Yayasan Dana Sosial Al Falah YDSF Surabaya menghadapi tantangan dalam mengevaluasi data penyaluran bantuan yang masih dikelola secara manual, sehingga sulit untuk menemukan pola-pola yang bermakna. Penelitian ini bertujuan untuk menerapkan machine learning dengan melakukan pengelompokan atau clustering penerima bantuan berdasarkan karakteristik data campuran numerik dan kategorikal. Metode yang dibandingkan adalah K-Prototypes dan Agglomerative Hierarchical Clustering, dan kualitas hasil dievaluasi menggunakan Silhouette Score serta Rasio BSS/TSS, dengan Silhouette Score sebagai acuan utama karena kemampuannya dalam menilai data campuran. Hasil penelitian menunjukkan bahwa metode K-Prototypes secara konsisten menghasilkan pengelompokan atau cluster dengan kualitas pemisahan terbaik. Analisis lebih lanjut untuk menentukan variabel paling berpengaruh atau feature importance dilakukan menggunakan uji ANOVA untuk data numerik dan uji Cramer\'s V untuk data kategorikal, dan ditemukan bahwa Durasi Total serta Kategori Subprogram merupakan dua variabel dengan pengaruh paling kuat dalam membedakan karakteristik antar cluster. Seluruh hasil analisis ini divisualisasikan dalam sebuah dashboard interaktif yang dirancang untuk membantu manajemen YDSF dalam memonitor program, mengevaluasi efisiensi, dan mendukung pengambilan keputusan strategis yang lebih tepat sasaran berbasis data.