Twitter berfungsi sebagai jaringan sosial di mana orang dapat terhubung melalui pengiriman pesan pendek, yang dikenal sebagai tweet. Keterbatasan jumlah karakter sering menyebabkan variasi dalam penggunaan kata, sehingga membuat tweet sulit untuk dipahami tanpa klasifikasi yang tepat. Dalam penelitian ini, ekspansi fitur digunakan untuk mengatasi masalah ini. Tujuan utama dari penelitian ini adalah untuk mengevaluasi pengaruh dari ekspansi fitur FastText dalam konteks klasifikasi topik pada tweet berbahasa Indonesia. Penelitian ini menggunakan FastText untuk mengurangi ketidakcocokan kosa kata dalam klasifikasi topik dengan menghitung similarity antar kata dalam korpus. Oleh karena itu, hasil yang diharapkan dari penelitian ini adalah FastText dapat meningkatkan performansi pada klasifikasi topik. Tahap ekstraksi fitur melibatkan pembobotan kata menggunakan TF-IDF yang harus dilakukan sebelum menguji ekspansi fitur. Penelitian ini juga menggunakan Long Short-Term Memory (LSTM) sebagai metode klasifikasi karena LSTM cenderung bekerja lebih baik dalam menggunakan sel memori dibandingkan dengan jaringan saraf rekuren pada umumnya. Hasil terbaik dari penelitian ini mencapai akurasi 95,30% menggunakan metode LSTM dan ekspansi fitur dengan FastText pada top similarity 5 yang dibangun menggunakan korpus Berita. Penelitian ini membuktikan bahwa metode LSTM menggunakan FastText dapat meningkatkan nilai akurasi model dalam klasifikasi topik di Twitter.