Stroke merupakan penyakit kardiovaskular dengan tingkat kematian tinggi yang menjadi beban kesehatan global. Penelitian ini bertujuan mengembangkan model deteksi stroke menggunakan algoritma Gradient Boosting (LightGBM dan XGBoost) yang dioptimasi dengan Bayesian Optimization untuk menangani ketidakseimbangan data ekstrem (5% kasus positif). Dataset yang digunakan terdiri dari 5.110 data pasien dengan fitur klinis seperti usia, kadar glukosa rata-rata, BMI, hypertension, dan riwayat penyakit jantung. Synthetic Minority Oversampling Technique (SMOTE) diterapkan untuk menyeimbangkan distribusi kelas dari 249:4.861 menjadi 4.861:4.861. Hasil penelitian menunjukkan bahwa sebelum dilakukan optimasi Bayesian, model LightGBM memperoleh Accuracy 0,95, Precision 0,92, Recall 0,97, dan F1-Score 0,95, sedangkan XGBoost memperoleh Accuracy 0,95, Precision 0,94, Recall 0,97, dan F1-Score 0,96. Setelah optimasi Bayesian, model LightGBM mencapai Accuracy 0,97, Precision 0,96, Recall 0,97, dan F1-Score 0,97, sedangkan XGBoost memperoleh Accuracy 0,97, Precision 0,95, Recall 0,98, dan F1-Score 0,97. Model XGBoost terbaik diimplementasikan dalam aplikasi web berbasis Streamlit untuk memberikan prediksi risiko stroke secara real-time. Penelitian ini diharapkan dapat dikembangkan ke dalam layanan sistem prediksi kesehatan terintegrasi berbasis API agar dapat dihubungkan dengan aplikasi rumah sakit atau platform kesehatan masyarakat.