Demensia merupakan istilah payung yang mencakup berbagai gangguan neurokognitif progresif yang ditandai dengan penurunan fungsi kognitif, memori, dan perilaku yang berdampak pada aktivitas sehari-hari. Deteksi dini demensia sangat penting untuk memperlambat perkembangan kondisi serta meningkatkan kualitas hidup pasien. Penelitian ini bertujuan mengembangkan model prediktif demensia menggunakan algoritma XGBoost dan LightGBM, serta menganalisis interpretabilitas model melalui metode explainability SHAP dan LIME. Dataset yang digunakan adalah OASIS Longitudinal, dengan tiga skenario klasifikasi, yaitu multikelas, penggabungan kelas converted, dan penghapusan kelas converted. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, dan AUC. Hasil penelitian menunjukkan bahwa skenario penghapusan kelas converted memberikan performa terbaik dengan akurasi 99,34% pada kedua model. Analisis explainability mengungkap empat fitur utama yang secara konsisten berpengaruh terhadap hasil prediksi, yaitu CDR (Clinical Dementia Rating), MMSE (Mini-Mental State Examination), SES (Socioeconomic Status), dan nWBV (normalized Whole Brain Volume). Temuan ini menunjukkan bahwa penggabungan model prediktif dengan pendekatan interpretabilitas berpotensi meningkatkan transparansi sistem serta mendukung pengambilan keputusan klinis berbasis data.