Cyberbullying merupakan salah satu dampak negatif dari perkembangan media sosial yang dapat menimbulkan gangguan psikologis dan sosial serius bagi korbannya. Platform X (sebelumnya Twitter) menjadi salah satu media sosial dengan tingkat kasus cyberbullying tertinggi, dengan karakteristik bahasa informal, singkatan, dan kata tidak baku yang menyulitkan deteksi otomatis. Penelitian ini bertujuan mengembangkan model klasifikasi komentar cyberbullying menggunakan pendekatan hybrid CNN–BiLSTM yang dikombinasikan dengan teknik word embedding. CNN digunakan untuk mengekstraksi fitur spasial, sedangkan BiLSTM memahami konteks kalimat secara dua arah. Eksperimen dilakukan menggunakan tiga jenis word embedding, yaitu FastText, GloVe, dan Word2Vec. Hasil penelitian menunjukkan bahwa model CNN–BiLSTM dengan embedding FastText berdimensi 300 memberikan performa terbaik, dengan F1-score sebesar 0,9238, AUC 0,9410, serta precision dan recall masing-masing sebesar 0,9238. FastText terbukti unggul dalam menangani kata-kata tidak baku melalui pendekatan subword, sehingga mampu meningkatkan representasi teks informal. Temuan ini menunjukkan bahwa kombinasi arsitektur hybrid CNN–BiLSTM dan embedding yang sesuai efektif dalam meningkatkan performa klasifikasi cyberbullying pada media sosial berbahasa Indonesia.