Diagnosis dini terhadap kerusakan merupakan elemen penting dalam menjaga performa optimal mesin berputar serta mencegah terjadinya kegagalan mendadak yang dapat menimbulkan kerugian baik secara material maupun non-material. Penelitian ini bertujuan untuk memilih fitur statistik yang paling relevan dalam mendiagnosis kerusakan bantalan pada motor induksi menggunakan model Support Vector Machine (SVM). Simulasi dilakukan terhadap enam kondisi kerusakan tunggal, yaitu kondisi normal, korosi bantalan, kontaminasi serbuk pasir, overheat bantalan, kerusakan inner race, dan kerusakan outer race. Sinyal getaran untuk masing-masing kondisi dikumpulkan menggunakan sensor accelerometer dengan frekuensi pengambilan sampel sebesar 20 kHz. Sebanyak 18 fitur statistik diekstraksi, terdiri dari 12 fitur domain waktu (mean, median, max, min, varians, deviation standart, kurtosis, root mean square (RMS), skewness, nilai puncak, rentang, dan crest factor) serta 6 fitur domain frekuensi (mean frequency, median frequency, spectral entrophy, power spectral density (PSD), center frequency, dan spectral centroid). Seleksi fitur dilakukan menggunakan algoritma ReliefF, Minimum Redundancy Maximum Relevance (mRMR), dan Distance Evaluation Technique (DET) dan PCA, kemudian fitur terpilih digunakan sebagai parameter klasifikasi. Hasil menunjukkan bahwa fitur yang paling relevan adalah RMS, median frequency (MDf), dan mean frequency (MNf). Model SVM menunjukkan kinerja klasifikasi yang sangat baik terhadap tiga kondisi kerusakan pada motor induksi, dengan akurasi masing-masing mencapai 100?n 99% untuk skenario kerusakan tunggal.