La desnutrición sigue siendo un problema significativo de salud pública en Aceh, Indonesia, y está influenciada por diversos factores socioeconómicos y ambientales. Este estudio tiene como objetivo abordar los desafíos clave en la clasificación precisa de la prevalencia de la desnutrición, predecir tendencias futuras y optimizar los métodos de agrupamiento para apoyar intervenciones más efectivas. Con este fin, proponemos un novedoso marco híbrido de aprendizaje automático que integra clasificación, modelado predictivo y optimización de agrupamiento. Se emplearon Máquinas de Vectores de Soporte (SVM) con Función de Base Radial (RBF) y núcleos Sigmoides para mejorar la precisión de la clasificación, siendo el núcleo RBF superior al núcleo Sigmoide, logrando una tasa de precisión del 91.3% en comparación con el 85.6%. Esto proporciona una herramienta más confiable para identificar poblaciones de alto riesgo. Además, se utilizó regresión lineal para el modelado predictivo, obteniendo un bajo Error Cuadrático Medio (MSE) de 0.137, lo que demuestra una robusta precisión predictiva para la futura prevalencia de la desnutrición. Finalmente, el proceso de agrupamiento se optimizó utilizando un enfoque de producto ponderado para mejorar la eficiencia de K-Medoids. Esta optimización redujo el número de iteraciones de siete a tres y mejoró el Índice de Calinski-Harabasz de 85.2 a 93.7. Este marco integral no solo mejora la clasificación, la predicción y el agrupamiento de resultados, sino que también ofrece información práctica para intervenciones de salud pública dirigidas y la formulación de políticas destinadas a reducir la desnutrición en Aceh.