Kondisi pulang pasien merupakan salah satu indikator penting dalam mengevaluasi kualitas pelayanan kesehatan dan mengidentifikasi risiko kematian pasien. Sebagai rumah sakit rujukan utama di Kalimantan Selatan, RSUD Ulin Banjarmasin memerlukan pendekatan analitik yang mampu mendukung deteksi dini pasien berisiko tinggi. Penelitian ini bertujuan untuk mengklasifikasikan kondisi pulang pasien menggunakan algoritma Gradient Boosting Machine (GBM) serta memberikan interpretasi model melalui metode Local Interpretable Model-agnostic Explanations (LIME). Penelitian menggunakan data sekunder rekam medis sebanyak 85.627 pasien yang dirawat di RSUD Ulin Banjarmasin selama periode 2016-2023. Tahapan prapemrosesan data meliputi penyederhanaan kategori, penanganan ketidakseimbangan kelas menggunakan SMOTE-NC, serta pembagian data menjadi data latih dan data uji. Kinerja model dievaluasi menggunakan sensitivitas, spesifisitas, dan F1-macro. Hasil penelitian menunjukkan bahwa model terbaik diperoleh pada rasio pembagian data latih dan data uji sebesar 70:30 dengan kombinasi SMOTE-NC dan tuning hiperparameter, yang menghasilkan nilai sensitivitas sebesar 0.971, spesifisitas sebesar 0.311, dan F1-macro sebesar 0.663 pada data uji. Selain itu, LIME berhasil memberikan penjelasan lokal terhadap prediksi model dengan mengidentifikasi kontribusi masing-masing variabel prediktor. Hasil interpretasi menunjukkan bahwa lama hari rawat, usia, kelas perawatan, jumlah penyakit sekunder, jumlah tindakan medis, status operasi, dan kategori ICD-10 berkontribusi terhadap hasil klasifikasi. Integrasi GBM dan LIME menghasilkan model yang tidak hanya memiliki performa prediksi yang baik, tetapi juga meningkatkan transparansi dan interpretabilitas model sehingga dapat mendukung pengambilan keputusan klinis berbasis data.