<![CDATA[Penelitian mengklasifikasikan chat judi online pada fitur live chat YouTube menggunakan machine learning, karena pesan spam promosi judi sulit dimoderasi secara manual akibat volumenya yang tinggi dan bersifat real-time. Model klasifikasi teks dibangun dan dibandingkan menggunakan ekstraksi fitur Count Vectorizer dan TF-IDF yang dikombinasikan dengan Support Vector Machine (SVM) dan Random Forest pada data live chat YouTube berlabel biner “JUDOL” dan “NORMAL”. Evaluasi menggunakan accuracy, precision, recall, F1-score, confusion matrix, dan Stratified K-Fold Cross Validation. Kata seperti “slot”, “gacor”, “freebet”, dan “wisdomtoto” menjadi indikator penting pesan judi online. Seluruh kombinasi menghasilkan akurasi di atas 99,8% pada Stratified 10-Fold Cross Validation dengan perbedaan antar-metode dalam kisaran simpangan baku. Count Vectorizer dengan SVM memperoleh rata-rata F1-score CV tertinggi (0,9990 ± 0,0010) serta akurasi dan F1-score 99,92% pada data uji independen. Model terbaik dideploy pada Chrome Extension yang terhubung dengan REST API lokal, dengan latensi inferensi rata-rata 0,46 ms per pesan, throughput 2.164 pesan per detik, dan latensi end-to-end 3,19 ms pada lingkungan 1 vCPU. Sistem tetap stabil hingga 200 pesan per detik sehingga mendukung penyaringan spam pada siaran langsung bervolume tinggi. Namun, repetisi template spam pada dataset dapat memengaruhi tingginya performa, sehingga generalisasi terhadap pola spam baru perlu diuji lebih lanjut.]]>
