4.3. Karakteristik Responden
Dalam penelitian ini karakteristik responden yang digunakan dalam penelitian ini berjumlah 81 orang yang dianalisa secara deskriptif.
Karakteristik karyawan dilihat dari jenis kelamin, usia, pendidikan terakhir, jabatan, status karyawan, lama bekerja, dan jumlah tanggungan.
Karakteristik karyawan BNI Divisi CMM dapat dilihat pada Tabel 3 dibawah ini.
Tabel 3. Karakteristik responden
Keterangan Frekuensi
orang Persentase
Jumlah Sampel 81
100 Jenis Kelamin
Laki-Laki Perempuan
40 41
49.38 50.62
Usia 20-30 tahun
31-40 tahun 41-50 tahun
50 tahun 33
36 11
1 40.74
44.44 13.58
1.23 Pendidikan Terakhir
D3 S1
S2 10
59 12
12.35 72.84
14.81
Jabatan Manager
Assisten Manager Administrasi
20 33
28 24.69
40.74 34.57
Status Karyawan Tetap
Karyawan Outsourcing 47
34 58.02
41.98 Lama Bekerja
1 tahun 1 tahun
2 tahun 3 tahun
5 8
25 43
6.17 9.88
30.86 53.09
Jumlah Tanggungan Tidak ada
1-3 orang 3 orang
41 35
5 50.62
43.21 6.17
Berdasarkan pada Tabel 3, dapat dilihat bahwa mayoritas karyawan BNI Divisi CMM berusia 31-40 tahun dengan pendidikan terakhir S1 yang
memiliki jabatan assistant manajer dan bekerja selama 3 tahun. Hal ini menunjukkan karyawan lama berpikir bahwa kompensasi yang diterima
sudah sesuai dengan latar belakang pendidikannya tetapi tidak sesuai dengan masa kerjanya sehingga dapat berdampak adanya penyesuaian
kompensasi untuk peningkatan kepuasan agar kinerja menjadi lebih baik.
4.4. Metode Analisis Structural Equation Modeling SEM dengan Metode
Partial Least Score PLS 4.4.1.
Model Struktural
Menurut Chin 1998 dalam Ghozali 2008, Partial Least Square PLS tidak mengasumsikan adanya distribusi tertentu untuk
estimasi parameter, maka teknik parametrik untuk menguji signifikansi parameter tidak diperlukan. Oleh karena itu, model
evaluasi PLS berdasarkan pada pengukuran prediksi yang bersifat non-parametik. Untuk mengevaluasi model dalam penelitian ini
diperlukan beberapa kriteria yang bergantung pada model yang terakhir dibentuk. Berikut merupakan gambar dari model struktural
awal yang dibentuk sebelum dievaluasi dengan menggunakan uji t- statistik yang didapat lewat prosedur bootstrapping.
Gambar 2. Model struktural awal
Keterangan : KF1 : Ketidakhadiran yang dibayarkancuti
KF2 : Uang lembur KF3: Gaji sesuai jenjang jabatan
KF4: Gaji sesuai pengalaman KF5 : Gaji sesuai masa kerja
KF7: Tunjangan pensiun KF8 : Tunjangan kesehatan
KF9 : Gaji KNF6 : Jenjang karir
KNF10 : Fasilitas kantor KP1 : Kepuasan akan penghasilan
KP2 : Kepuasan atas promosi dan kenaikan jabatan KP3 : Kepuasan atas bonus dan tunjangan
KP4 : Kondisi fisik KP5: Hubungan kerja
KP6 : Turn over KP7: Turn over
KP8 : Fasilitas kesehatan KP9: Kepuasan atas bimbingan dan pembinaan atasan
KP10 : Proses kerja KJ1 : Tempat pelatihan
KJ2 : Jenis pelatihan KJ3 : Masa pelatihan
KJ4 : Penghargaan KJ5 : Prestasi kerja
KJ6 : Penempatan kerja KJ7 : Kemampuan kinerja karyawan
KJ8 : Pertanggungjawaban kinerja karyawan KJ9 : Disiplin pada peraturan
KJ10 : Job desk
4.4.2. Pengujian Model Pengukuran atau Outer Model
Secara umum uji validitas adalah untuk melihat apakah item pertanyaan yang dipergunakan mampu mengukur apa yang ingin
diukur. Suatu item pertanyaan dalam suatu kuesioner dipergunakan untuk mengukur suatu konstruk variabel yang akan diteliti. Uji
reliabilitas adalah untuk melihat apakah rangkaian kuesioner yang
dipergunakan untuk mengukur suatu konstruk tidak mempunyai kecenderungan tertentu.
1 Convergent Validity
Korelasi antara skor indikator dengan skor variabel latennya. Indikator individu dianggap reliable jika memiliki nilai korelasi
0.50, karena merupakan tahap awal pengembangan skala pengukuran dan jumlah indikator per variabel sebanyak 1 sampai 4 indikator.
Berikut ini merupakan Tabel Outer Loadings untuk masing-masing indikatornya.
Tabel 4. Outer loadings
Variabel Outer
Loading Syarat
Valid Keterangan
KOMPENSASI FINANSIAL Tunjangan pensiun
0.885594 0.50
Valid Tunjangan kesehatan
0.914663 0.50
Valid Gaji
0.736585 0.50
Valid KOMPENSASI NON FINANSIAL
Jenjang karier 1.000000
0.50 Valid
KEPUASAN Kondisi Fisik
0.703063 0.50
Valid Hubungan kerja
0.635166 0.50
Valid Turn over
0.631017 0.50
Valid KINERJA KARYAWAN
Tempat pelatihan 0.912554
0.50 Valid
Jenis Pelatihan 0.919329
0.50 Valid
Masa pelatihan 0.761769
0.50 Valid
Prestasi kerja 0.739266
0.50 Valid
STATUS KARYAWAN Status
1.000000 0.50
Valid Berdasarkan Tabel 4, dapat dilihat bahwa nilai outer loading
lebih dari 0.5 yang berarti bahwa semua indikator dinyatakan valid. 1.
Kompensasi finansial diukur dari tiga indikator yaitu tunjangan pensiun dengan nilai outer loading 0.886; fasilitas kesehatan
dengan nilai outer loading 0.915; gaji dengan nilai outer loading 0.737.
2. Kompensasi non finansial diukur dari satu indikator yaitu
jenjang karier dengan nilai outer loading 1.00.
3. Kepuasan diukur dari tiga indikator yaitu kondisi fisik dengan
nilai outer loading 0.703; hubungan kerja dengan nilai outer loading 0.635; turn over dengan nilai outer loading 0.631.
4. Kinerja diukur dari empat indikator yaitu tempat pelatihan dengan
nilai outer loading 0.913; jenis pelatihan dengan nilai outer loading 0.919; masa pelatihan dengan bobot faktor 0.762; dan
prestasi kerja dengan nilai outer loading 0.739. 5.
Status diukur dari satu indikator yaitu pegawai tetap atau pegawai
outsourching dengan nilai outer loading 1.00. Melihat hasil korelasi antara indikator dengan variabelnya
telah memenuhi convergent validity karena semua loading factor berada di atas 0.50.
2 Dicriminant Validity
Discrimant validity merupakan pengukuran indikator dengan variabel latennya. Pengujian validitas diskriminan dinyatakan valid
bila korelasi konstruk dengan indikatornya lebih tinggi dibanding dengan korelasi indikator dengan konstruk lainnya. Discrimant
validity dapat dilakukan dengan dua cara yaitu dengan cara melihat pada cross loading dan nilai akar AVE. Berikut ini merupakan hasil
discrimant validity: a
Cross Loading Korelasi variabel kompensasi finansial dengan indikator
tunjangan pensiun, tunjangan kesehatan dan gaji lebih besar dibandingkan korelasi indikator kompensasi finansial dengan
variabel lainnya. Korelasi variabel kompensasi non finansial dengan indikator jenjang karier lebih besar dibandingkan korelasi indikator
kompensasi non finansial dengan variabel lainnya. Korelasi variabel kepuasan dengan indikator kondisi fisik, hubungan kerja dan turn
over lebih besar dibandingkan korelasi indikator kepuasan dengan variabel lainnya. Korelasi variabel kinerja dengan indikator tempat
pelatihan, masa pelatihan dan prestasi kerja lebih besar dibandingkan korelasi indikator kinerja dengan variabel lainnya. Korelasi variabel
status dengan indikator karyawan tetap atau karyawan outsourcing lebih besar dibandingkan korelasi indikator status dengan variabel
lainnya. Berikut ini merupakan Tabel cross loading untuk masing- masing indikatornya.
Tabel 5. Cross loading
Indikator Kompensasi
Finansial Kompensasi
Non Finansial
Kepuasan Kinerja
Status Tunjangan
pensiun 0.543363
0.675080 0.886942
0.375696 0.867943
Tunjangan kesehatan
0.524731 0.641526
0.915471
0.438719 0.833393
Gaji 0.383372
0.382248 0.733130
0.198717 0.512086
Jenjang karier
0.199133 0.458232
0.414994 1.000000
0.396473 Kondisi
Fisik
0.703387 0.353224
0.335350 0.095556
0.383847 Hubungan
kerja
0.634806 0.306281
0.385188 0.268060
0.416533 Turn over
0.631056
0.196535 0.421542
0.024390 0.500178
Tempat pelatihan
0.371603
0.912558
0.619894 0.309448
0.616397 Jenis
Pelatihan 0.434757
0.919335 0.660306
0.340648 0.660136
Masa pelatihan
0.251768 0.761793
0.438800 0.268544
0.428104 Prestasi
kerja 0.369503
0.739239 0.550067
0.582745 0.594336
Status 0.658822
0.699641 0.895114
0.396473 1.000000
Berdasarkan Tabel 5 diatas, dapat dilihat bahwa dalam pengujian validitas diskriminan semua indikator dinyatakan valid.
Hal ini dikarenakan tiap indikator mempunyai nilai yang lebih besar dari variabel itu sendiri yang berarti bahwa masing-masing indikator
tersebut sudah dapat mewakili variabelnya. b
Akar AVE Tabel dibawah menunjukkan bahwa pengukuran discriminant
validity dilakukan dengan cara membandingkan nilai square root of average ariance extracted Akar AVE setiap variabel dengan
korelasi antara variabel tersebut terhadap variabel lainnya dalam model. Jika nilai akar AVE suatu variabel lebih besar dibandingkan
dengan nilai korelasi variabel terhadap variabel lainnya dalam model maka dapat disimpulkan variabel tersebut memiliki nilai
discriminant validity yang baik dan sebaliknya. Direkomendasikan
nilai pengukuran akar AVE harus lebih besar dari 0.50. Berikut ini merupakan Tabel AVE dan akar AVE untuk masing-masing variabel.
Tabel 6. AVE dan akar AVE
Variabel AVE
Akar AVE Syarat
Valid Keterangan
Kompensasi Finansial
0.720745 0.84896702 0.50
Valid Kompensasi
Non Finansial 1.000000 1
0.50 Valid
Kepuasan 0.431988 0.65725794
0.50 Valid
Kinerja 0.701185 0.8373679
0.50 Valid
Status 1.000000 1
0.50 Valid
Berdasarkan Tabel 6 diatas, dapat dilihat bahwa akar AVE variabel kompensasi finansial sebesar 0.849 lebih tinggi dari nilai
korelasi antara variabel kompensasi finansial dengan variabel lainnya. Akar AVE variabel kompensasi non finansial sebesar 1.00
lebih tinggi dari nilai korelasi antara variabel kompensasi non finansial dengan variabel lainnya. Akar AVE variabel kepuasaan
sebesar 0.657 lebih tinggi dari nilai korelasi antara variabel kepuasan dengan variabel lainnya. Akar AVE variabel kinerja sebesar 0.837
lebih tinggi dari nilai korelasi antara variabel kinerja dengan variabel lainnya. Akar AVE variabel status sebesar 1.00 lebih tinggi dari nilai
korelasi antara variabel status dengan variabel lainnya. 3
Composite Reliability Uji reliabilitas variabel dapat diukur dengan melihat composite
reliability dari blok indikator yang mengukur variabel.Nilai batas yang diterima untuk composite reliability adalah diatas 0.60.Berikut
merupakan Tabel Composite Reliability untuk variabel.
Tabel 7. Composite reliability
Variabel Composite
Reliability Syarat
Reliabel Keterangan
Kompensasi Finansial 0.884964
0.60 Reliabel
Kompensasi Non Finansial
1.000000 0.60
Reliabel Kepuasan
0.694719 0.60
Reliabel Kinerja
0.902852 0.60
Reliabel Status
1.000000 0.60
Reliabel
Berdasarkan hasil Tabel 7 diatas, dapat dilihat bahwa nilai composite reliability untuk variabel kompensasi finansial adalah
sebesar 0.885; variabel kompensasi non finansial adalah sebesar 1.00; Sedangkan variabel kepuasan adalah sebesar 0.695; variabel
kinerja adalah sebesar 0,903; variabel status adalah sebesar 1.00. Berdasarkan hasil diatas nilai composite reliability dan cronbach
alpha diatas 0.60 jadi dapat disimpulkan bahwa semua variabel adalah reliabel karena semua nilai indikator mempunyai nilai lebih
dari 0.60.
4.4.3. Pengujian Model Struktural atau Inner Model
Setelah dilakukan pengujian model pengukuran atau outer model, maka dapat diketahui indikator-indikator yang valid dan
reliable. Berikut merupakan gambar dari model struktural akhir yang dibentuk sesudah dievaluasi dengan menggunakan uji t-statistik yang
didapat lewat prosedur bootstrapping.
Gambar 3. Model struktural akhir
Keterangan : KF7: Tunjangan pensiun
KF8 : Tunjangan kesehatan KF9 : Gaji
KNF6 : Jenjang karir KP4 : Kondisi fisik
KP5: Hubungan kerja KP7: Turn over
KJ1 : Tempat pelatihan KJ2 : Jenis pelatihan
KJ3 : Masa pelatihan KJ5 : Prestasi kerja
Setelah terbentuk model struktural akhir dengan masing- masing indikator yang telah valid dan reliabel, maka model tersebut
perlu dilakukan pengujian model struktural. Model struktural atau inner model dievaluasi dengan melihat
persentasi variance yang dijelaskan yaitu dengan melihat nilai R
2 .
Untuk menguji hipotesis dalam penelitian ini dilakukan dengan melihat besarnya koefisien jalur strukturalnya dan stabilitas dari
estimasi di evaluasi dengan menggunakan uji t –statistic yang didapat
lewat prosedur bootstrapping. Berikut ini merupakan Tabel R Square untuk masing-masing variabel.
Tabel 8. R square
Variabel R Square
Kompensasi Finansial 0.801230
Kompensasi Non Finansial 0.157191
Kepuasan 0.337175
Kinerja 0.513666
Status Berdasarkan Tabel 8 diatas, dapat dilihat bahwa variabel
kompensasi finansial yang dapat dijelaskan dalam model adalah sebesar 80.12 sisanya 19.88 dijelaskan oleh variabel lain diluar
yang diteliti. Variabel kompensasi non finansial yang dapat dijelaskan dalam model adalah sebesar 15.71 sisanya 84.29
dijelaskan oleh variabel lain diluar yang diteliti. Variabel kepuasan yang dapat dijelaskan dalam model adalah sebesar 33.72 sisanya
66.28 dijelaskan oleh variabel lain diluar yang diteliti. Variabel
kinerja yang dapat dijelaskan dalam model adalah sebesar 51.37 sisanya 48.63 dijelaskan oleh variabel lain diluar yang diteliti.
4.4.4. Analisa Pengaruh Kompensasi Finansial, Kompensasi Non
Finansial, Kepuasan, Kinerja dan Status Karyawan
Berikut merupakan koefisien jalur struktural dan indikator beserta nilai signifikansinya dapat dilihat pada Tabel dibawah ini.
Tabel 9. Inner weight
Variabel T Statistics
|OSTERR| Keterangan
Kompensasi Finansial - Kepuasan
9.129362 Signifikan
Kompensasi Finansial - Kinerja
8.845472 Signifikan
Kompensasi Non Finansial - Kepuasan
0.502037 Tidak Signifikan
Kompensasi Non Finansial - Kinerja
2.867514 Signifikan
Kepuasan - Kinerja 0.729530
Tidak Signifikan Status - Kompensasi Finansial
50.511411 Signifikan
Status - Kompensasi Non Finansial
4.488234 Signifikan
Status - Kepuasan 8.934182
Signifikan Status - Kinerja
13.186335 Signifikan
a. Pengaruh Kompensasi Finansial Terhadap Kepuasan
Kompensasi finansial terdiri dari gaji, tunjangan pensiun, dan tunjangan kesehatan. Sedangkan kepuasan terdiri dari
kondisi fisik, hubungan kerja dan turn over. Berdasarkan pada tabel diatas, kompensasi finansial berpengaruh terhadap
kepuasan karyawan memiliki nilai t-hitung 9.13 1.96 dan signifikan terhadap alpha sebesar 5. Hal ini dapat dinyatakan
bahwa Ho1 ditolak atau Ha1 diterima, yang berarti kompensasi finansial yang berupa peningkatan gaji, tunjangan pensiun, dan
tunjangan kesehatan yang diterima karyawan BNI Divisi CMM sebagai balas jasa atas kerja yang telah diberikan kepada
perusahaan dapat menjadi salah satu cara perusahaan untuk meningkatkan kepuasan kerja. Jadi, semakin tinggi kompensasi
finansial maka semakin tinggi kepuasan kerja karyawan.
b. Pengaruh Kompensasi Finansial Terhadap Kinerja
Kategori