Kanker payudara merupakan salah satu kanker penyebab kematian terbesardan sering ditemukan pada kebanyakan wanita. Diagnosis dini pada payudara seperti melakukan pemeriksaan merupakan salah satu upaya untuk meminimumkan kanker ganas. Deteksi kanker payudara dengan citra termografi berbeda karena dapat mengidentifikasi perubahan fisiologi lokal dan aliran darah, serta tidak dipengaruhi oleh kepadatan jaringan payudara. Tugas akhir ini menggunakan dataset yang diuji berupa 25 citra termografi payudara normal dan 25 citra termografi payudara abnormal yang diambil dari Database for Mastology Research (DMR). Dari citra termografi tersebut dilakukan analisis feature extraction berupa first order histogram dan Grey Level Co-occurrence Matrix (GLCM). Fitur yang digunakan yaitu mean dan energy. Dari 50 dataset, dibagi menjadi 40 data training dan 10 data testing. Digunakan 10-fold untuk menguji kinerja klasifikator. Training dilakukan dengan kernel RBF, linear, quadratic dan polynomial sedangkan Testing dilakukan dengan kernel polynomial pada algoritma SVM. Hasil analisis citra termografi payudara yang diklasifikasi dengan algoritma SVM kernel polynomial menunjukkan bahwa klasifikasi dengan kernel polynomial memiliki akurasi sebesar 90%.