Penelitian ini bertujuan untuk mengembangkan model prediksi biaya perawatan pasien rumah sakit menggunakan algoritma machine learning, yaitu Linear Regression, Random Forest, dan Extreme Gradient Boosting. Model ini dirancang untuk memberikan perkiraan biaya yang akurat berdasarkan variabel yang relevan dalam pelayanan kesehatan. Evaluasi akurasi model dilakukan menggunakan metrik seperti Mean Absolute Percentage Error, Root Mean Squared Error, Mean Absolute Error, dan Relative Absolute Error. Hasil analisis menunjukkan bahwa XGBoost memiliki performa terbaik dengan R2 di atas 0.997, disertai dengan nilai MAE, RMSE, dan MAPE yang rendah, sehingga menghasilkan prediksi yang sangat akurat dan stabil. Random Forest juga menunjukkan performa yang cukup baik dengan R2 tinggi sekitar 0.997, namun memiliki kesalahan prediksi yang lebih besar dibandingkan XGBoost. Sementara itu, Linear Regression menunjukkan performa yang lebih rendah dengan R2 sekitar 0.96, menjadikannya kurang cocok untuk data dengan kompleksitas tinggi. Sebagai implementasi praktis, model prediksi ini diintegrasikan ke dalam aplikasi web berbasis Flask untuk mempermudah penggunaannya oleh pihak rumah sakit, asuransi, dan pemangku kepentingan lainnya. Dengan demikian, penelitian ini memberikan landasan yang kuat untuk pengambilan keputusan yang lebih baik dalam perencanaan anggaran, pengelolaan sumber daya, dan penetapan premi asuransi.