Media sosial, khususnya X (Twitter), tidak hanya berfungsi sebagai sarana komunikasi, tetapi juga sebagai platform untuk bertukar pendapat, terutama terkait isu-isu yang bersifat kontroversial seperti perpindahan Ibu Kota Negara (IKN). Untuk memahami opini publik mengenai isu tersebut, dibutuhkan analisis sentimen. Salah satu metode yang sering digunakan untuk klasifikasi sentimen adalah Support Vector Machine (SVM), yang dapat meningkatkan kinerjanya jika didukung oleh fitur yang berkualitas. Sehingga diperlukan proses ekstraksi maupun seleksi fitur untuk meningkatkan akurasi klasifikasi SVM. Pemilihan ekstraksi fitur yang tepat sangat penting untuk klasifikasi. Oleh karena itu, penelitian ini bertujuan membandingkan dua metode ekstraksi fitur, yaitu Word2vec dan CountVectorizer, dengan penambahan seleksi fitur Mutual Information untuk meningkatkan performa SVM dalam mengklasifikasikan sentimen publik di media sosial X. Penelitian ini menggunakan data sekunder, yaitu data cuitan X yang diambil menggunakan package Nitter pada pemrograman Python dengan kata kunci "perpindahan IKN" dan "perpindahan Ibu Kota Negara" dalam rentang waktu sejak 17 Agustus 2019 - 17 Agustus 2024. Hasil penelitian menunjukkan bahwa SVM dengan ekstraksi fitur Word2vec dan seleksi fitur Mutual Information menghasilkan kinerja lebih baik dengan akurasi 84%, presisi 90%, recall 90%, dan f1-score 90%, dibandingkan SVM dengan ekstraksi fitur CountVectorizer dan seleksi fitur Mutual Information dengan akurasi 80%, presisi 83%, recall 92%, dan f1-score 87%. Kata Kunci: Perpindahan IKN, Word2vec, CountVectorizer, Mutual Information, Support Vector Machine