<![CDATA[Klasifikasi status gizi balita perlu dilakukan secara cepat dan akurat agar anak yang berisiko dapat segera memperoleh intervensi. Pencocokan data antropometri dengan tabel rujukan secara manual di posyandu membutuhkan waktu dan rentan terhadap kesalahan pencatatan maupun interpretasi. Penelitian ini membandingkan kinerja K-Nearest Neighbor dan Naïve Bayes dalam mengklasifikasikan status gizi balita menggunakan kerangka Cross-Industry Standard Process for Data Mining. Dataset awal terdiri atas 232 rekam antropometri yang dikumpulkan di Posyandu Desa Pamanukan Kota pada Mei 2026. Setelah pembersihan data, diperoleh 218 rekam valid yang dibagi secara terstratifikasi menjadi 174 data pelatihan dan 44 data pengujian dengan rasio delapan puluh berbanding dua puluh. Variabel prediktor meliputi jenis kelamin, umur, berat badan, dan tinggi badan, sedangkan target terdiri atas empat kelas status gizi. Kinerja model dievaluasi menggunakan akurasi, presisi, recall, F1-score, area under the curve, dan waktu komputasi. K-Nearest Neighbor dengan satu tetangga terdekat menghasilkan akurasi 79,55%, presisi 57,81%, recall 59,19%, F1-score 58,25%, dan area under the curve 0,7418. Naïve Bayes menghasilkan akurasi 47,73% serta nilai metrik prediktif lain yang lebih rendah. Kebaruan penelitian terletak pada komparasi menyeluruh dalam kerangka proses penambangan data lengkap pada dataset lokal posyandu yang tidak seimbang. K-Nearest Neighbor direkomendasikan untuk dikembangkan menjadi sistem pendukung keputusan status gizi.]]>
