Kondisi air merupakan faktor utama yang mempengaruhi tingkat kesuksesan dalam akuakultur khususnya pada budidaya udang. Akan tetapi, petani sering mengalami kesulitan dalam menentukan kondisi tersebut yang didasarkan pada hasil pengukuran berbagai parameter air. Oleh karena itu, diperlukan sebuah model klasifikasi yang tepat untuk membantu petani dalam mengklasifikasi kondisi air di tambak. Dengan mengetahui kondisi tersebut, maka treatment yang tepat dan sesuai dapat diberikan. Pada penelitian ini, algoritma machine learning bernama support vector machine (SVM) digunakan untuk membuat model dari sebuah dataset akuakultur. Teknik pemrosesan lain seperti normalisasi data dan penggunaan algoritma optimasi bernama grid search juga dilakukan untuk meningkatkan hasil pemodelan. Selanjutnya, sebuah skema pengujian dengan k-fold cross validation dilakukan untuk mengetahui performa dari model yang diukur berdasarkan nilai akurasi, presisi, recall, f-measure, dan area under receiver operating characteristic curve (AUROC). Kemudian, model dari SVM ini dibandingkan dengan model yang dibentuk dengan algoritma yang lain yaitu K-nearest neighbor (KNN), random forest (RF), logistic regression (LR), complement naive bayes (CNB), dan multi-layer perceptron (MLP) guna mengetahui model yang paling bagus untuk diimplementasikan pada proses budidaya. Dari hasil percobaan, model yang dibentuk dengan SVM dan optimasi grid search memiliki performa paling tinggi saat proses validasi dengan skor performa keseluruhan sebesar 3,54383.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.