Dalam era digital saat ini, media sosial, khususnya Twitter, telah menjadi saluran utama dalam berbagi informasi secara real-time mengenai bencana alam seperti banjir, kebakaran hutan, dan gempa bumi. Penyebaran informasi yang cepat ini memungkinkan respons yang lebih sigap terhadap bencana. Namun, model klasifikasi yang hanya mengandalkan data dari media sosial menghadapi tantangan, terutama dalam keterbatasan kekayaan dan keberagaman vektor word embedding, yang menghambat analisis yang presisi. Untuk mengatasi hal ini, penelitian ini mengintegrasikan data dari Wikipedia guna meningkatkan word embedding. Model klasifikasi yang digunakan menerapkan teknik word embedding, Convolutional Neural Network (CNN) 1D, dan Bidirectional Long Short-Term Memory (BiLSTM). Dengan mengombinasikan metode embedding seperti Word2Vec, GloVe, dan FastText, yang diperoleh dari media sosial serta Wikipedia berbahasa Indonesia, model ini meningkatkan representasi kata dan akurasi klasifikasi. Hasil penelitian menunjukkan tingkat akurasi sebesar 85,61% untuk klasifikasi banjir, 92,56% untuk kebakaran hutan, dan 84,11% untuk gempa bumi. Penelitian ini berkontribusi dalam pengembangan klasifikasi komunikasi bencana alam dengan memanfaatkan data yang lebih beragam, serta mengusulkan metodologi yang efektif untuk analisis konten media sosial yang tidak terstruktur.