Stunting merupakan suatu kejadian yang menghambat proses pertumbuhan dan
perkembangan anak akibat adanya gizi buruk, infeksi berulang, dan stimulasi
psikososial yang tidak terpenuhi. Stunting masih menjadi salah satu masalah gizi
terbesar di dunia termasuk Indonesia. Analisis statistik seperti regresi logistik, regresi
campuran, regresi logistik multivariat dan machine learning seperti decision tree, naïve bayes, Support Vector Machine, extreme gradient boosting, Projective Adaptive
Resonance Theory dan Artificial Neural Network banayk digunakan untuk deteksi
stunting. Dalam analisis statistik pengambilan kesimulan masih secara manual
sedangkan machine learning tidak mampu beradaptasi dengan kondisi baru dan
performanya cenderung menurun. Dalam penelitian ini diusulkan pendekatan baru
untuk deteksi stunting menggunakan metode continual learning dengan algoritme
PackNet. Data dari IDHS diproses dengan beberapa tahap diantarnya merge record PR
dengan IR, uji outlier, uji multikolinearitas, dan uji regresi logistik. Variabel yang
berpengaruh terhadap stunting secara signifikan dipilih untuk menguji algoritme. Pemilihan variabel menggunakan regresi logistik dengan nilai signifikansi 5%, yang di
olah menggunakan SPSS. Berdasarkan penelitian yang dilakukan menggunakan data
dari model IDHS yang dilatih dengan algoritma PackNet mampu melakukan prediksi
stunting secara efisien. Performa yang dihasilkan ketika mempelajari aliran data dari
IDHS semakin baik dan mampu beradaptasi ketika diberikan beberapa tugas baru.