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.