Stunting merupakan tantangan kesehatan yang signifikan di Indonesia, dengan tingkat prevalensi mencapai 21,6\% pada tahun 2022, melebihi batas toleransi WHO untuk stunting. Studi ini bertujuan untuk mengidentifikasi stunting pada balita menggunakan algoritma K-Nearest Neighbor (KNN) dan Naive Bayes (NB). Metode KNN dipilih karena efektivitasnya dalam memanfaatkan kesamaan antara atribut data baru dan dataset pelatihan, sedangkan Naive Bayes dipilih karena pendekatan probabilistiknya, yang mengatasi atribut yang berkaitan dengan stunting pada balita. Dataset, yang diperoleh dari Puskesmas Bojongsoang, mengalami pra-pemrosesan untuk mengatasi ketidakseimbangan awal seperti mengonversi format usia menjadi bulan dan menghapus kolom yang tidak relevan seperti rincian alamat. Atribut yang digunakan dalam studi ini meliputi usia-dalam-bulan, tinggi, berat, Z-Score Berat-untuk-Usia, Z-Score Tinggi-untuk-Usia, dan Z-Score Berat-untuk-Tinggi. Penelitian ini menggunakan algoritma SMOTE untuk mengatasi ketidakseimbangan data. Dalam algoritma SMOTE, data yang tidak seimbang dapat dikelola dengan menggunakan teknik undersampling dan oversampling. Penelitian ini mengungkapkan peningkatan signifikan dalam kedua model KNN dan NB setelah menerapkan teknik oversampling. Secara khusus, model KNN menunjukkan kinerja yang lebih unggul, meningkatkan F1-Score dari 67,20\% menjadi 95,62\%, dengan akurasi 95,67\%. Model Naive Bayes juga mengalami peningkatan, meningkatkan F1-Score dari 71,22\% menjadi 95,62\%, dengan akurasi 94\%. Studi ini berkontribusi pada metode klasifikasi stunting yang efektif. Dengan memanfaatkan pengukuran langsung tinggi dan berat badan, penelitian ini membantu dalam identifikasi stunting dan mengusulkan metode, termasuk oversampling, untuk meningkatkan akurasi klasifikasi KNN dan Naive Bayes.
Stunting poses a significant health challenge in Indonesia, with a prevalence rate reaching 21.6\% in 2022, exceeding the WHO's tolerance limit for stunting. This study aims to identify stunting in toddlers using the K-Nearest Neighbor (KNN) and Naive Bayes (NB) algorithms. The KNN method is chosen for its effectiveness in utilizing the similarity between the attributes of new data and the training dataset, while Naive Bayes is selected for its probabilistic approach, addressing attributes related to stunting in toddlers. The dataset, obtained from the Bojongsoang Community Health Centre, underwent preprocessing to address initial imbalances such as converting the age format to month and removing an irrelevant column like address details. The attributes used in this study include age-in-months, height, weight, Z-Score Weight-for-Age, Z-Score Height-for-Age, and Z-Score Weight-for-Height. This research uses an SMOTE algorithm for handling imbalance data. In the SMOTE algorithm, imbalanced data can be managed by using undersampling and oversampling techniques. The research reveals a significant improvement in both KNN and NB models after applying the oversampling technique. Particularly, the KNN model demonstrates superior performance, increasing the F1-Score from 67.20\% to 95.62\%, with an accuracy of 95.67\%. The Naive Bayes model also experiences enhancement, raising the F1-Score from 71.22\% to 95.62\%, with an accuracy of 94\%. This study contributes to effective stunting classification methods. Leveraging direct measurements of height and weight, the research aids in stunting identification and proposes methods, including oversampling, to enhance classification accuracy KNN and Naive Bayes.