Stroke pada tubuh bagian bawah (lower limb) seringkali menyebabkan kecacatan jangka panjang yang mempengaruhi mobilitas pasien. Teknologi robot rehabilitasi telah berkembang untuk mendukung proses terapi dengan lebih cepat, objektif, dan terkontrol, memberikan manfaat signifikan bagi pasien. Dalam penggunaannya, diperlukan sensor untuk mengklasifikasikan pola berjalan (gait) pasien, dengan pendekatan Machine Learning berbasis posisi dan kecepatan sudut engkel. Penelitian ini menggunakan Motion capture untuk menangkap koordinat sendi lutut, engkel, dan ujung jari kaki dari video berjalan individu normal. Data koordinat tersebut digunakan untuk menghitung sudut dan kecepatan sudut engkel, yang kemudian diklasifikasikan menggunakan algoritma Support Vector Machines (SVM)). Analisis dilakukan dengan membandingkan variansi, standar deviasi, dan tingkat akurasi klasifikasi. Hasil menunjukkan bahwa variansi posisi mencapai 15,6, variansi kecepatan sudut engkel sebesar 2330,4, dan variansi fase gait 0,13. Fitur posisi dan kecepatan sudut engkel terbukti signifikan untuk klasifikasi dengan korelasi tertinggi 0,664. Algoritma SVM mampu mengklasifikasikan data walking gait dengan akurasi tertinggi 91,80% dan rata-rata akurasi 62,82%. Kesimpulannya, posisi dan kecepatan sudut engkel merupakan fitur yang relevan untuk klasifikasi gait pada pasien stroke, dengan potensi aplikasi dalam rehabilitasi berbasis robotik.