Stroke merupakan penyakit tidak menular yang menjadi penyebab utama kematian dan kecacatan di Indonesia. Banyak penderita tidak menyadari gejala awal karena pemeriksaan medis yang umumnya bersifat invasif, mahal, dan tidak praktis. Oleh karena itu, diperlukan solusi teknologi untuk memudahkan deteksi dini secara mandiri, akurat, dan nyaman digunakan. Proyek akhir ini merancang dan membangun alat deteksi stroke dini non-invasif yang mengukur tiga parameter utama risiko stroke, yaitu tekanan darah, gula darah, dan kolesterol, menggunakan sensor optik MAX30105. Sensor ini memanfaatkan prinsip photoplethysmography (PPG) untuk membaca sinyal inframerah (IR) dari ujung jari pengguna, kemudian data yang diperoleh dikalibrasi menggunakan multi-layer perceptron dengan tools Matlab agar dapat dipetakan ke dalam nilai medis. Hasil pengukuran tersebut selanjutnya diproses menggunakan metode regresi logistik, untuk mengklasifikasikan status risiko stroke dalam bentuk "Iya/Tidak". Dalam pelaksanaannya, proyek ini juga mencakup tahap kalibrasi data dengan alat invasif sebagai pembanding, pengolahan data, dan pengujian terhadap responden berusia 20–70 tahun. Hasil penelitian menunjukkan bahwa data kesehatan dikalibrasi menggunakan metode Multi-Layer Perceptron (MLP) dan diklasifikasikan dengan regresi logistik menjadi kategori risiko stroke “Iya/Tidak”. Sistem berbasis ESP32 terintegrasi Internet of Things (IoT) dengan tampilan data secara real-time melalui LCD dan aplikasi Android. Pengukuran kadar gula darah menggunakan sensor MAX30105 menunjukkan tingkat akurasi sebesar 86,79%, sedangkan pengukuran kolesterol sebesar 95,07%, tekanan darah sistolik sebesar 92,75%, dan tekanan darah diastolik sebesar 97,24%. Selain itu, tingkat presisi alat ditunjukkan oleh nilai koefisien variasi yang berada di bawah 2% pada seluruh parameter pengukuran, sehingga menunjukkan hasil yang stabil dan konsisten. Hasil pengujian klasifikasi risiko stroke memperoleh akurasi sebesar 85,71%.