Media sosial menjadi ruang publik digital bagi masyarakat untuk menyampaikan pendapat mengenai berbagai kebijakan pemerintah, termasuk kebijakan tenaga honorer yang dirumahkan. Penelitian ini bertujuan untuk mengklasifikasikan sentimen masyarakat terhadap kebijakan tersebut ke dalam kategori negatif, netral, dan positif menggunakan algoritma Support Vector Machine (SVM). Data penelitian terdiri atas 1.500 komentar yang dikumpulkan dari Facebook, Instagram, dan YouTube melalui teknik crawling berdasarkan kata kunci yang relevan. Tahapan pengolahan data meliputi case folding, tokenization, filtering, stemming, dan pembobotan fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Dataset kemudian dibagi menjadi data latih dan data uji menggunakan teknik hold-out dengan proporsi [isi berdasarkan hasil kode program]. SVM dengan kernel linear dipilih karena efektif dalam menangani representasi teks TF-IDF yang berdimensi tinggi dan bersifat sparse serta mampu membentuk hyperplane dengan margin maksimum. Hasil pengujian terhadap 241 data uji menunjukkan bahwa model memperoleh akurasi sebesar 83,00%. Model menghasilkan performa terbaik pada kelas netral dengan precision 0,83, recall 0,99, dan F1-score 0,90. Pada kelas negatif dan positif, model menghasilkan precision masing-masing sebesar 0,88 dan 0,86, tetapi memiliki recall yang lebih rendah. Temuan tersebut menunjukkan bahwa SVM kernel linear cukup efektif dalam mengklasifikasikan sentimen masyarakat, meskipun ketidakseimbangan distribusi data menyebabkan model cenderung mengklasifikasikan komentar ke dalam kelas netral.