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

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

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

Pooled Least Square (PLS)

-
Pendekatan yang paling sederhana dalam pengolahan data panel adalah dengan menggunakan metode kuadrat terkecil biasa atau sering disebut Pooled Least Square (PLS) yang diterapkan dalam data yang berbentuk pool . Misalkan terdapat persamaan berikut ini: Y it = a + b X it + e it                        untuk i =   1, 2, . . . , N dan t = 1, 2, . . ., T dimana N adalah jumlah unit cross-section (individu) dan T adalah jumlah periode waktunya. Dengan mengasumsikan komponen error dalam pengolahan Ordinary Least Square ( O LS) , kita dapat melakukan dua proses estimasi, pertama secara terpisah untuk setiap unit cross-section atau untuk setiap time-series . Kedua dengan mengabungkan antara cross dan time lalu diestimasi secara bersamaan.
Baca selengkapnya