Kemiskinan merupakan masalah sosial yang kompleks dan masih menjadi tantangan utama di berbagai daerah di Indonesia, termasuk Provinsi Sulawesi Selatan. Penelitian ini bertujuan untuk mengelompokkan kabupaten/kota di Sulawesi Selatan berdasarkan sembilan indikator kemiskinan, yaitu indeks kedalaman kemiskinan, indeks keparahan kemiskinan, tingkat pengangguran terbuka, umur harapan hidup, Indeks
Pembangunan Manusia (IPM), pengeluaran per kapita, rata-rata lama sekolah, Produk Domestik Regional Bruto (PDRB), dan kepadatan penduduk. Metode yang digunakan adalah K-Medoids Clustering dengan pendekatan Data Mining dan Machine Learning. Hasil evaluasi menggunakan metrik internal seperti Silhouette Coefficient dan Dunn Index menunjukkan bahwa jumlah cluster optimal adalah dua (K=2), dengan kualitas cluster yang sangat baik (Silhouette Coefficient sebesar 0.6369, Dunn Index 1.0227). Analisis karakteristik menunjukkan bahwa cluster pertama berisi kabupaten/kota dengan indikator kemiskinan yang lebih tinggi, sedangkan cluster kedua mencakup wilayah dengan karakteristik pembangunan yang lebih maju. Selain itu, analisis tren dari tahun 2019 hingga 2023 menunjukkan bahwa sebagian besar kabupaten/kota memiliki komposisi cluster yang stabil, namun terjadi perubahan signifikan pada tahun 2023 dengan berpindahnya kota Parepare dan kota Palopo dari cluster 1 ke cluster 2. Temuan ini diharapkan dapat menjadi dasar dalam merancang kebijakan pengentasan kemiskinan yang
lebih tepat sasaran di Sulawesi Selatan.
Poverty is a complex social problem and is still a major challenge in various regions in Indonesia, including South Sulawesi Province. This study aims to group districts/cities in South Sulawesi based on nine poverty indicators, namely poverty depth index, poverty severity index, open unemployment rate, life expectancy, human development index (HDI), per capita expenditure, average length of schooling, gross regional domestic product (GRDP), and population density. The method used is K-Medoids Clustering with a data mining and machine learning approach. The evaluation results using internal metrics such as Silhouette Coefficient and Dunn Index show that the optimal number of clusters is two (K = 2), with very good cluster quality (Silhouette Coefficient of 0.6369 Dunn Index 1.0227). Characteristic analysis shows that the first cluster contains districts/cities with higher poverty indicators, while the second cluster includes areas with more advanced development characteristics. In addition, trend analysis from 2019 to 2023 shows that most districts/cities have a stable cluster composition, but there will be a significant change in 2023 with the movement of Parepare and Palopo cities from cluster 1 to cluster 2. It is hoped that these findings can be the basis for designing more targeted poverty alleviation policies in South Sulawesi.