Penelitian ini bertujuan untuk mengklasifikasikan dan mengelompokkan kondisi stunting di Kabupaten Bengkulu Utara menggunakan dua metode pembelajaran mesin, yaitu K Nearest Neighbors (KNN) dan K-Means Clustering. Tujuan utama penelitian adalah untuk memprediksi status gizi balita dan mengidentifikasi wilayah dengan prevalensi stunting tinggi guna merancang intervensi kesehatan yang lebih efektif. Metode yang digunakan adalah KNN untuk klasifikasi status gizi balita dan K-Means Clustering untuk mengelompokkan wilayah berdasarkan prevalensi stunting, yang menghasilkan dua Cluster. Data sekunder dari Dinas Kesehatan Kabupaten Bengkulu Utara digunakan dalam penelitian ini. Evaluasi model KNN menunjukkan akurasi sebesar 96,87%, sementara K-Means berhasil mengelompokkan wilayah menjadi dua Cluster dengan prevalensi stunting yang berbeda. Hasil evaluasi dengan confusion matrix dan Davies Bouldin Index (DBI) menunjukkan performa yang baik dari kedua metode. Secara keseluruhan, penelitian ini menyimpulkan bahwa metode KNN dan K-Means Clustering efektif dalam mengklasifikasikan status gizi balita dan mengelompokkan kondisi stunting, yang dapat membantu dalam merancang intervensi kesehatan yang lebih tepat sasaran.

This study aims to classify and Cluster the stunting conditions in Bengkulu Utara Regency using two machine learning methods: K-Nearest Neighbors (KNN) and K-Means Clustering. The main objective of the research is to predict the nutritional status of toddlers and identify areas with high stunting prevalence to design more effective health interventions. The methods used include KNN for classifying the nutritional status of toddlers and K-Means Clustering for grouping areas based on stunting prevalence, resulting in two Clusters. Secondary data from the Bengkulu Utara Health Office was used in this research. The KNN model evaluation showed an accuracy of 96.87%, while K-Means successfully Clustered the areas into two groups with different stunting prevalences. Evaluation results from the confusion matrix and Davies-Bouldin Index (DBI) indicate good performance from both methods. Overall, this study concludes that KNN and K-Means Clustering methods are effective in classifying the nutritional status of toddlers and Clustering stunting conditions, which can help in designing more targeted health interventions.