Seiring bertambahnya populasi bertambah pula penggunaan social media, salah satunya Twitter. Namun, dengan banyaknya penggunaan social media juga meningkatkan potensi tindakan negatif seperti hate speech. Hate speech sering dicirikan sebagai tindakan mencela seseorang tidak memandang suku, ras, agama, jenis kelamin, etnis, dan negara. Dengan begitu, pentingnya untuk klasifikasi sebuah hate speech untuk mengantisipasi tindakan hate speech. Penelitian menggunakan algoritma LGBM dengan dikombinasikan ekstraksi fitur Word2Vec dan TF-IDF. Word2Vec menggunakan arsitektur skip-gram dan CBOW dengan dimensi tiap arsitektur sebesar 200 dan 300 dimensi, sedangkan TF-IDF menggunakan varian unigram, bigram, trigram, dan fourgram. Sebelum klasifikasi, data yang telah dipreprocessing dikonversi menjadi nilai vektor bersamaan dengan artikel wikipedia berbahasa Indonesia dengan metode Word2Vec. Setelah melakukan klasifikasi secara menyeluruh, ditemukan hasil rata-rata akurasi dari masing-masing metode. Hasil akurasi tertinggi diperoleh metode TF-IDF unigram sebesar 83% dengan selisih 1,16?ri metode Word2Vec skip-gram 300 dimensi sebesar 82%. Jika dibandingkan antara keseluruhan metode Word2Vec dengan TF-IDF, metode Word2Vec menghasilkan akurasi lebih baik di angka 79%. Pada metode Word2Vec, ditemukan bahwa arsitektur skip-gram memiliki hasil rata-rata lebih baik dari arsitektur CBOW. Dan pada penelitian ini, hasil akurasi dari penggunaan dataset dan Wikipedia lebih baik dari yang hanya menggunakan dataset di angka 81%