Informasi bencana alam yang cepat dan akurat sangat penting untuk mendukung proses penanganan darurat dan penyebaran informasi kepada masyarakat. Media sosial seperti Twitter menjadi sumber informasi potensial karena kecepatan dan keterbukaannya dalam menyampaikan kejadian secara langsung dari masyarakat. Salah satu tantangan utama dalam pemanfaatannya adalah klasifikasi jenis informasi berdasarkan sumber, khususnya untuk membedakan pesan dari saksi mata, non-saksi mata, dan tidak diketahui pada data Twitter terkait tiga jenis bencana alam: banjir, gempa bumi, dan kebakaran hutan. Penelitian ini mengembangkan model klasifikasi menggunakan dua teknik word embedding, yaitu Word2Vec dan FastText, yang dikombinasikan dengan arsitektur deep learning CNN - LSTM dalam konfigurasi single-layer dan multi-layer. Hasil evaluasi menunjukkan bahwa model dengan embedding FastText dan arsitektur multi-layer memberikan performa terbaik dalam mengidentifikasi pesan dari saksi mata, khususnya pada data gempa dan kebakaran hutan, dengan sensitivitas mencapai 79,50% dan spesifisitas 87,50% pada kelas eyewitness. Sebaliknya, model Word2Vec single-layer menunjukkan performa yang lebih rendah, misalnya pada data banjir dengan spesifisitas hanya 72,50% dan sensitivitas 88,00%, serta pada gempa dengan sensitivitas 82,50% dan spesifisitas 82,25%. Temuan ini menunjukkan bahwa pemilihan embedding dan arsitektur model berpengaruh signifikan terhadap kemampuan klasifikasi, di mana kombinasi FastText dengan arsitektur multi-layer unggul dalam menjaga keseimbangan sensitivitas dan spesifisitas pada pesan dari saksi mata.

Kata kunci : Teks Klasifikasi, Bencana Alam, Sosial Media, CNN-LSTM, Word Embedding