Layanan Buy Now, Pay Later (BNPL) menjadi salah satu bentuk inovasi dalam sistem pembayaran
digital yang semakin banyak dibicarakan di media sosial. Namun, keberagaman opini dan topik yang
dibagikan oleh pengguna X belum sepenuhnya dipahami oleh regulator, sehingga berpotensi
menimbulkan kesenjangan dalam penyusunan kebijakan perlindungan konsumen dan pengawasan
terhadap layanan ini. Penelitian ini bertujuan untuk mengklasifikasikan opini pengguna terhadap layanan
BNPL ke dalam tiga kelas sentimen—positif, netral, dan negatif—serta mengidentifikasi topik-topik utama
yang dibahas menggunakan algoritma Naïve Bayes dan Latent Dirichlet Allocation (LDA). Proses penelitian
meliputi pengumpulan data, preprocessing data, klasifikasi sentimen, dan pemodelan topik. Hasil
pengujian klasifikasi sentimen menunjukkan bahwa metode oversampling memberikan kinerja terbaik
dengan akurasi sebesar 85,42%, precision 88%, recall 85%, dan F1-score sebesar 86%. Sementara itu,
pemodelan topik menghasilkan 8 topik pada masing-masing kelas sentimen, dengan nilai koherensi
tertinggi untuk sentimen positif sebesar 0,517, sentimen netral 0,543, dan negatif sebesar 0,419. Temuan
ini menunjukkan bahwa kombinasi metode Naïve Bayes dan LDA efektif dalam menggali persepsi dan isu
terkait layanan BNPL di media sosial, yang dapat menjadi dasar pertimbangan regulator dalam merancang
kebijakan yang lebih responsif dan adaptif terhadap kebutuhan masyarakat.