Salah satu permasalahan tumbuh kembang pada balita adalah stunting. Stunting atau rendahnya index TB/U yang disebabkan oleh kondisi sosial ekonomi, gizi ibu hamil, kurangnya asupan gizi pada bayi, pola asuh serta tingkat pendidikan orang tua balita. Berbeda dengan anak usia 0-24 bulan, anak usia 12-59 bulan memiliki angka kejadian stunting yang lebih tinggi. Stunting dapat memiliki jangka pendek dan jangka panjang. Efek jangka pendek yaitu keterlambatan perkembangan kognitif, motorik, bahasa, risiko kecacatan, penyakit menular, dan mortalitas, untuk efek jangka panjang yaitu risiko penyakit degeneratif, seperti tekanan darah tinggi, diabetes, korener, penyakit jantung dan stroke. Dampak lebih lanjut terjadi pada masa dewasa yaitu berkurangnya efisiensi kerja, oleh karna itu dibutuhkan sebuah metode untuk mempermudahkan dalam mengklasifikasi status stunting. Salah satunya adalah dengan bidang ilmu data mining dengan teknik klasifikasi.
Klasifikasi merupakan suatu metode yang digunakan untuk memprediksi variabel target data baru berdasarkan data yang sudah ada. Didalam melakukan klasifikasi algoritma Naïve Bayes, K-Nearest Neighbor dan Decision Tree sudah banyak digunakan untuk menyelesaikan masalah klasifikasi data. Oleh karena itu perlu dilakukan perbandingan algoritma mana yang lebih baik dalam melakukan klasifikasi status stunting. Objek penelitian digunakan adalah dataset stunting yang terdapat pada Puskesmas Buntu Batu Kabupaten Enrekang dan memiliki 21 atribut dan 1 atribut target dengan 2 nilai yaitu stunting dan tidak stunting (normal). Algoritma yang dilakukan perbandingan adalah algoritma Naïve Bayes, K-Nearest Neighbor dan Decision Tree. Hasil dari penelitian ini menunjukkan nilai akurasi Decision Tree adalah sebanyak sebanyak 99.11% sedang KNN 78.88% dan Naïve Bayes 82.29%.