAPE 9,64736E+ 00
MAD 9,80438E+ 05
MSD 1,34467E+ 12
Accur acy Measur es Alpha lev el
0,4 Gamma tr end
0,3 Smoothing Constants
MAPE 1,01801E+ 01
MAD 1,07317E+ 06
MSD 1,77865E+ 12
Accur acy Measur es
6 5
4 3
2 1
20000000 17500000
15000000 12500000
10000000 7500000
5000000
I ndex
La b
a S
b lm
P a
ja k
Alpha lev el 0,4
Gamma tr end 0,3
Smoothing Constants MAPE
1,01801E+ 01 MAD
1,07317E+ 06 MSD
1,77865E+ 12 Accur acy Measur es
Actual Fits
For ecasts 95,0 PI
Var iable
Double Exp. Smoothing dengan = 0 ,4 dan = 0 ,3
Double Exponential Method
bernilai Rp32.888.603 menjadi 34.553.308 juta di tahun 2011. Prediksi nilai pendapatan lainnya naik sebesar Rp239.896 juta 4,33 persen dari tahun sebelumnya
yaitu pada tahun 2010 bernilai Rp5.544.533 juta menjadi Rp5.784.429 di tahun 2011. Demikian juga pada jumlah beban, jumlah beban naik sebesar Rp 979.202 6,08 persen
yaitu Rp16.113.692 juta menjadi Rp17.092.894 juta di tahun 2011. Forecasting laba sebelum pajak juga mengalami kenaikan sebesar Rp
655.942 juta 4,40 persen yaitu pada tahun 2010 Rp14.908.230 menjadi Rp15.564.172 di tahun 2011. Peningkatan
Laba tersebut berpeluang meningkatkan nilai EVA, artinya kinerja keuangan perusahaan semakin baik lagi. Hasil forecasting komponen rugi laba untuk tahun 2011
dapat diringkas ke dalam satu grafik yang sama seperti berikut ini.
Gambar 8. Grafik Forecasting Komponen Laba Rugi
4.5.2 Forecasting Komponen Neraca