Data mining merupakan cabang ilmu yang membantu pengambil keputusan dalam menganalisis dan mengekstraksi data secara efisien. Klasifikasi merupakan salah satu aplikasi umum dalam data mining atau machine learning, termasuk dalam algoritma supervised learning. Klasifikasi mengelompokkan data ke dalam kategori berdasarkan fitur-fitur tertentu untuk memahami pola tersembunyi dan membuat prediksi. Beberapan metode klasifikasi meliputi Binary Logistic Regression (BLR), Support Vector Machine (SVM), dan Naïve-Bayes Classifier (NBC). Penelitian ini bertujuan untuk mengetahui performa metode klasifkasi dalam mengklasifikasikan tingkat kedalaman kemiskinan pada kabupaten/kota di Indonesia Tahun 2022. Sampel yang digunakan mencakup seluruh populasi kabupaten/kota di Indonesia Tahun 2022, yaitu sebanyak 514 kabupaten/kota, dengan variabel respon berupa Indeks Kedalaman Kemiskinan yang dibagi menjadi dua kategori, yaitu tinggi (1) dan rendah (0), serta menggunakan 11 variabel prediktor. Penelitian ini menggunakan ketiga metode klasifikasi dengan menerapkan K-Fold Cross Validation dimana K = 5, dan nilai akurasi sebagai indikator kebaikan model yang diperoleh dari confusion matrix. Berdasarkan nilai akurasi dari setiap proses klasifikasi masing-masing metode, dapat diperoleh model terbaik dan perbandingan dari ketiga metode. Berdasarkan hasil penelitian, diperoleh bahwa rata-rata akurasi prediksi klasifikasi tingkat kedalaman kemiskinan menggunakan BLR, SVM, dan NBC masing-masing adalah 74,3213%, 77,6280%, dan 70,0457%. Perbandingan ketiga nilai akurasi menunjukkan bahwa metode SVM memiliki keunggulan dibandingkan kedua metode lainnya untuk mengklasifikasi tingkat kedalaman kemiskinan di Indonesia Tahun 2022.