Bencana alam sering terjadi di Indonesia dan media sosial seperti X (Twitter) menjadi sumber informasi real-time. Penelitian ini bertujuan mengidentifikasi laporan bencana alam dari tweet berbahasa Indonesia dengan membandingkan kinerja model Cross-lingual Language Model (XLM) dan XLM-RoBERTa (XLM-R). Dataset yang digunakan adalah Natural Disaster on Twitter (Indonesia) yang terdiri dari 3.000 tweet untuk setiap bencana (banjir, gempa, kebakaran) dengan tiga kelas: eyewitness, noneyewitness, dan dontknow. Setelah preprocessing, data dibagi dengan rasio 80:10:10 untuk pelatihan, validasi, dan pengujian. Model di-*fine-tune* menggunakan hyperparameter yang sama (learning rate 5e-6, batch size 16, max length 128). Hasil evaluasi menunjukkan bahwa XLM-R secara konsisten mengungguli XLM dengan akurasi rata-rata 84,33% dibandingkan 78,11%. Akurasi tertinggi dicapai pada kategori kebakaran (XLM: 85,67%, XLM-R: 88,67%). Hasil ini menunjukkan bahwa XLM-R lebih efektif dalam mengklasifikasikan laporan bencana dari media sosial berbahasa Indonesia karena arsitektur dan corpus pretraining yang lebih besar. Implikasi penelitian ini adalah model XLM-R dapat diintegrasikan ke dalam sistem pemantauan bencana berbasis media sosial untuk respon yang lebih cepat dan akurat.