Seberapa Bagus Perusahaan yang Sedang Anda Nilai?

STARKO akan menjawabnya. Bukan berdasarkan opini. Tapi berdasarkan 36 data nyata dari ratusan perusahaan di Indonesia.

Selain masalah fundamental ketiadaan data house kredibel di Indonesia, kita harus kembali ke akar masalah: kualitas data itu sendiri.

STARKO adalah singkatan dari Standar Rasio Korporasi. Tujuan Lembaga Riset Veritas dengan STARKO adalah menyajikan data yang paling akurat untuk memberikan secara super spesifik perbandingan antara kinerja keuangan perusahaan yang Anda selidiki dengan kinerja umum negara, sektor ekonomi, subsektor ekonomi atau industri dimana perusahaan Anda tersebut berada. 

Kami telah mengumpulkan dengan cermat data-data yang berasal dari tahun 2021, 2022, 2023, 2024, 2025 (khusus 2025 adalah data kuartal 2) dan seterusnya dari setiap perusahaan yang mengumumkan informasi mereka secara publik. Data-data tersebut adalah:

• Sales growth (Pertumbuhan penjualan)

• Cost growth (Pertumbuhan biaya)

• Profit growth (Pertumbuhan keuntungan)

• Operating cashflow growth (Pertumbuhan arus kas operasi)

• Capital expenditure growth (Pertumbuhan belanja modal)

• Free cashflow growth (Pertumbuhan arus kas bebas)

• Asset growth (Pertumbuhan aset)

• Liability growth (Pertumbuhan kewajiban)

• Equity growth (Pertumbuhan ekuitas)

• Gross profit margin (Margin laba kotor)

• Net profit margin (Margin laba bersih)

• Return on asset (Pengembalian aset)

• Return on equity (Pengembalian ekuitas)

• Return on invested capital (Pengembalian modal yang diinvestasikan)

• Price to book value (Rasio harga terhadap nilai buku)

• Current Ratio (Rasio lancar)

• Quick Ratio (Rasio cepat)

• Debt to Equity Ratio (Rasio utang terhadap ekuitas)

• Financial Leverage (Leverage keuangan)

• Long Term Debt/Equity (Utang jangka panjang terhadap ekuitas)

• Long Term Debt/Total Assets (Utang jangka panjang terhadap total aset)

• Net Debt/Total Equity (Utang bersih terhadap total ekuitas)

• Total Debt/Total Assets (Total utang terhadap total aset)

• Total Liabilities/Equity (Total kewajiban terhadap ekuitas)

• Days Sales Outstanding (Hari penjualan yang belum tertagih)

• Days Inventory (Hari persediaan)

• Days Payables Outstanding (Hari hutang yang belum dibayar)

• Cash Conversion Cycle (Siklus konversi kas)

• Receivables Turnover (Perputaran piutang)

• Inventory Turnover (Perputaran persediaan)

• Fixed Assets Turnover (Perputaran aset tetap)

• Asset Turnover (Perputaran aset)

• Working Capital Turnover (Perputaran modal kerja)

• Working Capital Ratio (Rasio modal kerja)

STARKO adalah jawaban kami terhadap data poverty di pasar keuangan domestik. Jika EvaluAI adalah mesin yang bergerak secepat 480x, maka STARKO adalah bahan bakar premium yang menjamin akurasi dan otoritasnya. STARKO adalah fondasi data yang membedakan kami dari solusi software generik mana pun.

(1) STARKO Bukan Sekadar Database, Tapi Metodologi

Membuat data house kredibel di Indonesia adalah tantangan besar. Data publik seringkali kacau, tidak terstandardisasi, dan rentan terhadap distorsi. Lembaga Riset Veritas menghabiskan waktu bertahun-tahun untuk membangun metodologi STARKO, bukan hanya sekadar mengumpulkan angka

a. Pilar Akurasi: Audited dan Median-Based

Kami membangun STARKO di atas dua pilar yang disukai oleh para data scientist dan analis risiko:

b. Sumber Data Terverifikasi: Setiap angka rasio dalam STARKO diturunkan dari laporan keuangan audited perusahaan publik sejak 2021. Ini memberikan otoritas yang tak terbantahkan—Anda membandingkan perusahaan Anda dengan data yang sudah melalui proses audit yang ketat.

c. Kebal Outlier (Median-Based): Kami menolak menggunakan perhitungan Rata-Rata (Mean) karena Rata-Rata mudah didistorsi oleh satu atau dua perusahaan dengan kinerja ekstrem (outlier). Kami menggunakan Median (nilai tengah) dari setiap rasio. Ini memastikan bahwa benchmark yang Anda lihat benar-benar mencerminkan performa wajar dan paling umum di sektor tersebut, memberikan dasar yang sangat solid untuk keputusan risiko.

(2) Pilar Granularitas: Klasifikasi Multi-Level yang MECE

Kesalahan terbesar analis adalah membandingkan “apel dengan jeruk” (misalnya, membandingkan e-commerce dengan bank). STARKO memecahkan masalah ini dengan struktur klasifikasi Multi-Level yang Mutually Exclusive, Collectively Exhaustive (MECE)—seperti yang diajarkan oleh konsultan kelas dunia:

• Level 1: Nasional: Tolok ukur seluruh perusahaan di Indonesia.
• Level 2: Sektor: Tolok ukur industri besar (misalnya Manufaktur, Pertambangan).
• Level 3: Subsektor: Tolok ukur kategori spesifik (misalnya Pertambangan Batubara, Perawatan Tubuh, Transportasi Darat Khusus).
• Level 4: Industri/Sub-subsektor: Tolok ukur kategori yang sangat niche (misalnya Ritel Swalayan, Kimia Dasar, atau Jasa Menara Telekomunikasi).

Bagaimana Cara Veritas Menggolongkan Perusahaan

Berikut ini adalah klasifikasi perusahaan-perusahaan dalam STARKO dalam sektor, subsektor dan subsubsektornya. Anda dapat melihat bahwa klasifikasi ini disusun dengan cermat, teliti dan mencakup semua.

Klasifikasi Sektor dan Subsektor dalam Database STARKO

1. PERTAMBANGAN 
   ├── Data Agregat Sektor Pertambangan
   └── Data per Subsektor Pertambangan
       ├── Data Pertambangan migas
       ├── Data Pertambangan batubara
       ├── Data Pertambangan emas
       └── Data Pertambangan nikel

2. PERKEBUNAN DAN HASIL PERKEBUNAN
   ├── Data Agregat Sektor Perkebunan dan Hasil Perkebunan
   └── Data per Subsektor Perkebunan dan Hasil Perkebunan
       ├── Data Sawit
       └── Data Pakan ternak

3. PETERNAKAN 
   ├── Data Agregat Sektor Peternakan
   └── Data per Subsektor Peternakan
       ├── Data Peternakan ayam
       ├── Data Peternakan sapi
       └── Data Peternakan udang

4. MANUFAKTUR 
   ├── Data Agregat Sektor Manufaktur
   └── Data per Subsektor Manufaktur
       ├── Data Subsektor Manufaktur Dasar
       │   ├── Data Agregat Subsektor Manufaktur Dasar
       │   └── Data per Subsubsektor Manufaktur Dasar
       │       ├── Data Subsubsektor Kimia Dasar
       │       └── Data Subsubsektor Tekstil
       ├── Data Subsektor Makanan dan minuman
       │   ├── Data Agregat Subsektor Makanan dan minuman
       │   └── Data per Subsubsektor Makanan dan minuman
       │       ├── Data Subsubsektor Makanan ringan
       │       ├── Data Subsubsektor Air Minum dalam Kemasan
       │       ├── Data Subsubsektor Bir
       │       ├── Data Subsubsektor Susu dan olahan susu
       │       └── Data Subsubsektor Terigu dan olahan terigu
       ├── Data Subsektor Barang konsumsi non makanan
       │   ├── Data Agregat Subsektor Barang konsumsi non makanan
       │   └── Data per Subsubsektor Barang konsumsi non makanan
       │       ├── Data Subsubsektor Garmen
       │       ├── Data Subsubsektor Kemasan
       │       ├── Data Subsubsektor Obat
       │       ├── Data Subsubsektor Perawatan tubuh
       │       ├── Data Subsubsektor Rokok
       │       ├── Data Subsubsektor Pulp dan kertas
       ├── Data Subsektor Barang tahan lama
       │   ├── Data Agregat Subsektor Barang tahan lama
       │   └── Data per Subsubsektor Barang tahan lama
       │       ├── Data Subsubsektor Aneka baja
       │       ├── Data Subsubsektor Ban
       │       ├── Data Subsubsektor Kabel
       │       ├── Data Subsubsektor Kaca
       │       ├── Data Subsubsektor Karet
       │       ├── Data Subsubsektor Keramik
       │       ├── Data Subsubsektor Komponen otomotif
       │       ├── Data Subsubsektor Laptop
       │       ├── Data Subsubsektor Mebel
       │       └── Data Subsubsektor Semen
       └── Data Subsektor Pendukung Kesehatan
           ├── Data Agregat Subsektor Pendukung Kesehatan
           └── Data per Subsubsektor Pendukung Kesehatan
               ├── Data Subsubsektor Masker
               └── Data Subsubsektor Sarung tangan

4. PERDAGANGAN
├── Data Agregat Sektor Perdagangan
└── Data per Subsektor Perdagangan
   └── Data Subsektor Perdagangan Besar
       └── Data Agregat Subsektor Perdagangan Besar
       └── Data per Subsubsektor Perdagangan Besar
           ├── Data Subsubsektor Perdagangan alat berat
           ├── Data Subsubsektor Perdagangan farmasi
           ├── Data Subsubsektor Perdagangan ikan
           ├── Data Subsubsektor Perdagangan mebel
           └── Data Subsubsektor Perdagangan mobil
    └── Data Subsektor Perdagangan Ritel
        ├── Data Agregat Subsektor Perdagangan Ritel
        └── Data per Subsubsektor Perdagangan Ritel
           ├── Data Subsubsektor Ritel swalayan
           └── Data Subsubsektor Ritel rumah tangga dan perkakas

5. MEDIA MASSA
   ├── Data Agregat Sektor Media Massa
   └── Data per Subsektor Media Massa
           ├── Data Subsubsektor TV beriklan
           └── Data Subsubsektor TV berbayar

6. PERJALANAN DAN HIBURAN
   ├── Data Agregat Sektor Perjalanan dan Hiburan
   └── Data per Subsektor Perjalanan dan Hiburan
           ├── Data Subsubsektor Perhotelan
           ├── Data Subsubsektor Paket wisata
           ├── Data Subsubsektor Restoran
           ├── Data Subsubsektor Rumah produksi
           └── Data Subsubsektor Bioskop

7. JASA
   ├── Data Agregat Sektor Jasa
   └── Data per Subsektor Jasa
       ├── Data Subsektor Kontraktor Pertambangan
       ├── Data Subsektor Konstruksi
       ├── Data Subsektor Keuangan 
       │   ├── Data Agregat Subsektor Keuangan 
       │   └── Data per Subsubsektor Keuangan 
       │       ├── Data Subsubsektor Bank
       │       ├── Data Subsubsektor Pembiayaan
       │       ├── Data Subsubsektor Asuransi jiwa
       │       └── Data Subsubsektor Asuransi umum
       ├── Data Subsektor Transportasi
       │   ├── Data Agregat Subsektor Transportasi
       │   └── Data per Subsubsektor Transportasi
       │       ├── Data Subsubsektor Taksi
       │       ├── Data Subsubsektor Bus
       │       ├── Data Subsubsektor Truk
       │       ├── Data Subsubsektor Transportasi darat khusus
       │       ├── Data Subsubsektor Rental mobil
       │       ├── Data Subsubsektor Antar barang
       │       ├── Data Subsubsektor Forwarding
       │       ├── Data Subsubsektor Pelayaran umum
       │       ├── Data Subsubsektor Pelayaran khusus
       │       ├── Data Subsubsektor Tanker
       │       ├── Data Subsubsektor Tongkang
       │       └── Data Subsubsektor Transportasi udara
       ├── Data Subsektor Pelayanan Kesehatan
       │   ├── Data Agregat Subsektor Pelayanan Kesehatan
       │   └── Data per Subsubsektor Pelayanan Kesehatan
       │       ├── Data Subsubsektor Rumah Sakit
       │       └── Data Subsubsektor Laboratorium
       ├── Data Subsektor Utilitas
       │   ├── Data Agregat Subsektor Utilitas
       │   └── Data per Subsubsektor Utilitas
       │       ├── Data Subsubsektor Pembangkit Listrik
       │       ├── Data Subsubsektor Penyedia jasa internet
       │       ├── Data Subsubsektor Kabel serat optik
       │       ├── Data Subsubsektor Operator telekomunikasi
       │       ├── Data Subsubsektor Jasa menara telekomunikasi
       │       ├── Data Subsubsektor Operator pelabuhan
       │       ├── Data Subsubsektor Jalan tol
       │       └── Data Subsubsektor Penyaluran gas melalui pipa
       └── Data Subsektor Jasa Teknologi Informasi
           ├── Data Agregat Subsektor Jasa Teknologi Informasi
           └── Data per Subsubsektor Jasa Teknologi Informasi
               ├── Data Subsubsektor Aplikasi Belanja Daring
               └── Data Subsubsektor Konsultan teknologi informasi

9. PROPERTI
├── Data Sektor Properti

 

Perusahaan-perusahaan yang sedang Anda pelajari dapat dibandingkan dengan standar industri, subsektor dan sektor yang telah kami klasifikasikan ini. Kami telah membagi seluruh perusahaan di Indonesia ke dalam pembagian yang bersifat MECE (baca: misi). MECE adalah singkatan Mutually Exclusive, Collectively Exhaustive. Ia adalah metode yang membantu kita memecah topik menjadi bagian-bagian yang terpisah (mutually exclusive) dan lengkap (collectively exhaustive). 

“Mutually exclusive” berarti setiap bagian atau kategori yang kita buat harus saling terpisah, tanpa ada tumpang tindih—artinya, setiap elemen hanya boleh masuk ke satu kategori saja. Sementara itu, “collectively exhaustive” berarti bahwa pembagian tersebut mencakup semua kemungkinan aspek dari topik yang sedang dibahas, sehingga tidak ada elemen yang terlewat.

Konsep ini sangat berguna dalam analisis dan pemecahan masalah karena membantu kita memastikan bahwa seluruh topik tercakup dengan baik tanpa ada redundansi atau bagian yang tertinggal. Dengan MECE, kita dapat menyusun data secara teratur dan logis, yang pada akhirnya mendukung pengambilan keputusan yang lebih tepat dan solusi yang lebih efektif.

Misalnya, mengapa perusahaan tambang batubara dan kontraktor batubara dipisahkan kategorinya? Karena aset yang menghasilkan pendapatannya sama sekali berbeda.

Perusahaan tambang batubara memperoleh laba dari konsesi tambang yang mereka peroleh. Bisa jadi mereka tidak memiliki alat berat satupun.

Perusahaan kontraktor batubara memperoleh laba karena menyewakan atau mengoperasikan alat berat yang melayani pemegang konsesi (perusahaan tambang batubara).

Oleh karena itu perusahaan tambang batubara memperoleh untung dari penjualan batubara, sedangkan kontraktor batubara menghasilkan laba dari jasa operasi pertambangan.

Jadi, keduanya memiliki model bisnis berbeda dan sumber pendapatan dan keuntungan yang berbeda sehingga menghadapi risiko dan profil biaya yang berbeda pula.

Akibatnya tidak bijak menggolongkan keduanya dalam satu industri karena bisnisnya sama sekali berbeda.

Ketika Anda menganalisis perusahaan Pertambangan Batubara, Anda tidak lagi harus membandingkannya dengan peer dari Pertambangan Nikel—perbandingan Anda akan akurat dan tidak dapat dibantah. Sebab, dengan STARKO, Anda dapat membandingkannya dengan sesama perusahaan Pertambangan Batubara, dengan sesama perusahaan pertambangan dan bahkan dengan seluruh perusahaan di Indonesia yang mempublikasikan datanya secara publik dan audited.

Apa yang Didapatkan dengan STARKO?

STARKO adalah aset wajib bagi analis yang sudah memiliki tools pemodelan sendiri, tetapi haus akan data benchmark yang kredibel.

STARKO menyediakan lebih dari 36 Rasio dan Indikator Kritis yang mencakup setiap dimensi kesehatan finansial sebuah perusahaan:

• Kesehatan Operasional: Gross Profit Margin, Net Profit Margin, ROA, ROE, dan ROIC—semua dibandingkan secara ketat dengan Subsektor.
• Manajemen Modal Kerja: Rasio Efisiensi seperti Days Sales Outstanding (DSO), Days Inventory (DIO), Days Payable Outstanding (DPO), dan yang paling kritis, Cash Conversion Cycle (CCC). Data CCC negatif atau CCC yang sangat berbeda dari benchmark dapat menjadi sinyal alfa terbesar bagi Fund Manager.
• Risiko dan Solvabilitas: Debt to Equity Ratio (DER), Current Ratio, dan Quick Ratio, yang menyediakan tolok ukur objektif tentang batas utang yang wajar bagi industri tertentu. Semua rasio ini tersedia untuk disalin dan siap diintegrasikan ke dalam model dan template analisis in-house Anda.

(3) STARKO Adalah Solusi Akhir untuk Kredibilitas

STARKO adalah cara untuk mempertahankan integritas profesional Anda.

• Menghilangkan Pain Point Auditor: STARKO menyediakan konteks yang diperlukan saat Anda perlu membenarkan angka laba klien atau menguji solvability mereka. Anda tidak lagi perlu mencari pembenaran secara ad-hoc—STARKO menyediakannya secara sistematis.
• Memperkuat Posisi Riset: Bagi Manajer Investasi, data benchmark STARKO dapat menjadi sumber utama alpha. Data ini memungkinkan mereka untuk mengidentifikasi mispricing (salah harga) pada aset (saham/obligasi) yang memiliki rasio wajar, tetapi pasar belum menyadarinya.
• Sesuai dengan Visi Pendiri: STARKO adalah perwujudan langsung dari keyakinan pendiri bahwa industri keuangan tidak seharusnya bekerja dalam kegelapan. STARKO adalah kompas yang telah lama hilang.

Dengan STARKO, Anda tidak lagi harus bergulat dengan ketiadaan data D&B ala Indonesia. Anda memiliki sumber data yang andal, tervalidasi, dan terperinci yang memampukan Anda membuat keputusan risiko yang aman dan keputusan investasi yang menguntungkan.

FAQ 

• Bagaimana cara membuktikan data STARKO benar dan akurat? Buktikan dengan cara manual Anda dan bandingkan dengan STARKO. Cara paling kredibel untuk memverifikasi akurasi data STARKO adalah melalui Tantangan Validasi Metodologis (Methodological Validation Challenge) langsung oleh Analis Anda.

  Kami percaya bahwa kualitas data tidak dapat dijelaskan, melainkan harus dibuktikan.

  Prosedur Tantangan Validasi (Buktikan Sendiri) adalah sbb:

  1. Pilih Fokus: Pilih satu Sub-subsektor spesifik yang sangat Anda kuasai—misalnya, Pertambangan Batubara.
  2. Kumpulkan Raw Data Manual: Identifikasi (misalnya) 15 perusahaan di subsektor tersebut yang telah menerbitkan Laporan Keuangan Publik dan Audited untuk tahun 2023 dan 2024. (Berarti akan ada total 45 data set Neraca, Laba Rugi, dan Arus Kas).
  3. Lakukan Komputasi Penuh: Hitung 36 rasio krusial perusahaan-perusahaan tersebut secara manual di Excel, pastikan Anda membersihkan outlier dan menghitung Median Sektoralnya. (Total perhitungan mencapai sekitar 1080 operasi komputasi).
  4. Bandingkan dan Evaluasi: Setelah proses 3 hari kerja tim Anda selesai, bandingkan angka Median final Anda dengan data yang disajikan oleh STARKO untuk Subsektor yang sama.

  Nilai STARKO yang Terbukti:

  Jika hasil Anda cocok atau sangat mendekati data STARKO:

  • Validasi Metodologi: Anda membenarkan bahwa metodologi Median-Based STARKO adalah standar yang benar dan dapat dipercaya (karena akurasinya teruji).
  • Efisiensi 480x: Anda membuktikan bahwa pekerjaan 3 hari kerja tim Anda  dapat digantikan oleh data set STARKO yang siap salin dalam 5 menit.

  Penting: Ingat, Anda baru memvalidasi satu Subsektor. STARKO menyediakan data puluhan Sub-subsektor granular lainnya yang telah dikurasi dengan metodologi yang sama. Inilah yang Anda bayarkan: akurasi, kredibilitas dan waktu yang mahal.

• Bagaimana STARKO menjamin keaslian dan kredibilitas data yang digunakan untuk benchmark sektor? Data kami berasal dari laporan keuangan audited perusahaan publik Indonesia sejak tahun 2021. Ini bukan data survei atau asumsi. Kami melakukan pembersihan data (data cleansing) yang ketat oleh tim ahli statistik untuk memastikan hanya data yang memenuhi kriteria audit yang digunakan dalam perhitungan agregat.

• Mengapa kami menggunakan perhitungan Median dan bukan Rata-Rata (Mean) untuk data agregat sektor? Kami menggunakan Median untuk memastikan benchmark kami lebih representatif dan kebal terhadap outlier. Dalam industri keuangan, satu atau dua perusahaan dengan kinerja ekstrem dapat mendistorsi nilai Rata-Rata. Median memberikan gambaran performa bisnis yang paling umum dan wajar di sektor tersebut, sebuah metodologi yang disukai oleh konsultan kelas dunia.

• Bagaimana klasifikasi industri STARKO membedakan diri dari KBLI atau klasifikasi bursa standar? Klasifikasi STARKO lebih granular (terperinci). Kami memecah sektor menjadi Subsektor dan Sub-subsektor (multi-level) untuk menciptakan kelompok peer yang benar-benar homogen (misalnya, kami memisahkan pemilik konsesi pertambangan batubara dari kontraktor batubara). Ini memastikan perbandingan Anda sangat spesifik dan akurat, mengurangi risiko membandingkan “apel dengan jeruk.”

• Apakah STARKO menyediakan data mentah (misalnya, revenue atau total aset) atau hanya rasio yang sudah diolah? STARKO fokus pada penyediaan Rasio Keuangan dan Operasional yang telah diolah (36+ rasio) dalam format agregat sektor dan subsektor (Median, Kuartil). Kami menjual wawasan komparatif, bukan data mentah perusahaan tunggal. 

• Seberapa sering data benchmark STARKO diperbarui? Data diperbarui secara bulanan untuk melacak perkembangan industri dan setiap semesteran atau tahunan untuk pembaruan laporan keuangan penuh. Langganan Anda mencakup pembaruan berkelanjutan untuk memastikan Anda selalu menggunakan benchmark terkini.

• Apakah ada jaminan bahwa data STARKO akan meningkatkan akurasi analisis dan pengambilan keputusan saya? Ya. Kami menjamin bahwa dengan menggunakan benchmark sektoral STARKO, analisis keuangan Anda akan melampaui 99% pesaing Anda yang hanya menggunakan analisis horizontal dan vertikal. STARKO secara definitif memberikan konteks untuk menjawab: “Apakah angka ini bagus atau buruk untuk industri ini?” yang secara langsung mengurangi risiko kredit/investasi yang didasarkan pada asumsi yang salah.

• Bagaimana STARKO membantu Bankir atau Analis Kredit secara spesifik? Bankir dapat menggunakan STARKO untuk memvalidasi Rasio Utang dan Likuiditas calon debitur terhadap Subsektor yang tepat. Jika rasio utang perusahaan A berada di atas Kuartil 3 (75%) di subsektornya, bankir memiliki justifikasi data yang objektif untuk menyesuaikan syarat kredit atau menolak aplikasi.

• Apakah data STARKO dapat dikutip dalam laporan resmi, proposal, atau tesis akademik? Ya, data STARKO dirancang untuk memiliki otoritas sitasi tinggi. Anda dapat mengutip STARKO sebagai sumber data benchmark terverifikasi. Kami menyediakan panduan singkat tentang cara sitasi yang benar dalam format profesional di bawah ini.

• Berapa lama waktu yang dibutuhkan untuk menemukan dan mengunduh data yang saya cari? Setelah login, Anda dapat memilih Sektor, Subsektor, dan Tahun yang diinginkan, dan semua 36+ rasio akan muncul di layar. Proses pencarian dan unduh data yang spesifik biasanya memakan waktu kurang dari beberapa detik.