<![CDATA[Kemiskinan di Indonesia merupakan isu kompleks dan multidimensi, dengan persentase penduduk miskin yang mengalami penurunan dari tahun ke tahun, namun masih mencapai sekitar 9,36% dari total populasi atau sekitar 25,90 juta orang pada Maret 2023. Untuk mengatasi tantangan ini, diperlukan strategi penanganan yang efektif dan tepat sasaran. Salah satu pendekatan yang dapat ditempuh untuk merumuskan strategi yang lebih efektif adalah dengan melakukan peramalan tingkat kemiskinan di Indonesia. Sebelumnya, studi telah menyoroti bahwa metode peramalan menggunakan teknik pembelajaran mesin Backpropagation Neural Network (BPNN) dapat memberikan hasil yang dapat diandalkan, mengingat kemampuannya dalam memodelkan pola kompleks dalam data dan memahami hubungan nonlinear. Setelah melakukan peramalan, langkah selanjutnya adalah melakukan klasterisasi untuk memahami pola spasial atau geografis dari hasil peramalan tersebut. Meskipun klasterisasi k-Means merupakan metode klaster yang umum digunakan, beberapa kelemahan seperti sensitivitas terhadap outlier, penurunan performa ketika ukuran klaster tidak seimbang, dan dependensi performa klaster pada pemilihan jumlah klaster dan titik pusat secara acak. Oleh karena itu, muncul ide untuk mencari alternatif metode klaster yang lebih baik dan akurat dalam mengelompokkan hasil peramalan tingkat kemiskinan di Indonesia. Penelitian ini bertujuan untuk membandingkan antara dua metode klasterisasi, yaitu k-Means dan k-Medoids, terhadap hasil peramalan tingkat kemiskinan di Indonesia. Metode peramalan yang akan digunakan adalah Backpropagation Neural Network (BPNN). Hasil analisis peramalan menunjukkan tren penurunan tingkat kemiskinan secara menyeluruh di Indonesia. Evaluasi DBI terhadap klaster menunjukkan bahwa klaster terbaik diraih menggunakan K-means dengan nilai sebesar 0,828406641 dan membentuk lima klaster dengan rincian klaster 1 sebanyak 4 provinsi, klaster 2 sebanyak 13 provinsi, klaster 3 sebanyak 9 provinsi, dan klaster 4 sebanyak 8 provinsi.]]>
