Bencana alam seperti banjir, gempa bumi, dan kebakaran hutan merupakan ancaman global yang memerlukan respons cepat dan akurat untuk meminimalkan kerugian. Penelitian ini mengusulkan pendekatan baru dalam mengklasifikasikan informasi terkait bencana dari unggahan media sosial dengan mengintegrasikan data dari Twitter dan Wikipedia bahasa Indonesia. Dengan menggunakan teknik word embedding canggih (Word2Vec, FastText, dan GloVe) serta arsitektur deep learning hibrida (2D CNN Bi-LSTM dan 3D CNN Bi-LSTM), penelitian ini meningkatkan representasi fitur dan performa model. Hasil evaluasi menunjukkan bahwa 2D CNN Bi-LSTM tipe 2 mencapai akurasi tertinggi untuk klasifikasi banjir (86,05%) dan gempa bumi (86,00%), sedangkan 3D CNN Bi-LSTM tipe 2 unggul dalam klasifikasi kebakaran hutan (86,11%). Temuan ini menyoroti kemampuan model dalam mengekstraksi pola spasial dan temporal secara efektif, sehingga mendukung klasifikasi pesan bencana yang dengan kinerja yang lebih baik. Meskipun demikian, tantangan tetap ada dalam menjaga performa konsisten di semua kategori bencana. Penelitian selanjutnya dapat difokuskan pada optimasi representasi data dan adaptabilitas arsitektur untuk peningkatan lebih lanjut.

Kata Kunci— klasifikasi bencana, media sosial, word embedding, CNN-BiLSTM