Angka Kematian Bayi (AKB) di Indonesia masih menjadi tantangan kesehatan masyarakat yang besar, dengan disparitas yang signifikan antara provinsi. Berdasarkan data Survei Demografi dan Kesehatan Indonesia (SDKI), AKB nasional mencapai 24 per 1.000 kelahiran hidup pada tahun 2017, namun beberapa provinsi di kawasan timur Indonesia mencatat angka yang jauh lebih tinggi. Keterlambatan dalam deteksi risiko, perencanaan intervensi yang seragam tanpa mempertimbangkan heterogenitas wilayah, dan keterbatasan pendekatan analitik konvensional menjadi hambatan utama dalam penurunan AKB secara bermakna. Penelitian ini bertujuan mengembangkan model machine learning untuk memprediksi dan memproyeksikan kesintasan hidup bayi berdasarkan klasterisasi provinsi di Indonesia, menggunakan data SDKI 2017 (n=13.553 bayi dari 34 provinsi). Desain penelitian bersifat observasional analitik yang dilaksanakan dalam lima fase terpadu: (1) systematic literatur review kesintasan hidup bayi; (2) analisis survival dan identifikasi determinan menggunakan Kaplan-Meier dan regresi Cox multivariat; (3) klasterisasi provinsi menggunakan algoritme K-Modes berdasarkan profil variabel kategorik; (4) pengembangan dan evaluasi lima model machine learning (Logistic Regression, Random Forest, AdaBoost, Gradient Boosting, XGBoost, dan LightGBM) dengan penyeimbangan kelas menggunakan ADASYN; dan (5) proyeksi kesintasan berdasarkan skenario perbaikan determinan utama per klaster. Probabilitas kesintasan hidup kumulatif bayi nasional pada 12 bulan adalah S(t) = 98,56% dengan 189 kematian dari 13.553 bayi yang diamati. Analisis multivariat mengidentifikasi enam determinan independen, dengan berat bayi lahir sebagai prediktor terkuat (aHR bayi tidak ditimbang: 2,6; 95% CI: 2,0–3,4). Klasterisasi K-Modes menghasilkan dua klaster yang berbeda secara signifikan: Klaster 1 mencakup 24 provinsi (survival 12 bulan: 98,77%) dan Klaster 2 mencakup 10 provinsi yaitu NTT, Kalimantan Tengah, Sulawesi Tengah, Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Maluku, Maluku Utara, Papua Barat, dan Papua dengan probabilitas kesintasan 98,00%. Model LightGBM Classifier terbukti sebagai algoritme terbaik pada kedua klaster: ROC-AUC 0,939 dengan F1-score 0,890 pada Klaster 1, dan ROC-AUC 0,940 dengan F1-score 0,910 pada Klaster 2. Tingginya nilai recall pada Klaster 2 (0,940 vs 0,877) menunjukkan kemampuan model dalam meminimalkan false negative kematian bayi di kawasan yang paling rentan. Proyeksi simultan seluruh skenario intervensi memperkirakan peningkatan survival Klaster 1 dari 98,77% menjadi 99,5–99,7%, dan Klaster 2 dari 98,00% menjadi 99,3–99,5%, sehingga disparitas antara kedua klaster dapat dipersempit dari 0,77 menjadi kurang dari 0,2 poin persentase.

The Infant Mortality Rate (IMR) in Indonesia remains a major public health chal-lenge, with significant disparities between provinces. According to the Indonesian Demographic and Health Survey (IDHS), the national IMR reached 24 per 1,000 live births in 2017, but several provinces in eastern Indonesia recorded much higher rates. Delays in risk detection, uniform intervention planning without considering regional heterogeneity, and limitations of conventional analytical approaches are ma-jor obstacles to meaningful IMR reduction. This study aims to develop a machine learning model to predict and project infant survival based on provincial clustering in Indonesia, using 2017 IDHS data (n=13,553 infants from 34 provinces). The study design was observational and analytical, implemented in five integrated phas-es: (1) a systematic literature review on infant survival; (2) survival analysis and identification of determinants using Kaplan-Meier and multivariate Cox regression; (3) provincial clustering using the K-Modes algorithm based on categorical variable profiles; (4) development and evaluation of five machine learning models (Logistic Regression, Random Forest, AdaBoost, Gradient Boosting, XGBoost, and LightGBM) with class balancing using ADASYN; and (5) survival projections based on scenarios for improving the main determinants per cluster. The national cumulative infant survival probability at 12 months was S(t) = 98.56% with 189 deaths out of 13,553 observed infants. Multivariate analysis identified six independ-ent determinants, with birth weight as the strongest predictor (aHR unweighted in-fants: 2.6; 95% CI: 2.0–3.4). K-Modes clustering resulted in two significantly dif-ferent clusters: Cluster 1 encompassing 24 provinces (12-month survival: 98.77%) and Cluster 2 encompassing 10 provinces, namely NTT, Central Kalimantan, Cen-tral Sulawesi, Southeast Sulawesi, Gorontalo, West Sulawesi, Maluku, North Ma-luku, West Papua, and Papua with a survival probability of 98.00%. The LightGBM Classifier model proved to be the best algorithm in both clusters: ROC-AUC 0.939 with F1-score 0.890 in Cluster 1, and ROC-AUC 0.940 with F1-score 0.910 in Cluster 2. The high recall value in Cluster 2 (0.940 vs 0.877) indicates the model's ability to minimize false negative infant mortality in the most vulnerable are-as. Simultaneous projection of all intervention scenarios estimates an increase in survival for Cluster 1 from 98.77% to 99.5–99.7%, and for Cluster 2 from 98.00% to 99.3–99.5%, so that the disparity between the two clusters can be narrowed from 0.77 to less than 0.2 percentage points.