Berat Bayi Lahir Rendah (BBLR) merupakan masalah kesehatan yang risikonya meningkat pada kehamilan dini, yaitu kehamilan pada ibu berusia di bawah 20 tahun. Prediksi risiko secara manual di fasilitas kesehatan masih memiliki keterbatasan dalam mengintegrasikan berbagai variabel klinis secara komprehensif. Penelitian ini bertujuan mengembangkan model Machine Learning (ML) untuk memprediksi potensi BBLR pada kehamilan dini menggunakan data Antenatal Care (ANC) Kabupaten Indramayu tahun 2025, serta menerapkan Explainable Artificial Intelligence (XAI) untuk menginterpretasikan kontribusi fitur. Enam algoritma klasifikasi yang dievaluasi menggunakan skema K-Fold Cross Validation. Tahap prapemrosesan meliputi pengujian metode imputasi K-Nearest Neighbour (KNN) dan Multiple Imputation by Chained Equations (MICE) untuk data kategorikal, pengujian outlier handling, serta penerapan SMOTE-NC untuk penyeimbangan kelas. Hasil menunjukkan bahwa algoritma Decision Tree memberikan performa terbaik tanpa outlier handling dan dengan rasio SMOTE-NC 0,5, menghasilkan nilai akurasi 78,6%, spesifisitas 83,2%, Negative Predictive Value 91,9%, dan Area Under Curve (AUC) 63,2%. Tidak diterapkannya outlier handling terbukti meningkatkan kinerja sebagian besar model karena nilai pencilan pada rekam medis maternal dapat merepresentasikan kondisi klinis yang relevan, bukan sekadar derau data. Interpretasi menggunakan SHAP (Shapley Additive Explanations) menunjukkan bahwa berat badan, tinggi badan, dan Lingkar Lengan Atas (LILA) merupakan prediktor paling dominan. Nilai yang lebih rendah pada fitur-fitur tersebut berasosiasi dengan peningkatan risiko kelahiran bayi BBLR pada kehamilan dini. Dengan demikian, model yang diusulkan berpotensi mendukung deteksi dini risiko BBLR dan membantu tenaga kesehatan dalam pengambilan keputusan preventif pada kehamilan usia muda. Penelitian ini memberikan kontribusi bagi bidang informatika kedokteran dengan menghadirkan model ML yang transparan dan mudah dipahami.