Dari data statistik peternakan, sebagian besar peternakan di Indonesia adalah peternakan rakyat. Sehingga sumber pakan diambil dari rumput alam yang tumbuh liar seperti di kebun, pinggir jalan, pematang sawah, lapangan, tepi hutan maupun sisa hasil pertanian atau perkebunan tanpa memperhatikan kualitas pakan ternak. Sehingga banyaknya para peternak pada saat musim kemarau mengambil rumput alam secara sembarang yang mengakitbatkan ternak dapat mengkonsumsi rumput alam beracun yang dapat mengganggu proses fisiologis dan membuat produksi ternak menurun. Dari permasalahan di atas, penulis memanfaatkan teknologi komputasi dengan menggunakan metode Support Vector Machine (SVM) dalam mengklasifikasi rumput berdasarkan warna rumput. Proses klasifikasi rumput pada penelitian ini didasarkan pada ciri warna yaitu mengambil nilai min, max dan mean RGB dari citra. Pengambilan data citra rumput alam ini menggunakan kamera ponsel. Dataset yang digunakan berjulah 23 citra data latih dan 10 citra data uji. Hasil penelitian ini menunjukkan bahwa klasifikasi rumput menggunakan metode SVM menghasilkan akurasi sebesar 90% dengan acuan confusion matrix.

From livestock statistical data, most of the livestock in Indonesia are smallholder farms. So that the source of feed is taken from natural grass that grows wild such as in gardens, roadsides, rice fields, fields, forest edges or agricultural or plantation products without paying attention to the quality of animal feed. So that many breeders during the dry season take natural grass arbitrarily which causes livestock to consume toxic natural grass which can interfere with physiological processes and make livestock production decrease. From the above problems, the authors take advantage of computational technology using Support Vector Machine (SVM) method in classifying natural grass based on the color of the grass. The grass classification process in this study is based on color characteristics, namely taking the value min, max and mean RGB from the image. Natural grass image data retrieval using a cellphone camera. The dataset used is 23 images of training data and 10 images of tesingt data. The results of this study indicate that grass classification using the SVM method produces an accuracy of 90% with confusion matrix as reference.