ANALISIS PENGARUH INFLASI TERHADAP KEMISKINAN DI INDONESIA TAHUN 2008-2014

RICKY TRI MAHARDIKA, Anggi Rahajeng, S.E., M.Ec.

2016 | Tugas Akhir | D3 EKONOMIKA TERAPAN SV

Kemiskinan merupakan salah satu masalah perekonomian yang kompleks dan multidimensional yang harus diselesaikan. Pengentasan kemiskinan dapat dilakukan dengan memperhatikan laju inflasi dan meningkatkan kualitas manusia yang tercermin dalam Indeks Pembangunan Manusia (IPM). Penelitian ini bertujuan untuk mengetahui perkembangan laju inflasi, jumlah penduduk miskin dan IPM, serta mengetahui pengaruh inflasi terhadap kemiskinan di Indonesia. Objek dalam penelitian ini adalah 66 kota yang ada di Indonesia mulai dari tahun 2008 sampai tahun 2014. Metodologi dalam penelitian ini menggunakan analisis deskriptif dan analisis regresi panel data. Hasil dari penelitian ini menunjukkan bahwa : (1) Pergerakan laju inflasi 66 kota di Indonesia fluktuatif. (2) Perkembangan jumlah penduduk miskin 66 kota di Indonesia selama tahun 2008 sampai 2014 tidak jauh berbeda. Kota dengan klasifikasi tingkat kemiskinan di atas tingkat kemiskinan nasional berada di 12 kota yaitu Lhoksumawe, Sibolga, Palembang, Bengkulu, Bandar Lampung, Tasikamlaya, Jember, Sumenep, Mataram, Jayapura, Serang, Manokwari. Sisanya 54 kota masuk dalam klasifikasi tingkat kemiskinan berada di bawah tingkat kemiskinan nasional. (3) Berdasarkan hasil dari regresi panel data menunjukkan bahwa laju inflasi mempengaruhi jumlah penduduk miskin secara signifikan sebesar 98,4%, dan sisanya 1,6% dipengaruhi oleh varibel lain. Klasifikasi IPM 66 kota di Indonesia tahun 2014 masuk ke dalam kategori IPM sangat tinggi adalah kota Banda Aceh, Yogyakarta, Denpasar dan Kendari. (4) Ada temuan yang menarik bahwa beberapa daerah di Pulau Sumatera, Nusa Tenggara dan Papua memiliki kondisi ekstrim dimana IPM tinggi, inflasi ringan, namun tingkat kemiskinan di atas kemiskinan nasional. 66 kota dalam penelitian ini menunjukkan bahwa kondisi laju inflasi dan IPM tidak bermasalah, namun yang menjadi masalah adalah kemiskinan, maka pemerintah dalam mengentaskan kemiskinan harus melihat karakteristik masing-masing daerah.

Poverty is one of the economic issues are complex and multidimensional to be solved. Poverty reduction can be done by taking into account inflation and improve the human quality that is reflected in the Human Development Index (HDI). This study aims to determine the development of the inflation rate, the number of poor and IPM, as well as determine the effect of inflation on poverty in Indonesia. Objects in this study was 66 cities in Indonesia from 2008 to 2014. The methodology in this research using descriptive analysis and regression analysis of panel data. The results of this study indicate that: (1) The movement of inflation rate fluctuating 66 cities in Indonesia. (2) The number of poor people 66 cities in Indonesia during 2008 to 2014 was not much different. Cities with the classification of the poverty rate above the national poverty rate is in 12 cities, ie Lhoksumawe, Sibolga, Palembang, Bengkulu, Bandar Lampung, Tasikamlaya, Jember, Sumenep, Mataram, Jayapura, Serang, Manokwari. The remaining 54 cities included in the classification of the poverty rate is under the national poverty level. (3) Based on the results of the panel regression data showed that inflation affects the number of poor people significantly by 98.4%, and the remaining 1.6% is influenced by other variables. Classification HDI 66 cities in Indonesia in 2014 into the very high HDI category is the city of Banda Aceh, Yogyakarta, Denpasar and Kendari. (4) There is an interesting finding that some areas in Sumatra, Nusa Tenggara and Papua have extreme conditions where high HDI, mild inflation, but a poverty rate above the national poverty. 66 cities in this study indicate that the condition of the inflation rate and the HDI is not a problem, but the problem is poverty, the government in alleviating poverty must look at the characteristics of each region.

Kata Kunci : Inflasi, Indeks Pembangunan Manusia (IPM), Jumlah Penduduk Miskin, Multidimensional, Analisis Deskriptif, Analisis Regresi Panel Data