<![CDATA[Penyakit lepra masih menjadi tantangan kesehatan strategis di Indonesia yang ditandai dengan disparitas antarwilayah yang signifikan dan berkaitan erat dengan determinan sosial-ekonomi. Penelitian ini bertujuan untuk mengkomparasi kinerja algoritma K-Means dan Hierarchical Clustering dalam memetakan zonasi risiko lepra berbasis indikator makroekonomi (kapasitas fiskal, kemiskinan, keterbelakangan, dan pengeluaran) di 514 kabupaten/kota di Indonesia. Metode penelitian menggunakan pendekatan kuantitatif Data Mining yang meliputi normalisasi Euclidean, metode Elbow untuk penentuan klaster optimal, dan validasi model menggunakan Silhouette Coefficient. Hasil penelitian menunjukkan bahwa meskipun Hierarchical Clustering memiliki nilai validitas statistik lebih tinggi (0.5357) dibandingkan K-Means (0.4354), K-Means dipilih sebagai model terbaik karena mampu menghasilkan distribusi spasial yang lebih proporsional dan menghindari pengelompokan outlier yang ekstrem. Penelitian ini mengidentifikasi tiga klaster berbeda: Zona Endemis Tinggi-Fiskal Kuat, Zona Tertinggal dengan potensi masalah kurang deteksi (under-detection), dan Zona Moderat. Kesimpulan penelitian mengungkap paradoks di mana beban lepra tertinggi justru ditemukan pada wilayah yang mapan secara ekonomi, mengindikasikan adanya ketimpangan internal, sementara wilayah tertinggal membutuhkan perbaikan infrastruktur deteksi. Temuan ini menjadi landasan bagi intervensi kebijakan yang berdiferensiasi. Penyakit lepra masih menjadi tantangan kesehatan strategis di Indonesia yang ditandai dengan disparitas antarwilayah yang signifikan dan berkaitan erat dengan determinan sosial-ekonomi. Penelitian ini bertujuan untuk mengkomparasi kinerja algoritma K-Means dan Hierarchical Clustering dalam memetakan zonasi risiko lepra berbasis indikator makroekonomi (kapasitas fiskal, kemiskinan, keterbelakangan, dan pengeluaran) di 514 kabupaten/kota di Indonesia. Metode penelitian menggunakan pendekatan kuantitatif Data Mining yang meliputi normalisasi Euclidean, metode Elbow untuk penentuan klaster optimal, dan validasi model menggunakan Silhouette Coefficient. Hasil penelitian menunjukkan bahwa meskipun Hierarchical Clustering memiliki nilai validitas statistik lebih tinggi (0.5357) dibandingkan K-Means (0.4354), K-Means dipilih sebagai model terbaik karena mampu menghasilkan distribusi spasial yang lebih proporsional dan menghindari pengelompokan outlier yang ekstrem. Penelitian ini mengidentifikasi tiga klaster berbeda: Zona Endemis Tinggi-Fiskal Kuat, Zona Tertinggal dengan potensi masalah kurang deteksi (under-detection), dan Zona Moderat. Kesimpulan penelitian mengungkap paradoks di mana beban lepra tertinggi justru ditemukan pada wilayah yang mapan secara ekonomi, mengindikasikan adanya ketimpangan internal, sementara wilayah tertinggal membutuhkan perbaikan infrastruktur deteksi. Temuan ini menjadi landasan bagi intervensi kebijakan yang berdiferensiasi.]]>
