Stunting adalah kondisi kronis yang menghambat pertumbuhan dan perkembangan anak, ditandai dengan tinggi badan di bawah standar untuk usia. Penelitian ini bertujuan untuk membangun model klasifikasi stunting berdasarkan data status gizi balita. Data masukan terdiri dari data antropometri, dan keluaran adalah prediksi kategori stunting atau normal. Hal ini menjadi penting karena prevalensi stunting di Indonesia pada tahun 2023 masih tinggi, yaitu 21,5%, dan belum mencapai target nasional 18% yang ditetapkan untuk tahun 2025. Penelitian ini menggunakan pendekatan machine learning dengan membandingkan dua algoritma klasifikasi, Gaussian Naïve Bayes dan LightGBM. Data yang digunakan berasal dari Dinas Kesehatan Kabupaten Talaud, kemudian diproses, diseimbangkan menggunakan SMOTE Oversampling dan SMOTE Undersampling, serta divalidasi menggunakan Stratified K-Fold Cross Validation. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan Confusion Matrix. Hasil menunjukkan bahwa model LightGBM dengan SMOTE Oversampling memberikan kinerja terbaik dengan akurasi, presisi, recall, dan F1-score mencapai 98,92%. Studi ini menghasilkan model klasifikasi yang efisien dan stabil, dengan potensi untuk diimplementasikan sebagai sistem pendukung bagi tenaga kesehatan dalam deteksi dini stunting.