Media sosial, salah satunya yaitu Twitter merupakan media penyebaran informasi
yang sangat berkembang pesat saat ini. Keunggulan Twitter yang memberikan
dampak sangat besar adalah kecepatannya dalam menyebarkan berita dan informasi
yang sedang terjadi. Salah satu informasi yang sering dikabarkan melalui media
sosial adalah informasi mengenai bencana alam. Oleh karena itulah banyak riset
mengenai sosial network sensor yang dilakukan peneliti dengan memanfaatkan data
dari sosial media dengan tujuan memperoleh data yang valid untuk proses tanggap
darurat bencana. Pada penelitian ini, dilakukan klasifikasi pesan saksi mata bencana
kebakaran hutan dengan menggunakan Convolutional Neural Network dan ektraksi
fitur berbasis Word Embedding yaitu Word2Vec, fastText, dan GloVe dengan
dimensi 100. Data twitter yang digunakan berjumlah 3000 data dan dibagi menjadi
3 kelas yaitu saksi mata, bukan saksi mata, dan tidak diketahui. Penelitian dilakukan
untuk mengetahui kinerja akurasi yang didapatkan dari dua jenis pengujian, yaitu
menggunakan nilai hyperparameter default dan hyperparameter tuning.
Hyperparameter default menggunakan filter 100, kernel filter 3,4,5, fungsi aktivasi
ReLU, dropout 0.5, dan jumlah neuron untuk 2 fully connected layer adalah 50 dan
10. Sedangkan konfigurasi hyperparameter yang didapatkan melalui proses tuning
adalah filter 40, kernel filter 5,7,8, fungsi aktivasi ReLU, dropout 0.2, dan jumlah
neuron untuk 2 fully connected layer berturut-turut adalah 30 dan 70. Kinerja
pengujian dengan nilai tertinggi didapatkan dengan menggunakan hyperparameter
tuning dan fastText mendapatkan akurasi tertinggi dengan skor 92,70%. Sedangkan
Word2Vec dan Glove masing-masing mendapatkan skor akurasi sebesar 91,60%
dan 92,10%.

Kata kunci: Convolutional Neural Network, Hyperparameter Tuning, Word
Embedding, Word2Vec, fastText, GloVe, Klasifikasi, Text Mining, Twitter,
Bencana Alam