Kepercayaan Investor terhadap Indonesia Masih Tinggi

-
Sumber: Ekonom BRI Akbar Suwardi. Foto: id.linkedin
Ekonom BRI Akbar Suwardi menyatakan, tahun 2017 kondisi global masih sama dengan 2016. Negara berkembang memiliki pertumbuhan ekonomi yang relatif sangat baik dibandingkan dengan yang lain, didukung indikator makro ekonomi. Indonesia merupakan salah satu negara yang paling dilirik investor luar negeri.

Peluang itu harus dimanfaatkan. Tahun 2017 pertumbuhan ekonomi diprediksi 5,2% dibanding tahun ini yang hanya 5%. Akbar optimistis IHSG tahun depan dalam tren meningkat. Emiten yang bakal berkibar adalah sektor konsumsi, konstruksi, properti, dan perbankan.

Inflasi masih bisa dijaga dalam kisaran 3-4%. Beberapa faktor pendorong inflasi adalah kenaikan harga pangan, tarif listrik, cukai rokok, serta kenaikan administered price seperti tiket kereta api. “Sedangkan kurs rupiah bisa dijaga di Rp 13.200 per dolar AS karena masuknya dana repatriasi dan capital inflow masih meningkat,” kata dia.

Sejumlah faktor positif bakal mendorong pertumbuhan ekonomi, seperti kesuksesan amnesti pajak yang memperluas basis pajak, sehingga penerimaan pajak lebih tinggi, yang berdampak pada tingginya belanja modal, khususnya infrastruktur. Investasi juga masih bagus, termasuk asing. Apalagi untuk portofolio, Indonesia menjadi destinasi menarik karena imbal hasil yang tinggi.

Pendorong pertumbuhan lain adalah ekspor yang lebih baik seiring perbaikan harga komoditas. Konsumsi masyarakat juga akan lebih baik dari tahun ini. “Suku bunga yang rendah akan mendorong ekspansi, sepanjang permintaan kredit meningkat. Demand kredit naik kalau ekspektasi dan konsumsi masyarakat naik,” kata Akbar.

Untuk mengakselerasi pertumbuhan ekonomi dan bisa menembus 6%, kata Akbar, pemerintah harus mempercepat industrialisasi. (bersambung)



Komentar

Posting Komentar

Postingan populer dari blog ini

Random Effect Model (REM)

-
W alaupun FEM atau LSDV mudah untuk diaplikasikan, tidak dapat dipungkiri penerapannya akan menimbulkan konsekuensi ( trade off ) yang mungkin cukup mahal. Penambahan dummy variables ke dalam model dapat mengurangi banyaknya derajat kebebasan ( degree of freedom ) yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Menurut Gujarati (2003), jika dummy variables adalah untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya, maka kita dapat menggunakan disturbance term untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya. Hal ini dikenal sebagai model efek acak ( random effect model atau REM ).
Baca selengkapnya

Linear Probability Model (LPM), Logit Model, dan Probit Model (Normit Model) dengan STATA (2011)

-
Gambar
Model dengan variabel dependen yang bersifat diskrit, maka estimasi dengan menggunakan regresi liner akan terasa dipaksakan, karena estimator yang dihasilkan tidak lagi bersifat BLUE (Best Linier Unbiased Estimator). Hal ini disebabkan: varian error-nya tidak terdistribusi normal, estimator tidak efisien akibat heteroskedastis, dan R² tidak dapat digunakan sebagai pengukur Goodness of Fit.   Oleh karenanya, untuk menghasilkan estimator persamaan yang BLUE, penelitian ini menggunakan q ualitative response regression model. Terdapat tiga pendekatan untuk mengembangkan model yang menjelaskan model regresi binary response yaitu:  Linear Probability Model (LPM)  Logit Model  Probit Model (Normit Model)  Jika dilihat secara grafik perbedaan antara jasil estimasi menggunakan Linear dan Logistik (Probit dan Logit) terhadap model dengan variabel dependen yang bersifat diskrit, maka dapat dilihat seperti berikut:
Baca selengkapnya

Fixed Effect (FEM)

-
Gujarati (2003) menjelaskan kesulitan terbesar dalam pendekatan metode kuadrat terkecil biasa tersebut adalah asumsi konstanta dan slope dari persamaan regresi yang dianggap konstan baik antar daerah maupun antar waktu yang mungkin tidak beralasan. Satu cara untuk memperhatikan “keunikan” unit cross-section atau unit time-series adalah dengan memasukkan variabel boneka ( dummy variable ) untuk mengizinkan terjadinya perbedaan nilai parameter yang berbeda-beda, baik lintas unit cross-section maupun antar unit waktu. Pendekatan yang paling sering dilakukan adalah dengan mengizinkan intercept bervariasi antar unit cross-section namun tetap mengasumsikan bahwa slope koefisien adalah konstan antar unit cross-section . Pendekatan ini dimana slope coefficents constant tetapi memiliki intercept yang berbeda-beda di setiap individu, dalam literatur dikenal dengan sebutan model efek tetap ( fixed effect model atau FEM ).
Baca selengkapnya