Masalah malnutrisi seperti stunting, wasting, underweight, dan overweight pada anak di bawah dua tahun (baduta) masih menjadi tantangan utama dalam peningkatan kesehatan di Indonesia. Penelitian ini bertujuan mengembangkan sistem klasifikasi status gizi baduta menggunakan algoritma Light Gradient Boosting Machine (LightGBM) berdasarkan standar World Health Organization (WHO) dan Peraturan Menteri Kesehatan Republik Indonesia No. 2 Tahun 2020. Dataset dari Kaggle berisi 100.000 data antropometri diproses menjadi 66.480 data valid melalui data cleaning, perhitungan ulang z-score dengan metode Lambda-Mu-Sigma (LMS), dan pelabelan ulang status gizi sesuai ambang WHO. Tiga model klasifikasi dikembangkan untuk indikator stunting (PB/U), wasting/overweight (BB/PB), dan underweight (BB/U) dengan hyperparameter tuning dan validasi silang 5-fold. Hasil evaluasi menunjukkan LightGBM mencapai akurasi 99,28% untuk stunting, 97,83% untuk wasting/overweight, dan 100% untuk underweight, disertai nilai recall dan F1-score tinggi pada kelas minoritas. Model diimplementasikan melalui aplikasi berbasis Streamlit yang mampu memberikan hasil klasifikasi gizi secara cepat dan akurat, sehingga efektif sebagai alat bantu deteksi dini untuk mendukung peningkatan kesehatan anak di Indonesia.

Kata Kunci: Stunting, Wasting, Underweight, Overweight, LightGBM, Machine Learning