Mesin perkakas CNC, meskipun menawarkan keunggulan dalam produksi massal dengan meminimalkan kesalahan manusia, tetap memiliki potensi kesalahan, terutama pada mesin 3 sumbu yang memiliki 21 jenis kesalahan yang dikelompokkan menjadi kesalahan pemosisian, kelurusan, sudut, dan ketegaklurusan. Penelitian ini berfokus pada kesalahan pemosisian yang merupakan perbedaan antara respon gerakan aktual dan teoritis mesin, dipengaruhi oleh faktor geometri-kinematik, termal, alat potong, gaya pemotongan, dan sistem kontrol, dengan geometri-kinematik sebagai sumber kesalahan terbesar. Kesalahan pemosisian bersifat akumulatif dan diperparah pada proses multi sumbu, sehingga koreksi terhadap kesalahan ini menjadi krusial, terutama karena faktor temperatur dapat mempengaruhi hingga 75% kesalahan geometri mesin. Penelitian ini bertujuan untuk melakukan pemodelan dan kompensasi kesalahan pemosisian mesin perkakas dengan mempertimbangkan karakteristik dataset pengukuran, dengan metode pemodelan yang paling banyak digunakan adalah regresi yang diintegrasikan dengan machine learning (ML) seperti Neural Network (NN) dan Radial Basis Function (RBF). Penelitian ini menggunakan feed drive system prototype satu sumbu, menganalisis pengaruh bearing preload, dan menggunakan sensor proximity untuk pengukuran, serta metode Bayesian Linear Regression (BLR) untuk pemodelan. Tujuan utama penelitian adalah memodelkan kesalahan pemosisian akibat kesalahan pitch ballscrew, preload bearing, dan temperatur, serta menentukan metode kompensasi kesalahan tersebut.