Malnutrisi pada balita merupakan tantangan kritis di Kabupaten Lombok Barat dengan prevalensi stunting 32,7% pada 2022. Deteksi manual melalui buku KIA rentan kesalahan interpretasi oleh kader posyandu, terutama dalam mengidentifikasi kasus minoritas gizi buruk (4,70%) dan gizi lebih (4,44%) pada dataset tidak seimbang yang didominasi gizi baik (90,86%). Penelitian ini bertujuan mengembangkan sistem klasifikasi status gizi balita menggunakan XGBoost dengan penanganan class imbalance melalui SMOTE berdasarkan 3 kategori WHO 2006: Gizi Buruk (ZS BB/TB < -2), Gizi Baik (-2 ≤ ZS BB/TB ≤ +2), dan Gizi Lebih (ZS BB/TB > +2). Dataset 788 balita usia 24–59 bulan dari 12 desa di Kecamatan Labuapi dikumpulkan Oktober 2024. Pra-pemrosesan meliputi filtering nilai tidak valid berdasarkan kriteria WHO, penghapusan LILA (>99% missing value), dan normalisasi MinMaxScaler. SMOTE diterapkan eksklusif pada training set (630 data) untuk mencegah data leakage, sedangkan testing set tetap asli (158 data). Evaluasi dengan 5-Fold Cross-Validation menunjukkan XGBoost mencapai F1-Score Macro 0,8434 ± 0,0466 dan Recall Gizi Buruk 90,28% ± 6,57%, unggul dibanding Random Forest, KNN, Decision Tree, dan Naïve Bayes. Confusion matrix menunjukkan Recall 100% untuk Gizi Buruk (7/7 kasus terdeteksi), memenuhi standar WHO (>80%). Prototipe Streamlit dikembangkan dengan fitur prediksi manual untuk ketiga kategori dan rekomendasi rujukan berbasis prinsip human-in-the-loop. Hasil penelitian berkontribusi pada percepatan penurunan stunting sejalan dengan target nasional 18,8% pada 2025 serta SDG 2.2 (Zero Hunger) dan SDG 3.2 (Good Health).