Depresi adalah gangguan mental yang banyak mempengaruhi individu di seluruh dunia, namun seringkali tidak terdeteksi dengan baik. Media sosial, khususnya Twitter, menjadi salah satu platform bagi pengguna untuk mengekspresikan emosi, termasuk gejala depresi yang mungkin tidak diungkapkan secara eksplisit. Penelitian ini bertujuan untuk mengembangkan model deteksi depresi di Twitter menggunakan metode hybrid CNN-BiGRU dengan fitur ekspansi FastText. Model CNN digunakan untuk mengekstraksi pola lokal dalam teks, sedangkan BiGRU memproses urutan kata dari dua arah untuk menangkap konteks lebih dalam. Ekspansi fitur FastText digunakan untuk menangani variasi kosakata dan meningkatkan akurasi model dalam mendeteksi makna implisit dalam teks. Topik ini penting karena banyak pengguna media sosial yang tidak mendapatkan perawatan depresi secara memadai, dan deteksi otomatis melalui teks di Twitter dapat menjadi solusi untuk intervensi dini. Namun, tantangan utama adalah menangkap konteks kompleks dalam bahasa yang digunakan di media sosial. Solusi yang diajukan adalah pengembangan model deteksi depresi yang menggabungkan CNN, BiGRU, dan FastText, yang diharapkan dapat meningkatkan akurasi dan sensitivitas model dalam mendeteksi depresi. Pengujian dilakukan dengan menggunakan dataset tweet berbahasa Indonesia yang berisi potensi tanda depresi. Hasil utama dari penelitian ini menunjukkan bahwa model hybrid BiGRU-CNN dengan FastText mencapai akurasi tertinggi sebesar 80,65% pada pengujian dengan korpus IndoNews menggunakan optimizer RMSprop. Model ini juga memberikan kontribusi dan berguna untuk intervensi kesehatan mental.