Dalam era digital saat ini, analisis sentimen telah menjadi salah satu metode yang efektif untuk mengidentifikasi dan menginterpretasikan opini publik terkait berbagai topik, termasuk isu-isu kesehatan masyarakat seperti vaksinasi COVID19. Vaksinasi adalah salah satu upaya terpenting dalam menanggulangi pandemi ini, tapi masih ada sejumlah orang yang skeptis dan enggan untuk menerima vaksin COVID-19. Persepsi masyarakat tentang vaksin COVID-19 dapat dipengaruhi oleh banyak faktor, termasuk informasi yang diterima dari media sosial dan platform daring. Oleh karena itu, analisis sentimen vaksin COVID-19 adalah salah satu cara untuk memahami persepsi masyarakat tentang vaksin COVID-19. Penelitian ini bertujuan untuk meningkatkan kinerja klasifikasi dalam analisis sentimen terhadap vaksin COVID-19 dengan mengimplementasikan Information Gain Ratio (IGR) dan Particle Swarm Optimization (PSO) pada Support Vector Machine (SVM). Dengan dataset berjumlah 2000 entri yang terdiri dari 1000 label positif dan 1000 label negatif, validasi dijalankan melalui kombinasi split data dengan rasio 80:20 dan cross validation stratified 10-Fold. Dengan penerapan SVM dasar, diperoleh akurasi sebesar 0,794 dan nilai AUC 0,890. Integrasi dengan seleksi fitur Information Gain Ratio (IGR) meningkatkan akurasi menjadi 0,814 dan AUC 0,907. Selanjutnya, dengan kombinasi SVM berbasis PSO dan IGR, akurasi meningkat signifikan mencapai 0,837 dengan AUC 0,913. Hasil ini menunjukkan bahwa kombinasi teknik seleksi fitur dan optimasi parameter dapat meningkatkan kinerja klasifikasi sentimen terhadap vaksin COVID-19. Kesimpulan dari studi ini menunjukkan bahwa integrasi IGR dan PSO memberikan kontribusi positif dalam efektivitas dan prediksi model SVM dalam tugas klasifikasi sentimen.