Sci-Tech Journal Volume 4 Nomor 3 .
215 Ae 227 E-ISSN 2830-6759 DOI: 10.
56709/stj.
Klasifikasi Pengguna QRIS Berdasarkan Frekuensi Penggunaan Menggunakan Multinomial Logistic Regression Dani Daniel Gimon1.
Rivaldo Otniel Moreno Sabami2.
Khrisna Andhika Bagaskara3.
Owen Tomas Kayadu4.
Theos Elasa Numberi5 1,2,3,4,5Universitas Papua danielgimon28@gmail.
com1, valdosabami@gmail.
com2, khrisnabagaskara7@gmail.
owenkayadu178@gmail.
com4, theosnumberi81@gmail.
ABSTRACT
This study focuses on developing a classification model of Quick Response Code Indonesian Standard (QRIS) users based on usage frequency by applying the Multinomial Logistic Regression (MLR) Data were obtained through a survey of QRIS users, with 265 respondents comprising the research sample.
An analysis was conducted to identify demographic and behavioral factors that significantly influence QRIS usage frequency.
The results demonstrate the effectiveness of the MLR model in classifying QRIS users into different usage frequency categories with a high level of accuracy.
Variables such as age, gender, and transaction time were found to significantly influence QRIS usage This research has theoretical and practical implications for stakeholders, including QRIS service providers, who can use the findings to design more effective marketing strategies and personalize services to suit the needs of different user segments.
Keywords : QRIS.
Frequency of Use.
Multinomial Logistic Regression.
User Classification ABSTRAK Studi ini berfokus pada pengembangan model klasifikasi pengguna Quick Response Code Indonesian Standard (QRIS) berdasarkan frekuensi penggunaan, dengan menerapkan metode Multinomial Logistic Regression (MLR).
Data diperoleh melalui survei terhadap pengguna QRIS, dengan menggunakan 265 data responden sebagai sampel penelitian.
Analisis dilakukan untuk mengidentifikasi faktor demografi dan perilaku yang secara signifikan mempengaruhi frekuensi penggunaan QRIS.
Hasil penelitian menunjukkan bahwa model Regresi Logistik Multinomial efektif dalam mengklasifikasikan pengguna QRIS ke dalam kategori frekuensi penggunaan yang berbeda dengan tingkat akurasi yang signifikan.
Variabel seperti usia, jenis kelamin, dan waktu transaksi ditemukan memiliki pengaruh yang signifikan terhadap frekuensi penggunaan QRIS.
Penelitian ini memberikan implikasi teoritis dan praktis bagi para pemangku kepentingan, termasuk penyedia layanan QRIS, dalam merancang strategi pemasaran yang lebih efektif dan mempersonalisasi layanan agar sesuai dengan kebutuhan segmen pengguna yang berbeda.
Kata kunci : QRIS.
Frekuensi Penggunaan.
Multinomial Logistic Regression.
Klasifikasi Pengguna PENDAHULUAN Laju perkembangan teknologi digital yang eksponensial di Indonesia telah menjadi katalisator utama bagi inovasi dalam ranah sistem pembayaran non-tunai.
Di antara berbagai inovasi yang muncul.
Quick Response Code Indonesian Standard (QRIS) menonjol sebagai upaya untuk menyatukan berbagai metode pembayaran digital yang sebelumnya terfragmentasi ke dalam sebuah standar yang terpadu.
Standar ini dirancang untuk 215 | Volume 4 Nomor 3 2025 Sci-Tech Journal Volume 4 Nomor 3 .
215 Ae 227 E-ISSN 2830-6759 DOI: 10.
56709/stj.
memberikan kemudahan dan interoperabilitas dalam transaksi di seluruh spektrum ekonomi, mulai dari pasar tradisional yang sederhana hingga Usaha Mikro.
Kecil, dan Menengah (UMKM) yang memiliki peran signifikan dalam perekonomian nasional (Putri Handayani Leksono, 2.
Dalam konteks penetrasi pembayaran digital yang semakin meningkat, pemahaman yang mendalam mengenai pola dan frekuensi penggunaan QRIS menjadi sangat penting.
Informasi ini krusial bagi perumusan strategi pemasaran yang efektif oleh penyedia jasa keuangan, serta upaya untuk memperluas adopsi layanan QRIS di kalangan masyarakat Dengan memahami bagaimana konsumen menggunakan QRIS, penyedia jasa keuangan dapat menyesuaikan produk dan layanan mereka untuk memenuhi kebutuhan dan preferensi pengguna yang beragam (Purnama Sari, 2.
Pada studi sebelumnya (Anggreani et al.
, 2.
telah berupaya untuk mengidentifikasi determinan utama dalam penggunaan QRIS.
Faktor-faktor seperti persepsi terhadap inovasi keuangan, tingkat kemudahan pemakaian .
ser-friendlines.
, serta persepsi risiko finansial yang dirasakan oleh konsumen, terutama dari kelompok generasi muda dan pelaku UMKM, telah menjadi fokus utama dalam penelitian tersebut.
Namun demikian, terdapat kekurangan dalam literatur ilmiah terkait dengan kajian yang secara khusus membahas segmentasi pengguna berdasarkan frekuensi pemakaian QRIS.
Klasifikasi pengguna berdasarkan frekuensi penggunaan QRIS dapat memberikan gambaran yang lebih terperinci dan nuansa mengenai perilaku konsumen.
Informasi ini dapat membantu dalam mengidentifikasi segmen pasar yang berbeda, masing-masing dengan karakteristik dan kebutuhan yang unik.
Oleh karena itu, penelitian ini bertujuan untuk mengisi kekosongan dalam literatur dengan mengembangkan model klasifikasi pengguna QRIS ke dalam tiga kategori utama: rendah, sedang, dan tinggi.
Metode yang digunakan dalam penelitian ini adalah Multinomial Logistic Regression.
Pendekatan ini memungkinkan peneliti untuk memprediksi kategori pengguna berdasarkan kombinasi variabel demografis .
eperti usia, jenis kelamin, pendapata.
dan variabel perilaku transaksi yang kompleks .
eperti jumlah transaksi, nilai transaksi, frekuensi transaks.
Model ini dikembangkan oleh (S.
Putri & Rahmanto, 2.
Tujuan utama dari penelitian ini adalah untuk mengembangkan model klasifikasi yang akurat dan andal.
Model ini akan digunakan untuk mengidentifikasi faktor-faktor signifikan yang mempengaruhi frekuensi penggunaan QRIS.
Dengan demikian, penelitian ini diharapkan dapat memberikan kontribusi praktis yang berharga bagi para pelaku industri keuangan digital.
Kontribusi ini dapat berupa informasi yang relevan untuk menyusun strategi pemasaran yang lebih efektif, meningkatkan adopsi teknologi QRIS di kalangan masyarakat, dan mengembangkan produk dan layanan yang lebih sesuai dengan kebutuhan pengguna.
TINJAUAN LITERATUR
Pada bab ini, dibahas mengenai landasan teoretis dan temuan penelitian terdahulu terkait adopsi dan penggunaan QRIS, serta konsep dasar Multinomial Logistic Regression sebagai metode analisis klasifikasi multikategorikal.
216 | Volume 4 Nomor 3 2025 Sci-Tech Journal Volume 4 Nomor 3 .
215 Ae 227 E-ISSN 2830-6759 DOI: 10.
56709/stj.
Adopsi Teknologi dan Sistem Pembayaran Digital Penelitian terkait sistem pembayaran digital menegaskan bahwa persepsi inovasi keuangan, kemudahan penggunaan, dan persepsi risiko finansial merupakan faktor penting yang memengaruhi intensi penggunaan, khususnya pada generasi Z dan pelaku UMKM.
Studi yang dilakukan oleh (N.
Putri & Dewi, 2.
menegaskan bahwa persepsi positif terhadap inovasi keuangan dan kemudahan penggunaan secara signifikan meningkatkan minat penggunaan QRIS di kalangan generasi muda di kota Denpasar.
Sementara itu, (Ilman & Insinyur, 2.
mengevaluasi implementasi fitur qris instant access apakah berpengaruh terhadap pengalaman dan respon pengguna atau tidak.
Di sisi lain, (Kusuma & Novalia Herlina Susanti Kareth, 2.
menemukan bahwa kebiasaan dan motivasi hedonis turut memengaruhi keputusan penggunaan QRIS, meskipun terdapat persepsi negatif terkait kemudahan dan keamanan penggunaan.
Konsep Multinomial Logistic Regression Multinomial Logistic Regression (MLR) merupakan teknik statistik yang digunakan untuk mengklasifikasikan variabel dependen yang memiliki lebih dari dua kategori Model ini mengestimasi probabilitas keanggotaan dalam setiap kategori berdasarkan kombinasi linier dari variabel independen.
Salah satu asumsi penting MLR adalah Independence of Irrelevant Alternatives (IIA), yang menyatakan bahwa penambahan atau pengurangan kategori tidak mempengaruhi perbandingan relatif antar kategori yang ada.
Estimasi koefisien regresi dilakukan melalui metode maximum likelihood, yang memungkinkan analisis pengaruh variabel independen terhadap probabilitas tiap kategori (Marlinah & Aditama, 2.
Gap Penelitian Meskipun telah banyak penelitian mengenai determinan adopsi QRIS (Juan et al.
, belum banyak kajian yang secara spesifik mengklasifikasikan pengguna QRIS berdasarkan frekuensi penggunaan menggunakan Multinomial Logistic Regression.
Penelitian ini mengusulkan model yang dapat mengidentifikasi segmen-segmen penggunaan .
endah, sedang, dan tingg.
serta faktor-faktor penentu yang secara signifikan mempengaruhi klasifikasi tersebut.
Diharapkan, hasil penelitian ini tidak hanya menambahkan literatur dalam bidang adopsi teknologi pembayaran digital tetapi juga memberikan panduan praktis bagi pemangku kepentingan dalam mengoptimalkan strategi pemasaran QRIS.
METODE PENELITIAN
Metode pendekatan yang digunakan adalah metode kuantitatif.
Teknik pengambilan sampel yang digunakan adalah non-probability sampling.
Teknik pengumpulan data pada penelitian ini adalah data primer.
Pendekatan kuantitatif digunakan karena penelitian ini berfokus pada pengolahan dan analisis data numerik berupa frekuensi transaksi QRIS untuk mengelompokkan pengguna ke dalam beberapa kategori berdasarkan aktivitas Metode yang digunakan dalam penelitian ini adalah Multinomial Logistic Regression (MLR) (Nathasya et al.
, 2.
, yaitu metode klasifikasi dalam statistik yang digunakan untuk melihat hubungan antara variabel yang memiliki lebih dari dua kategori.
217 | Volume 4 Nomor 3 2025 Sci-Tech Journal Volume 4 Nomor 3 .
215 Ae 227 E-ISSN 2830-6759 DOI: 10.
56709/stj.
Data yang digunakan dalam penelitian ini adalah data primer berupa data transaksi QRIS selama satu bulan.
Data ini mencakup informasi penggunaan QRIS yang akan digunakan untuk mengklasifikasikan pengguna berdasarkan frekuensi transaksinya.
Data yang akan dikumpulkan meliputi: jumlah transaksi QRIS sebulan dan rata-rata waktu Sumber data yang diperoleh berdasarkan wawancara kepada pengguna yang menggunakan mobile banking (QRIS).
Data dikumpulkan melalui penyebaran kuesioner secara daring melalui Google Form.
Peneliti menggunakan skala Guttman dan skala Ordinal serta analisis regresi logistik biner pada SPSS 22 untuk menganalisis data.
Adapun metode analisis yang digunakan adalah Multinomial Logistic Regression dengan langkah-langkah sebagai berikut (Deaz Aurellia Febrilianda et al.
, 2.
Klasifikasi Pengguna Penelitian ini bersifat deskriptif dan eksploratif, dengan tujuan utama mengklasifikasikan frekuensi penggunaan QRIS dalam empat kategori dalam tabel 1 dibawah ini Tabel 1 Klasifikasi Frekuensi Pengguna Kategori Jumlah Transaksi/Bulan Aktif Ou 10 Cukup Aktif Jarang Pasif Keterangan Menggunakan QRIS secara sangat rutin Menggunakan QRIS secara Menggunakan QRIS sesekali Tidak Menggunakan QRIS sama sekali Tabel 1 menunjukkan klasifikasi tingkat frekuensi pengguna berdasarkan jumlah transaksi yang dilakukan setiap bulan.
Mereka yang termasuk dalam kategori "Aktif" adalah pengguna yang melakukan 10 atau lebih transaksi per bulan, yang berarti mereka menggunakan QRIS secara sangat rutin dan konsisten.
Selanjutnya, kategori "Cukup Aktif" mencakup pengguna dengan 5 sampai 9 transaksi bulanan, yang menunjukkan penggunaan QRIS secara tetap dan teratur.
Sementara itu, pengguna yang termasuk kategori "Jarang" melakukan transaksi sebanyak 1 sampai 4 kali dalam sebulan.
QRIS Terakhir, kategori "Pasif" adalah pengguna yang sama sekali tidak melakukan transaksi menggunakan QRIS, yaitu dengan jumlah transaksi sebanyak 0 kali dalam satu bulan.
Variabel Penelitian Dalam penelitian ini terdapat dua jenis variabel utama, yaitu variabel dependen .
ariabel terika.
dan variabel independen .
ariabel beba.
Variabel Independen Variabel independen atau variabel bebas adalah variabel 218 | Volume 4 Nomor 3 2025 Sci-Tech Journal Volume 4 Nomor 3 .
215 Ae 227 E-ISSN 2830-6759 DOI: 10.
56709/stj.
mempengaruhi atau menjadi sebab adanya perubahan atau timbulnya variabel Variabel independen yang digunakan penelitian ini adalah keaktifan transaksi/jumlah transaksi pengguna QRIS dalam sebulan dan rata-rata waktu transaksi pengguna .
agi/siang/mala.
Variabel Dependen Variabel dependen .
ariabel terika.
adalah variabel yang nilainya ingin diprediksi atau dijelaskan.
Variabel dependen sendiri bergantung pada variabel Dalam penelitian ini, variabel dependen dikategorikan berdasarkan penggunaan QRIS dalam sebulan yaitu aktif (Ou10 transaks.
, cukup aktif .
-9 transaks.
, jarang .
-4 transaks.
, pasif atau tidak aktif .
Berikut ini adalah tabel variabel independen dan variabel dependen yang digunakan dalam studi ini.
Tabel 2 Variabel Penelitian Jumlah Presentase Variabel
Indikator Item
Responden
(%)
Variabel Apakah Anda - Ya Independen menggunakan Mobile - Tidak Banking? Apakah Anda menggunakan layanan QRIS dalam transaksi keuangan Anda? Disaat kapan Anda melakukan transaksi menggunakan QRIS? - Ya - Tidak - Pagi - Siang - Malam - Tidak Menentu Variabel Berapa Anda Ou 10 kali Dependen QRIS 5 Ae 9 kali 1 Ae 4 kali dalam satu bulan? Tabel 2 menunjukkan variabel-variabel yang digunakan dalam penelitian beserta indikator, item, jumlah responden, dan persentase masing-masing kategori.
Pada variabel independen, terdapat pertanyaan mengenai penggunaan Mobile Banking.
Dari total 267 responden, sebagian besar, yaitu 95 persen, mengaku menggunakan layanan Mobile Banking, sementara hanya 1 responden .
,4 perse.
yang tidak menggunakannya.
Selain itu, ada pertanyaan mengenai penggunaan layanan QRIS saat bertransaksi keuangan.
Mayoritas responden, yakni 99,6 persen, mengatakan mereka menggunakan QRIS, sedangkan hanya 14 orang .
,4 perse.
yang tidak memakai layanan ini.
Selanjutnya, terkait waktu melakukan transaksi menggunakan QRIS, responden menunjukkan variasi 219 | Volume 4 Nomor 3 2025 Sci-Tech Journal Volume 4 Nomor 3 .
215 Ae 227 E-ISSN 2830-6759 DOI: 10.
56709/stj.
Sebagian besar, sebanyak 55,6 persen .
, melakukan transaksi pada waktu yang tidak menentu, diikuti oleh responden yang melakukan transaksi di pagi hari .
orang, 15,8 perse.
, siang hari .
orang, 18,4 perse.
, dan malam hari .
orang, 10,2 perse.
Sedangkan pada variabel dependen mengenai frekuensi penggunaan QRIS dalam sebulan, hasilnya menunjukkan bahwa sebagian besar responden, sebanyak 76 orang .
,6 perse.
, menggunakan QRIS minimal 10 kali dalam sebulan.
Diikuti oleh pengguna yang melakukan transaksi 5-9 kali .
orang atau 38,7 perse.
, dan 87 orang .
,7 perse.
yang memakai QRIS 1-4 kali dalam sebulan.
Tidak ada responden yang tidak menggunakan QRIS dalam sebulan.
Pengumpulan Data Data dikumpulkan melalui penyebaran kuesioner secara online dan offline kepada 281 responden yang telah memenuhi kriteria sebagai pengguna QRIS.
Kuesioner terdiri atas item-item skala Likert yang mengukur variabel independen dan dependen, serta data demografis responden.
Selanjutnya, dibawah ini akan ditampilkan demografis responden dalam penelitian ini yang akan ditunjukkan pada tabel 3.
Tabel 3 Demografis Responden
Jumlah Persentase Kategori Item
Responden
(%)
Usia - Usia 17 tahun keatas - Usia 17 tahun kebawah Jenis Kelamin - Pria - Wanita Status - Sudah Bekerja - Pelajar/Mahasiswa Tabel 3 menunjukkan gambaran demografis dari responden yang menjadi objek Pada aspek usia, mayoritas responden berusia 17 tahun ke atas sebanyak 278 orang, yang mencerminkan sekitar 98,9% dari total responden.
Sebaliknya, responden berusia di bawah 17 tahun hanya berjumlah 3 orang, sekitar 1,1%.
Dalam hal jenis kelamin, hampir separuh dari responden adalah pria sebanyak 130 orang, yakni sekitar 46,3%.
Sedangkan responden wanita berjumlah 151 orang, yaitu sekitar 53,7%.
Sementara itu, dari segi status pekerjaan, sebagian besar responden belum bekerja, yaitu sebanyak 163 orang, sekitar 58%.
Sebaliknya, responden yang sudah bekerja sebanyak 118 orang, mewakili sekitar 42% dari total responden.
HASIL DAN PEMBAHASAN
Dari sampel yang digunakan, 265 data responden kemudian akan di ekspor menjadi file csv dan diolah menggunakan SPSS untuk melihat hasil estimasi multinomial logistic Metode ini menggambarkan hubungan antara satu atau lebih variabel independen terhadap variabel dependen.
Variabel dependen pada regresi logistik biner bersifat dikotomus atau memiliki kategori ganda.
Pada penelitian ini, kategori AuTidakAy diberi kode Au0Ay dan kategori AuYaAy diberi kode Au1Ay.
Regresi logistik multinomial digunakan untuk menganalisis variabel dependen yang memiliki lebih dari dua kategori berskala nominal.
Dalam penelitian ini, variabel dependen 220 | Volume 4 Nomor 3 2025 Sci-Tech Journal Volume 4 Nomor 3 .
215 Ae 227 E-ISSN 2830-6759 DOI: 10.
56709/stj.
adalah "Frekuensi Penggunaan" aplikasi mobile banking Livin Mandiri dalam sebulan dengan empat kategori namun ternyata hanya tiga kategori saja yang bisa diolah datanya karena kategori AypasifAy tidak memiliki nilai, jadi freekuensinya yaitu: 1 = Pasif .
idak ada nilai = .
, 2 = Jarang, 3 = Cukup Aktif, dan 4 = Aktif .
ebagai kategori referens.
Kategori "Aktif" dipilih sebagai dasar perbandingan sehingga model dapat mengkaji faktor-faktor yang mempengaruhi tingkat kunjungan relatif terhadap kategori tersebut.
Model yang dibangun terdiri dari dua fungsi logit, masing-masing membandingkan kategori "Jarang" dan "Cukup Aktif" terhadap kategori "Aktif".
Dengan demikian, terdapat fungsi logit pertama yang mengukur probabilitas masuk ke kategori "Jarang" dibanding "Aktif", serta fungsi logit kedua yang mengukur probabilitas masuk ke kategori "Cukup Aktif" dibanding " Aktif ".
Setelah model terpasang, dilakukan estimasi terhadap koefisien .
untuk setiap variabel independen terhadap kedua fungsi logit tersebut.
Hasil estimasi ini disajikan dalam tabel 4 berikut.
Tabel 4 Estimasi Parameter yuyu Model Logistik Multinomial Variabel yuyu (Logit .
yuyu (Logit .
Intercept
15,350
Nama -0,001 0,000 Usia
-0,477
-15,726
Jenis Kelamin
-0,762
0,028
Status
-0,238
-0,022
[Apakah Anda menggunakan Mobile Banking? = .
[Apakah Anda menggunakan layanan QRIS dalam transaksi keuangan Anda? = .
[Disaat kapan Anda melakukan transaksi menggunakan QRIS? = 2,827 3,707 [Disaat kapan Anda melakukan transaksi menggunakan QRIS? = 2,192 1,524 [Disaat kapan Anda melakukan transaksi menggunakan QRIS? = 0,440 0,711 [Disaat kapan Anda melakukan transaksi menggunakan QRIS? = Dari gambar tabel 4 diatas, menunjukkan nilai estimasi parameter.
Dalam analisis ini, terdapat dua fungsi logit yang digunakan untuk membandingkan kategori tingkat kunjungan ke bank, yaitu Logit 1 dan Logit 2.
Setiap variabel memiliki nilai koefisien .
yang menunjukkan pengaruhnya terhadap kemungkinan masuk ke masing-masing kategori dibandingkan dengan kategori referensi.
Untuk intercept, nilai 1.
681 pada Logit 1 221 | Volume 4 Nomor 3 2025 Sci-Tech Journal Volume 4 Nomor 3 .
215 Ae 227 E-ISSN 2830-6759 DOI: 10.
56709/stj.
menunjukkan bahwa tanpa faktor lain, peluang masuk ke kategori tertentu diperkirakan memiliki nilai log-odds sebesar 1,681.
Sedangkan pada Logit 2, nilai yang jauh lebih tinggi yaitu 15,35 menunjukkan pengaruh dasar yang besar terhadap peluang kategori tersebut.
Variabel "Nama" memiliki koefisien sangat kecil dan mendekati nol pada kedua logit, yakni -0,001 dan 0,000, yang menunjukkan bahwa variabel ini tidak berpengaruh signifikan terhadap peluang masuk ke kategori tertentu.
Usia memiliki pengaruh negatif yang cukup besar, yaitu -0,477 di Logit 1 dan -15,726 di Logit 2.
Artinya, semakin tua usia, cenderung menurunkan peluang masuk ke kategori tersebut dibanding kategori referensi.
Jenis kelamin menunjukkan pengaruh negatif pada Logit 1 dengan nilai -0,762, yang berarti bahwa jenis kelamin tertentu .
isalnya pri.
mungkin berpengaruh menurunkan peluang ke kategori ini.
Sebaliknya, di Logit 2, nilai 0,028 menunjukkan tidak ada pengaruh yang Sedangkan variabel "Status" memiliki pengaruh kecil dan cenderung negatif di kedua logit (-0,238 dan -0,.
, menunjukkan pengaruh yang tidak cukup kuat terhadap kemungkinan masuk ke kategori tersebut.
Untuk variabel terkait penggunaan layanan keuangan digital, seperti "Apakah Anda menggunakan Mobile Banking?" dan "QRIS", nilai koefisiennya sama-sama nol di kedua logit, yang mengindikasikan bahwa variabel ini tidak memiliki pengaruh signifikan terhadap kemungkinan masuk ke masing-masing kategori.
Namun, untuk pertanyaan "Kapan Anda melakukan transaksi menggunakan QRIS?", terdapat beberapa pengaruh yang lebih besar dan positif.
Di Logit 1, nilai 2,827 menunjukkan bahwa saat melakukan transaksi tertentu .
isalnya basah waktu tertent.
, peluang masuk ke kategori ini meningkat cukup besar.
Begitu pula di Logit 2, nilai 3,707 menunjukkan pengaruh yang kuat terhadap kemungkinan masuk ke kategori tersebut saat transaksi dilakukan pada waktu tertentu.
Koefisien untuk waktu yang berbeda juga menunjukkan variasi pengaruh, dengan nilai lebih kecil di salah satu kategori dan lebih besar di kategori lain.
Secara keseluruhan, variabel waktu transaksi menunjukkan pengaruh signifikan terhadap tingkat kunjungan dan berbeda tergantung pada kategori yang dibandingkan, sedangkan variabel lain seperti usia, jenis kelamin, dan penggunaan layanan digital menunjukkan pengaruh yang relatif kecil atau tidak signifikan.
Adapun tahapantahapan dalam Analisis Model Logistik Multinomial sebagai berikut.
Uji Signifikansi Simultan Uji signifikansi simultan digunakan untuk membuktikan hipotesis, bahwa paling tidak ada satu variabel independen yang berpengaruh signifikan pada tabel variabel Berikut ini disajikan hasil uji rasio likelihood dalam tabel 5.
Tabel 5 Hasil Uji Rasio Likelihood Likelihood Ratio Tests Model Chi-Square Sig.
Final
513,435
<0,001
Tabel 5 menunjukkan hasil uji rasio likelihood untuk model akhir yang dibangun.
Uji ini menghasilkan nilai Chi-Square sebesar 513,435 dengan derajat kebebasan sebanyak Nilai Signifikansi (Sig.
) atau p-value yang diperoleh kurang dari 0,001.
Hasil ini menunjukkan bahwa model secara statistik signifikan dan memiliki kecocokan yang baik terhadap data yang digunakan, karena nilai p tersebut jauh di bawah tingkat signifikansi 222 | Volume 4 Nomor 3 2025 Sci-Tech Journal Volume 4 Nomor 3 .
215 Ae 227 E-ISSN 2830-6759 DOI: 10.
56709/stj.
0,05.
Dengan kata lain, model yang dibuat mampu menjelaskan variabel dependen secara signifikan berdasarkan variabel-variabel independen yang dimasukkan.
Uji Signifikansi Parsial dan Interpretasi Model Oleh karena didapati bahwa terdapat paling tidak satu atau lebih variabel bebas yang berpengaruh pada variabel terikat, maka lebih lanjut dapat dilakukan uji signifikansi secara parsial.
Sedangkan interpretasi model didasarkan atas odds ratio dan dilakukan pada variabel yang memiliki pengaruh signifikan pada variabel dependen.
Hasil uji parsial dan odds ratio disajikan pada tabel 6 dibawah.
Tabel 6 Hasil Uji Wald dan Odds Ratio Logit 1 Logit 2 Variabel Wald Sig.
Exp(B) Wald Sig.
Exp(B) Intercept
1,087
0,297
302,180 <0,001
Nama 0,103 0,748 0,999 0,020 0,889 1,000 Usia
0,140
0,708
0,621
1,480E-7
Jenis Kelamin
4,954
0,026
0,467
0,007
0,935
1,028
Status
0,479
0,489
0,788
0,004
0,978
0,978
[Apakah Anda Mobile Banking? = [Apakah Anda layanan QRIS dalam transaksi keuangan Anda? = .
[Disaat kapan Anda 6,769 0,009 16,891 12,358 <0,001 40,744 QRIS? = .
[Disaat kapan Anda 14,768 <0,001 8,951 6,909 0,009 4,590 QRIS? = .
[Disaat kapan Anda 0,557 0,456 1,553 1,823 0,177 2,037 QRIS? = .
[Disaat kapan Anda 223 | Volume 4 Nomor 3 2025 Sci-Tech Journal Volume 4 Nomor 3 .
215 Ae 227 E-ISSN 2830-6759 DOI: 10.
56709/stj.
QRIS? = .
Tabel 6 ini menunjukkan hasil dari pengujian signifikansi variabel melalui Uji Wald, serta nilai Odds Ratio (Exp(B)) yang mengindikasikan besarnya pengaruh variabel terhadap Pada bagian Intersep, hasil Uji Wald menunjukkan nilai 1,087 untuk Logit 1 dan 302,180 untuk Logit 2, dengan tingkat signifikansi masing-masing 0,297 dan kurang dari 0,001.
Artinya, hanya intercept pada Logit 2 yang secara statistik signifikan, sementara pada Logit 1 tidak.
Untuk variabel "Nama", nilai Wald sebesar 0,103 pada Logit 1 dan 0,020 pada Logit 2 menandakan pengaruhnya tidak signifikan .
ilai Sig.
> 0,.
, dan Odds Ratio mendekati 1 .
,999 dan 1,.
, menunjukkan bahwa variabel ini tidak memberikan pengaruh yang berarti terhadap kategori yang diamati.
Demikian pula, variabel "Usia" pada Logit 1 memiliki nilai Wald sebesar 0,140 dan nilai signifikansi 0,708, yang berarti tidak Pada Logit 2, pengaruhnya juga tidak dihitung karena nilainya sangat kecil dan mendekati nol, serta signifikansinya sangat tinggi .
< 0,.
, menunjukkan bahwa pengaruh usia terhadap kategori tertentu sangat kuat dan signifikan.
Untuk variabel "Jenis Kelamin", nilai Wald sebesar 4,954 pada Logit 1 yang memiliki p-value 0,026 menunjukkan pengaruhnya signifikan, dan Odds Ratio sebesar 0,467 mengindikasikan bahwa jenis kelamin berpengaruh terhadap kemungkinan kategori tertentu.
Pada Logit 2, nilai Wald 0,007 dan p > 0,05 menandakan tidak ada pengaruh signifikan, sedangkan Odds Ratio mendekati satu .
Selanjutnya, variabel "Status" .
isalnya, status pekerjaan atau status lain yang dimaksu.
tidak menunjukkan pengaruh signifikan pada kedua model, karena nilai Wald dan p-value-nya lebih besar dari 0,05.
Beberapa variabel yang berkaitan dengan penggunaan layanan pembayaran digital, seperti "[Apakah Anda menggunakan Mobile Banking?]" dan "[Apakah Anda menggunakan layanan QRIS dalam transaksi keuangan Anda?]", tidak memiliki nilai statistik yang ada di tabel ini, jadi tidak dapat Namun, variabel "Disaat kapan Anda melakukan transaksi menggunakan QRIS" menunjukkan hasil yang sangat signifikan dan kuat.
Pada kategori 1, nilai Wald mencapai 6,769 dengan p-value 0,009 dan Odds Ratio sebesar 16,891, yang berarti variabel ini mempunyai pengaruh besar dan signifikan terhadap kategori tersebut.
Pada kategori 2.
Wald sebesar 14,768 dan p-value kurang dari 0,001 menunjukkan pengaruh yang sangat kuat, dengan Odds Ratio 8,951.
Lebih jauh, kategori 3 menunjukkan nilai Wald 1,823 dan pvalue 0,177, serta Odds Ratio sekitar 2,037, menandakan pengaruhnya tidak signifikan di tingkat 5%.
Secara umum, variabel terkait waktu atau saat melakukan transaksi menggunakan QRIS memiliki pengaruh yang berbeda tergantung kategorinya, dengan pengaruh paling kuat dan signifikan pada kategori pertama dan kedua.
Uji Kesesuaian Model Bentuk umum untuk menguji kesesuaian model adalah menggunakan uji Goodness of Fit.
Tabel 7 menunjukkan hasil uji kesesuaian model.
Tabel 7 Hasil Uji Kesesuaian Model Goodness-of-Fit Chi-Square Sig.
Pearson
532,797
0,274
224 | Volume 4 Nomor 3 2025 Sci-Tech Journal Volume 4 Nomor 3 .
215 Ae 227 E-ISSN 2830-6759 DOI: 10.
56709/stj.
Deviance 513,435 0,499 Hasil uji goodness-of-fit menunjukkan bahwa model yang digunakan telah memenuhi asumsi kecocokan dengan data.
Pada pengujian menggunakan Chi-Square Pearson, nilai statistik yang diperoleh sebesar 532,797 dengan derajat kebebasan sebanyak Nilai signifikansi .
-valu.
dari uji ini adalah 0,274, yang lebih besar dari tingkat signifikansi umum 0,05, sehingga menunjukkan bahwa tidak terdapat perbedaan yang signifikan antara data observasi dan nilai yang diprediksi oleh model.
Selanjutnya, uji Deviance menghasilkan nilai sebesar 513,435 dengan derajat kebebasan yang sama, yaitu 514, dan nilai signifikansi sebesar 0,499.
Nilai p ini juga lebih besar dari 0,05, yang mengindikasikan bahwa model secara statistik cukup cocok dengan data yang ada.
Dengan demikian, hasil kedua uji ini memperkuat bahwa model yang telah dibangun cukup baik dalam menjelaskan variasi dan pola data yang sebenarnya.
Uji Ketetapan Klasifikasi Klasifikasi kategori untuk menguji ketepatan dalam penelitian ini dimuat dalam tabel 8 berikut.
Tabel 7 Hasil Uji Ketepatan Klasifikasi
Dugaan Pengamatan Presentase Jarang Cukup Aktif
Aktif
Ketepatan Jarang 41,4% Cukup Aktif
40,2%
Aktif
69,7%
Total Presentase 29,8% 24,9% 45,3% 49,1% Tabel 7 menyajikan hasil dari pengujian keakuratan model dalam mengklasifikasikan tingkat kunjungan ke cafe berdasarkan data observasi dan prediksi.
Pada kolom pertama, terdapat jumlah pengamatan sebenarnya yang diklasifikasikan ke dalam masing-masing kategori, yaitu "Jarang," "Cukup Aktif," dan "Aktif.
" Selanjutnya, kolom kedua menunjukkan jumlah prediksi model terhadap kategori tersebut.
Sebagai contoh, dari seluruh pengamatan yang sebenarnya termasuk kategori "Jarang," sebanyak 36 diprediksi dengan benar oleh model, sementara 18 diprediksi salah sebagai "Cukup Aktif," dan 33 sebagai "Aktif.
" Tingkat keberhasilan model dalam mengklasifikasi kategori "Jarang" mencapai 41,4%.
Begitu juga, dari pengamatan yang sebenarnya termasuk "Cukup Aktif," 41 di antaranya diprediksi dengan benar, dan 27 salah dikategorikan sebagai "Jarang," serta 34 diklasifikasikan sebagai "Aktif," dengan tingkat akurasi sebanyak 40,2%.
Sementara itu, kategori "Aktif" memiliki tingkat prediksi yang paling tinggi, dengan 53 pengamatan benar diklasifikasi sebagai "Aktif," dan sejumlah 16 dikategorikan salah sebagai "Jarang," serta 7 sebagai "Cukup Aktif.
" Tingkat ketepatan prediksi kategori "Aktif" mencapai 69,7%.
KESIMPULAN DAN SARAN
Studi ini berhasil mengembangkan model klasifikasi pengguna QRIS berdasarkan frekuensi transaksi dengan menggunakan regresi logistik multinomial.
Model ini mengelompokkan pengguna ke dalam kategori rendah, menengah, dan tinggi, dengan 225 | Volume 4 Nomor 3 2025 Sci-Tech Journal Volume 4 Nomor 3 .
215 Ae 227 E-ISSN 2830-6759 DOI: 10.
56709/stj.
tingkat akurasi 49,1%.
Variabel seperti jenis kelamin dan waktu transaksi memiliki pengaruh signifikan terhadap frekuensi penggunaan QRIS.
Hasil penelitian menunjukkan bahwa pemahaman mendalam tentang karakteristik pengguna dan preferensi waktu transaksi dapat membantu penyedia layanan dalam merancang strategi pemasaran yang lebih tepat sasaran.
Uji rasio likelihood menghasilkan nilai Chi-Square sebesar 513,435 dengan derajat kebebasan sebanyak 14, menunjukkan bahwa model secara statistik signifikan dan cocok dengan data yang digunakan.
Berdasarkan temuan penelitian, disarankan agar penyedia layanan QRIS melakukan evaluasi berkala terhadap strategi pemasaran untuk menyesuaikan dengan segmen demografis yang berbeda.
Penelitian mendatang perlu mempertimbangkan faktor-faktor eksternal tambahan yang berpotensi memengaruhi adopsi QRIS secara keseluruhan.
Selain itu, studi lanjutan disarankan untuk memperluas cakupan sampel dan mengintegrasikan variabel psikososial untuk analisis yang lebih komprehensif mengenai adopsi QRIS.
Penyempurnaan model dengan memasukkan variabel tambahan diharapkan dapat meningkatkan akurasi klasifikasi dan memberikan wawasan yang lebih mendalam bagi pemangku kepentingan dalam ekosistem pembayaran digital.
DAFTAR PUSTAKA