Manajemen air tawar yang efisien sangat penting dalam operasional kapal kargo; namun, praktik yang saat ini diterapkan sering kali mengandalkan strategi pengisian ulang yang tetap dan mengabaikan perbedaan harga antar pelabuhan serta gagal memprediksi konsumsi secara akurat, yang pada akhirnya menyebabkan pemborosan biaya operasional. Studi ini memperkenalkan pendekatan terintegrasi yang memanfaatkan model regresi XGBoost untuk memprediksi kebutuhan air tawar dan algoritma Particle Swarm Optimization (PSO) untuk meminimalkan biaya pengisian ulang melalui pemilihan pelabuhan yang optimal. Model XGBoost dilatih menggunakan data operasional kapal kargo tahun 2024, yang mencakup catatan historis jarak pelayaran dan konsumsi air tawar. Berdasarkan prediksi kebutuhan tersebut, PSO diterapkan untuk menentukan titik pengisian ulang yang efisien secara biaya di sepanjang rute pelayaran kapal dengan tetap mempertimbangkan batasan operasional. Kerangka kerja yang diusulkan divalidasi melalui skenario pelayaran simulasi guna mengevaluasi dampaknya terhadap efisiensi biaya dan efektivitas perencanaan. Hasilnya menunjukkan bahwa integrasi antara XGBoost dan PSO berhasil mengoptimalkan strategi pengisian ulang air tawar, dengan tingkat kesalahan prediksi relatif sebesar 9,48% dan penghematan biaya antara 9% hingga 40% pada tiga kapal kargo yang disimulasikan. Berbeda dengan penelitian sebelumnya yang umumnya berfokus pada optimisasi bahan bakar atau logistik secara umum, penelitian ini menawarkan kontribusi baru melalui penerapan gabungan pembelajaran mesin dan kecerdasan swarm untuk optimalisasi perencanaan sumber daya air tawar dalam operasi maritim, dengan solusi yang praktis dan dapat diskalakan untuk peningkatan efisiensi biaya.