Ujaran kebencian adalah perilaku yang tidak diinginkan yang bertujuan untuk menyerang individu atau kelompok. Penyebaran ujaran kebencian dapat ditemukan di media sosial, salah satunya di platform Twitter. Masalah ini dapat diselesaikan dengan klasifikasi ujaran kebencian. Penelitian ini mengusulkan untuk membangun model hybrid pendeteksi ujaran kebencian menggunakan tiga model deep learning CNN (Convolutional Neural Network), LSTM (Long-Short Term Memory), dan kombinasi kedua model tersebut. Dataset yang digunakan berasal dari Twitter dalam bentuk tweet berbahasa Indonesia. TF-IDF (Term Frequency - Inverse Document Frequency) dan GloVe (Global Vector) digunakan sebagai ekstraksi fitur dan ekspansi fitur untuk meningkatkan akurasi setiap model. Beberapa skenario diuji untuk menemukan fitur terbaik. Hasil yang terbaik pada studi ini menggunakan Dataset dengan rasio 90% train dan 10% test setelah pre-processing, TF-IDF dengan Unigram + Bigram + Trigram pembobotan, dan 10.000 fitur vektor. Metode dengan ekspansi fitur Top-10 dalam korpus tweet mencapai akurasi tertinggi sebesar 90,83% untuk model hybrid CNN-LSTM dan mengalami peningkatan sebesar 0,79% terhadap baseline yang sebelumnya sudah ditentukan diikuti oleh model LSTM-CNN dengan hasil 91,72% yang mengalami peningkatan 1,88% terhadap baseline.