Kesejahteraan rakyat merupakan salah satu tujuan utama pembangunan yang mencerminkan kualitas hidup masyarakat. Pengukuran kesejahteraan rakyat tidak dapat dilakukan hanya berdasarkan satu bidang, melainkan memerlukan berbagai bidang yang mencakup aspek pendidikan, kesehatan, fertilitas dan keluarga berencana, perumahan, pemanfaatan teknologi informasi, serta program bantuan pemerintah. Banyaknya bidang yang digunakan menyebabkan data bersifat multidimensional dan saling berkaitan sehingga diperlukan metode yang mampu menyederhanakan struktur data tanpa menghilangkan informasi penting. Penelitian ini bertujuan menerapkan Sparse Principal Component Analysis (SPCA) untuk mereduksi dimensi indikator kesejahteraan rakyat serta mengelompokkan kabupaten/kota di Provinsi Kalimantan Selatan menggunakan metode K-Medoids berdasarkan skor komponen utama yang dihasilkan. Data yang digunakan merupakan data indikator kesejahteraan rakyat kabupaten/kota di Provinsi Kalimantan Selatan tahun 2024 yang bersumber dari Survei Sosial Ekonomi Nasional (SUSENAS) yang dipublikasikan oleh Badan Pusat Statistik. SPCA diterapkan menggunakan pendekatan Elastic Net untuk menghasilkan komponen utama yang lebih sederhana. Hasil SPCA menunjukkan bahwa dari  variabel awal diperoleh  variabel terpilih yang mampu menjelaskan % keragaman data. Skor komponen utama yang dihasilkan kemudian digunakan sebagai input pada metode K-Medoids. Hasil pengelompokan menghasilkan tiga klaster optimal dengan nilai Silhouette Coefficient sebesar 0.136. Klaster 1 terdiri atas 5 kabupaten/kota dengan tingkat kesejahteraan sedang, klaster 2 terdiri atas 7 kabupaten/kota dengan tingkat kesejahteraan rendah, dan klaster 3 terdiri atas 1 kabupaten/kota dengan tingkat kesejahteraan tinggi. Dengan demikian, kombinasi SPCA dan K-Medoids mampu mereduksi kompleksitas indikator kesejahteraan rakyat serta mengidentifikasi kelompok kabupaten/kota berdasarkan karakteristik kesejahteraan rakyat di Provinsi Kalimantan Selatan.