<![CDATA[In an effort to enhance early detection and prevention of stroke, the implementation of web-based machine learning provides a promising solution. This study focuses on applying machine learning algorithms to predict the likelihood of stroke occurrence based on patient medical data collected online. By using the developed prediction model, the system efficiently analyzes historical data and health risk factors to provide stroke risk estimates. This implementation aims to improve diagnostic accuracy, enable better early detection, and offer appropriate preventive recommendations. The results of this study are expected to assist healthcare professionals and patients in stroke prevention efforts through the utilization of web-based technology. REFERENCES Akmaluddin, M., & Dewayanto, T. (2023). Systematic Literature Review: Implementasi Artificial Intelligence dan Machine Learning pada bidang akuntansi manajemen. Diponegoro Journal of Accounting, 12(4), 1–11. http://ejournal-s1.undip.ac.id/index.php/accounting Byna, A., & Basit, M. (2020). Penerapan Metode Adaboost untuk Mengoptimasi Prediksi Penyakit Stroke dengan Algoritma Naïve Bayes. 09(November), 407–411. Cahyono, D. S., Nugrahanti, F., & Hendrawan, A. T. (2019). Aplikasi pemasaran berbasis website pada percetakan Morodadi Komputer Magetan. Prosiding Seminar Nasional Teknologi Informasi dan Komunikasi (SENATIK), 2(1), 129–134. Fahrizal, Reynaldi, F. O., & Hikmah, N. (2020). Implementasi machine learning pada sistem pets identification menggunakan Python berbasis Ubuntu. JISICOM (Journal of Information System, Informatics and Computing), 4(1), 86–91. Hasibuan, E., Informasi, S., Ilmu, F., Informasi, T., Gunadarma, U., Margonda, J., No, R., Cina, P., & Jawa, D. (2022). Implementasi machine learning untuk prediksi harga mobil bekas dengan algoritma regresi linear berbasis web. Jurnal Ilmiah Komputasi, 21(4), 595–602. https://doi.org/10.32409/jikstik.21.4.3327 Igfirly Mustaib, R., Dwiyansaputra, R., Muaidi, M., Desa Sandik Jl Pariwisata, K., & Layar, B. (n.d.). Sistem informasi company profile Kantor Desa Sandik berbasis website (Website based information system of company profile for Sandik Village). Kusuma, A. S., & Nita, S. (2019). Rancang bangun media pembelajaran pengenalan tumbuhan bagi penyandang tuna rungu pada SDLB Manisrejo Kota Madiun. Seminar Nasional Teknologi Informasi dan Komunikasi 2019, 281–286. Metode, M., Di, R. A. D., & Ahmad, S. (2022). No Title, 11(1), 79–85. Prediksi, A., Stroke, D., & Pendekatan, D. (2022). Analisis prediksi deteksi stroke dengan pendekatan EDA dan perbandingan algoritma machine learning. 02, 355–367. Purwono, P., Dewi, P., Wibisono, S. K., Dewa, B. P., Informatika, P., Bangsa, U. H., Keperawatan, P., & Bangsa, U. H. (2022). Model prediksi otomatis jenis penyakit hipertensi dengan pemanfaatan algoritma machine learning Artificial Neural Network. 7(2), 82–90. Putra, A. I., & Santika, R. R. (2020). Implementasi machine learning dalam penentuan rekomendasi musik dengan metode Content-Based Filtering. Edumatic: Jurnal Pendidikan Informatika, 4(1), 121–130. https://doi.org/10.29408/edumatic.v4i1.2162 Stacyana Jesika, S., Ramadhani, S., & Putri, Y. P. (2023). Implementasi model machine learning dalam mengklasifikasi kualitas air. Jurnal Ilmiah dan Karya Mahasiswa, 1(6), 382–396. https://doi.org/10.54066/jikma.v1i6.1162 Ula, M., Ulva, A. F., & Mauliza, M. (2021). Implementasi machine learning dengan model Case Based Reasoning dalam mendiagnosa gizi buruk pada anak. Jurnal Informatika Kaputama (JIK), 5(2), 333–339. https://doi.org/10.59697/jik.v5i2.267 Utama, T. P., & Haibuan, M. S. (2023). Penerapan algoritma Naïve Bayes dan Forward Selection untuk prediksi penyakit stroke. 17, 351–357. ]]>
