Deteksi bunuh diri melalui media sosial telah menjadi tantangan besar dalam beberapa tahun terakhir,
terutama pada platform seperti Twitter yang berisi unggahan singkat dan emosional. Penelitian ini
bertujuan untuk mengembangkan model deep learning hybrid yang dapat mendeteksi potensi bunuh diri
pada tweet di Twitter, menggunakan metode CNN-LSTM dan fitur semantik yang diperluas dengan
Word2Vec. Dengan meningkatnya angka bunuh diri di kalangan generasi muda, yang membutuhkan
sistem deteksi dini berbasis teknologi canggih. Deteksi dini ini dapat membantu memberikan intervensi
lebih cepat bagi individu yang berisiko tinggi. Pendekatan yang diusulkan menggunakan kombinasi
Convolutional Neural Network (CNN) untuk menangkap pola lokal dalam teks, Long Short-Term
Memory (LSTM) untuk memahami urutan kata dalam teks, serta Word2Vec untuk memperkaya
representasi semantik kata-kata dalam tweet. Sistem ini memanfaatkan ekstraksi fitur TF-IDF dan
ekspansi fitur menggunakan Word2Vec untuk meningkatkan kemampuan model dalam mengenali pola
emosional dan semantik yang ada dalam tweet. Hasil eksperimen menunjukkan bahwa model hybrid
CNN-LSTM dengan ekspansi fitur Word2Vec dan optimasi menghasilkan akurasi sebesar 91,31%, .
Hasil model hybrid CNN-LSTM belum mununjukkan hasil yang lebih baik dari model non-hybrid.
Kontribusi utama dari penelitian ini adalah mengeksplorasi pengaruh ekspansi fitur Word2vec pada
model hybrid deep learning untuk deteksi bunuh diri dan mengintegrasikan ekstraksi fitur TF-IDF serta
optimasi untuk meningkatkan performa klasifikasi teks.
Kata kunci: deteksi bunuh diri, hybrid deep learning, word2vec, TF-IDF, optimasi