Media sosial adalah ruang terbaik bagi pengguna untuk dapat mengekspresikan pandangannya dengan berbagai perspektif. Twitter menjadi media sosial yang sangat populer hingga saat ini, pengguna dapat membagikan berbagai opininya dengan melakukan tweet dan retweet. Akan tetapi, dengan semakin banyaknya opini yang dibagikan oleh pengguna di Twitter setiap hari, dibutuhkan teknologi untuk dapat menganalisisnya secara akurat dan presisi, yang dikenal dengan analisis sentimen. Analisis sentimen juga dikenal dengan opinion mining, yang menggabungkan bidang text mining, dan natural language processing. Namun, ada tiga masalah mendasar pada analisis sentimen, yaitu identifikasi sentimen, seleksi fitur dan klasifikasi sentimen. Dengan demikian, salah satu masalah utama dalam analisis sentimen adalah untuk meningkatkan kualitas seleksi fitur. Pada penelitian ini, akan melakukan seleksi fitur menggunakan metode Hybrid Chi-Square dan Binary Particle Swarm Optimization dengan Adaptive Inertia Weights, serta klasifikasi sentimen menggunakan metode Distance Biased Naïve Bayes, pada dataset sentimen dengan topik mengenai COVID-19 berbahasa Indonesia dan Weather berbahasa Inggris yang bersumber dari Twitter. Dari penelitian ini, pada dataset COVID-19 model tanpa seleksi fitur menghasilkan performa terbaik dengan nilai accuration, precision, recall, f1-score dan time computation secara berurutan sebesar 80,00%, 75,00%, 90,00%, 81,81%, dan 16,59 detik, sedangkan model dengan seleksi fitur menghasilkan performa terbaik dengan nilai accuration, precision, recall, f1-score dan time computation secara berurutan sebesar 87,50%, 82,60%, 95,00%, 88,37%, dan 1,87 detik. Kemudian pada dataset Weather tanpa seleksi fitur menghasilkan performa terbaik dengan nilai accuration, precision, recall, f1-score dan time computation secara berurutan sebesar 77,27%, 73,07%, 86,36%, 79,16%, dan 17,28 detik, sedangkan model dengan seleksi fitur menghasilkan performa terbaik dengan nilai accuration, precision, recall, f1-score dan time computation secara berurutan sebesar 86,36%, 83,33%, 90,90%, 86,95%, dan 0,60 detik. Dapat disimpulkan bahwa model dengan seleksi fitur pada analisis sentimen dapat memberikan peningkatan yang signifikan dibandingkan dengan model tanpa seleksi fitur.