Stroke atau cerebrovascular accident merupakan penyebab kematian tertinggi ketiga di dunia menurut studi Global Burden of Disease (GBD). Identifikasi dini penyakit ini sangat krusial dalam upaya pencegahan dan pengobatan untuk mengurangi dampak yang ditimbulkan. Meskipun teknologi machine learning dan deep learning telah banyak digunakan untuk memprediksi stroke, mayoritas model yang dikembangkan masih bersifat black-box sehingga sulit ditafsirkan dan sering kali mengakibatkan tingkat kesalahan yang tinggi. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi dan interpretabilitas dalam mendeteksi risiko stroke dengan mengintegrasikan Winsorizing Interquartile Range (IQR), tree-based method, dan eXplainable Artificial Intelligence (XAI). Metode yang diusulkan menerapkan Winsorizing Interquartile Range untuk menangani nilai ekstrem sambil menggunakan tree-based method untuk prediksi karena kinerjanya yang unggul dalam memproses data tabular. Teknik XAI diterapkan untuk memberikan interpretasi mendalam mengenai cara kerja dan proses pengambilan keputusan pada model. Pengujian dilakukan menggunakan Cerebral Stroke Prediction-Imbalanced Dataset dan menunjukkan bahwa metode yang diajukan memiliki tingkat kesalahan prediksi terkecil, dengan False Positive Rate (FPR) sebesar 15,74?n False Negative Rate (FNR) sebesar 8,56%. Dalam evaluasi kinerja, metode ini berhasil mencapai akurasi 84,39%, sensitivitas 91,43%, spesifisitas 84,26%, AUROC 94,74%, serta G-Mean 87,76%. Hasil penelitian menunjukkan bahwa kombinasi metode ini berkontribusi dalam mengurangi tingkat kesalahan prediksi dan dapat mendukung upaya identifikasi dini stroke dengan hasil yang lebih transparan. Penelitian ini berkontribusi pada informatika medis dengan mengintegrasikan model prediktif transparan yang sesuai untuk sistem pendukung keputusan.