Fondasi berfungsi sebagai penyalur beban konstruksi ke tanah dan stabilitas struktur pada bangunan. Perencanaan dan perancangan fondasi pada umumnya memerlukan analisis fisik dengan data kondisi lapangan, peninjauan lingkungan sekitar dan perhitungan beban rencana untuk analisis kapasitas dukung dan penurunan fondasi. Berdasarkan hasil data lapangan direncanakan asumsi desain fondasi dan dimungkinkan terjadinya asumsi data. Artificial intelligence (AI) membantu manusia untuk mengolah, mengklasifikasi dan memprediksi data dengan pembelajaran pola sehingga menghasilkan data dengan akurasi tinggi. Pada kasus data kapasitas dukung dan penurunan fondasi diperlukan adanya prediksi data yang akurat, guna mengurasi penggunaan asumsi, mengefisienkan waktu dan menghemat biaya. Pemilihan variabel untuk data prediksi kapasitas dukung dan penurunan fondasi dinilai penting untuk mengetahui akurasi data prediksi. Pada penelitian ini menggunakan metode correlation based feature selection (CFS) untuk mengetahui koefisien korelasi (CC) pada setiap variabel. Dataset yang digunakan menggunakan data hasil pengujian lapangan cone penetration test (CPT). Hasilnya nilai koefisien korelasi tertinggi dataset kapasitas dukung pada variabel nilai hambatan konus (qc) sebesar 0,7672 sedangkan dataset penurunan fondasi nilai korelasi tertinggi pada variabel diameter fondasi (D) sebesar 0,4287. Kalibrasi model kapasitas dukung dan penurunan fondasi menggunakan dua kondisi. Kondisi pertama menggunakan variabel lengkap dan kondisi kedua variabel terpenting dieliminasi. Validasi model machine learning dengan metode artificial neural network (ANN) dan support vector machine (SVM) dengan perhitungan koefisien determinasi (R2 ) dan root mean squre error (RMSE). Pada dataset kapasitas dukung hasil koefisien determinasi (R 2 ) pada tiga kondisi dengan metode ANN berturut-turut 0,9087; 0,4993 dan 0,6103. Pada metode SVM 0,9287; 0,7866 dan 0,9021. Sedangkan pada dataset penurunan, koefisien determinasi pada tiga kondisi berdasarkan metode ANN sebesar 0,9782; 0,6073 dan 0,8017 dan metode SVM sebesar 0,9139; 0,5417 dan 0,8226. Validasi menggunakan root mean square error (RMSE) mengalami peningkatan apabila dihilangkan salah satu variabel. Pada dataset kapasitas dukung dengan metode ANN RMSE sebesar 861,6187 kN; 2018,2124 kN dan 1780,5189 kN. Sedangkan menggunakan metode SVM sebesar 637,1046; 1102,3990 kN dan 746,5950 kN. Sedangkan pada dataset penurunan fondasi pada metode ANN RMSE pada tiga kondisi berturut-turut: 6,1786 kN, 7,2817 kN dan 6,5721 kN dan metode SVM sebesar 2,0065 kN; 2,8369 kN dan 2,0586 kN.