The 2024 Civil Servants Candidates (CPNS) recruitment has attracted public attention with various opinions reflecting societal sentiment. This study applies machine learning and text mining techniques to analyze sentiment based on comments collected from various sources. The process begins with text preprocessing, including tokenization, stopword removal, and text transformation using TF-IDF. The Support Vector Machine (SVM) model is used to classify sentiment into positive and negative categories. The data is divided into training and testing sets to evaluate the model's performance. Experimental results show that the model achieves an accuracy of 82.5%, indicating a fairly good performance in recognizing public opinion patterns. This analysis provides insights into aspects that are appreciated or criticized by the public regarding the 2024 CPNS recruitment. These findings can be utilized by policymakers to develop more responsive strategies that address public needs and expectations in the CPNS selection process.Keyword: Machine Learning; Text Mining; Civil Servants Candidates; Support Vector Machine AbstrakPenerimaan Calon Pegawai Negeri Sipil (CPNS) 2024 menarik perhatian publik dengan berbagai opini yang mencerminkan sentimen masyarakat. Penelitian ini menerapkan machine learning dan teknik text mining untuk menganalisis sentimen berdasarkan komentar yang dikumpulkan dari berbagai sumber. Proses dimulai dengan pra-pemrosesan teks, termasuk tokenisasi, penghapusan stopwords, serta transformasi teks menggunakan TF-IDF. Model Support Vector Machine (SVM) digunakan untuk mengklasifikasikan sentimen menjadi positif dan negatif. Data dibagi menjadi data pelatihan dan pengujian dengan perbandingan 80% data training dan 20% data uji guna mengevaluasi kinerja model. Hasil eksperimen menunjukkan bahwa model mencapai akurasi 82,5%, menandakan kinerja yang cukup baik dalam mengenali pola opini masyarakat. Analisis ini memberikan wawasan mengenai aspek yang diapresiasi maupun dikritik oleh publik terkait penerimaan CPNS 2024. Temuan ini dapat dimanfaatkan oleh pemangku kebijakan untuk merancang strategi yang lebih responsif terhadap kebutuhan dan harapan masyarakat dalam proses seleksi CPNS.Kata kunci: Machine Learning; Text Mining; Calon Pegawai Negeri Sipil; Support Vector Machine