Pemindahan Aparatur Sipil Negara (ASN) ke Ibu Kota Nusantara (IKN) menuntut perencanaan berbasis data karena heterogenitas demografi–sosio-ekonomi ASN. Masalahnya, belum tersedia segmentasi kesiapan yang tepercaya untuk memprioritaskan gelombang pemindahan serta menyelaraskan penugasan antar kementerian/lembaga; urgensinya tinggi karena keputusan salah segmentasi berimplikasi pada biaya, layanan publik, dan risiko sosial. Tesis ini menawarkan pipeline segmentasi berbasis unsupervised learning guna memetakan kesiapan pemindahan ASN ke dalam kelompok yang homogen dan mudah diintervensi. Kontribusi orisinalnya adalah integrasi seleksi fitur (skenario k=3, 5, 7) dan PCA untuk merangkum pola utama (PC1–PC2) sebelum pemodelan, sehingga meningkatkan stabilitas dan interpretabilitas. Tiga algoritma diuji yaitu K-Means, Hierarchical Agglomerative, dan DBSCAN untuk memperoleh segmentasi paling stabil. Hasil eksperimen menunjukkan K-Means dan Hierarchical Agglomerative konsisten unggul dengan Silhouette ≈ 0,80 dan Davies–Bouldin ≈ 0,24, sedangkan DBSCAN memiliki Silhouette kompetitif (≈ 0,79) tetapi DBI lebih tinggi (≈ 2,13) yang menandakan pemisahan antarklaster kurang stabil pada data ini. Analisis dashboard mengungkap mayoritas klaster berada pada kategori Perlu Persiapan dengan variasi internal sedang (std ≈ 1,42–1,56), sehingga rekomendasi kebijakan dapat diarahkan: klaster bermedian kesiapan tinggi dan std rendah diprioritaskan pada gelombang awal, sedangkan klaster heterogen memerlukan intervensi bertahap dan assessment individual.