1 Pendahuluan

Konteks Penelitian
Penelitian ini menganalisis faktor-faktor yang memengaruhi tingkat frekuensi penggunaan layanan BNPL (Buy Now Pay Later) di Indonesia menggunakan pendekatan regresi logistik ordinal dan Partial Proportional Odds Model. Data berasal dari 433 responden pengguna aktif BNPL.

Belanja online di Indonesia semakin mudah dengan hadirnya fitur Buy Now Pay Later (BNPL). Layanan ini memungkinkan pengguna membeli barang terlebih dahulu, kemudian membayar di akhir bulan tanpa kartu kredit. OJK mencatat jumlah kontrak pembiayaan paylater di Indonesia mencapai 79,92 juta pada tahun 2023, melonjak dari 4,63 juta pada 2019, dengan rata-rata pertumbuhan tahunan 144,35%.

Penelitian ini bertujuan untuk:

  1. Mengidentifikasi variabel demografis dan perilaku transaksi yang berpengaruh terhadap tingkat frekuensi penggunaan BNPL.
  2. Membangun model Partial Proportional Odds sebagai alternatif ketika asumsi proportional odds tidak terpenuhi.
  3. Menginterpretasikan nilai odds ratio dari variabel yang signifikan.

2 Sumber Data dan Deskripsi Dataset

Dataset
Dataset berasal dari Zenodo (DOI: 10.5281/zenodo.15603120) dan memuat responden yang pernah menggunakan BNPL/PayLater dalam transaksi e-commerce. Setelah penyaringan, total sampel berjumlah 433 responden.

2.1 Variabel Respons

Frekuensi penggunaan PayLater/BNPL dalam satu bulan terakhir — bersifat ordinal dengan tiga kategori:

Kode Label Kategori Tingkatan
1 < 2 kali per bulan Rendah
2 2–4 kali per bulan Sedang
3 ≥ 5 kali per bulan Tinggi

Catatan: Penggabungan kategori “5–7 kali” dan “>7 kali” menjadi “≥5 kali” dilakukan untuk menghindari frekuensi sel yang terlalu kecil.

2.2 Variabel Prediktor

Variabel Skala Kategori / Level (Referensi Dicetak Miring)
Usia Nominal Muda (<25 th), Dewasa Muda (25–34 th), Dewasa (35–44 th), Tua (≥45 th)
Gender Nominal Laki-laki, Perempuan
Pemasukan Bulanan Nominal <Rp3 juta, Rp3–5 juta, Rp5–10 juta, >Rp10 juta
Pendidikan Terakhir Nominal SMA ke bawah, Diploma/S1, S2/Profesi
Frekuensi E-commerce Ordinal 1–2 kali, 3–5 kali, >5 kali

3 Load Packages dan Persiapan Data

packages <- c("tidyverse", "MASS", "ordinal", "car",
              "ggplot2", "dplyr", "knitr", "kableExtra",
              "scales", "readxl")

for (pkg in packages) {
  if (!require(pkg, character.only = TRUE, quietly = TRUE)) {
    install.packages(pkg)
    library(pkg, character.only = TRUE)
  }
}

3.1 Fungsi Theme Visualisasi

# Palet warna mint & coral yang selaras dengan tema dokumen
clr_mint  <- "#3AAFA9"
clr_coral <- "#E05C3A"
clr_gold  <- "#D4A017"
clr_ink   <- "#1A2E35"

theme_adk <- function() {
  theme_minimal(base_family = "sans") +
    theme(
      plot.title      = element_text(size = 14, face = "bold",
                                     color = clr_ink, margin = margin(b = 8)),
      plot.subtitle   = element_text(size = 11, color = "#5D7A80",
                                     margin = margin(b = 16)),
      axis.title      = element_text(size = 10, color = clr_ink),
      axis.text       = element_text(size = 9),
      legend.title    = element_text(size = 10, face = "bold"),
      legend.text     = element_text(size = 9),
      strip.text      = element_text(size = 10, face = "bold"),
      panel.grid.minor   = element_blank(),
      panel.grid.major.x = element_blank(),
      panel.grid.major.y = element_line(color = "#C8E6E4", linewidth = 0.4),
      plot.background  = element_rect(fill = "white", color = NA),
      panel.background = element_rect(fill = "white", color = NA)
    )
}

# Palet untuk variabel BNPL (3 kategori)
pal_bnpl <- c("< 2 kali" = clr_mint,
              "2-4 kali" = clr_gold,
              ">= 5 kali" = clr_coral)

4 Baca dan Bersihkan Data

# Baca data dari file Excel
# Pastikan file "Data_project_ADK.xlsx" ada di working directory
data_raw <- read_excel("E:/KULIAH/Semester 4/ADK/.Project/Data project ADK.xlsx",
                       sheet = "Form Responses 1")

cat("Dimensi data mentah:", nrow(data_raw), "baris x", ncol(data_raw), "kolom\n")
## Dimensi data mentah: 509 baris x 63 kolom

4.1 Data Cleaning dan Pengkategorian

# Filter hanya responden pengguna BNPL
data_ord <- data_raw %>%
  filter(`Apakah Anda pernah menggunakan Buy Now Pay Later/Paylater?` == "Ya")

# Pilih variabel yang diperlukan
data_ord <- data_ord %>%
  dplyr::select(
    Frekuensi_BNPL      = `Seberapa sering Anda menggunakan Buy Now Pay Later dalam sebulan kemarin?`,
    Gender              = Gender,
    Pendidikan          = `Pendidikan Terakhir`,
    Pemasukan           = `Pemasukan Bulanan (Rupiah)`,
    Usia                = Usia,
    Frekuensi_Ecommerce = `Seberapa sering Anda bertransaksi di platform e-commerce dalam sebulan terakhir?`
  )

# ── Variabel Dependen: Frekuensi BNPL (ordinal) ──────────────────
data_ord$Frekuensi_BNPL <- factor(
  dplyr::case_when(
    data_ord$Frekuensi_BNPL == "< 2 kali"                          ~ "< 2 kali",
    data_ord$Frekuensi_BNPL == "2- 4 kali"                         ~ "2-4 kali",
    data_ord$Frekuensi_BNPL %in% c("5 - 7 kali", "> 7 kali")       ~ ">= 5 kali"
  ),
  levels  = c("< 2 kali", "2-4 kali", ">= 5 kali"),
  ordered = TRUE
)

# ── Gender ────────────────────────────────────────────────────────
data_ord$Gender <- factor(data_ord$Gender,
                          levels = c("Laki-laki", "Perempuan"))

# ── Pendidikan (3 kelompok, ref = SMA ke bawah) ───────────────────
data_ord$Pendidikan_cat <- factor(
  case_when(
    data_ord$Pendidikan %in% c("SMP/Sederajat", "SMA/Sederajat") ~ "SMA ke bawah",
    data_ord$Pendidikan %in% c("Diploma", "S1")                  ~ "Diploma/S1",
    TRUE                                                          ~ "S2/Profesi"
  ),
  levels = c("SMA ke bawah", "Diploma/S1", "S2/Profesi")
)

# ── Pemasukan (nominal, ref = < 3.000.000) ───────────────────────
data_ord$Pemasukan <- factor(
  data_ord$Pemasukan,
  levels = c("< 3.000.000", "3.000.000 - 5.000.000",
             "5.000.000 - 10.000.000", "> 10.000.000")
)

# ── Usia (nominal, ref = Muda <25) ───────────────────────────────
data_ord$Usia <- as.character(data_ord$Usia)
data_ord$Usia <- trimws(data_ord$Usia)

data_ord$Usia <- factor(
  dplyr::case_when(
    data_ord$Usia %in% c("< 18 Tahun", "18 - 24 Tahun")             ~ "Muda (<25)",
    data_ord$Usia %in% c("25 - 29 Tahun", "30 - 34 Tahun")          ~ "Dewasa Muda (25-34)",
    data_ord$Usia %in% c("35 - 39 Tahun", "40 - 44 Tahun")          ~ "Dewasa (35-44)",
    data_ord$Usia %in% c("45 - 49 Tahun", "50 - 55 Tahun", "> 55 Tahun") ~ "Tua (45+)",
    TRUE ~ NA_character_
  ),
  levels = c("Muda (<25)", "Dewasa Muda (25-34)", "Dewasa (35-44)", "Tua (45+)")
)

# ── Frekuensi E-commerce (ordinal) ───────────────────────────────
data_ord$Frekuensi_Ecommerce <- factor(
  data_ord$Frekuensi_Ecommerce,
  levels = c("1–2 kali", "3–5 kali", ">5 kali")
)

# Hapus NA dan level kosong
data_ord <- na.omit(data_ord)
data_ord <- droplevels(data_ord)

cat("Sampel setelah cleaning:", nrow(data_ord), "responden\n")
## Sampel setelah cleaning: 433 responden

5 Analisis Deskriptif

5.1 Distribusi Variabel Prediktor (Tabel 3)

tbl_gender <- data_ord %>% count(Variabel = "Gender",
  Kategori = as.character(Gender)) %>%
  mutate(Proporsi = paste0(round(n/sum(n)*100,1), "%"))

tbl_usia <- data_ord %>% count(Variabel = "Usia",
  Kategori = as.character(Usia)) %>%
  mutate(Proporsi = paste0(round(n/sum(n)*100,1), "%"))

tbl_pendidikan <- data_ord %>% count(Variabel = "Pendidikan",
  Kategori = as.character(Pendidikan_cat)) %>%
  mutate(Proporsi = paste0(round(n/sum(n)*100,1), "%"))

tbl_pemasukan <- data_ord %>% count(Variabel = "Pemasukan Bulanan",
  Kategori = as.character(Pemasukan)) %>%
  mutate(Proporsi = paste0(round(n/sum(n)*100,1), "%"))

tbl_eco <- data_ord %>% count(Variabel = "Frekuensi E-commerce",
  Kategori = as.character(Frekuensi_Ecommerce)) %>%
  mutate(Proporsi = paste0(round(n/sum(n)*100,1), "%"))

tbl_prediktor <- bind_rows(tbl_gender, tbl_usia,
                           tbl_pendidikan, tbl_pemasukan, tbl_eco)

tbl_prediktor %>%
  kable(caption = "Tabel 3. Distribusi Variabel Prediktor",
        col.names = c("Variabel", "Kategori", "n", "Proporsi (%)")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
                full_width = FALSE) %>%
  column_spec(1, bold = TRUE)
Tabel 3. Distribusi Variabel Prediktor
Variabel Kategori n Proporsi (%)
Gender Laki-laki 209 48.3%
Gender Perempuan 224 51.7%
Usia Dewasa (35-44) 101 23.3%
Usia Dewasa Muda (25-34) 248 57.3%
Usia Muda (<25) 70 16.2%
Usia Tua (45+) 14 3.2%
Pendidikan Diploma/S1 351 81.1%
Pendidikan S2/Profesi 28 6.5%
Pendidikan SMA ke bawah 54 12.5%
Pemasukan Bulanan 3.000.000 - 5.000.000 139 32.1%
Pemasukan Bulanan 5.000.000 - 10.000.000 191 44.1%
Pemasukan Bulanan < 3.000.000 9 2.1%
Pemasukan Bulanan > 10.000.000 94 21.7%
Frekuensi E-commerce 1–2 kali 149 34.4%
Frekuensi E-commerce 3–5 kali 221 51%
Frekuensi E-commerce >5 kali 63 14.5%

Sampel didominasi oleh responden perempuan (51,7%), berusia dewasa muda 25–34 tahun (57,3%), berpendidikan Diploma/S1 (81,1%), dengan pemasukan bulanan Rp5–10 juta (44,1%), serta frekuensi transaksi e-commerce 3–5 kali per bulan (51,0%).

5.2 Distribusi Variabel Dependen (Tabel 4)

dist_bnpl <- data_ord %>%
  count(Frekuensi_BNPL) %>%
  mutate(Proporsi = paste0(round(n / sum(n) * 100, 1), "%"))

dist_bnpl %>%
  kable(caption = "Tabel 4. Distribusi Frekuensi Penggunaan BNPL",
        col.names = c("Frekuensi BNPL", "n", "Proporsi (%)")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE)
Tabel 4. Distribusi Frekuensi Penggunaan BNPL
Frekuensi BNPL n Proporsi (%)
< 2 kali 70 16.2%
2-4 kali 247 57%
>= 5 kali 116 26.8% 
dist_bnpl_plot <- data_ord %>%
  count(Frekuensi_BNPL) %>%
  mutate(Proporsi = n / sum(n))

ggplot(dist_bnpl_plot,
       aes(x = Frekuensi_BNPL, y = Proporsi, fill = Frekuensi_BNPL)) +
  geom_col(width = 0.60, alpha = 0.92, color = "white") +
  geom_text(aes(label = scales::percent(Proporsi, accuracy = 0.1)),
            vjust = -0.5, fontface = "bold", color = clr_ink, size = 4) +
  scale_y_continuous(labels = scales::percent_format(), limits = c(0, 0.68)) +
  scale_fill_manual(values = c("< 2 kali" = clr_mint,
                               "2-4 kali" = clr_gold,
                               ">= 5 kali" = clr_coral)) +
  labs(title    = "Distribusi Frekuensi Penggunaan BNPL",
       subtitle = "Variabel dependen ordinal — 433 responden",
       x = NULL, y = "Proporsi") +
  theme_adk() +
  theme(legend.position = "none")
Gambar: Distribusi Frekuensi Penggunaan BNPL

Gambar: Distribusi Frekuensi Penggunaan BNPL

Distribusi frekuensi penggunaan BNPL didominasi kategori sedang (2–4 kali per bulan) sebesar 57,0% (247 orang), diikuti kategori tinggi (≥5 kali) 26,8% (116 orang), dan rendah (<2 kali) 16,2% (70 orang).

6 Metode Analisis

6.1 Spesifikasi Model Regresi Logistik Ordinal

Model Kumulatif Logit (Proportional Odds)

Misalkan \(Y\) adalah variabel respons ordinal dengan \(J = 3\) kategori dan \(\mathbf{x}\) adalah vektor variabel prediktor. Model dirumuskan:

\[\text{logit}\,P(Y \leq j \mid \mathbf{x}) = \log\frac{P(Y \leq j \mid \mathbf{x})}{P(Y > j \mid \mathbf{x})} = \alpha_j - \boldsymbol{\beta}^\top \mathbf{x}, \quad j = 1, 2\]

Probabilitas kumulatif: \[P(Y \leq j \mid \mathbf{x}) = \frac{\exp(\alpha_j - \boldsymbol{\beta}^\top \mathbf{x})}{1 + \exp(\alpha_j - \boldsymbol{\beta}^\top \mathbf{x})}\]

Probabilitas marginal: \[P(Y = j \mid \mathbf{x}) = P(Y \leq j \mid \mathbf{x}) - P(Y \leq j-1 \mid \mathbf{x})\]

Estimasi Parameter (MLE)

\[\ell(\alpha, \beta) = \sum_{i=1}^{n} \sum_{j=1}^{J} \mathbf{1}(y_i = j)\, \log P(Y = j \mid \mathbf{x}_i)\]

Optimisasi dilakukan secara numerik menggunakan algoritma Newton–Raphson melalui fungsi polr().

Cumulative Link Model (CLM) — Partial Proportional Odds

\[\text{logit}\,P(Y \leq j \mid \mathbf{x}, \mathbf{z}) = \alpha_j - \boldsymbol{\beta}^\top \mathbf{x} - \boldsymbol{\gamma}_j^\top \mathbf{z}, \quad j = 1, \dots, J-1\]

di mana \(\mathbf{z}\) adalah subset variabel dengan koefisien bebas per titik potong (efek nominal), sedangkan \(\mathbf{x}\) tetap mengikuti asumsi proportional odds.

Odds Ratio dan Interval Kepercayaan

\[OR_k = e^{\hat{\beta}_k}, \qquad CI\left(e^{\hat{\beta}_k}\right) = \left(e^{\hat{\beta}_k - 1.96\cdot SE(\hat{\beta}_k)},\; e^{\hat{\beta}_k + 1.96\cdot SE(\hat{\beta}_k)}\right)\]

7 Uji Multikolinearitas (VIF)

data_vif <- data_ord %>%
  mutate(
    Y_num                   = as.numeric(Frekuensi_BNPL),
    Pendidikan_num          = as.numeric(Pendidikan_cat),
    Pemasukan_num           = as.numeric(Pemasukan),
    Usia_num                = as.numeric(Usia),
    Frekuensi_Ecommerce_num = as.numeric(Frekuensi_Ecommerce),
    Gender_num              = ifelse(Gender == "Laki-laki", 1, 0)
  )

vif_model  <- lm(Y_num ~ Gender_num + Pendidikan_num + Pemasukan_num +
                   Usia_num + Frekuensi_Ecommerce_num, data = data_vif)
vif_values <- vif(vif_model)

vif_df <- data.frame(
  Variabel   = c("Gender", "Tingkat Pendidikan", "Pemasukan Bulanan",
                 "Usia", "Frekuensi E-commerce"),
  VIF        = round(vif_values, 3),
  Keterangan = ifelse(vif_values < 5, "Tidak multikolinear", "Bermasalah")
)

vif_df %>%
  kable(caption = "Tabel 5. Uji Multikolinearitas Variabel Prediktor",
        row.names = FALSE) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE) %>%
  column_spec(3, color = ifelse(vif_df$Keterangan == "Tidak multikolinear",
                                "#2B7A78", "#E05C3A"),
              bold = TRUE)
Tabel 5. Uji Multikolinearitas Variabel Prediktor
Variabel VIF Keterangan
Gender 1.047 Tidak multikolinear
Tingkat Pendidikan 1.396 Tidak multikolinear
Pemasukan Bulanan 1.702 Tidak multikolinear
Usia 1.393 Tidak multikolinear
Frekuensi E-commerce 1.324 Tidak multikolinear

Seluruh nilai VIF berada di rentang 1–5 (nilai tertinggi = 1,702 pada variabel pemasukan bulanan). Tidak terdapat masalah multikolinearitas — estimasi koefisien regresi bebas dari bias inflasi varians.

8 Estimasi Model Awal: Proportional Odds (polr)

fit_ord <- MASS::polr(
  Frekuensi_BNPL ~ Gender + Pendidikan_cat + Pemasukan + Usia + Frekuensi_Ecommerce,
  data   = data_ord,
  method = "logistic",
  Hess   = TRUE
)

summary(fit_ord)
## Call:
## MASS::polr(formula = Frekuensi_BNPL ~ Gender + Pendidikan_cat + 
##     Pemasukan + Usia + Frekuensi_Ecommerce, data = data_ord, 
##     Hess = TRUE, method = "logistic")
## 
## Coefficients:
##                                   Value Std. Error t value
## GenderPerempuan                  0.1557     0.2071  0.7516
## Pendidikan_catDiploma/S1         0.1763     0.3401  0.5183
## Pendidikan_catS2/Profesi        -0.9877     0.6375 -1.5493
## Pemasukan3.000.000 - 5.000.000  -1.3720     0.8439 -1.6258
## Pemasukan5.000.000 - 10.000.000 -1.9758     0.8861 -2.2297
## Pemasukan> 10.000.000           -1.6505     0.9145 -1.8048
## UsiaDewasa Muda (25-34)          1.6225     0.3650  4.4453
## UsiaDewasa (35-44)               2.0470     0.4058  5.0437
## UsiaTua (45+)                    0.5688     0.7473  0.7611
## Frekuensi_Ecommerce3–5 kali      1.5376     0.2668  5.7622
## Frekuensi_Ecommerce>5 kali       3.4476     0.4209  8.1910
## 
## Intercepts:
##                    Value   Std. Error t value
## < 2 kali|2-4 kali  -0.9455  0.8242    -1.1472
## 2-4 kali|>= 5 kali  2.5582  0.8366     3.0578
## 
## Residual Deviance: 686.4818 
## AIC: 712.4818

9 Uji Signifikansi Model (Likelihood Ratio Test)

fit_null   <- MASS::polr(Frekuensi_BNPL ~ 1, data = data_ord, Hess = TRUE)
lrt_global <- anova(fit_null, fit_ord, test = "Chisq")
print(lrt_global)
## Likelihood ratio tests of ordinal regression models
## 
## Response: Frekuensi_BNPL
##                                                              Model Resid. df
## 1                                                                1       431
## 2 Gender + Pendidikan_cat + Pemasukan + Usia + Frekuensi_Ecommerce       420
##   Resid. Dev   Test    Df LR stat. Pr(Chi)
## 1   837.9988                              
## 2   686.4818 1 vs 2    11  151.517       0

9.1 Pseudo R²

n           <- nrow(data_ord)
ll_null_val <- as.numeric(logLik(fit_null))
ll_full_val <- as.numeric(logLik(fit_ord))

pseudo_r2 <- data.frame(
  Ukuran     = c("McFadden R²", "Cox & Snell R²", "Nagelkerke R²"),
  Nilai      = c(
    round(1 - (ll_full_val / ll_null_val), 4),
    round(1 - exp((2 / n) * (ll_null_val - ll_full_val)), 4),
    round((1 - exp((2 / n) * (ll_null_val - ll_full_val))) /
            (1 - exp((2 / n) * ll_null_val)), 4)
  ),
  Interpretasi = c("Memadai", "Sedang", "Sedang–Baik")
)

pseudo_r2 %>%
  kable(caption = "Tabel 7. Nilai Pseudo R² pada Model") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE)
Tabel 7. Nilai Pseudo R² pada Model
Ukuran Nilai Interpretasi
McFadden R² 0.1808 Memadai
Cox & Snell R² 0.2953 Sedang
Nagelkerke R² 0.3451 Sedang–Baik

LRT: χ²(11) = 151,517; p < 0,001 — model secara keseluruhan signifikan.
Nagelkerke R² = 0,3451 → variabel prediktor mampu menjelaskan ~34,5% variasi frekuensi penggunaan BNPL.

cat("AIC:", round(AIC(fit_ord), 2), "\n")
## AIC: 712.48
cat("BIC:", round(BIC(fit_ord), 2), "\n")
## BIC: 765.4

10 Uji Asumsi Proportional Odds

fit_clm_po <- ordinal::clm(
  Frekuensi_BNPL ~ Gender + Pendidikan_cat + Pemasukan + Usia + Frekuensi_Ecommerce,
  data = data_ord,
  link = "logit"
)

nominal_test_result <- ordinal::nominal_test(fit_clm_po)
print(nominal_test_result)
## Tests of nominal effects
## 
## formula: Frekuensi_BNPL ~ Gender + Pendidikan_cat + Pemasukan + Usia + Frekuensi_Ecommerce
##                     Df  logLik    AIC     LRT  Pr(>Chi)    
## <none>                 -343.24 712.48                      
## Gender               1 -342.96 713.91  0.5668 0.4515380    
## Pendidikan_cat       2 -342.56 715.12  1.3656 0.5051960    
## Pemasukan            3 -336.27 704.55 13.9319 0.0029994 ** 
## Usia                 3 -333.54 699.09 19.3947 0.0002265 ***
## Frekuensi_Ecommerce  2 -340.41 710.82  5.6631 0.0589204 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
p_col <- grep("Pr", names(nominal_test_result), value = TRUE)[1]
p_min <- min(nominal_test_result[[p_col]], na.rm = TRUE)
cat("\np-value minimum nominal_test:", round(p_min, 4), "\n")
## 
## p-value minimum nominal_test: 2e-04
tbl_po <- data.frame(
  Variabel   = c("Gender", "Tingkat Pendidikan", "Pemasukan Bulanan",
                 "Usia", "Frekuensi E-commerce"),
  df         = c(1, 2, 3, 3, 2),
  LRT        = c(0.567, 1.366, 13.932, 19.395, 5.663),
  `p-value`  = c(0.452, 0.505, 0.003, 0.000, 0.059),
  Keterangan = c("Terpenuhi", "Terpenuhi", "Tidak Terpenuhi",
                 "Tidak Terpenuhi", "Terpenuhi (marginal)"),
  check.names = FALSE
)

tbl_po %>%
  kable(caption = "Tabel 6. Uji Proportional Odds Variabel Prediktor") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE) %>%
  column_spec(5,
    color = ifelse(grepl("Tidak", tbl_po$Keterangan), "#E05C3A", "#2B7A78"),
    bold  = TRUE)
Tabel 6. Uji Proportional Odds Variabel Prediktor
Variabel df LRT p-value Keterangan
Gender 1 0.567 0.452 Terpenuhi
Tingkat Pendidikan 2 1.366 0.505 Terpenuhi
Pemasukan Bulanan 3 13.932 0.003 Tidak Terpenuhi
Usia 3 19.395 0.000 Tidak Terpenuhi
Frekuensi E-commerce 2 5.663 0.059 Terpenuhi (marginal)

Pelanggaran Asumsi
Variabel Pemasukan Bulanan (p = 0,003) dan Usia (p < 0,001) melanggar asumsi proportional odds. Model Proportional Odds standar tidak sesuai — digunakan Partial Proportional Odds Model melalui clm() dengan nominal = ~Pemasukan.

11 Model Akhir: Partial Proportional Odds

if (p_min > 0.05) {
  message("Asumsi proportional odds terpenuhi. Model final: Proportional Odds (polr).")
  model_final <- fit_ord
  jenis_model <- "polr"

  ord_coef <- coef(summary(model_final))
  result_final <- as.data.frame(ord_coef) %>%
    tibble::rownames_to_column("Parameter") %>%
    dplyr::rename(Estimate = Value, SE = `Std. Error`, z_value = `t value`) %>%
    dplyr::mutate(
      p_value      = round(2 * (1 - pnorm(abs(z_value))), 4),
      Jenis        = ifelse(grepl("\\|", Parameter), "Cutpoint", "Koefisien"),
      OR           = ifelse(Jenis == "Koefisien", round(exp(Estimate), 4), NA),
      CI_low       = ifelse(Jenis == "Koefisien", round(exp(Estimate - 1.96 * SE), 4), NA),
      CI_high      = ifelse(Jenis == "Koefisien", round(exp(Estimate + 1.96 * SE), 4), NA),
      Signifikansi = ifelse(Jenis == "Koefisien",
                            ifelse(p_value < 0.05, "Signifikan", "Tidak signifikan"), NA)
    )

} else {
  message("Asumsi proportional odds TIDAK terpenuhi. Model final: CLM dengan efek nominal.")
  model_final <- ordinal::clm(
    Frekuensi_BNPL ~ Gender + Pendidikan_cat + Usia + Frekuensi_Ecommerce,
    nominal = ~ Pemasukan,
    data    = data_ord,
    link    = "logit"
  )
  jenis_model <- "clm_nominal"

  coef_clm <- coef(summary(model_final))
  result_final <- as.data.frame(coef_clm) %>%
    tibble::rownames_to_column("Parameter") %>%
    dplyr::rename(Estimate = Estimate, SE = `Std. Error`,
                  z_value = `z value`, p_value = `Pr(>|z|)`) %>%
    dplyr::mutate(
      p_value      = round(p_value, 4),
      OR           = round(exp(Estimate), 4),
      CI_low       = round(exp(Estimate - 1.96 * SE), 4),
      CI_high      = round(exp(Estimate + 1.96 * SE), 4),
      Signifikansi = ifelse(p_value < 0.05, "Signifikan", "Tidak signifikan")
    )
}

cat("Jenis model yang digunakan:", jenis_model, "\n")
## Jenis model yang digunakan: clm_nominal
summary(model_final)
## formula: Frekuensi_BNPL ~ Gender + Pendidikan_cat + Usia + Frekuensi_Ecommerce
## nominal: ~Pemasukan
## data:    data_ord
## 
##  link  threshold nobs logLik  AIC    niter max.grad cond.H 
##  logit flexible  433  -336.27 704.55 6(0)  1.93e-09 1.0e+03
## 
## Coefficients:
##                             Estimate Std. Error z value Pr(>|z|)    
## GenderPerempuan               0.1648     0.2103   0.784    0.433    
## Pendidikan_catDiploma/S1      0.1635     0.3412   0.479    0.632    
## Pendidikan_catS2/Profesi     -0.9802     0.6238  -1.571    0.116    
## UsiaDewasa Muda (25-34)       1.6483     0.3927   4.197 2.70e-05 ***
## UsiaDewasa (35-44)            2.0803     0.4335   4.798 1.60e-06 ***
## UsiaTua (45+)                 0.6494     0.7579   0.857    0.392    
## Frekuensi_Ecommerce3–5 kali   1.6136     0.2765   5.837 5.33e-09 ***
## Frekuensi_Ecommerce>5 kali    3.4575     0.4215   8.202 2.36e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Threshold coefficients:
##                                                    Estimate Std. Error z value
## < 2 kali|2-4 kali.(Intercept)                       0.09452    0.79334   0.119
## 2-4 kali|>= 5 kali.(Intercept)                      1.55159    0.80309   1.932
## < 2 kali|2-4 kali.Pemasukan3.000.000 - 5.000.000    0.34140    0.82004   0.416
## 2-4 kali|>= 5 kali.Pemasukan3.000.000 - 5.000.000   2.46076    0.86554   2.843
## < 2 kali|2-4 kali.Pemasukan5.000.000 - 10.000.000   0.62990    0.89533   0.704
## 2-4 kali|>= 5 kali.Pemasukan5.000.000 - 10.000.000  3.24915    0.88911   3.654
## < 2 kali|2-4 kali.Pemasukan> 10.000.000             1.39648    0.94066   1.485
## 2-4 kali|>= 5 kali.Pemasukan> 10.000.000            2.51129    0.91124   2.756

11.1 Tabel Estimasi Model Akhir (Tabel 8)

result_final %>%
  dplyr::select(Parameter, Estimate, SE, z_value, p_value,
                OR, CI_low, CI_high, Signifikansi) %>%
  dplyr::mutate(across(where(is.numeric), ~round(.x, 4))) %>%
  kable(caption = "Tabel 8. Estimasi Model Akhir Regresi Logistik Ordinal",
        col.names = c("Parameter", "Est.", "SE", "z", "p-value",
                      "OR", "CI Low", "CI High", "Signifikansi")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
                full_width = TRUE) %>%
  column_spec(9,
    color = ifelse(result_final$Signifikansi == "Signifikan", "#2B7A78", "#5D7A80"),
    bold  = ifelse(result_final$Signifikansi == "Signifikan", TRUE, FALSE))
Tabel 8. Estimasi Model Akhir Regresi Logistik Ordinal
Parameter Est. SE z p-value OR CI Low CI High Signifikansi
< 2 kali&#124;2-4 kali.(Intercept) 0.0945 0.7933 0.1191 0.9052 1.0991 0.2321 5.2042 Tidak signifikan
2-4 kali&#124;>= 5 kali.(Intercept) 1.5516 0.8031 1.9320 0.0534 4.7190 0.9778 22.7746 Tidak signifikan
< 2 kali&#124;2-4 kali.Pemasukan3.000.000 - 5.000.000 0.3414 0.8200 0.4163 0.6772 1.4069 0.2820 7.0194 Tidak signifikan
2-4 kali&#124;>= 5 kali.Pemasukan3.000.000 - 5.000.000 2.4608 0.8655 2.8430 0.0045 11.7137 2.1475 63.8928 Signifikan
< 2 kali&#124;2-4 kali.Pemasukan5.000.000 - 10.000.000 0.6299 0.8953 0.7035 0.4817 1.8774 0.3247 10.8563 Tidak signifikan
2-4 kali&#124;>= 5 kali.Pemasukan5.000.000 - 10.000.000 3.2491 0.8891 3.6544 0.0003 25.7683 4.5109 147.2015 Signifikan
< 2 kali&#124;2-4 kali.Pemasukan> 10.000.000 1.3965 0.9407 1.4846 0.1377 4.0410 0.6394 25.5384 Tidak signifikan
2-4 kali&#124;>= 5 kali.Pemasukan> 10.000.000 2.5113 0.9112 2.7559 0.0059 12.3208 2.0653 73.5021 Signifikan
GenderPerempuan 0.1648 0.2103 0.7839 0.4331 1.1792 0.7809 1.7806 Tidak signifikan
Pendidikan_catDiploma/S1 0.1635 0.3412 0.4791 0.6319 1.1776 0.6034 2.2983 Tidak signifikan
Pendidikan_catS2/Profesi -0.9802 0.6238 -1.5712 0.1161 0.3752 0.1105 1.2745 Tidak signifikan
UsiaDewasa Muda (25-34) 1.6483 0.3927 4.1972 0.0000 5.1980 2.4075 11.2231 Signifikan
UsiaDewasa (35-44) 2.0803 0.4335 4.7983 0.0000 8.0068 3.4230 18.7285 Signifikan
UsiaTua (45+) 0.6494 0.7579 0.8569 0.3915 1.9145 0.4334 8.4572 Tidak signifikan
Frekuensi_Ecommerce3–5 kali 1.6136 0.2765 5.8366 0.0000 5.0208 2.9204 8.6317 Signifikan
Frekuensi_Ecommerce>5 kali 3.4575 0.4215 8.2020 0.0000 31.7376 13.8915 72.5100 Signifikan

12 Interpretasi Variabel Signifikan

12.1 Odds Ratio — Variabel Signifikan (Tabel 9)

sig_result <- result_final %>%
  dplyr::filter(
    !grepl("\\|", Parameter),
    !grepl("Intercept|\\|", Parameter),
    p_value < 0.05
  ) %>%
  dplyr::select(Parameter, OR, CI_low, CI_high, p_value, Signifikansi)

sig_result %>%
  kable(caption = "Tabel 9. Variabel Prediktor Signifikan (p < 0,05)",
        col.names = c("Parameter", "OR", "CI 95% Low", "CI 95% High",
                      "p-value", "Keterangan")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE) %>%
  column_spec(2, bold = TRUE, color = clr_coral)
Tabel 9. Variabel Prediktor Signifikan (p < 0,05)
Parameter OR CI 95% Low CI 95% High p-value Keterangan
UsiaDewasa Muda (25-34) 5.1980 2.4075 11.2231 0 Signifikan
UsiaDewasa (35-44) 8.0068 3.4230 18.7285 0 Signifikan
Frekuensi_Ecommerce3–5 kali 5.0208 2.9204 8.6317 0 Signifikan
Frekuensi_Ecommerce>5 kali 31.7376 13.8915 72.5100 0 Signifikan

12.2 Gender

Koefisien gender (Perempuan vs. Laki-laki): β = 0,165, OR = 1,179, p = 0,433. Gender tidak berpengaruh signifikan terhadap frekuensi penggunaan BNPL — tidak terdapat perbedaan nyata antara laki-laki dan perempuan dalam intensitas penggunaan.

12.3 Tingkat Pendidikan

Tingkat pendidikan tidak menunjukkan pengaruh signifikan. Arah koefisien negatif pada kelompok S2/Profesi (OR = 0,375) mengisyaratkan kecenderungan penggunaan BNPL yang lebih rendah dibanding SMA ke bawah, konsisten dengan literatur bahwa pendidikan lebih tinggi berasosiasi dengan perilaku keuangan yang lebih prudent.

12.4 Pemasukan Bulanan

Variabel pemasukan melanggar asumsi proportional odds, sehingga efeknya berbeda per transisi kategori:

  • Cutpoint 1 (<2 kali → 2–4 kali): tidak ada kelompok pemasukan yang signifikan berbeda dari referensi (<Rp3 juta).
  • Cutpoint 2 (2–4 kali → ≥5 kali): seluruh kelompok pemasukan sangat signifikan:
    • Rp3–5 juta: OR = 11,714 (p = 0,005)
    • Rp5–10 juta: OR = 25,768 (p < 0,001) — odds tertinggi

    • Rp10 juta: OR = 12,321 (p = 0,006)

Pemasukan bukan faktor yang mendorong seseorang mulai menggunakan BNPL, melainkan faktor yang mendorong intensifikasi menuju penggunaan yang paling aktif.

12.5 Usia

Variabel usia menunjukkan pengaruh yang konsisten dan sangat signifikan (ref: Muda <25 tahun):

  • Dewasa Muda (25–34 tahun): OR = 5,198, 95% CI: 2,408–11,223; p < 0,001 → kecenderungan 5,2× lebih besar.
  • Dewasa (35–44 tahun): OR = 8,007, 95% CI: 3,423–18,729; p < 0,001 → odds ratio tertinggi seluruh model.
  • Tua (45+): tidak signifikan (p = 0,392), kemungkinan karena jumlah sampel yang hanya 14 orang.

Temuan ini berlawanan dengan asumsi umum bahwa BNPL identik dengan anak muda — kelompok usia produktif 25–44 tahun justru lebih aktif.

12.6 Frekuensi Transaksi E-Commerce

Frekuensi e-commerce merupakan prediktor dengan kekuatan asosiasi terbesar dalam model:

  • 3–5 kali/bulan: OR = 5,021, 95% CI: 2,920–8,632; p < 0,001
  • >5 kali/bulan: OR = 31,738, 95% CI: 13,892–72,510; p < 0,001 → odds ratio paling dominan

BNPL dan aktivitas belanja di e-commerce tidak dapat dipisahkan — semakin tinggi intensitas belanja online, semakin besar kemungkinan menggunakan BNPL sebagai metode pembayaran utama.

13 Confusion Matrix dan Akurasi

aktual <- model.response(model.frame(model_final))

if (jenis_model == "polr") {
  pred_class <- predict(model_final, type = "class")
} else {
  pred_class <- factor(
    predict(model_final, newdata = model.frame(model_final), type = "class")$fit,
    levels  = levels(aktual),
    ordered = TRUE
  )
}

conf_matrix <- table(Aktual = data_ord$Frekuensi_BNPL, Prediksi = pred_class)
print(conf_matrix)
##            Prediksi
## Aktual      < 2 kali 2-4 kali >= 5 kali
##   < 2 kali        32       34         4
##   2-4 kali        21      207        19
##   >= 5 kali        6       51        59
accuracy <- sum(diag(conf_matrix)) / sum(conf_matrix)
cat("\nAkurasi:", round(accuracy * 100, 2), "%\n")
## 
## Akurasi: 68.82 %

Model menghasilkan akurasi klasifikasi 68,8% — kemampuan prediksi yang cukup baik untuk data respons ordinal dalam konteks penelitian perilaku konsumen.

14 Visualisasi Prediksi Probabilitas

14.1 Prediksi Probabilitas Berdasarkan Frekuensi E-Commerce (Gambar 1)

# Model sederhana hanya Frekuensi_Ecommerce untuk keperluan visualisasi
data_simple     <- data_ord
data_simple$Eco <- as.numeric(data_simple$Frekuensi_Ecommerce)

fit_simple <- MASS::polr(Frekuensi_BNPL ~ Eco, data = data_simple, Hess = TRUE)
pred_data  <- data.frame(Eco = c(2, 3, 4))
prob_pred  <- predict(fit_simple, newdata = pred_data, type = "probs")

colnames(prob_pred) <- levels(data_ord$Frekuensi_BNPL)
rownames(prob_pred) <- c("1–2 kali", "3–5 kali", ">5 kali")

prob_long <- as.data.frame(prob_pred) %>%
  tibble::rownames_to_column("Frekuensi_Eco") %>%
  tidyr::pivot_longer(-Frekuensi_Eco,
                      names_to  = "Kategori_BNPL",
                      values_to = "Probabilitas") %>%
  mutate(
    Frekuensi_Eco = factor(Frekuensi_Eco,
                           levels = c("1–2 kali", "3–5 kali", ">5 kali")),
    Kategori_BNPL = factor(Kategori_BNPL,
                           levels = levels(data_ord$Frekuensi_BNPL))
  )

ggplot(prob_long,
       aes(x = Frekuensi_Eco, y = Probabilitas, fill = Kategori_BNPL)) +
  geom_col(width = 0.60, alpha = 0.93, color = "white") +
  geom_text(aes(label = scales::percent(Probabilitas, accuracy = 0.1)),
            position = position_stack(vjust = 0.5),
            size = 3.5, color = "white", fontface = "bold") +
  scale_fill_manual(values = c("< 2 kali"  = clr_mint,
                               "2-4 kali"  = clr_gold,
                               ">= 5 kali" = clr_coral)) +
  scale_y_continuous(labels = scales::percent_format()) +
  labs(title    = "Prediksi Probabilitas Frekuensi Penggunaan BNPL",
       subtitle = "Berdasarkan kelompok frekuensi transaksi e-commerce (model ilustrasi)",
       x        = "Frekuensi E-commerce per Bulan",
       y        = "Probabilitas",
       fill     = "Frekuensi BNPL") +
  theme_adk()
Gambar 1. Prediksi Probabilitas Frekuensi BNPL Berdasarkan Frekuensi E-Commerce

Gambar 1. Prediksi Probabilitas Frekuensi BNPL Berdasarkan Frekuensi E-Commerce

Pada kelompok e-commerce 1–2 kali: proporsi BNPL sering (≥5 kali) hanya 28,4%. Sebaliknya, pada kelompok >5 kali: proporsi BNPL sering mendominasi hingga 91,7% — pergeseran distribusi yang sangat tajam mengkonfirmasi frekuensi e-commerce sebagai prediktor paling dominan.

14.2 Cumulative Logit (Gambar 2)

x_range    <- seq(1, 4, length.out = 100)
pred_probs <- predict(fit_simple, newdata = data.frame(Eco = x_range), type = "probs")

cum_logit <- data.frame(
  Ecommerce = rep(x_range, 2),
  Logit = c(
    qlogis(pred_probs[, 1]),
    qlogis(pred_probs[, 1] + pred_probs[, 2])
  ),
  Batas = factor(
    rep(c("P(Y ≤ <2 kali)", "P(Y ≤ 2–4 kali)"), each = length(x_range)),
    levels = c("P(Y ≤ <2 kali)", "P(Y ≤ 2–4 kali)")
  )
)

ggplot(cum_logit, aes(x = Ecommerce, y = Logit, color = Batas)) +
  geom_line(linewidth = 1.4) +
  scale_color_manual(values = c("P(Y ≤ <2 kali)"  = clr_mint,
                                "P(Y ≤ 2–4 kali)" = clr_coral)) +
  labs(title    = "Cumulative Logit vs Frekuensi E-Commerce",
       subtitle = "Garis paralel → asumsi proportional odds terpenuhi untuk variabel ini",
       x        = "Frekuensi E-commerce (2 = 1–2×, 3 = 3–5×, 4 = >5×)",
       y        = "Logit peluang kumulatif",
       color    = "Batas kumulatif") +
  theme_adk()
Gambar 2. Ilustrasi Cumulative Logit vs Frekuensi E-Commerce

Gambar 2. Ilustrasi Cumulative Logit vs Frekuensi E-Commerce

Kedua kurva logit kumulatif membentuk garis yang relatif sejajar (paralel) — mengkonfirmasi bahwa asumsi proportional odds terpenuhi untuk variabel frekuensi e-commerce, konsisten dengan hasil nominal_test (p = 0,059).

15 Ringkasan dan Kesimpulan

cat("========== RINGKASAN HASIL ANALISIS ==========\n")
## ========== RINGKASAN HASIL ANALISIS ==========
cat("Ukuran sampel          :", nrow(data_ord), "responden\n")
## Ukuran sampel          : 433 responden
cat("Model yang digunakan   :",
    ifelse(jenis_model == "polr",
           "Proportional Odds (polr)",
           "Partial Proportional Odds — CLM dengan efek nominal"), "\n")
## Model yang digunakan   : Partial Proportional Odds — CLM dengan efek nominal
cat("VIF maksimum           :", round(max(vif_values), 3),
    ifelse(max(vif_values) < 5, "— Terpenuhi", "— Bermasalah"), "\n")
## VIF maksimum           : 1.702 — Terpenuhi
cat("Proportional odds p-min:", round(p_min, 4),
    ifelse(p_min > 0.05, "— Terpenuhi",
           "— TIDAK Terpenuhi (PPO digunakan)"), "\n")
## Proportional odds p-min: 2e-04 — TIDAK Terpenuhi (PPO digunakan)
akurasi <- mean(pred_class == aktual)
cat("Akurasi model          :", paste0(round(akurasi * 100, 1), "%"), "\n")
## Akurasi model          : 68.8%
cat("AIC                    :", round(AIC(fit_ord), 2), "\n")
## AIC                    : 712.48
cat("McFadden R²            :", round(1 - (ll_full_val / ll_null_val), 4), "\n")
## McFadden R²            : 0.1808
cat("Nagelkerke R²          :", round(
  (1 - exp((2/n)*(ll_null_val - ll_full_val))) /
    (1 - exp((2/n)*ll_null_val)), 4), "\n")
## Nagelkerke R²          : 0.3451
cat("==============================================\n")
## ==============================================

Kesimpulan Utama

  1. Penelitian ini berhasil mengidentifikasi faktor-faktor yang memengaruhi frekuensi penggunaan layanan Buy Now Pay Later (BNPL) menggunakan pendekatan Regresi Logistik Ordinal. Berdasarkan hasil pengujian asumsi, model yang paling sesuai adalah Partial Proportional Odds (PPO) karena variabel usia dan pemasukan bulanan tidak memenuhi asumsi proportional odds.

  2. Model yang dibangun terbukti layak digunakan untuk analisis. Hasil Likelihood Ratio Test (LRT) menunjukkan model signifikan (p < 0,001), dengan Nagelkerke R² sebesar 34,5% dan akurasi klasifikasi sebesar 68,8%, sehingga model memiliki kemampuan yang cukup baik dalam menjelaskan variasi frekuensi penggunaan BNPL.

  3. Dari seluruh variabel yang diteliti, terdapat tiga variabel yang berpengaruh signifikan, yaitu usia, frekuensi transaksi e-commerce, dan pemasukan bulanan. Sementara itu, gender dan tingkat pendidikan tidak menunjukkan pengaruh yang signifikan terhadap frekuensi penggunaan BNPL.

  4. Variabel usia menunjukkan bahwa kelompok usia produktif merupakan pengguna BNPL yang paling aktif. Responden berusia 25–34 tahun memiliki peluang sekitar 5,2 kali lebih besar, sedangkan kelompok 35–44 tahun memiliki peluang sekitar 8 kali lebih besar untuk berada pada kategori penggunaan BNPL yang lebih tinggi dibandingkan kelompok usia di bawah 25 tahun.

  5. Variabel frekuensi transaksi e-commerce menjadi faktor yang paling dominan dalam model. Responden yang bertransaksi 3–5 kali per bulan memiliki peluang 5 kali lebih besar menggunakan BNPL lebih sering, sedangkan responden yang bertransaksi lebih dari 5 kali per bulan memiliki peluang 31,7 kali lebih besar untuk menjadi pengguna BNPL dengan intensitas tinggi.

  6. Variabel pemasukan bulanan berpengaruh terhadap peningkatan penggunaan BNPL pada kategori penggunaan yang lebih intensif. Kelompok dengan pendapatan Rp5–10 juta per bulan memiliki peluang tertinggi, yaitu sekitar 25,8 kali lebih besar untuk menjadi pengguna BNPL intensif dibandingkan kelompok berpendapatan kurang dari Rp3 juta per bulan.

  7. Secara umum, profil pengguna BNPL yang paling aktif di Indonesia adalah individu yang berusia 25–44 tahun, memiliki pendapatan menengah ke atas, dan aktif bertransaksi di platform e-commerce. Temuan ini dapat menjadi dasar bagi penyedia layanan BNPL dalam menyusun strategi pemasaran yang lebih tepat sasaran serta bagi regulator dalam mengawasi potensi risiko penggunaan BNPL yang berlebihan.

Gender dan tingkat pendidikan tidak menunjukkan pengaruh signifikan setelah dikontrol variabel lain.

Referensi Utama

  1. Hilmi LD, Pratika Y. PAYLATER FEATURE: IMPULSIVE BUYING DRIVER FOR E-COMMERCE IN INDONESIA. Int J. 2021;5(2).
  2. Otoritas Jasa Keuangan. Statistik Fintech Lending: Perkembangan Industri Paylater Di Indonesia Periode 2020–2023. 2023. https://www.ojk.go.id/id/kanal/iknb/data-dan-statistik
  3. Setiawan B, Nugraha DP, Irawan A, Nathan RJ, Zoltan Z. User Innovativeness and Fintech Adoption in Indonesia. J Open Innov Technol Mark Complex. 2021;7(3):188. doi:10.3390/joitmc7030188
  4. Sawitri Y, Fathihani F. Pengaruh Manfaat, Kemudahan, dan Pendapatan terhadap Minat Menggunakan Paylater : Studi Kasus Masyarakat DKI Jakarta. J Kewirausahaan Dan Multi Talenta. 2023;1(3):116-123. doi:10.38035/jkmt.v1i3.61
  5. Eviana V, Saputra AJ. Analisis Faktor-Faktor yang Memengaruhi Minat Penggunaan Sistem Pembayaran Pay Later. 2022;6.
  6. Agustin L. Evaluation of Factors influencing the Shopee PayLater adoption in Indonesia. Manag Sci Bus Decis. 2022;2(2):5-18. doi:10.52812/msbd.49
  7. Agresti A. Introduction to Categorical Data Analysis.
  8. Candika YI, Riadi FS, Putri ELH, Bahtera NT. Kecenderungan penggunaan paylater di kalangan mahasiswa: Peran perilaku konsumtif dan tekanan sosial. J Manag Digit Bus. 2025;5(2):685-702. doi:10.53088/jmdb.v5i2.1862
  9. Kamilah AF. ANALISIS PENGENALAN KEBUTUHAN DAN PERILAKU PENGGUNAAN PAYLATER DI JABODETABEK.
  10. Bian W, William Cong L, Ji Y. The Rise Of E-Wallet and Buy-Now-Pay-Later:Payment Competition, Credit Expansion, and Customer Behavior. Published online 2023.
  11. Fullerton AS, Xu J. The proportional odds with partial proportionality constraints model for ordinal response variables. Soc Sci Res. 2012;41(1):182-198. doi:10.1016/j.ssresearch.2011.09.003
  12. Hair JF, Black WC, Babin BJ, Anderson RE. Multivariate Data Analysis. Eighth edition. Cengage; 2019.
  13. Hosmer DW, Lemeshow S, Sturdivant RX. Applied Logistic Regression. 1st ed. Wiley; 2013. doi:10.1002/9781118548387
  14. Venkatesh V, Morris MG, Davis GB, Davis FD. User Acceptance of Information Technology: Toward A Unified View1. MIS Q. 2003;27(3):425-478. doi:10.2307/30036540
  15. Asosiasi Penyelenggara Jasa Internet Indonesia. Laporan Survei Profil Internet Indonesia 2022–2023. 2023. https://apjii.or.id/survei
  16. Abdillah Arif Nasution, Haris Karyadi, Andreas Recki Prasetyo, Afni Yeni, Eva Yuniarti Utami. Pengaruh Pendapatan, Pekerjaan, dan Pendidikan Terhadap Keputusan Masyarakat Melakukan Pinjaman Online. El-Mal J Kaji Ekon Bisnis Islam. 2024;5(8). doi:10.47467/elmal.v5i8.4620
  17. Sari R. Pengaruh Penggunaan Paylater Terhadap Perilaku Impulse Buying Pengguna E-Commerce di Indonesia. J Ris Bisnis Dan Investasi. 2021;7(1):44-57. doi:10.35313/jrbi.v7i1.2058
  18. Liana A, Lazuardi SY, Khaerunnisa RS, Hidayat W. Penggunaan dan Pengaruh Shopee PayLater Terhadap Perilaku Konsumtif Mahasiswa Muslim. 2024;(4).
  19. Chandra YU. Research Data of Buy Now Pay Later (BNPL) Users. Published online June 5, 2025. doi:10.5281/ZENODO.15603120.

Analisis dilakukan dengan R · Paket: MASS, ordinal, car, tidyverse, kableExtra · Template: Mint & Deep Coral · Statistika FMIPA Unpad