Analisis Text Mining terhadap Penggunaan Paylater Menggunakan Naïve Bayes Classifier

Abstrak

Abstrak

Popularitas Paylater sebagai metode pembayaran e-commerce pasca-pandemi di Indonesia meningkat pesat, namun disertai risiko utang konsumtif, khususnya di kalangan Generasi Z. Penelitian ini bertujuan menganalisis sentimen dan opini publik guna memahami faktor yang memengaruhi keputusan adopsi Paylater. Dengan menggunakan metode analisis sentimen berbasis Naïve Bayes Classifier terhadap data Twitter (kini X), penelitian ini mengklasifikasikan tanggapan masyarakat terhadap penggunaan Paylater. Model yang dibangun divalidasi dengan nilai F1-score 0.432 dan Precision 0.508. Hasil analisis menunjukkan mayoritas sentimen (50,75%) bersifat netral atau ambigu, mencerminkan adanya keraguan publik terhadap penggunaan layanan ini. Selain itu, ditemukan dominasi sentimen negatif yang menyoroti isu peningkatan utang, kesulitan mengelola keuangan, serta ketergantungan terhadap fasilitas kredit konsumtif. Penelitian ini berkontribusi dalam pemanfaatan text mining untuk memetakan persepsi Generasi Z terhadap adopsi Paylater, sehingga hasilnya dapat menjadi dasar bagi perusahaan fintech dalam merumuskan strategi pemasaran yang lebih bijak dan bertanggung jawab.

Kata kunci: paylater, analisis sentimen, text mining, generasi z, naïve bayes classifier.

Abstract

The popularity of Paylater as an e-commerce payment method in post-pandemic Indonesia has grown rapidly but is accompanied by the risk of consumptive debt, particularly among Generation Z. This study aims to analyze public sentiment and opinions to understand the factors influencing Paylater adoption decisions. Using a Naïve Bayes Classifier-based sentiment analysis method on Twitter (now X) data, this research classifies public responses toward Paylater usage. The developed model was validated with an F1-score of 0.432 and Precision of 0.508. The results indicate that the majority of sentiments (50.75%) are neutral or ambiguous, reflecting public uncertainty toward the service. In addition, dominant negative sentiments were identified, highlighting issues such as increasing debt, financial management difficulties, and dependency on credit facilities. This study contributes to the use of text mining in mapping Generation Z’s perceptions of Paylater adoption, providing insights that can help fintech companies develop more responsible and ethical marketing strategies.

Keywords: paylater, sentiment analysis, text mining, z generation, naïve bayes classifier.