Bayi Berat Lahir Rendah (BBLR) merupakan salah satu masalah kesehatan yang berkontribusi terhadap peningkatan risiko morbiditas dan mortalitas neonatal. Deteksi dini risiko BBLR sangat penting untuk mendukung upaya pencegahan dan penanganan yang tepat. Perkembangan metode machine learning memberikan peluang untuk membangun model klasifikasi yang mampu mengidentifikasi risiko BBLR berdasarkan karakteristik ibu dan kehamilan dengan jumlah data yang relatif lebih besar. Penelitian ini bertujuan untuk mengimplementasikan model tunggal, yaitu Decision Tree, Random Forest, dan Regresi Logistik, serta model Stacking Ensemble dalam mengklasifikasikan kejadian BBLR, sekaligus membandingkan performa masing-masing model. Data yang digunakan merupakan data klinis ibu dan kehamilan yang meliputi usia, tinggi badan, paritas, antenatal care (ANC), berat badan, kadar hemoglobin, kondisi sosial ekonomi, dan status kehamilan. Hasil penelitian menunjukkan bahwa seluruh model mampu digunakan untuk mengklasifikasikan kejadian BBLR. Model Random Forest memberikan performa terbaik dengan nilai akurasi sebesar 71.94%, sensitivitas sebesar 67.89%, dan spesifisitas sebesar 76.47%. Model Stacking Ensemble yang dibangun menggunakan Decision Tree, Random Forest, dan Regresi Logistik sebagai base model serta Support Vector Machine (SVM) sebagai meta model memperoleh akurasi sebesar 69.72%, sensitivitas sebesar 69.42%, dan spesifisitas sebesar 71.17%. Sementara itu, model Regresi Logistik memperoleh akurasi sebesar 67.77%, sedangkan model Decision Tree memperoleh akurasi sebesar 66.11%. Meskipun performa Stacking Ensemble lebih baik dibandingkan Decision Tree dan Regresi Logistik, model tersebut belum mampu melampaui kinerja Random Forest. Dengan demikian, Random Forest merupakan model yang memberikan performa terbaik dalam mengklasifikasikan kejadian BBLR pada penelitian ini.