Badan Pusat Statistik (BPS) melaksanakan Survei Potensi Desa (Podes) untuk mendukung pembangunan daerah. Namun, survei ini sering menghadapi kendala non-respon, yaitu kondisi responden yang dipilih untuk berpartisipasi dalam survei tidak memberikan respon atau tidak mengisi kuesioner dengan lengkap sehingga menyebabkan data menjadi bias. Untuk mengatasi hal ini, maka dilakukan pengelompokan desa berdasarkan karakteristiknya menggunakan K-Means. Hanya saja, inisialisasi centroid pada K-Means pada dasarnya menggunakan cara acak yang menyebabkan hasilnya kurang optimal. Untuk mengatasi hal tersebut maka digunakan Algoritma Pillar. Tujuan penelitian yaitu untuk menguji kinerja kombinasi K-Means + Algoritma Pillar dalam menentukan centroid awal. Penelitian ini menggunakan data Podes dari BPS Banyumas. Evaluasi yang digunakan yaitu Sum of Square Error (SSE), Variance Between Cluster, Silhouette Score, dan Variance Within Cluster. Semakin rendah nilai SSE dan Variance Within Cluster, maka dapat dinyatakan bahwa klaster semakin homogen dan titik-titik data dalam klaster lebih berdekatan. Sedangkan semakin tinggi nilai Silhouette Score dan Variance Between Cluster, maka dapat dinyatakan bahwa jarak antar klaster semakin jelas. Hasil evaluasi menunjukkan bahwa K-Means lebih unggul dalam menjaga homogenitas dan kedekatan titik dalam klaster, dengan SSE lebih rendah dengan selisih 4328194,60 dan Variance Within Cluster lebih kecil dengan selisih 208,15. Sebaliknya, K-Means + Algoritma Pillar lebih baik dalam membentuk klaster yang lebih terpisah, dibuktikan dengan Variance Between Clusterlebih tinggi dengan selisih 217,54 dan Silhouette Score lebih besar dengan selisih 0,02. Kesimpulannya, K-Means lebih optimal untuk klaster yang terpusat dan homogen, sedangkan K-Means + Algoritma Pillar lebih unggul dalam membentuk klaster dengan batas yang lebih jelas.
Kata Kunci: Algoritma Pillar, K-Means, Silhouette Score, Sum of Square Error, Variance Between Cluster, Variance Within Cluste