Stunting merupakan salah satu masalah kesehatan yang menjadi prioritas masalah kesehatan anak di Indonesia. Pencegahan stunting pada balita sangat diperlukan untuk menghindari dampak jangka panjang bagi balita dan masyarakat. Pencegahan stunting dapat dilakukan dengan memantau pertumbuhan balita. Oleh karena itu, dibutuhkan sebuah sistem yang dapat memprediksi kondisi stunting pada balita. Machine learning menawarkan banyak metode yang dapat digunakan untuk membangun sistem prediksi kondisi stunting pada balita. Penelitian ini menganalisis beberapa model machine learning yang berpotensi cocok untuk memprediksi kelas stunting, yaitu K-Nearest Neighbor (KNN), Random Forest (RF), dan Ensemble Learning yang disebut Boosted KNN (BK). Dataset yang digunakan dalam penelitian ini memiliki masalah ketidakseimbangan, dimana data stunting hanya sebesar 1\% dari total dataset. Oleh karena itu, dilakukan oversampling pada dataset dengan cara membangkitkan dataset secara acak berdasarkan distribusi data yang tergolong dalam kelas minoritas. Hasil dari penjabaran oversampling ini terbukti memuaskan. Menerapkan data yang tidak seimbang memberikan rata-rata akurasi sebesar 98\% untuk semua metode yang digunakan; namun, rata-rata makro skor F-1 terbukti tidak optimal untuk masing-masing metode, dengan 51,95\% untuk KNN, 52,45\% untuk RF, dan 53,55\% untuk BK. Setelah data diseimbangkan dengan melakukan oversampling, rata-rata makro skor F-1 untuk semua metode meningkat secara substansial. Hasil yang baru adalah 93,55\% untuk KNN, 97,70\% untuk RF, dan 98,00\% untuk BK, menggarisbawahi peran penting dalam mengatasi ketidakseimbangan data dalam meningkatkan akurasi prediksi.