Gizi sangatlah penting untuk menunjang pertumbuhan dan perkembangan balita karena apabila gizi tidak tercukupi maka dapat berdampak pada kesehatan balita. Indonesia tercatat sebagai negara dengan jumlah penduduk kurang gizi (undernutrition) tertinggi di Kawasan Asia Tenggara di tahun 2021. Terdapat 3 bentuk undernutrition yaitu stunting, wasting, dan underweight. Kabupaten Purworejo berkomitmen turunkan stunting hingga 8% di tahun 2024 yang mana harus menurunkan masalah gizi lainnya yang berpengaruh yaitu underweight dan wasting. Penelitian ini membangun model klasifikasi machine learning untuk kasus undernutrition pada balita dengan data pengukuran balita di Kabupaten Purworejo dan melakukan penambahan input lingkar lengan atas sebagai salah satu pertimbangan dalam pengklasifikasian status undernutrition menjadi 18 kategori. Tahap pengolahan data diawali dengan data preprocessing yang dilanjutkan ke tahap splitting dataset, handling imbalanced data, data encoding, dan building model menggunakan lima model klasifikasi yaitu SVM, Naïve Bayes, Decision Tree, Random Forest, dan KNN dengan default parameter. Proses evaluasi dan komparasi model klasifikasi dilihat berdasarkan classification report dan confusion matrix. Model terbaik yaitu model SVM dengan nilai accuracy sebesar 1.00, precision sebesar 0.98, recall sebesar 1.00, dan f-1 score sebesar 0.99, serta kesalahan prediksi sebanyak 8 data. Model terpilih dapat diintregasikan dengan aplikasi smartphone atau komputer dan pemerintah dapat membuat kebijakan berupa intervensi gizi spesifik dan sensitif yang disesuaikan dengan masing-masing kategori status undernutrition.