Yu-Gi-Oh! Trading Card Game adalah sebuah permainan kartu dimana pemain membangun deck, menyusun strategi dan menghubungkan kemampuan atau effect suatu kartu dengan kemampuan kartu lainnya. Saat ini terdapat lebih dari 10000 kartu berbeda dengan effect berbeda sehingga dapat menyulitkan untuk mencari kartu dengan effect tertentu yang cocok dengan strategi yang ingin dilakukan. Terdapat aplikasi resmi yang dapat mencari kartu, termasuk dengan cara mencari kemampuan dari kartu tersebut. Namun, aplikasi tersebut memiliki kekurangan pada mesin pencariannya yang sangat sederhana dan dapat menghasilkan false positive. Dalam penelitian ini dibangun klasifier multilabel yang dapat mengklasifikasikan effect kartu untuk membantu pencarian kartu, dan juga menentukan praproses yang tepat untuk klasifikasi ini. Dilakukan pendekatan transformasi problem dimana klasifikasi multilabel dipecah menjadi 6 klasifikasi biner sesuai banyaknya label. Lalu, prediksi klasifikasi biner tersebut digabungkan menjadi prediksi klasifikasi multilabel. Klasifikasi dengan menggunakan praproses penghapusan stop word menghasilkan micro average f1-score terbaik dengan nilai 0.54. Walaupun begitu, nilai ini kurang baik dan menunjukkan bahwa klasifier belum dapat melabeli data dengan baik, sehingga klasifier yang dibangun belum dapat membantu pemain mencari kartu dengan kelas effect yang sesuai harapan.