Stunting merupakan masalah kesehatan yang serius pada balita, terutama di wilayah pedesaan, akibat kekurangan gizi kronis yang berlangsung dalam jangka panjang. Permasalahan ini sering kali tidak terdeteksi secara dini karena keterbatasan dalam pengelolaan data. Penelitian ini bertujuan untuk membangun sistem prediksi stunting berbasis data mining menggunakan algoritma C4.5. Algoritma C4.5 adalah salah satu algoritma dalam data mining yang digunakan untuk membuat pohon keputusan (decision tree) yang dikembangkan dengan metode Agile dan pendekatan CRISP-DM. Sistem ini dirancang untuk mempermudah proses deteksi risiko stunting serta mempercepat pengelolaan data guna mendukung intervensi yang lebih tepat waktu. Hasil pengujian model prediksi menunjukkan bahwa algoritma C4.5 mampu mencapai akurasi sebesar 93,01%. Namun, nilai recall sebesar 34,38% dan precision sebesar 64,71% mengindikasikan adanya kendala dalam mendeteksi kasus stunting, yang disebabkan oleh ketidakseimbangan data antara kelas stunting dan tidak stunting. Meskipun demikian, sistem ini menunjukkan potensi besar dalam membantu peningkatan efektivitas deteksi dan penanganan stunting, terutama di wilayah dengan akses teknologi yang masih terbatas.
Kata Kunci : Stunting, Prediksi, Data Mining, C4.5, Posyandu, CRISP-DM, Agile

Stunting is a serious health issue affecting toddlers, particularly in rural areas, due to chronic malnutrition that persists over the long term. This problem often goes undetected at an early stage due to limitations in data management. This study aims to develop a stunting prediction system based on data mining techniques using the C4.5 algorithm. The C4.5 algorithm is one of the decision tree algorithms used in data mining, developed using the Agile methodology and the CRISP-DM approach. The system is designed to facilitate early detection of stunting risk and accelerate data management processes to support more timely interventions. The prediction model evaluation shows that the C4.5 algorithm achieves an accuracy of 93.01%. However, the recall value of 34.38% and precision of 64.71% indicate challenges in detecting stunting cases, primarily due to data imbalance between stunting and non-stunting classes. Despite this limitation, the system demonstrates significant potential in enhancing the effectiveness of stunting detection and management, particularly in areas with limited access to technology.
Kata Kunci : Stunting, Prediction, Data Mining, C4.5, CRISP-DM, Agile