<![CDATA[Indonesia sebagai negara kepulauan dengan 38 provinsi menyimpan berbagai ketimpangan kondisi kesehatan yang kompleks. Tujuan dari penelitian ini yaitu untuk mengidentifikasi pola kategorisasi provinsi di Indonesia menurut parameter kesehatan melalui pendekatan analisis faktor dan klasterisasi K-Means. Riset ini menggunakan dataset yang memuat 12 variabel kesehatan provinsi Indonesia. Kelayakan data dan variabel diverifikasi dengan uji Kaiser-Meyer-Olkin (KMO) dan Bartlett's Test. Kemudian diekstrak ke faktor-faktor yang menghasilkan 3 faktor. Faktor yang dihasilkan selanjutnya digunakan sebagai input klasterisasi K-Means, dengan jumlah klaster optimal ditentukan melalui Elbow Method, Davies-Bouldin Index, dan Calinski-Harabasz Index, serta divalidasi menggunakan Silhouette Score. Hasil penelitian mengangkat empat klaster yang divalidasi dengan Silhouette Score sebesar 0,4563. Klaster yang dihasilkan mengungkapkan segmentasi wilayah yang kontras secara detail, di mana klaster 0 yang mencerminkan wilayah berprofil rata-rata atau menengah nasional, klaster 1 yang mencerminkan outlier tunggal dengan tingkat kerentanan tertinggi dan kritis, klaster 2 yang mencerminkan pusat demografi dengan kapasitas infrastruktur medis berskala masif, dan klaster 3 yang mencerminkan wilayah terluar yang rentan dan jauh. Analisis ini menegaskan bahwa pendekatan analisis faktor dan klasterisasi K-Means mampu menghasilkan pola-pola dalam kesehatan nasional, sehingga pemerintah mampu mempertimbangkan profil tiap klaster secara spesifik demi intervensi yang efektif dan berkeadilan. As an archipelagic nation with 38 provinces, Indonesia faces a range of complex health disparities. The purpose of this study is to identify characteristics of provincial categorization in Indonesia according to health parameters using factor analysis and K-Means clustering. This study uses a dataset containing 16 health variables for Indonesian provinces. The eligibility of the data and variables was verified using the Kaiser-Meyer-Olkin (KMO) test and Bartlett’s test. The data was then extracted into factors, yielding three factors. These factors were then used as input for K-Means clustering, with the optimal number of clusters determined using the Elbow Method, the Davies-Bouldin Index, and the Calinski-Harabasz Index, and validated using Silhouette Score. The result identified four clusters, validated by a Silhouette Score of 0.4563. The resulting clusters reveal a detailed segmentation of regions with contrasting characteristics: Cluster 0 represents regions with an average or national-level profile; Cluster 1 represents a single outlier with the highest and most critical vulnerability level; Cluster 2 represents a demographic center with massive medical infrastructure capacity; and Cluster 3 represents vulnerable and remote outlying regions. This analysis confirms that factor analysis and K-means clustering can identify patterns in national health, enabling the government to consider the specific profile of each cluster in order to implement effective and equitable interventions.]]>
