Bantalan merupakan komponen penting dari setiap mesin rotasi. Kerusakan bantalan yang terjadi secara tiba-tiba dapat membahayakan kinerja mesin dan dapat berakibat fatal bagi mesin itu sendiri. Oleh karena itu, metode perawatan prediktif berdasarkan kondisi mesin sangat penting dilakukan untuk memantau kondisi bantalan. Penelitian ini bertujuan untuk menerapkan metode Support Vector Machine (SVM) pada diagnosis kerusakan bantalan bola. Penelitian dilakukan pada bearing test rig dengan empat variasi tingkat kerusakan pada lintasan luar bantalan bola. Data sinyal diperoleh dari pengukuran sinyal akustik menggunakan akuisisi data dengan frekuensi sampling 20 kHz pada putaran konstan 550 rpm. Beberapa fitur statistik yang digunakan untuk ekstraksi fitur sinyal getaran dalam domain waktu seperti Standar Deviasi, RMS, Mean, Median, Maksimum, Minimum, Variance, Skewness, Kurtosis, Crest Factor, Shape Factor, Impulse Factor, dan Range. Transformasi PCA digunakan untuk mereduksi data hasil ekstraksi fitur. Klasifikasi SVM diselesaikan menggunakan aplikasi MATLAB 2020a dengan penyelesaian multiclass SVM menggunakan beberapa fungsi kernel. Hasil klasifikasi SVM menunjukkan bahwa penggunaan kernel linear merupakan konfigurasi terbaik. Pada model pelatihan didapat akurasi 99,1% dan pada pengujian model SVM diperoleh akurasi 99,6%. Hasil penelitian menunjukkan bahwa metode klasifikasi SVM dapat digunakan sebagai metode yang akurat untuk diagnosis kerusakan bantalan bola.