I Industri manufaktur, khususnya di sektor pengelasan, memegang peranan vital dalam pembangunan infrastruktur dan produksi barang. kualitas hasil las sangat menentukan keamanan, daya tahan, dan keandalan struktur, sehingga produktivitas juru las menjadi faktor krusial yang harus dievaluasi dan ditingkatkan. produktivitas juru las tidak hanya mencerminkan kecepatan kerja, tetapi juga efisiensi penggunaan sumber daya dan kemampuan menjaga standar kualitas yang tinggi. penilaian produktivitas secara konvensional masih banyak bergantung pada observasi manual oleh supervisor, yang memiliki keterbatasan seperti subjektivitas dan inkonsistensi. untuk mengatasi hal tersebut, penelitian ini mengusulkan pengembangan model prediksi produktivitas juru las berbasis algoritma support vector machine (svm) yang dilengkapi dengan penerapan feature engineering. algoritma svm dipilih karena kemampuannya dalam memodelkan hubungan non-linear antar variabel, sementara feature engineering digunakan untuk mengekstraksi dan mentransformasi data mentah menjadi fitur yang lebih informatif dan relevan. hasil eksperimen menunjukkan bahwa model svm dengan kernel ‘polynomial’ memberikan performa terbaik dengan akurasi sebesar 77%, diikuti oleh kernel ‘rbf’ dengan akurasi 74%, sedangkan kernel ‘sigmoid’ hanya mencapai akurasi 32%. proses feature engineering dilakukan menggunakan transformasi fast fourier transform (fft) untuk mengekstraksi karakteristik frekuensi dari data sensor time-series, yang terbukti meningkatkan kualitas fitur. dengan kombinasi teknik ini dan balancing data menggunakan smote, model berhasil mengenali lima jenis aktivitas juru las dengan nilai precision dan recall yang tinggi, khususnya pada aktivitas \\\'welding\\\' dan \\\'slag cleaning\\\'.