Stunting merupakan masalah serius yang diakibatkan oleh kekurangan gizi kronis pada balita, menyebabkan pertumbuhan yang terhambat dan berdampak buruk pada kesehatan serta produktivitas jangka panjang. Oleh karena itu, deteksi dini stunting sangat penting untuk mengurangi dampak negatifnya. Studi-studi terdahulu yang memanfaatkan machine learning telah membuktikan keberhasilan metode ini dalam berbagai aplikasi kesehatan, seperti deteksi penyakit dan prediksi kondisi medis. Hasil penelitian ini merinci evaluasi komparatif lima algoritma klasifikasi, yaitu Logistic Regression, Decision Tree, Random Forest, K-Nearest Neighbors (KNN), dan Support Vector Machine (SVM), dalam mengklasifikasi balita stunting. Dataset yang digunakan mengandung empat atribut penting: usia, jenis kelamin, berat badan, dan tinggi badan balita, serta label kelas biner yang membedakan antara balita yang mengalami stunting dan yang tidak. Hasil evaluasi menunjukkan bahwa KNN pada K = 3 menghasilkan akurasi tertinggi sebesar 94,85%, menjadikannya model terbaik dalam mengklasifikasikan stunting pada balita. Selain akurasi, metrik lain seperti presisi, recall, dan F1-score digunakan untuk menganalisis kemampuan algoritma dalam mengatasi masalah ini. KNN menonjol sebagai model terbaik dengan F1-score tertinggi sebesar 89,47%. KNN juga berhasil mempertahankan keseimbangan antara presisi dan recall, menjadikannya pilihan yang sangat baik dalam penanganan stunting pada balita. Selain itu, penggunaan metrik AUC dari kurva ROC juga menunjukkan keunggulan KNN dalam membedakan antara balita stunting dan non-stunting. Dengan kombinasi hasil evaluasi yang konsisten, baik dari segi akurasi maupun metrik evaluasi lainnya, penelitian ini membuktikan bahwa KNN adalah pilihan terbaik dalam mengatasi tugas klasifikasi stunting pada balita.