Peristiwa bencana alam adalah kejadian-kejadian yang menyebabkan kerugian signifikan, terutama merusak lingkungan dan properti, dan dalam kasus terburuk, bahkan menyebabkan kehilangan nyawa. Dalam beberapa kasus bencana alam, media sosial telah digunakan sebagai jembatan informasi tercepat untuk memberi tahu banyak orang, terutama melalui platform seperti Twitter. Untuk memberikan kategorisasi informasi yang akurat, bidang penambangan teks dapat dimanfaatkan. Studi ini mengimplementasikan kombinasi metode word2vec dan LSTM serta kombinasi word2vec dan Bi-LSTM untuk menentukan metode mana yang paling akurat digunakan dalam studi kasus berita terkait peristiwa bencana. Manfaat dari word2vec terletak pada metode ekstraksi fiturnya, yang mengubah data teks menjadi bentuk vektor untuk diproses pada tahap klasifikasi. Di sisi lain, metode LSTM dan Bi-LSTM digunakan sebagai teknik klasifikasi untuk mengkategorikan data yang telah divektorisasi sebagai hasil dari proses ekstraksi. Hasil eksperimen menunjukkan akurasi sebesar 70,67% untuk kombinasi word2vec dan LSTM, dan akurasi sebesar 72,17% untuk kombinasi word2vec dan Bi-LSTM. Hal ini menunjukkan peningkatan sebesar 1,5% yang dicapai dengan menggabungkan metode word2vec dan Bi-LSTM. Penelitian ini memiliki signifikansi dalam mengidentifikasi kinerja perbandingan dari masing-masing metode kombinasi, yaitu word2vec + LSTM dan word2vec + Bi-LSTM, untuk menentukan kombinasi yang paling baik dalam proses klasifikasi data terkait bencana alam gempa bumi. Studi ini juga memberikan wawasan tentang berbagai parameter yang ada dalam metode word2vec, LSTM, dan Bi-LSTM yang dapat ditentukan oleh para peneliti. Temuan dari penelitian ini telah menunjukkan bahwa, setelah pemeriksaan dan analisis yang teliti, pendekatan Bi-Directional Long Short-Term Memory (Bi-LSTM) menghasilkan kinerja yang lebih unggul dibandingkan dengan pendekatan Long Short-Term Memory (LSTM), terutama jika digabungkan dengan metodologi ekstraksi fitur word2vec.