Kemiskinan merupakan permasalahan sosial yang kompleks di Provinsi Sumatera Selatan. Meskipun mengalami penurunan, persentase kemiskinan masih berada di atas rata-rata nasional. Penelitian ini bertujuan untuk menganalisis faktor dominan yang memengaruhi kemiskinan. Data yang digunakan bersumber dari Badan Pusat Statistik (BPS) Provinsi Sumatera Selatan pada periode 2020 hingga 2024 dengan total 85 data dari 17 kabupaten/kota. Variabel yang digunakan Meliputi Harapan Lama Sekolah, Rata-Rata Lama Sekolah, Pengeluaran per Kapita, Fasilitas Kesehatan, Indeks Pembangunan Manusia (IPM), Umur Harapan Hidup, PDRB per Kapita, Jumlah Penduduk, dan Persentase Penduduk Miskin. Proses analisis diawali dengan tahapan pra-pemrosesan data (penanganan missing value, outlier, dan normalisasi), dilanjutkan dengan analisis korelasi antar variabel, pengujian empat algoritma clustering yaitu K-Means, Agglomerative Clustering, Gaussian Mixture Model (GMM), dan HDBSCAN, serta pemodelan prediktif dengan XGBoost yang diinterpretasi menggunakan metode SHAP. Random Forest dipilih sebagai model akhir dengan kinerja terbaik (R²=0,654). Hasil interpretasi SHAP mengidentifikasi bahwa peningkatan Umur Harapan Hidup (UHH), PDRB per kapita, Rata-rata Lama Sekolah, Harapan Lama Sekolah, dan IPM berkontribusi menurunkan prediksi kemiskinan, sedangkan variabel Jumlah Penduduk dan Pengeluaran per kapita berkontribusi meningkatkan prediksi kemiskinan. Temuan ini diharapkan dapat menjadi bahan pertimbangan bagi Bappeda dan Dinas Sosial dalam merancang kebijakan serta program yang lebih tepat sasaran.

Kata kunci: Kemiskinan, Machine Learning, Random Forest, SHAP, Sumatera Selatan.