Analisis Sentimen Masyarakat Terhadap Penggunaan Qris Pada Platform Gojek Menggunakan Metode Naives Bayes Class

Abstract

QRIS (Quick Response Code Indonesian Standard) merupakan standar pembayaran digital yang dirancang oleh Bank Indonesia untuk menyatukan berbagai layanan pembayaran berbasis kode QR di Indonesia. Salah satu platform digital besar yang telah mengadopsi QRIS adalah Gojek, yang menghadirkan metode pembayaran ini untuk meningkatkan kemudahan, kecepatan, serta kenyamanan dalam bertransaksi. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap penggunaan QRIS pada platform Gojek dengan menerapkan metode Naive Bayes Classifier. Data sebanyak 2.998 ulasan masyarakat dikumpulkan dari media sosial dan forum daring, kemudian diproses melalui tahapan preprocessing seperti pembersihan data, tokenisasi, penghapusan stopword, dan stemming. Setelah itu, fitur teks diekstraksi menggunakan metode TF-IDF untuk menghasilkan representasi numerik yang lebih akurat. Data yang telah diproses kemudian diklasifikasikan ke dalam tiga kategori sentimen: positif, negatif, dan netral. Temuan ini menegaskan bahwa penerapan QRIS pada Gojek telah diterima dengan baik oleh masyarakat serta dapat menjadi masukan penting bagi pengembang layanan digital dalam mengoptimalkan kualitas, efektivitas, dan kenyamanan sistem pembayaran nontunai di masa depan.

The Quick Response Code Indonesian Standard (QRIS) is a digital payment standard developed by Bank Indonesia to unify various QR-based payment services in Indonesia. One of the major digital platforms that has adopted QRIS is Gojek, which integrates this payment method to enhance convenience, speed, and user experience in transactions. This study aims to analyze public sentiment toward the use of QRIS on the Gojek platform by applying the Naive Bayes Classifier method. A total of 2.998 user reviews were collected from social media and online forums, then processed through several preprocessing stages including data cleaning, tokenization, stopword removal, and stemming. Subsequently, textual features were extracted using the TF-IDF method to generate more accurate numerical representations. The processed data were then classified into three sentiment categories: positive, negative, and neutral. These findings indicate that the implementation of QRIS on Gojek has been well-received by the public and can provide valuable insights for digital service developers to further optimize the quality, effectiveness, and convenience of cashless payment systems in the future.