Wabah monkeypox kembali menjadi perhatian dunia karena penyebarannya yang semakin meluas di berbagai negara. Informasi terkait penyakit ini banyak dibagikan melalui media sosial, terutama Twitter yang merupakan sumber utama opini publik. Namun, kompleksitas bahasa dan sudut pandang pengguna yang beragam seringkali menimbulkan tantangan dalam menganalisis sentimen secara akurat. Oleh karena itu, analisis sentimen terhadap cacar monyet menjadi penting untuk memahami persepsi publik dan dampaknya terhadap penyebaran informasi kesehatan. Penelitian ini berkontribusi dalam mengidentifikasi metode ekstraksi fitur berbasis word embedding yang paling efektif untuk analisis sentimen isu kesehatan di media sosial. Tujuan dari penelitian ini adalah untuk membandingkan kinerja metode word embedding yaitu Word2Vec, GloVe, dan FastText dalam analisis sentimen tweet tentang cacar monyet dengan menggunakan model BiLSTM. Data sebanyak 1.511 tweet dikumpulkan melalui proses crawling dengan menggunakan Twitter. Setelah data terkumpul, dilakukan pelabelan secara manual ke dalam tiga kategori sentimen yaitu positif, negatif, dan netral. Selanjutnya, data diproses melalui tahap preprocessing yang meliputi data cleaning, case folding, tokenisasi, stopword removal, dan stemming. Hasil evaluasi menunjukkan bahwa FastText dengan BiLSTM menghasilkan akurasi tertinggi yaitu 89.8%, diikuti oleh Word2Vec sebesar 88.6%, dan GloVe sebesar 87.4%. FastText terbukti lebih efektif dalam mengurangi kesalahan klasifikasi, terutama dalam membedakan antara sentimen negatif dan positif karena kemampuannya untuk menangkap informasi subkata dan konteks yang lebih luas. Temuan ini menunjukkan bahwa penggunaan FastText dapat meningkatkan akurasi analisis sentimen, terutama pada isu-isu kesehatan yang berkembang di media sosial, sehingga dapat mendukung pengambilan keputusan berbasis data oleh pihak-pihak terkait dalam menangani penyebaran informasi.