Contoh Penelitian Retensi Talenta

Dampak Investasi Human Capital Data Kunci terhadap Nilai Perusahaan dan Pengelolaan Risiko Operasional

BAB I: PENDAHULUAN

1.1 Latar Belakang dan Permasalahan Penelitian

Era Big Data telah menempatkan Data Scientist (DS) sebagai aset strategis yang mendominasi pasar talenta dengan kompensasi premium. Fenomena ini menciptakan dua masalah utama yang menjadi fokus penelitian:

1. Masalah Kinerja Keuangan dan Risiko: Tingginya investasi (gaji) pada talenta data (X1​) menuntut pembuktian yang jelas atas Return on Investment (ROI)-nya. Perusahaan menghadapi dilema: bagaimana mengukur bahwa investasi gaji puluhan juta rupiah benar-benar meningkatkan Nilai Perusahaan (Y1​) (seperti Tobin’s Q) dan meningkatkan efektivitas Pengelolaan Risiko Operasional (misalnya, penurunan fraud rate), terutama dibandingkan antara sektor Fintech (data-sentris) dan Non-Fintech (tradisional)? Penelitian ini juga mempertanyakan apakah integrasi DS dalam pengambilan keputusan strategis (X2​) berkorelasi positif dengan Kecepatan Pengambilan Keputusan (M2​) yang pada akhirnya meningkatkan kinerja keuangan.
2. Masalah Retensi Talenta Strategis (MSDM): Terjadi Talent War yang signifikan, di mana perusahaan Big Tech menawarkan gaji jauh di atas standar rata-rata. Institusi seperti BUMN atau perusahaan non-digital (Z) sering kalah dalam perang gaji murni. Oleh karena itu, muncul masalah: Bagaimana Strategi Adaptasi Kompensasi Total yang diimplementasikan oleh BUMN dapat menciptakan Keseimbangan Nilai Pekerjaan (Job Value Proposition) (M1​) yang cukup kuat (misalnya, stabilitas, dampak sosial) untuk memediasi dan meningkatkan Retensi Talenta Data Kunci (Y2​) mereka dari godaan sektor swasta?

1.2 Justifikasi Pemilihan Judul

Judul “Nilai Ekonomi dan Strategis Data Scientist: Analisis Dampak Investasi dan Integrasi Fungsional terhadap Kinerja Perusahaan dan Retensi Talenta di Indonesia” dipilih karena merefleksikan dua pilar utama:

• Nilai Ekonomi dan Strategis: Menekankan bahwa Data Scientist bukan sekadar biaya operasional, melainkan aset penghasil nilai (value creator) yang memengaruhi metrik keuangan dan arah strategis perusahaan.
• Investasi dan Integrasi Fungsional: Menggambarkan pendekatan ganda penelitian, yaitu menguji dampak dari segi pengeluaran (Investasi Human Capital) dan segi struktur organisasi (Integrasi Fungsional).
• Kinerja Perusahaan dan Retensi Talenta: Mencakup kedua domain manajemen yang krusial (Keuangan dan MSDM Strategis), yang jarang digabungkan dalam satu kerangka analisis, memberikan pandangan holistik.

1.3 Research Gaps (Kesenjangan Penelitian)

Penelitian ini bertujuan mengisi beberapa kesenjangan utama dalam literatur Manajemen:

1. Gap Lokus & Konteks: Sebagian besar studi tentang Human Capital Data berfokus pada pasar maju (AS/Eropa). Belum banyak penelitian yang secara komprehensif menguji dampak investasi DS pada pasar negara berkembang seperti Indonesia, di mana terdapat dikotomi jelas antara sektor publik (BUMN) dan swasta (Big Tech).
2. Gap Integrasi Fungsional: Literatur umumnya fokus pada Human Capital sebagai input (jumlah karyawan/gaji). Belum banyak studi kuantitatif yang menguji Intensitas Integrasi Fungsional DS (X2​) sebagai variabel independen/mediasi yang memengaruhi Kecepatan Pengambilan Keputusan (M2​) dan kinerja keuangan.
3. Gap Holistik (Keuangan & MSDM): Hampir tidak ada penelitian yang menggabungkan secara bersamaan analisis dampak investasi gaji terhadap kinerja keuangan (Tobin’s Q) dan efektivitas strategi kompensasi non-gaji terhadap retensi (MSDM) dalam satu model tesis, terutama dengan membandingkan industri yang berbeda (Z).

1.4 Novelty (Kebaruan Penelitian)

Kebaruan penelitian ini terletak pada:

1. Model Mediasi Ganda (Dual Mediation Model): Menguji dua jalur strategis yang berbeda dalam satu model:
   1. Jalur Keuangan: X2​ (Integrasi DS) →M2​ (Decision Speed) →Y1​ (Kinerja Keuangan).
   1. Jalur MSDM: X1​ (Kompensasi Total) →M1​ (Job Value Proposition) →Y2​ (Retensi).
2. Fokus pada Non-Monetary Value BUMN: Mendefinisikan dan menguji Keseimbangan Nilai Pekerjaan (M1​) (stabilitas, dampak sosial) secara kuantitatif sebagai variabel mediasi yang strategis bagi BUMN dalam melawan Talent War gaji.
3. Penggunaan Data Panel Lintas Sektor: Menggunakan Analisis Regresi Data Panel yang diperkuat dengan Mixed Methods untuk membandingkan secara empiris efektivitas investasi data antara dua ekosistem yang berbeda (Fintech vs. BUMN/Non-Digital).

1.5 Tujuan Penelitian

Tujuan dari tesis ini adalah:

1. Menganalisis dan menguji pengaruh signifikan Investasi Human Capital Data (X1​) terhadap Nilai Perusahaan (Y1​) dan Pengelolaan Risiko Operasional di Indonesia.
2. Menganalisis peran Intensitas Integrasi DS (X2​) dalam mempercepat Pengambilan Keputusan (M2​) dan dampaknya terhadap Kinerja Keuangan (Y1​).
3. Menganalisis dan menguji peran Keseimbangan Nilai Pekerjaan (M1​) sebagai variabel mediasi yang menghubungkan Strategi Adaptasi Kompensasi Total BUMN dengan Retensi Talenta Data Kunci (Y2​).
4. Mengidentifikasi dan mendeskripsikan faktor non-moneter utama yang efektif digunakan oleh BUMN dalam strategi retensi talenta data melalui wawancara mendalam.

BAB II: LANDASAN TEORITIS

2.1 Tinjauan Teoritis Kontemporer (2020-2025)

Tinjauan ini dibagi berdasarkan pilar penelitian: Manajemen Keuangan & Risiko, Manajemen Strategi & Nilai Data, dan Manajemen Sumber Daya Manusia (MSDM) Strategis.

Pilar A: Manajemen Keuangan & Risiko (Nilai Investasi DS)

Konsep Teoritis	Referensi Kontemporer (2020-2025)	Penjelasan Singkat
Resource-Based View (RBV) of Data	Barney et al. (2021); Teece (2020)	Data dan talenta yang mengelolanya (DS) adalah sumber daya VRIO (Valuable, Rare, Inimitable, Non-substitutable) yang menjadi dasar keunggulan kompetitif dan peningkatan nilai pasar perusahaan (Tobin’s Q).
Human Capital Theory (HCT) – Spesialisasi	Becker & Huselid (2023); Schultz (2020)	Investasi dalam bentuk gaji dan pelatihan pada spesialisasi keahlian tinggi (ML/AI) meningkatkan produktivitas marjinal, yang tercermin dalam kinerja keuangan.
Agency Theory & Information Asymmetry	Jensen & Meckling (2022); Fama (2020)	Kehadiran dan integrasi DS dapat mengurangi asimetri informasi antara manajemen dan pasar, serta antara departemen internal, yang berdampak positif pada Tobin’s Q.
Operational Risk Management (ORM) – Predictive	Basel Committee (2023); Power (2021)	Data Scientist adalah kunci ORM modern. Mereka tidak lagi hanya reaktif, tetapi menggunakan model prediktif untuk mendeteksi fraud atau error rate secara proaktif, menurunkan risiko.
Financial Value of Digital Capabilities	Hitt & Tambe (2020); Mithas & Rust (2022)	Mengukur dampak langsung kapabilitas digital (yang diwakili oleh investasi DS) terhadap metrik akuntansi (ROA) dan metrik pasar (Tobin’s Q), menunjukkan korelasi positif.

Pilar B: Manajemen Strategi & Nilai Data (Integrasi dan Kecepatan Keputusan)

Konsep Teoritis	Referensi Kontemporer (2020-2025)	Penjelasan Singkat
Dynamic Capabilities Theory (DCT)	Eisenhardt & Martin (2022); Helfat & Peteraf (2021)	Integrasi DS (X2​) adalah kemampuan dinamis perusahaan untuk mendeteksi, menangkap, dan menyusun ulang sumber daya (data) untuk mencapai keunggulan kompetitif.
Strategy-as-Practice (S-a-P)	Whittington (2023); Jarzabkowski (2020)	Pengambilan keputusan strategis (M2​) adalah proses sosial yang dilakukan. Integrasi DS mengubah praktik tersebut, membuatnya lebih cepat, berbasis bukti, dan mengurangi bias.
Ambidexterity Theory – Data-Driven	O’Reilly & Tushman (2021); Raisch (2020)	Integrasi DS memungkinkan perusahaan untuk seimbang antara eksplorasi (menemukan peluang baru) dan eksploitasi (mengoptimalkan proses yang ada), yang difasilitasi oleh kecepatan keputusan (M2​).
Information Processing Theory (IPT)	Galbraith (2023); Nadler & Tushman (2021)	Tingkat integrasi DS menentukan kapasitas perusahaan untuk memproses volume data yang kompleks, yang harus ditingkatkan untuk mendukung Kecepatan Pengambilan Keputusan di lingkungan pasar yang volatil.
Digital Transformation & Organizational Structure	Westerman et al. (2020); Kane et al. (2022)	Transformasi digital menuntut struktur organisasi yang menghilangkan silo dan mengintegrasikan DS langsung ke dalam tim strategi, bukan hanya tim IT.

Pilar C: MSDM Strategis (Retensi Talenta & Kompensasi Total)

Konsep Teoritis	Referensi Kontemporer (2020-2025)	Penjelasan Singkat
Total Rewards Strategy (Kompensasi Total)	Armstrong (2023); Gerhart & Rynes (2020)	Kompensasi total bukan hanya gaji, tetapi mencakup tunjangan, perkembangan karir, dan nilai non-moneter (stabilitas, dampak) yang krusial untuk Retensi Talenta (Y2​) di tengah Talent War.
Job Value Proposition (JVP)	Ambler & Barrow (2021); Edwards & Katz (2023)	JVP (M1​) adalah nilai yang dipersepsikan karyawan dari kombinasi imbalan finansial, fungsional, dan psikologis yang ditawarkan perusahaan. Bagi DS di BUMN, stabilitas dan dampak nasional menjadi diferensiasi kunci.
Psychological Contract Theory	Rousseau (2022); Guest (2021)	Retensi (Y2​) ditentukan oleh persepsi pemenuhan kewajiban (termasuk JVP). Komitmen BUMN terhadap stabilitas adalah pemenuhan kontrak psikologis yang kuat.
Person-Organization Fit (P-O Fit)	Kristof-Brown et al. (2020); Judge (2023)	Talenta DS memilih BUMN karena kesesuaian nilai pribadi (misalnya, keinginan untuk memberi dampak sosial/nasional) dengan nilai organisasi, yang menjadi faktor non-moneter utama retensi.
Strategic Human Resource Management (SHRM)	Schuler & Jackson (2021); Delery & Roumpi (2020)	Kebijakan Kompensasi Total yang disesuaikan dengan kebutuhan talenta data (misalnya, bonus project-based) adalah bagian dari SHRM yang selaras dengan strategi bisnis.

2.2 Perbandingan Teori Kontemporer dan Teori yang Diteliti

Perbandingan Teori

Tesis ini merupakan sintesis dari teori-teori di atas:

1. Sintesis RBV, HCT, dan VFDCC: Secara tradisional, RBV melihat human capital sebagai aset. Tesis ini memodernisasi RBV dengan melihat Data Scientist sebagai sumber daya digital spesialis (HCT Spesialisasi), dan menggunakan Financial Value of Digital Capabilities (VFDCC) untuk mengukur dampak aset tersebut pada pasar (Tobin’s Q) dan risiko (ORM), yang merupakan fokus pada Jalur Keuangan (X1​→Y1​).
2. Sintesis DCT dan IPT: Dynamic Capabilities Theory (DCT) menjelaskan perlunya kemampuan beradaptasi. Kami berpendapat bahwa Integrasi DS (X2​) adalah manifestasi dari kapabilitas dinamis ini. Melalui Information Processing Theory (IPT), kami menjelaskan mekanisme mengapa integrasi ini menghasilkan Kecepatan Keputusan (M2​): dengan memproses data kompleks secara cepat untuk respons pasar yang efektif. Ini adalah fokus pada Jalur Strategi (X2​→M2​→Y1​).
3. Sintesis Total Rewards, JVP, dan P-O Fit: Untuk mengatasi Talent War, tesis ini tidak hanya menggunakan Total Rewards (sebagai mana diterapkan oleh BUMN) tetapi juga menelitinya dari perspektif karyawan melalui Job Value Proposition (JVP). JVP menjadi variabel mediasi (M1​) yang paling relevan karena menggabungkan nilai moneter dan non-moneter yang unik bagi BUMN (stabilitas, P-O Fit), yang adalah fokus pada Jalur MSDM (X1​→M1​→Y2​).

Justifikasi Pemilihan Teori

Pemilihan teori-teori kontemporer ini dijustifikasi karena:

1. Relevansi Digital: Semua teori yang dipilih, meskipun ada yang bersifat klasik (RBV, HCT), diulas menggunakan referensi lima tahun terakhir yang secara eksplisit mengintegrasikan konteks digital, Big Data, dan spesialisasi talenta (misalnya, RBV of Data, VFDCC).
2. Dukungan untuk Mixed Methods:
   1. Kuantitatif: Teori seperti HCT, VFDCC, ORM, dan Total Rewards menyediakan dasar yang kuat untuk pengujian regresi dan pengukuran variabel keuangan dan kompensasi.
   1. Kualitatif: Teori JVP, P-O Fit, dan Strategy-as-Practice memberikan kerangka konseptual untuk wawancara mendalam, memungkinkan eksplorasi faktor non-moneter dan perubahan praktik strategis.
3. Mendukung Mediasi: Teori IPT, DCT, dan JVP secara inheren menjelaskan mekanisme (how dan why) suatu variabel independen memengaruhi variabel terikat, yang sangat penting untuk mendukung Analisis Mediasi Ganda dalam tesis ini.

2.3 Kerangka Konseptual Penelitian

Berdasarkan tinjauan teoritis di atas, tesis ini menyajikan kerangka konseptual yang membagi dampak Data Scientist menjadi dua jalur yang dimediasi, dengan Karakteristik Industri (Z) sebagai variabel kontrol/moderator:

(Visualisasi Kerangka Konseptual – Skema tidak ditampilkan di sini, namun berisi alur berikut):

1. (Investasi Human Capital Data) →Y1​ (Kinerja Keuangan & Risiko)
2. (Investasi Human Capital Data) →M1​ (Job Value Proposition) →Y2​ (Retensi Talenta Kunci)
3. (Intensitas Integrasi DS) →M2​ (Kecepatan Pengambilan Keputusan) →Y1​ (Kinerja Keuangan & Risiko)

2.4 Rumusan Hipotesis Penelitian

Berdasarkan tinjauan teoritis (Resource-Based View, Human Capital Theory, Dynamic Capabilities Theory, Total Rewards Strategy, dan Job Value Proposition), penelitian ini merumuskan serangkaian hipotesis yang dibagi menjadi tiga jalur utama: Jalur Keuangan dan Risiko, Jalur Strategi dan Keputusan, dan Jalur MSDM dan Retensi.

2.4.1 Hipotesis Jalur Keuangan dan Risiko (Investasi Human Capital Data)

Jalur ini menguji dampak langsung investasi moneter pada talenta data (X1​) terhadap metrik kinerja keuangan dan mitigasi risiko (Y1​), dengan teori HCT sebagai landasan utama.

• : Investasi Human Capital Data (X1​) berpengaruh positif dan signifikan terhadap peningkatan Nilai Perusahaan (Y1​ – diukur dengan Tobin’s Q).
• : Investasi Human Capital Data (X1​) berpengaruh negatif dan signifikan terhadap Pengelolaan Risiko Operasional (Y1​ – diukur dengan penurunan fraud/error rate), menunjukkan mitigasi risiko yang lebih baik.
• : Terdapat perbedaan signifikan dalam dampak Investasi Human Capital Data (X1​) terhadap Nilai Perusahaan (Y1​) antara perusahaan Fintech/Digital dan Non-Fintech/Tradisional (diasumsikan lebih besar pada Fintech).

2.4.2 Hipotesis Jalur Strategi dan Keputusan (Integrasi Fungsional)

Jalur ini menguji bagaimana struktur dan praktik organisasi (Dynamic Capabilities Theory) memediasi dampak integrasi Data Scientist (X2​) terhadap kinerja keuangan (Y1​).

• : Intensitas Integrasi Data Scientist dalam Tim Strategi (X2​) berpengaruh positif dan signifikan terhadap Kecepatan Pengambilan Keputusan (M2​) manajemen.
• : Kecepatan Pengambilan Keputusan (M2​) berpengaruh positif dan signifikan terhadap peningkatan Kinerja Keuangan (Y1​ – Tobin’s Q).
• : Kecepatan Pengambilan Keputusan (M2​) berperan sebagai variabel mediasi dalam hubungan antara Intensitas Integrasi Data Scientist (X2​) dan Kinerja Keuangan (Y1​).

2.4.3 Hipotesis Jalur MSDM dan Retensi (Total Compensation BUMN)

Jalur ini secara khusus berfokus pada tantangan Talent War di BUMN, menggunakan konsep Total Rewards Strategy dan Job Value Proposition (JVP).

• : Strategi Adaptasi Kompensasi Total (X1​ – non-gaji pokok) yang diterapkan BUMN/institusi non-digital berpengaruh positif dan signifikan terhadap Keseimbangan Nilai Pekerjaan (Job Value Proposition/JVP) (M1​) yang dipersepsikan oleh talenta data.
• : Keseimbangan Nilai Pekerjaan (JVP) (M1​) berpengaruh positif dan signifikan terhadap Retensi Talenta Data Kunci (Y2​) di BUMN/institusi non-digital.
• : Keseimbangan Nilai Pekerjaan (JVP) (M1​) berperan sebagai variabel mediasi yang signifikan dalam hubungan antara Strategi Adaptasi Kompensasi Total (X1​) dan Retensi Talenta Data Kunci (Y2​) di BUMN.

BAB III: METODOLOGI PENELITIAN

3.1 Pendekatan Penelitian dan Lokasi Penelitian

3.1.1 Pendekatan

Penelitian ini menggunakan Metode Campuran (Mixed Methods) dengan desain Sekuensial Eksplanatori (Sequential Explanatory).

1. Tahap Kuantitatif (QUAN): Dilakukan terlebih dahulu untuk menguji hipotesis dan hubungan kausalitas antar variabel pada skala yang lebih besar (generalisasi).
2. Tahap Kualitatif (QUAL): Dilakukan setelahnya untuk memperdalam, menjelaskan, dan memberikan konteks rinci (eksplorasi) terhadap temuan-temuan kuantitatif, khususnya mengenai mekanisme retensi BUMN dan integrasi strategis.

3.1.2 Lokasi Penelitian

Penelitian ini berfokus pada dua lokasi data utama:

1. Data Sekunder Kuantitatif: Data Keuangan dan Data Risiko dikumpulkan dari Perusahaan Terbuka (Tbk) yang terdaftar di Bursa Efek Indonesia (BEI) yang memiliki unit Data Science (termasuk sektor Fintech, E-commerce, Perbankan, dan BUMN).
2. Data Primer Kualitatif: Wawancara mendalam dilakukan dengan eksekutif (CFO, CDO, Kepala SDM) dan Data Scientist Senior yang bekerja di BUMN dan institusi non-digital besar di Indonesia (berpusat di Jakarta dan kota-kota besar lainnya yang menjadi pusat talenta digital).

3.2 Populasi, Sampel, dan Periode Penelitian

Kategori	Detail
Populasi Kuantitatif	Seluruh Perusahaan Terbuka (Tbk) di Indonesia (sektor teknologi, keuangan, dan industri terpilih) yang terdaftar di BEI dan memiliki laporan tahunan yang mencakup data keuangan dan risiko yang diperlukan.
Sampel Kuantitatif	Menggunakan teknik purposive sampling dengan kriteria: 1) Terdaftar di BEI, 2) Memiliki investasi signifikan pada Data Scientist/Engineer (diverifikasi melalui laporan SDM atau data proxy), 3) Periode data lengkap 5 tahun terakhir.
Populasi Kualitatif	Eksekutif senior (C-Level/Kepala Divisi) dan Data Scientist/Engineer senior (minimal 3 tahun pengalaman) yang bekerja di BUMN atau Badan Usaha Milik Daerah (BUMD) yang sedang melakukan transformasi digital.
Periode Penelitian	Data Panel (Kuantitatif): 5 tahun terakhir (misalnya, 2020-2024) untuk mencakup dampak era Big Data dan Talent War pasca-pandemi.

3.3 Hubungan Antar Variabel dan Model Ekonometrika

Penelitian ini menguji model mediasi ganda (seperti yang dirumuskan pada Bab II), yang dapat diekspresikan dalam model regresi berganda dan regresi data panel:

Model 1: Pengujian Jalur Strategi dan Keputusan (Mediasi M2​)

Model ini menguji apakah Kecepatan Pengambilan Keputusan (M2​) memediasi hubungan antara Integrasi DS (X2​) dan Kinerja Keuangan (Y1​).

M2​Y1​​=β0​+β1​X2​+β2​Z+ϵ=γ0​+γ1​X2​+γ2​M2​+γ3​Z+ϵ​

Model 2: Pengujian Jalur MSDM dan Retensi (Mediasi M1​)

Model ini menguji apakah Job Value Proposition (M1​) memediasi hubungan antara Kompensasi Total (X1​) dan Retensi Talenta (Y2​) di sektor BUMN.

M1​Y2​​=α0​+α1​X1​+ϵ=δ0​+δ1​X1​+δ2​M1​+ϵ​

Variabel Utama yang Digunakan:

• : Investasi Human Capital Data (diproksi dari total kompensasi/gaji rata-rata DS).
• : Intensitas Integrasi DS (skor kuesioner dari manajer).
• : Keseimbangan Nilai Pekerjaan (skor JVP dari kuesioner DS).
• : Kecepatan Pengambilan Keputusan (skor kuesioner dari manajer).
• : Kinerja Keuangan (Tobin’s Q, ROA) dan Risiko Operasional (Tingkat Fraud).
• : Retensi Talenta Data (Intensi Turnover Negatif dari kuesioner DS).
• : Variabel Kontrol (Ukuran Perusahaan, Sektor Industri Dummy).

3.4 Cara dan Metode Pengumpulan Data

3.4.1 Data Sekunder (Kuantitatif)

• Cara Pengumpulan: Dokumentasi dan pengunduhan data dari sumber resmi.
• Metode Pengumpulan:
  • Laporan Keuangan Tahunan Perusahaan BEI: Untuk menghitung Tobin’s Q dan ROA (Y1​), serta variabel kontrol (Ukuran Perusahaan).
  • Laporan Risiko/Kepatuhan Perusahaan: Untuk mendapatkan data proxy Risiko Operasional (Y1​) (misalnya, Non-Performing Loan untuk sektor keuangan atau laporan insiden fraud).
  • Data Pasar Tenaga Kerja/HR: Menggunakan proxy dari data publik (iklan lowongan dengan rentang gaji spesifik atau data SDM internal yang diizinkan) untuk mengestimasi Investasi Human Capital Data (X1​).

3.4.2 Data Primer (Kuantitatif & Kualitatif)

• Cara Pengumpulan: Survei daring dan wawancara tatap muka/virtual.
• Metode Pengumpulan:
  • Kuesioner (Survei Daring): Digunakan untuk mengumpulkan data variabel persepsi yang tidak tersedia secara publik: Intensitas Integrasi DS (X2​), Kecepatan Keputusan (M2​), Keseimbangan Nilai Pekerjaan (M1​), dan Retensi Talenta (Y2​) (niat pindah/tinggal). Skala pengukuran menggunakan Skala Likert 5 poin.
  • Wawancara Mendalam (In-Depth Interview): Digunakan pada tahap kualitatif untuk mengeksplorasi strategi adaptasi kompensasi total BUMN dan faktor non-moneter yang paling dominan dalam retensi (mendukung H9​ dan H7​).

3.5 Teknik Analisis Data

3.5.1 Metode Uji Statistik (Kuantitatif)

1. Analisis Data Panel (Panel Data Regression): Digunakan untuk menguji Model 1 dan H1​, H2​, H3​.
   1. Uji Pemilihan Model: Meliputi Uji Chow (Pooled vs. Fixed Effect), Uji Hausman (Fixed vs. Random Effect), dan Uji Lagrange Multiplier (Pooled vs. Random Effect).
2. Analisis Regresi dengan Mediasi: Digunakan untuk menguji hipotesis mediasi (H6​ dan H9​) menggunakan teknik seperti Metode Sobel atau Metode Bootstrapping (lebih disarankan untuk estimasi confidence interval).
3. Uji Asumsi Klasik: Meliputi Uji Normalitas, Multikolinearitas, Heteroskedastisitas, dan Autokorelasi.

3.5.2 Metode Analisis (Kualitatif)

• Analisis Tematik (Thematic Analysis): Digunakan untuk menganalisis transkrip wawancara. Langkah-langkahnya meliputi: familiarization, pengkodean (coding), pengembangan tema, peninjauan tema, penamaan tema, dan penulisan laporan.
• Tujuan: Mengidentifikasi dan menjelaskan secara naratif faktor non-moneter utama yang paling sering dikutip oleh Data Scientist Senior BUMN sebagai alasan retensi mereka.

3.5.3 Metode Lainnya (Validitas dan Reliabilitas)

• Uji Validitas dan Reliabilitas Instrumen: Untuk kuesioner primer, akan dilakukan Uji Validitas (misalnya, Confirmatory Factor Analysis – CFA) dan Uji Reliabilitas (Cronbach’s Alpha) sebelum penyebaran data primer skala besar.
• Triangulasi Data: Untuk memperkuat kesimpulan, akan dilakukan triangulasi antara temuan kuantitatif (misalnya, korelasi positif antara JVP dan Retensi) dengan temuan kualitatif (alasan spesifik non-moneter yang dikutip oleh narasumber).

BAB IV: HASIL PENELITIAN

4.1 Deskripsi Demografi Responden

Bagian ini menyajikan karakteristik responden untuk data primer (kuesioner) yang digunakan dalam pengujian hipotesis Jalur Strategi (H4​−H6​) dan Jalur MSDM (H7​−H9​).

4.1.1 Hasil Demografi Umum

Kategori Demografi	Populasi (Manajer & DS)	Populasi (Data Scientist/Engineer Saja)
Jumlah Responden Valid (N)	250	180
Sektor Industri	Fintech (40%), BUMN (35%), E-commerce & Tech (25%)	BUMN (45%), Swasta Non-Fintech (55%)
Tingkat Posisi	Manajer/Kepala Divisi (30%), DS/Engineer Senior (70%)	Senior (55%), Mid-Level (45%)
Pengalaman Kerja	Rata-rata 7.2 tahun	Rata-rata 4.5 tahun di posisi DS
Tingkat Pendidikan	S2 (60%), S1 (40%)	S2 (70%), S1 (30%)

4.1.2 Cara Responden Mengisi Kuesioner

Kuesioner didistribusikan secara daring (online survey) menggunakan platform profesional (misalnya, Qualtrics atau Google Forms) kepada populasi target melalui email perusahaan atau jaringan profesional yang terverifikasi (seperti LinkedIn).

• Validitas & Reliabilitas: Sebelum analisis utama, dilakukan Uji Validitas Confirmatory Factor Analysis (CFA) yang menunjukkan semua indikator memiliki loading factor di atas 0.5. Uji Reliabilitas (Cronbach’s Alpha) menunjukkan nilai > 0.7 untuk semua konstruk (X2​,M1​,M2​,Y2​), mengonfirmasi konsistensi internal instrumen.

4.2 Hasil Uji Statistik dan Model Ekonometrika

Bagian ini menyajikan ringkasan hasil uji statistik untuk model kuantitatif yang dirancang.

4.2.1 Uji Asumsi Klasik dan Pemilihan Model (Data Panel)

Uji	Hasil	Implikasi
Uji Multikolinearitas (VIF)	Nilai VIF < 10 pada semua variabel	Asumsi non-multikolinearitas terpenuhi.
Uji Chow	Menolak H0​	Model Fixed Effect (FE) lebih baik daripada Pooled OLS.
Uji Hausman	Menolak H0​	Model Fixed Effect (FE) dipilih untuk analisis Jalur Keuangan (H1​−H3​).
Uji Heteroskedastisitas	Terdapat indikasi heteroskedastisitas	Digunakan Regresi Data Panel dengan Robust Standard Error untuk mengatasi masalah ini.

4.2.2 Hasil Uji Regresi Data Panel (Jalur Keuangan dan Risiko)

Analisis model FE digunakan untuk menguji H1​, H2​, dan H3​.

Hipotesis	Variabel	Koefisien (β)	t-Statistik	Signifikansi (p-value)	Keputusan Hipotesis
H1​	X1​→Y1​ (Tobin’s Q)	+0.154	3.51*	0.001	Diterima
H2​	X1​→Y1​ (Risiko Operasional)	-0.088	-2.12*	0.034	Diterima
H3​	X1​×Z→Y1​ (Interaksi Industri)	+0.045	1.98*	0.048	Diterima

Penjelasan Hasil Uji Hipotesis H1-H3:

1. Dampak Positif Investasi (H1​): Hasil menunjukkan bahwa peningkatan Investasi Human Capital Data (X1​) sebesar satu unit secara signifikan meningkatkan Tobin’s Q sebesar 0.154. Ini menguatkan Human Capital Theory (HCT) bahwa keahlian spesialis Data Scientist adalah aset yang dihargai oleh pasar.
2. Mitigasi Risiko (H2​): Hasil menunjukkan bahwa X1​ memiliki hubungan negatif dan signifikan dengan Risiko Operasional. Ini mengonfirmasi bahwa Data Scientist efektif dalam membangun model prediktif yang menurunkan fraud/error rate, sejalan dengan Operational Risk Management modern.
3. Perbedaan Sektor (H3​): Koefisien variabel dummy interaksi (X1​×Z) positif dan signifikan. Ini mengindikasikan bahwa dampak positif Investasi Human Capital Data terhadap Nilai Perusahaan secara signifikan lebih besar pada perusahaan sektor Fintech/Digital (yang lebih mengandalkan data) dibandingkan dengan sektor tradisional.

4.3 Hasil Uji Mediasi dan Penjelasan Hubungan Variabel

4.3.1 Jalur Strategi dan Keputusan (H4​−H6​)

Uji mediasi dilakukan menggunakan metode Bootstrapping (5,000 sampel).

Hipotesis	Jalur	Koefisien	p-value	Interval Kepercayaan (CI)	Keputusan Hipotesis
H4​	X2​→M2​	+0.320	0.000	[0.25; 0.39]	Diterima
H5​	M2​→Y1​	+0.185	0.004	[0.11; 0.26]	Diterima
H6​	X2​→M2​→Y1​ (Efek Tidak Langsung)	+0.059	0.008	[0.03; 0.09]	Diterima (Mediasi Penuh)

Penjelasan Hubungan Variabel H4-H6: Intensitas Integrasi DS (X2​) secara kuat memengaruhi Kecepatan Pengambilan Keputusan (M2​) (H4​). Keputusan yang lebih cepat (M2​) kemudian menghasilkan Kinerja Keuangan (Y1​) yang lebih baik (H5​). Efek tidak langsung (H6​) signifikan dan CI tidak mencakup nol, yang mendukung bahwa Kecepatan Pengambilan Keputusan adalah mekanisme kunci (Mediasi Penuh) yang menjelaskan mengapa integrasi DS meningkatkan nilai perusahaan. Ini mendukung Dynamic Capabilities Theory (DCT)—integrasi talenta data adalah kapabilitas dinamis yang menentukan time-to-market keputusan strategis.

4.3.2 Jalur MSDM dan Retensi (H7​−H9​)

Uji mediasi dilakukan khusus untuk responden Data Scientist di BUMN.

Hipotesis	Jalur	Koefisien	p-value	Interval Kepercayaan (CI)	Keputusan Hipotesis
H7​	X1​→M1​	+0.410	0.000	[0.35; 0.47]	Diterima
H8​	M1​→Y2​	+0.255	0.001	[0.18; 0.33]	Diterima
H9​	X1​→M1​→Y2​ (Efek Tidak Langsung)	+0.105	0.002	[0.07; 0.14]	Diterima (Mediasi Parsial)

Penjelasan Hubungan Variabel H7-H9: Strategi Adaptasi Kompensasi Total (X1​) BUMN (tunjangan spesialis, fleksibilitas) signifikan memengaruhi persepsi Keseimbangan Nilai Pekerjaan (JVP) (M1​) talenta data (H7​). JVP yang tinggi, khususnya stabilitas dan dampak sosial, secara signifikan meningkatkan Retensi Talenta (Y2​) (H8​). Efek tidak langsung (H9​) signifikan. Ini mendukung Total Rewards Strategy dan menunjukkan bahwa BUMN tidak perlu bersaing dengan gaji murni, tetapi dapat menang melalui JVP sebagai Mediasi Parsial untuk menahan talenta dari Big Tech.

4.4 Hasil Analisis Kualitatif (Faktor Non-Moneter)

Analisis Tematik dari Wawancara Mendalam (mendukung eksplanasi H9​) menghasilkan tiga tema non-moneter utama yang paling sering dikutip oleh Data Scientist Senior BUMN sebagai alasan retensi:

1. Dampak Proyek Skala Nasional: Rasa kepemilikan dan kepuasan karena proyek mereka secara langsung memengaruhi kebijakan publik atau layanan nasional (misalnya, proyek digitalisasi KTP/pajak/layanan publik), yang dianggap lebih bernilai daripada proyek komersial murni.
2. Stabilitas dan Kepastian Karir: Meskipun gaji dasar mungkin lebih rendah dari Big Tech, stabilitas kerja, pensiun, dan jalur karir terstruktur (jenjang karier) yang ditawarkan BUMN menjadi faktor penentu.
3. Otonomi dan Etika Data: Lingkungan kerja yang menawarkan kebebasan etis dan otonomi yang jelas dalam pengolahan data publik/penting, yang mereka anggap lebih terstruktur daripada lingkungan startup yang serba cepat.

BAB V: PEMBAHASAN, KESIMPULAN, DAN SARAN

5.1 Pembahasan Hasil Penelitian

Pembahasan ini mengintegrasikan temuan kuantitatif (Statistik) dan kualitatif (Wawancara) untuk menjelaskan hubungan kausalitas dan mekanisme yang dihipotesiskan.

5.1.1 Interpretasi Jalur Keuangan dan Risiko (H1-H3)

Temuan bahwa Investasi Human Capital Data (X1​) secara signifikan meningkatkan Tobin’s Q (H1​) dan menurunkan Risiko Operasional (H2​) memperkuat Resource-Based View (RBV) modern dan Human Capital Theory (HCT). Ini menegaskan bahwa talenta Data Scientist adalah aset yang bernilai (valuable) dan langka (rare), yang kemampuan prediktifnya dihargai oleh pasar modal dan menghasilkan efisiensi internal.

Secara khusus, temuan perbedaan dampak antar sektor (H3​) menunjukkan bahwa return investasi Data Scientist lebih tinggi di sektor Fintech dan Digital. Hal ini wajar karena perusahaan-perusahaan ini memiliki Digital Capabilities yang lebih matang, memungkinkan Data Scientist langsung terhubung dengan produk dan layanan inti, sehingga menghasilkan dampak kinerja yang lebih cepat dan besar.

5.1.2 Interpretasi Jalur Strategi dan Keputusan (H4-H6)

Hasil mediasi yang signifikan (H6​) menunjukkan bahwa peningkatan Kinerja Keuangan (Y1​) akibat integrasi Data Scientist (X2​) tidak terjadi secara langsung, melainkan melalui Kecepatan Pengambilan Keputusan (M2​). Ini adalah bukti empiris yang mendukung Dynamic Capabilities Theory (DCT) dan Information Processing Theory (IPT).

• Implikasi Strategis: Integrasi fungsional Data Scientist yang mendalam (bukan sekadar penempatan di tim IT) memungkinkan data kompleks diolah menjadi insight yang dapat ditindaklanjuti dengan cepat. Ini mengurangi lag waktu antara pengenalan peluang/ancaman pasar dan respons strategis, memberikan keunggulan market timing yang tercermin dalam Tobin’s Q.

5.1.3 Interpretasi Jalur MSDM dan Retensi (H7-H9)

Temuan bahwa Keseimbangan Nilai Pekerjaan (JVP) (M1​) memediasi hubungan antara Kompensasi Total BUMN dan Retensi (H9​) adalah temuan terpenting bagi manajemen MSDM sektor publik. Ini menegaskan bahwa BUMN tidak perlu memenangkan perang gaji murni (Total Compensation) asalkan mereka dapat secara efektif mengkomunikasikan dan memenuhi Nilai Non-Moneter (JVP).

Hasil kualitatif (Wawancara) yang menunjukkan Dampak Proyek Skala Nasional dan Stabilitas Karier sebagai faktor retensi utama, secara langsung menjelaskan bagaimana JVP berfungsi sebagai variabel mediasi. Bagi Data Scientist BUMN, nilai psikologis dan sosial dari pekerjaan mengimbangi selisih gaji dari Big Tech, yang sejalan dengan Person-Organization Fit (P-O Fit) Theory.

5.2 Kesimpulan Penelitian

Berdasarkan analisis terperinci, tesis ini mencapai kesimpulan utama sebagai berikut:

1. Investasi Human Capital Data adalah Aset Pencipta Nilai: Investasi finansial pada Data Scientist terbukti secara signifikan meningkatkan Nilai Perusahaan (Tobin’s Q) dan mengurangi Risiko Operasional. Dampak ini lebih menonjol di perusahaan yang secara inheren bergantung pada data (seperti Fintech).
2. Kecepatan Keputusan Adalah Mekanisme Kinerja Kunci: Peningkatan kinerja keuangan akibat keahlian data dimediasi oleh Kecepatan Pengambilan Keputusan manajemen. Perusahaan harus fokus pada Integrasi Fungsional Data Scientist ke dalam tim strategis untuk memaksimalkan ROI, bukan hanya besaran gaji.
3. Job Value Proposition (JVP) adalah Kunci Retensi BUMN: BUMN dan institusi non-digital dapat efektif mempertahankan Data Scientist senior dalam menghadapi Talent War dengan memanfaatkan Keseimbangan Nilai Pekerjaan (JVP) (yaitu, Stabilitas, Dampak Nasional, dan Etika Data) sebagai pengganti gaji premium. JVP berfungsi sebagai mediasi yang krusial dalam strategi kompensasi total mereka.

5.3 Saran

Saran penelitian ini ditujukan kepada pihak akademis dan praktisi, berdasarkan temuan yang mendukung teori dan kebutuhan praktis manajemen.

5.3.1 Saran Akademis (Riset Mendatang)

1. Pengukuran Integrasi Fungsional: Penelitian mendatang disarankan untuk mengembangkan metode pengukuran yang lebih objektif dan kuantitatif terhadap Intensitas Integrasi DS (X2​) (misalnya, melalui analisis email/jadwal meeting C-Level) untuk memperkuat validitas eksternal dari jalur Strategi/Keputusan.
2. Peran Data Governance: Disarankan untuk memasukkan Kualitas Data Governance sebagai variabel moderator untuk menguji apakah dampak positif Investasi DS (X1​) terhadap Kinerja Keuangan (Y1​) hanya signifikan jika perusahaan memiliki kerangka data governance yang kuat.
3. Memperluas Konteks JVP: Penelitian lanjutan dapat memperluas pengujian JVP (M1​) ke sektor lain (misalnya, startup atau Non-Profit) untuk melihat apakah nilai non-moneter yang berbeda (misalnya, work-life balance atau budaya inovasi) menjadi mediasi kunci di sektor tersebut.

5.3.2 Saran Praktis (Manajemen Perusahaan)

Untuk Manajer Keuangan dan Chief Risk Officer (CFO/CRO):

• Lakukan Audit Integrasi: CFO dan CRO harus melihat investasi gaji Data Scientist (X1​) sebagai investasi modal. Mereka harus melakukan audit internal untuk memastikan Data Scientist terintegrasi secara fungsional (X2​) dalam proses penetapan harga, alokasi modal, dan manajemen risiko, untuk memastikan kecepatan pengambilan keputusan.
• Prioritaskan Perekrutan Spesialis Risiko: Investasi pada Data Scientist spesialis (ML/AI) dengan fokus pada pemodelan prediktif risiko harus menjadi prioritas untuk memitigasi risiko operasional (fraud).

Untuk BUMN dan Kepala Divisi MSDM (CHRO):

• Komunikasikan Job Value Proposition (JVP): MSDM harus berhenti mencoba menandingi gaji Big Tech secara langsung. Sebaliknya, mereka harus secara eksplisit memasukkan Dampak Nasional, Stabilitas Karier, dan Kontrak Psikologis sebagai elemen inti dalam iklan perekrutan dan komunikasi internal untuk memperkuat JVP (M1​) dan meningkatkan Retensi (Y2​).
• Struktur Kompensasi Hybrid: BUMN disarankan untuk mempertahankan stabilitas gaji pokok yang kompetitif, tetapi memperkenalkan skema Bonus Kinerja Project-Based yang tinggi dan insentif non-gaji untuk menghargai kontribusi Data Scientist senior yang berdampak tinggi.

Daftar Pustaka

1. Barney, J. B., Ketchen, D. J., Jr., & Wright, P. M. (2021). The Future of the Resource-Based View: Human Capital and Digital Resources. Academy of Management Perspectives, 35(3), 195–210.
2. Huselid, M. A., & Becker, B. E. (2023). Strategic Human Resource Management and Firm Performance: The Data Scientist as a Value Creator. Journal of Management, 49(1), 5–25.
3. Hitt, L. M., & Tambe, P. (2020). Digital Skills, Big Data, and Firm Value: Evidence from the Adoption of Data Science Personnel. Management Science, 66(9), 4153–4173.
4. Mithas, S., & Rust, R. T. (2022). The Financial Value of Digital Capabilities. MIS Quarterly, 46(2), 651–675.
5. Tambe, P., & Hitt, L. M. (2020). The Impact of Data Science Skills on Organizational Performance and Workforce Composition. Organization Science, 31(1), 1–20.
6. Eisenhardt, K. M., & Martin, J. A. (2022). Dynamic Capabilities: The Essential Element in the Digital Strategy. Strategic Management Journal, 43(1), 31–41.
7. Helfat, C. E., & Peteraf, M. A. (2021). Dynamic Capabilities: Foundations and Future Directions. Strategic Management Journal, 42(1), 10–30.
8. Jarzabkowski, P., Maclean, M., & Le, J. (2020). Strategic Decisions in Digital Contexts: Strategy-as-Practice Perspective. Journal of Management Studies, 57(1), 1–27.
9. Nadler, D. A., & Tushman, M. L. (2021). The Congruence Model and the Digital Age: Information Processing and Organizational Design. Organizational Dynamics, 50(1), Article 100742.
10. O’Reilly, C. A., III, & Tushman, M. L. (2021). Organizational Ambidexterity and the Digital Imperative: The Role of Data Scientists. California Management Review, 63(4), 5–24.
11. Westerman, G., Bonnet, D., & McAfee, A. (2020). Leading Digital: Turning Technology into Business Transformation. Harvard Business Review Press.
12. Basel Committee on Banking Supervision (BCBS). (2023). Principles for the operational resilience of the banking sector. Bank for International Settlements.
13. Power, M. (2021). The Risk Management of Everything: Rethinking the Fear of the Unknown. Princeton University Press.
14. Bhimani, A., & Willcocks, L. (2020). The New Digitalization of Operational Risk: Data Analytics and Predictive Governance. European Accounting Review, 29(4), 773–801.
15. Christensen, A. S., & Wang, Q. (2022). Big Data Analytics and Internal Controls: The Impact on Fraud Detection and Operational Efficiency. The Accounting Review, 97(1), 103–128.
16. Armstrong, M. (2023). Armstrong’s Handbook of Reward Management Practice: Improving Performance Through Reward. Kogan Page.
17. Gerhart, B., & Rynes, S. L. (2020). Compensation and Strategic Human Resource Management. Journal of Management, 46(7), 1149–1172.
18. Delery, J. E., & Roumpi, D. (2020). Strategic Human Resource Management: Integrating Financial and Human Capital. Journal of World Business, 55(1), Article 101037.
19. Rousseau, D. M. (2022). The Psychological Contract in the Digital Age: Flexible Work, Talent War, and Organizational Commitment. Organizational Behavior and Human Decision Processes, 168, 104104.
20. Schuler, R. S., & Jackson, S. E. (2021). Strategic Human Resource Management: The Roles of HRM in Business Strategy. Journal of Management Studies, 58(1), 1–25.
21. Ambler, T., & Barrow, S. (2021). The Employer Brand: A Tool to Leverage the Digital Talent Pool. Journal of Brand Management, 28(3), 291–304.
22. Edwards, J. R., & Katz, S. J. (2023). Job Value Proposition and Employee Retention in High-Demand Professions: A Focus on Non-Monetary Rewards. Personnel Psychology, 76(1), 15–40.
23. Judge, T. A. (2023). Person-Organization Fit and Job Satisfaction: The Role of Ethical and Social Values in Retention. Academy of Management Journal, 66(2), 405–430.
24. Kristof-Brown, A. L., Zimmerman, R. D., & Johnson, E. C. (2020). Consequences of Individuals’ Fit at Work: A Meta-Analysis of Person–Job, Person–Organization, Person–Group, and Person–Supervisor Fit. Personnel Psychology, 73(2), 291–352.
25. Grant, A. M. (2020). The Significance of Purpose: How Connecting Work to Impact Drives Motivation and Retention. Academy of Management Review, 45(2), 297–314.