Pipa adalah cara paling ekonomis dan paling aman dalam mendistribusikan hasil produk seperti air, petrokimia, gas, dan cairan lainnya. Terlepas dari manfaat tersebut, ternyata pipa memiliki ancaman yaitu potensi kebocoran. Artikel ini membahas pendeteksian kebocoran pipa air menggunakan parameter debit aliran. Pengujian dilakukan pada dua format dataset, menggunakan raw dataset dan process dataset menggunakan metode volume balance. Pada proses pembelajaran ada beberapa hal yang perlu disoroti seperti pemilihan tipe dataset, pre-processing dengan menormalisasi dataset, dan menerapkan metode fungsi kernel untuk meningkatkan kinerja akurasi prediksi ukuran dan lokasi kebocoran pipa. Dataset dilatih menggunakan algortima SVM untuk mengklasifikasikan ukuran dan lokasi kebocoran pipa. Hasil klasfikasi ukuran kebocoran dengan fungsi kernel polynomial pada raw dataset mencapai akurasi sebesar 98,25%, recall 99,1%, presisi 99,8%, dan F-measure 99,5%. Sedangkan fungsi kernel Radial Basis Function pada process dataset mencapai akurasi tertinggi sebesar 89,7%, recall 94,4%, presisi 95,4%, dan F-measure 94,6%. Dalam hal mengidentifkasikan lokasi kebocoran, fungsi kernel polynomial pada raw dataset meningkatkan akurasi sebesar 88,96%, recall 94,7%, presisi 91,5%, dan F-measure 92,8%. Sedangkan fungsi kernel polynomial pada process dataset mencapai akurasi sebesar 74,42%, recall 74,1%, presisi 72,8%, dan F-measure 71,3%.