IV. GAMBARAN UMUM PROVINSI BANTEN
4.2. Metode Penentuan Sampel Saham Emiten Terpilih
Pemilihan saham yang dianalisis dilakukan dengan sengaja (purposive) melalui tahapan cluster emiten menurut sektor agribisnis perkebunan dan masuk dalam indeks saham LQ45 dengan melihat potensi perkembangan pengembalian saham sektoral agribisnis (likuiditas). Adapun kriteria pemilihan saham yang dianalisis adalah:
1. Perusahaan go public yang tercatat sebagai emiten pada periode sebelum
Januari 2005 sampai November 2008 secara kontinyu (tidak pernah delisting).
2. Saham perusahaan perusahaan yang tergolong ke dalam perusahaan yang
bergerak dalam bidang agribisnis terutama dalam sektoral perkebunan baik perusahaan industri hulu (penyedia sarana dan prasarana pertanian),
perusahaan on-farm, perusahaan industri hilir (pengolahan produk-produk
pertanian) maupun jasa pemasaran dan pendukung lainnya.
3. Pola data harga penutupan yang ada tidak mengalami perubahan pola umum
yang ekstrim dan mendadak pada suatu saat (step function), data untuk basis pengolahan dapat dilihat pada Lampiran 1.
4. Masuk dalam emiten LQ45 (daftar emiten yang masuk dalam LQ45 dapat
dilihat pada Lampiran 2) pada periode 1 Agustus 2008 – 31 Januari 2009. Berdasarkan kriteria-kriteria tersebut, maka dipilih tiga saham perusahaan agribisnis sektoral perkebunan (plantation). Saham perusahaan terpilih adalah PT
Astra Agro Lestari Tbk. (AALI), Bakrie Sumatera Plantation Tbk. (UNSP), dan PP London Sumatera Tbk. (LSIP).
4.3. Data dan Instrumentasi
Data yang dikumpulkan untuk menjawab masalah dan tujuan penelitian ini adalah data Time Series (kuantitatif) publikasi PT Bursa Efek Indonesia dan beberapa data relevan untuk mendukung penelitian. Data yang digunakan adalah data sekunder yang terdiri dari serial data harga penutupan saham harian perusahaan sektoral perkebunan terpilih di lantai bursa 1 Januari 2006 – 30 April 2009 dengan basis data 13 Oktober 2008 – 30 April 2009. Hal ini dimaksudkan untuk mendapatkan data yang kontinyu mengekstrapolasikan keadaan yang teraktual dan bergerak dalam rataan yang mengikuti pola data terbarunya. Sehingga data harga yang didapatkan diharapkan dapat menggambarkan nilai risiko dan pergerakan harga saham selanjutnya selama tahun 2009.
4.4. Metode Pengumpulan Data
Pengumpulan data yang diperlukan dalam menjawab masalah dan tujuan penelitian memanfaatkan observasi langsung ke lembaga dan dinas-dinas terkait, wawancara lansung dengan pihak yang terkait dan kompeten dalam menjelaskan permasalahan, pencarian dengan memanfaatkan teknologi (internet, komunikasi via telepon), studi literatur dan pustaka. Hal ini dimaksudkan untuk mendapatkan data yang relevan dan valid dalam proses pengolahan data dan interpretasi permasalahan dan tujuan penelitian ini.
4.5. Metode Pengolahan Data
Pengolahan data yang telah diperoleh dengan menggunakan program Microsoft Excel 2007, Minitab versi 14, QSB dan Eviews 4.1. Data yag digunakan adalah basis data tanggal 13 Oktober 2008 sampai 30 April 2009 untuk mengekstrapolasikan keadaan yang teraktual dan bergerak dalam rataan yang mengikuti pola data terbarunya. Pengolahan data untuk menduga harga saham emiten sektoral terpilih terdapat tiga tahap, yaitu :
1. Identifikasi pola data harga saham.
3. Membandingkan dan memilih metode peramalan terbaik (melihat nilai MSE terkecil) serta melakukan peramalan harga saham emiten terpilih dengan metode peramalan terbaik tersebut.
Analisis tingkat risiko yang mungkin ditanggung investor (Value at Risk –
VaR) dilakukan secara awalan dengan memanfaatkan data pengembalian harga
saham (diferensiasi logaritma natural dari pergerakan harga penutupan saham) dengan empat tahapan lanjutan, yaitu :
1. Spesifiksi model dengan mendeteksi efek ARCH data saham dengan uji
autokorelasi dan uji ARCH dilanjutkan dengan spsifikasi persamaan rataan yang sesuai.
2. Pendugaan parameter dan pemilihan model ragam yang terbaik dengan
simulasi beberapa model ragam yang dilanjutkan dengan pendugaan parameter model kemudian membandingkan nilai AIC dan SC.
3. Diagnostic model ragam dengan analisis galat meliputi kebebasan galat
(fungsi autokorelasi), uji ARCH dan uji normalitas galat.
4. Peramalan nilai VaR.
4.5.1. Metode Peramalan Harga Saham
Peramalan harga saham terpilih secara kuantitatif yang digunakan adalah metode peramalan time series. Tahap awal dalam proses peramalan dilakukan dengan identifikasi data. Data diplotkan pada grafik dengan menggunakan progam Minitab 14. Setelah didapat pola data, kemudian diduga metode
peramalan yang tepat dengan mencoba beberapa metode peramalan Time Series.
Beberapa model yang digunakan dalam peramalan ini meliputi (Hanke, 2003): A. Metode Rataan (Average)
1. Metode Rata-Rata Sederhana (simple average)
Ŷt+1
∑
= t iY
t t 1 1 =Yt
2. Metode Rata-Rata Bergerak Sederhana (simple moving average) = Data aktual periode ke-t
Ŷt+1
(
)
ky
y
y
y
t t 1 t 2 ... t k 1 + − − − + + + + =Dimana : Ŷt+1 = Ramalan periode t+1
Yt
1. Metode Single Exponential Smoothing (SES) = Data aktual periode ke-t
k = Jumlah periode yang di rata-rata bergerak B. Metode Pemulusan (Smoothing)
Yt +1= Yt + α(Xt - Yt)
Ada Trend ; Ŷt+1 = Yt + α et
Dimana : Yt +1 = Nilai ramalan untuk satu periode ke depan
α = Koefisien pemulusan
Xt = Nilai actual pada waktu ke t
et = Kesalahan ramalan
Yt
2. Metode Double Exponential Smoothing Holt
= Nilai ramalan ke t
St = αXt + (1-α)(St-1 + bt-1)
Tt = (St-St-1) + (1- )bt-1
Ft+m = St + m(Tt)
Dimana : St=Nilai pemulusan data aktual
Tt = Nilai pemulusan tren
Ft+m = peramalan pada periode ke t + m
α = Koefisien pemulusan untuk S (0< α <1) = Koefisien pemulusan untuk T(0< β <1)
3. Metode Triple Exponential Smoothing (Winters) St L
I
tx
t − = α + (1-α)(St-1 + bt-1) bt= (St-St-1) + (1- )bt-1 ItSx
t t γ = + (1- ) It-L Ft+m = (St + Tt . m). It-L+mDimana : St=Nilai pemulusan data aktual
Tt = Nilai pemulusan tren
It = Faktor musiman yang dilicinkan dalam serial data ke t
L = Panjang musiman
Ft+m
1. Dekomposisi Aditif
= peramalan pada periode ke t + m
α = Koefisien pemulusan untuk S (0< α <1) = Koefisien pemulusan untuk T (0< β <1) = Koefisien pemulusan untuk I (0< <1) C. Metode Dekomposisi
Yt = Tt + St + I
2. Dekomposisi Multiplikatif
t
Yt = Tt x St x It
Dimana : Tt= komponen tren pada periode t
St = komponen musiman pada periode t
It = ketidakberaturan atau error pada periode t
D. Metode ARIMA dan SARIMA
Metode ini sering juga disebut metode Box-Jenkins. Metode ini terdiri dari AR, I, dan MA. Metode ini secara umum dinotasikan sebagai ARIMA
(p,d,q) untuk model yang tidak memiliki unsur musiman dan ARIMA
Dimana :
p = menunjukkan orde/derajat autoregressive (AR) model tanpa musiman
d = menunjukkan orde/derajat differencing/pembedaan (I) model tanpa musiman
q = menunjukkan orde/derajat moving average (MA) model tanpa musiman
P = menunjukkan orde/derajat autoregressive (AR) model dengan musiman
D=menunjukkan orde/derajat differencing/pembedaan (I) model dengan musiman
Q= menunjukkan orde/derajat moving average (MA) model dengan musiman
Data yang digunakan dalam peramalan dengan ARIMA harus distasionerkan terlebih dahulu agar menghasilkan hasil ramalan yang lebih mendekati aktual (akurat). Adapun model yang dihasilkan dalam metode ini adalah : ARIMA (p.d,q) Yt = Φo + Φ1Y t-1 + Φ2Y t-2 + ... + ΦpYt-p + t – ω1 t-1 – ω2 t-2 – ωq t-q ARIMA (p,d,q)(P,D,Q)L Yt = Φo + Φ1.LYt-L + Φ2.L Yt-2L + ....+ Φp.L yt-pL + t – ω1.L t-L – ω2.L t-2L – ωq.L t-qL Dimana :
Yt = Variabel yang diramalkan (stasioner)
Φo, Φ1, Φp = Koefisien AR yang diestimasikan model tanpa musiman
Φo, Φ1.L, Φp.L = Koefisien AR yang diestimasikan model dengan musiman
Y t-1, Y t-2, Yt-p = Variabel respon pada masing-masing lag tanpa musiman
Y t-1, Y t-2, Yt-pL= Variabel respon pada masing-masing lag dengan musiman
t = Galat pada periode ke-t
ω1, ω2, ωq = Koefisien MA yang diestimasikan model tanpa musiman
ω1.L, ω2.L, ωq.L = Koefisien MA yang diestimasikan model dengan musiman t-1, t-2, t-q = Galat pada masing-masing lag model tanpa musiman
4.5.2. Model ARCH/GARCH10
Pada umumnya, pemodelan data deret waktu dilakukan dengan asumsi
ragam sisaan yang konstan (homoskedastisitas) yaitu sebesar 2. pada
kenyataannya, banyak data deret waktu yang memiliki ragam sisaan yang tidak konstan (heteroskedastisitas), khususnya untuk data deret waktu di bidang keuangan. Model analisis yang memperbolehkan adanya heteroskedastisitas
adalah model ARCH (Autoregressive Conditional Heteroscedasticity) yang
diperkenalkan pertama kali oleh Engle (1982). Model ARCH menggambarkan model ragam sisaan yang tergantung pada kuadrat sisaan pada periode sebelumnya secara autoregresi atau dengan kata lain model ini digunakan untuk memodelkan ragam bersyarat.
Peramalan dengan model ARCH/GARCH menggunakan perbandingan harga saham pada saat t dengan harga saham pada saat t+1. Perbandingan harga saham ini dikenal dengan nilai pengembalian (return). Dimana nilai Yt akan bernilai positif jika harga saham naik terhadap Xt dan berlaku sebaliknya.
Yt = Ln Xt+1-LnXt
Misalkan Y1, Y2,…Yt merupakan deret waktu pengamatan berupa data
deret waktu pengamatan berupa data pengembalian dan Yt adalah sebuah proses
Autoregresive Moving Average ARMA (p,q) dengan persamaan :
Yt – Φ1 - Yt-1 – Φ2 Yt-2 - …- Φp Yt-p = t – θ1 t-1 – θ2 t-2 - …- θq t-q
Dimana εt adalah proses ingar putih (white noise) persamaan tersebut dapat ditulis
(ΦpB) Yt = (θqB) t
Dimana B adalah operator backshift. Jika q=0 maka ARMA(p,q) sama dengan proses AR dengan orde p atau AR(p), yang dapat ditulis dengan
Yt = φ+ Φ1 Yt-1 – Φ2 Yt-2 - …- Φp Yt-p+
10Analisis Deret Waktu Satu Ragam Hal 68-70,, M. Firdaus, 2006
Dengan E( t) = 0 2, untuk t = E ( t, ) = 0 untuk selainnya Proses akan memilki persamaan varians yang stasioner jika
1 – Φ1Y1 – Φ2Y2 - …- ΦpYp = 0
Persamaan linier yang optimal dari Yt untuk proses AR (p) adalah
Ê (Yt |Yt-1, Yt-2, …) = φ+ Φ1 Yt-1 – Φ2 Yt-2 - …- Φp Yt-p
Ê (Yt |Yt-1, Yt-2, …) menunjukkan proyeksi linier dari Yt terhadap konstan
dan (Yt-1, Yt-2, …). Jika rataan bersyarat dari Yt berubah-ubah pada tiap titik
waktu mengikuti persamaan di atas dan proses tersebut memiliki peragam yang stasioner, maka rataan tak bersyarat dari Yt adalah konstanta sebagai berikut:
E (Yt ) = φ/(1- Φ1 , Φ2 , - ... – Φp )
Hal yang menarik dalam persamaan ini tidak hanya peramalan dari Yt
saja, tapi juga peramalan varians. Perubahan dalam varians sangat penting
misalnya pasar saham atau pasar keuangan, terutama bagi para investor yang menghendaki return yang tinggi sebagai kompensasi untuk risiko aset yang ditanggungnya.
Varians yang berubah-ubah pada setiap titik waktu juga memiliki implikasi terhadap validitas dan efisiensi dalam estimasi parameter (φ, Φ1 , Φ2 , -
... – Φp ). Walaupun persamaan awal di atas berimplikasi bahwa varians bersyarat
dari t adalah konstan sebesar 2 , namun pada kenyataannya varians bersyarat
dari t dapat berubah-ubah terhadap titik waktu. Pendekatan yang digunakan
untuk mendeskripsikan kuadrat dari εt yang mengikuti proses AR (m) t = ξ + α1 2t-1 + α2 2t-2 + ... + αm 2t-m + ωt
peubah ωt adalah proses white noise yang baru, dengan E(ωt ) = 0 2 , untuk t = E (ωt , ω ) = 0 untuk selainnya
t merupakan residual dari peramalan Yt berimplikasi bahwa proyeksi
linier kuadrat residual dari ramalan Yt terhadap m kuadrat residual peramalan
sebelumnya adalah sebagai berikut
E( 2
t / 2t-1, 2t-2 , ...) = ξ + α1 2t-1 + α2 2t-2 + ... + αm 2t-m
Proses white noise t yang memenuhi persamaan di atas dikenal sebagai
model Autoregressive Conditional Heteroscedasticity dengan orde m atau ARCH
(m), yang dinotasikan
t ~ ARCH (m)
Persamaan ini juga sering ditulis sebagai berikut
ht = ξ + α1 2t-1 + α2 2t-2 + ... + αm 2t-m
Dimana ht = E( 2t / 2t-1, 2t-2 , ...) yang sering disebut juga ragam. Proses t ~
ARCH (m) dicirikan oleh 2t = ht .Vt; dimana Vt ~ N (0,1).
Seringkali pada saat menentukan model ARCH, membutuhkan orde yang lebih besar agar didapatkan model yang tepat untuk data deret waktu. Oleh
karena itu, Bollerslev (1986) mengembangkan model ARCH ke Generalized
Autoregressive Conditional Heteroscedasity (GARCH) untuk menghindari orde
ARCH yang besar dan memberikan hasil yang lebih praktis (parsimonious)
daripada model ARCH. Dalam model GARCH, perubahan ragam bersyaratnya selain dipengaruhi oleh nilai di periode sebelumnya, juga dipengaruhi oleh ragam bersyarat pada periode sebelumnya.
Lebih umum lagi dapat diperlihatkan sebuah proses dimana ragam bersyaratnya tergantung pada jumlah beda kala terhingga dari 2i-j
ht = ξ + π(δ) 2t dengan π(L) = Σπj L r r m m L L L L L L L L L L ) ( ... ) ( ) ( ) ( 1 ) ( ... ) ( ) ( ) ( ) ( 1 1 2 2 3 3 3 3 2 2 1 1 1 δ δ δ δ α α α α δ α − − − − − + + + + = − 2
Kemudian π(L) diparameterisasi sebagai rasio dari 2 orde polynomial terhingga
Kemudian π(L) =
Dimana diasumsikan bahwa akar dari 1- (Z) = 0. jika pesamaan di atas dikalikan dengan 1- (L), maka diperoleh persamaan sebagai berikut
[1- (L)] ht = [1- (L)] ξ + (L) 2t atau
ht = + 1 ht-1 + 2 ht-2 +…+ r ht-r + α1 2t-1 + α2 2t-2 + ... + αm 2t-m
untuk = [1- 1 - 2 - ... – 1r] ξ
Persamaan di atas dikenal sebagai Generalized Autoregressive Conditional
Heteroscedasity. Dengan orde r dan orde m yang bias dinotasikan sebagai t
Dalam mengaplikasikan model ARCH- GARCH
~
GARCH (m, r).
11
1. Identifikasi efek ARCH. Dalam pemodelan ARCH-GARCH didahului
dengan identifikasi apakah data yang diamati mengandung heteroskedastisitas atau tidak. Hal ini dapat dilakukan dengan mengamati beberapa ringkasan statistik dari data. Sebagai contoh bila data memiliki nilai kurtosis lebih dari 3 menunjukkan gejala awal adanya heteroskedastisitas. Identifikasi model ditujukan untuk menentukan model rataan yang memiliki penduga parameter yang
menggunakan software eviews 4.1, urutan langkah-langkah yang dilakukan mirip dengan metodologi Box-Jenkins. Langkah-langkah tersebut meliputi :
11ibid
signifikan. Selain itu pengujian keberadaan efek ARCH pada satu gugus data dapat dilakukan dengan mengamati nilai koefisien autokorelasi dari kuadrat data tersebut atau melakukan Uji Langrange Multiplier untuk mendeteksi proses ARCH-GARCH. Keberadaan efek ARCH ditunjukkan dengan nilai autokorelasi pada 15 beda kala pertama yang diperiksa dari perilaku ACF dan PACF-nya. Pada tahap ini juga dilakukan pengujian terhadap eksistensi efek ARCH pada suatu gugus dengan mengamati ACF dan PACF. Hal ini ditunjukkan dengan nilai koefisien dari data yang dikuadratkan signifikan pada 15 beda kala pertama.
2. Estimasi Model. Pada tahapan ini dilakukan simulasi beberapa model
ragam dengan menggunakan model rataan yang telah didapatkan. Parameter ARCH-GARCH biasanya diduga dengan metode
kemungkinan maksimum (maximum likelihood). Untuk melihat
penerapannya diambil contoh GARCH (1,1) dengan formulasi sebagai berikut :
ht = + 1 ht-1+ α1 t-12
>0, 1 ≥ 0, α1≥ 0, dan akan stasioner jika 1+ α1,
Anggaplah persamaan nilai tengahnya y1 = xt‘∂+ ut dengan ragam
bersyarat GARCH(1,1) maka fungsi log likelihoodnya adalah sebagai berikut : Lt f
(y
x
y
t)
t t T t t ; , log 1 1 − =∑
==Error! Bookmark not defined.
(
) ( ) ( )∑
= − T th
t T 1 log 2 / 1 2 log 2 / π - -( )
1/2∑ −
(
y
tx
t'γ
)
2/h
t = -( )
h
t(
y
x
t)
h
t t / 2 1 log 2 1 2 log 2 1'γ
2 π − −−
Dimana ht = + 1(yt-1- xt-1‘∂)2 + α1 ht-1Pendugaan untuk orde yang lebih tinggi (p,q) pada prinsipnya sama, dengan menyesuaikan jumlah orde p dan q dari persamaan GARCH. Apabila ut
3. Kriteria model terbaik adalah memilki ukuran kebaikan model yang
baik dan koefisien yang nyata. Ukuran yang digunakan sebagai indikator kebaikan model GARCH adalah :
tidak menyebar normal, spesifikasi GARCH masih dapat memberikan model yang layak dan parameter yang konsisten dengan
metode Quasi-Maksimum Likelihood yaitu memaksimalkan log fungsi
kemungkinannya.
a. Akaike’s Information Criterion (AIC)
Dengan rumus : -2ℓ + βk
b. Swarch Criterion (SC)
Dengan Rumus : -2ℓ/T + [k log (T)]/T
Dimana ℓ = -R/2 [1+log (2π) + log u’u/R)] dengan :
k = Banyaknya Parameter
T = Banyaknya Pengamatan
ℓ = Nilai log fungsi kemungkinan
u’u = Jumlah kuadrat sisaan
R = Banyaknya sisaan/residual
Model terbaik adalah model yang AIC dan SC minimum, pada hasil olahan yang di dapat model terbaik dipilih menggunakan AIC.
4. Evaluasi Model. Evaluasi model dilakukan dengan memperhatikan
beberapa indikator, yaitu apakah residual sudah terdistribusi normal, keacakan residual yang dilihat dari fungsi autokorelasi dan kuadrat residual dan pengujian efek ARCH-GARCH dari residual. Pemeriksaan model dilakukan dengan memeriksa kebebasan pada sisaan dan kuadrat sisaan (tidak autokorelasi) dilakukan dengan pengujian koefisien autokorelasi sisaan baku dengan Uji Ljung-Box. Dan diperiksa juga apakah masih terdapat proses ARCH dengan uji LM, apabila proses ARCH sudah tidak ada maka model sudah baik. Uji LM ini digunakan untuk mendeteksi keberadaan proses ARCH,
yaitu keheterogenan ragam sisaan yang dipengaruhi oleh kuadrat sisaan periode sebelumnya atau biasa disebut keheterogenan ragam sisaan bersyarat (Conditional Heteroscedasity) dalam deret waktu. Dengan hipotesis nol adalah ragam sisaan heterogen tidak bersyarat
atau dengan kata lain tidak terdapat proses ARCH. Uji LM
diformulasikan dengan:
LM = N x R2
Dimana N adalah banyaknya pengamatan, dan R2 adalah besarnya
kontribusi keragaman sisaan yang dapat dijelaskan data deret waktu sebelumnya. LM mengikuti sebaran χ2 dengan derajat bebas sebesar q
(banyaknya periode waktu sebelumnya yang mempengaruhi data sekarang). Uji Ljung-Box digunakan untuk menguji kelayakan model. Model dikatakan layak apabila sisaan sudah tidak mempunyai pola yang bersifat acak atau dengan kata lain tidak ada autokorelasi antar sisaan untuk semua lag k dan diformulasikan sebagai berikut :
QLB
∑
= − k j j j Tr
1 2 = T(T+2)Semakin kecil MAPE mengindikasikan data hasil ramalan semakin mendekati nilai aktualnya.
5. Peramalan. Memasukkan parameter ke dalam persamaan yang
diperoleh. Hasil peramalan yang digunakan untuk pembahasan lebih lanjut seperti perhitungan VaR pada analisis risiko. Penilaian tingkat risiko dengan menggunakan ketidakhomogenan data memanfaatkan keragaman data tingkat pengembalian dan menduga nilai volality. Hal inilah yang membedakan sekaligus kelebihan metode peramalan tingkat risiko dengan metode ARCH/GARCH dibandingkan metode lain. Langkah terakhir adalah perhitungan VaR dengan waktu berinvestasi yang berbeda-beda yaitu 1 hari, 5 hari, 10 hari, 20 hari. Secara matematis dapat didefinisikan sebagi berikut (Jorison, 2002) :
VaR = ( t+1 x √b) x Zαx W
Dimana,
VaR = besarnya risiko
b = periode kepemilikan saham
Zα = titik kritik dalam tabel Z dengan α tertentu
W = besarnya investasi
t+1 = volatility yang akan datang (hasil ramalan) dimana t
a) Capital Gain
= √ht
4.6. Definisi Operasional
Keuntungan yang diperoleh pemegang saham dari hasil jual beli saham, berupa selisih nial jual yang lebih tinggi dengan nilai belinya (Husnan, 2003).
b) Deviden
Keuntungan perusahaan yang diberikan kepada pemegang saham, yang biasanya dibagikan setahun sekali (Husnan, 2003).
c) Emiten
Sebutan pada perusahaan yang telah masuk terdaftar di bursa saham pasar
modal oleh PT Bursa Efek Indonesia
d) Pengembalian (return)
Diferensiasi logaritma natural dari pergerakan harga penutupan saham (Surya, 2003).
e) Risiko (Risk)
Akibat yang kurang menyenangkan (merugikan, membahayakan) dari suatu perbuatan atau tindakan (Kamus Besar Bahasa Indonesia, 1983).
f) Volatilitas
Suatu ukuran yang menunjukkan seberapa besar harga berfluktuasi dalam suatu periode waktu (Enders dalam Marwan, 2003).
V GAMBARAN UMUM PERUSAHAAN
5.1. Profil PT Astra Agro Lestari .Tbk12
Perubahan Anggaran Dasar Perusahaan terakhir untuk memenuhi Undang- Undang No. 40 tahun 2007 tentang Perseroan Terbatas, diaktakan dengan Akta Notaris Benny Kristianto, S.H., No.83 tanggal 20 Juni 2008 dan telah disahkan oleh Menteri Hukum dan Hak Asasi Manusia Republik Indonesia dengan Surat
5.1.1. Sekilas PT Astra Agro Lestari .Tbk
PT Astra Agro Lestari Tbk didirikan dengan nama PT Suryaraya
Cakrawala berdasarkan Akta Notaris Ny.Rukmasanti Hardjasatya, S.H., No. 12
tanggal 3 Oktober 1988, yang kemudian berubah menjadi PT Astra Agro Niaga
berdasarkan Akta perubahan No. 9 tanggal 4 Agustus 1989 dari notaris yang
sama. Akta pendirian perusahaan dan perubahannya disahkan oleh Menteri
Kehakiman Republik Indonesia dalam Surat Keputusan No. C2-
10099.HT.01.01.TH.89 tanggal 31 Oktober 1989 dan diumumkan dalam
Lembaran Berita Negara Republik Indonesia No. 101 tanggal 19 Desember 1989
Tambahan No. 3626. Pada tanggal 30 Juni 1997, Perusahaan melakukan
penggabungan usaha dengan PT. Suryaraya Bahtera melalui perjanjian
penggabungan usaha yang diaktakan dengan Akta Notaris Benny Kristianto, S.H., No. 126 tanggal 19 Juni 1997 beserta perubahannya No. 176 tanggal 30 Juni 1997.
Penggabungan usaha ini dicatat dengan metode penyatuan kepemilikan
(pooling of interest). Setelah penggabungan usaha ini, nama perusahaan diubah
menjadi PT Astra Agro Lestari dan meningkatkan modal dasar dari Rp 250 miliar menjadi Rp 2 triliun yang terdiri dari 4 miliar saham dengan nilai nominal Rp 500 (rupiah penuh). Perubahan nama dan peningkatan modal dasar Perusahaan ini diaktakan dengan Akta Notaris Benny Kristianto, S.H., No. 136 tanggal 23 Juni 1997 dan disahkan oleh Menteri Kehakiman Republik Indonesia dalam Surat Keputusan No. C2-5992.HT.01.04.TH.97 tanggal 2 Juli 1997 dan diumumkan dalam Lembaran Berita Negara Republik Indonesia No. 95 tanggal 27 November 1997 Tambahan No. 5617.
Keputusan No. AHU-46707.AH.01.02 Tahun 2008, tanggal 31 Juli 2008. Sampai dengan tanggal laporan ini, perubahan tersebut masih dalam proses untuk diumumkan dalam Berita Negara. Berdasarkan Anggaran Dasar Perusahaan, ruang lingkup kegiatan Perusahaan adalah perkebunan, perdagangan umum, perindustrian, pengangkutan, jasa dan konsultan.
Perusahaan mempunyai investasi pada anak perusahaan yang bergerak dalam bidang perkebunan dan industri kelapa sawit dan karet. Kantor pusat Perusahaan dan anak perusahaan berlokasi di Jalan Pulo Ayang Raya Blok OR no. 1, Kawasan Industri Pulogadung, Jakarta. Perkebunan kelapa sawit Perusahaan seluas 4.059 hektar (2007: kelapa sawit dan karet masing-masing 4.032 hektar dan 67 hektar) berlokasi di Kalimantan Selatan dan pabrik minyak goreng berlokasi di Sumatra Utara. Perkebunan dan pabrik pengolahan anak perusahaan berlokasi di pulau Jawa, Sumatra, Kalimantan, dan Sulawesi. Perusahaan mulai beroperasi komersial pada tahun 1995.
Luas areal Hak Guna Usaha yang dimiliki perusahaan dan anak perusahaan adalah seluas 228.772 hektar (2007: 231.508 hektar) dengan luas areal tertanam seluas 194.217 hektar (2007: 182.470 hektar). Beberapa anak perusahaan mengembangkan perkebunan plasma dan membina kerjasama dengan petani plasma untuk areal tertanam seluas 57.174 hektar (2007: 55.721 hektar). Pabrik pengolahan perusahaan dan anak perusahaan berkapasitas produksi efektif 940 ton (2007: 865 ton) tandan buah segar per jam, dan 600 ton (2007: 600 ton) inti sawit per hari, 300 ton (2007: 300 ton) minyak kelapa sawit (CPO) per hari, dan 19,3 ton (2007: 19,3 ton) karet per hari. Pada tanggal 9 Desember 1997, Perusahaan melakukan penawaran umum perdana saham perusahaan kepada masyarakat sebanyak 125,8 juta saham dengan nilai nominal Rp 500 (rupiah penuh) per saham dengan harga penawaran sebesar Rp 1.550 (rupiah penuh) per saham. Perusahaan telah mencatatkan seluruh sahamnya di Bursa Efek Indonesia.
5.1.2. Kinerja Saham PT Astra Agro Lestari .Tbk
Dalam Rapat Direksi yang diselenggarakan pada tanggal 24 September 2008, Direksi menyetujui pembagian dividen kas interim atas laba bersih tahun buku 2008 sebesar Rp 551.161 juta atau Rp 350 (rupiah penuh) per saham kepada
pemegang saham yang tercatat pada tanggal 28 Oktober 2008. Rapat Umum Tahunan Pemegang Saham yang diselenggarakan pada tanggal 22 Mei 2008, pemegang saham menyetujui pembagian dividen kas atas laba bersih tahun buku 2007 sebesar Rp 1.283.417 juta atau Rp 815 (rupiah penuh) per saham kepada pemegang saham yang tercatat pada tanggal 19 Juni 2008. Dari jumlah dividen tersebut, termasuk di dalamnya pembagian dividen kas interim sebesar Rp 299.202 juta atau Rp 190 (rupiah penuh) per saham kepada pemegang saham yang tercatat pada tanggal 22 Oktober 2007. Dividen kas interim ini telah disetujui oleh Rapat Direksi pada tanggal 20 September 2007. Rapat Umum Tahunan Pemegang Saham yang diselenggarakan pada tanggal 16 Mei 2007, pemegang saham menyetujui pembagian dividen kas atas laba bersih tahun buku 2006 sebesar Rp 511.792 juta atau Rp 325 (rupiah penuh) per saham kepada pemegang saham yang tercatat pada tanggal 6 Juni 2007. Jumlah dividen tersebut, termasuk di dalamnya pembagian dividen kas interim sebesar Rp 149.601 juta atau Rp 95 (rupiah penuh) per saham kepada pemegang saham yang tercatat pada tanggal 20 Oktober 2006. Dividen kas interim ini telah disetujui oleh Rapat Direksi pada tanggal 26 September 2006.
5.1.3. Kinerja Umum PT Astra Agro Lestari .Tbk
Pengurangan aset tetap dan keuntungan dari pengurangan per tanggal 31 Desember 2008, terutama sehubungan dengan penyelesaian tumpang-tindih areal perkebunan. Dari sisi anggaran biaya konstruksi pada tanggal neraca, aset dalam penyelesaian rata-rata telah mencapai persentase penyelesaian kurang lebih 44 persen yang diperkirakan akan selesai pada tahun 2009 (2007: kurang lebih 49 persen yang diperkirakan akan selesai pada tahun 2008). Hak atas tanah berupa Hak Guna Usaha dan Hak Guna Bangunan dengan masa berlaku sampai dengan tahun antara 2010 dan 2099. Manajemen berkeyakinan bahwa hak atas tanah tersebut dapat diperbaharui.
5.2. Profil PT. Perusahaan Perkebunan London Sumatra, Tbk13
Perusahaan bergerak di bidang industri perkebunan dengan menanam dan memelihara tanaman kelapa sawit, karet, kakao, kelapa dan teh, serta mengolah hasil perkebunan tersebut dan menjual hasilnya di dalam maupun di luar negeri, dengan proporsi pemasaran lokal dan ekspor masing-masing sebesar 58 persen dan 42 persen (2007: 71 persen dan 29 persen dan 2006: 69 persen dan 31 persen). Perusahaan berdomisili di Jakarta dengan kantor-kantor cabang operasional berlokasi di Medan, Palembang, Makassar, Surabaya dan Samarinda. Perusahaan pada saat ini sedang mengelola perkebunan yang telah menghasilkan dan belum menghasilkan masing-masing seluas 72.985 hektar (2007: 69.429 hektar dan 2006: 67.706 hektar) dan 23.655 hektar (2007: 20.553 hektar and 2006: 17.756 hektar) di Sumatera Utara, Sumatera Selatan, Jawa Barat, Jawa Timur, Banten, Kalimantan Timur, Sulawesi Utara dan
5.2.1. Sekilas PT. Perusahaan Perkebunan London Sumatra, Tbk