Puluhan ribu orang melamar pekerjaan di PT. Telkom setiap tahun. Tujuan dari proses rekrutmen adalah untuk mendapatkan karyawan baru yang dapat memenuhi PT. Budaya kerja Telkom. Karena banyaknya pelamar, proses rekrutmen memakan banyak waktu dan mempengaruhi biaya yang lebih tinggi untuk dibelanjakan. Untuk mengatasinya, digunakan metode populer Term Frequency-Inverse Document Frequency (TF-IDF) sebagai metode ekstraksi fitur dan Support Vector Machine (SVM) untuk melakukan klasifikasi untuk menyaring teks wawancara pelamar. SVM umumnya menghasilkan akurasi yang lebih baik dalam klasifikasi teks dibandingkan dengan algoritma Random Forest atau K-Nearest Neighbors (KNN). Namun, TF-IDF memiliki beberapa pengembangan untuk memperbaiki kekurangannya, salah satunya adalah Term Frequency-Relevance Frequency (TF-RF). Sebagai perbandingan, dalam penelitian ini digunakan tiga metode ekstraksi fitur: TF saja (tanpa IDF), TF-IDF, dan TF-RF. Penelitian ini menggunakan teks wawancara dari PT. Telkom sebagai sumber data. Hasil kombinasi SVM dengan TF-IDF dapat menghasilkan akurasi 86,31 %, dengan TF hanya dapat menghasilkan 85,06 %, dan dengan TF-RF dapat menghasilkan akurasi 83,61 %. Hasilnya menunjukkan metode ekstraksi TF-IDF masih dapat mengungguli TF-RF dalam hal akurasi.