Seiring dengan perkembangan media sosial, warganet Indonesia ramai menggunakan media sosial untuk berbagi informasi. Salah satunya menggunakan fitur cuitan pada media sosial Twitter, untuk membahas suatu topik tertentu. Bencana merupakan salah satu topik yang ramai dibahas, mulai dari kenapa terjadinya bencana dan bagaimana penanganannya oleh pihak berwenang. Analisa sentimen dapat dilakukan untuk menganalisa cuitan dengan topik bencana ini, agar dapat digunakan sebagai tolak ukur bagaimana penangan bencana dan kenapa bencana itu terjadi menurut pendapat warganet. Pada penelitian ini dibuat analisa sentimen menggunakan word embedding Global Vector (GloVe) yang bertujuan untuk meningkat performa analisa sentimen. Model Global Vector dibentuk dari korpus Wikipedia Indonesia, dengan dataset cuitan dengan topik bencana yang berjumlah 1500 data cuitan. Klasifikasi sentimen yang digunakan adalah metode deep learning model Long Short-Term Memory (LSTM). Yang mana model Global Vector diembedd ke dalam layernya. Dalam penelitian ini akan dilakukan dua skenario pengujian dengan data cuitan dengan label data sentimen seimbang dan pengujian dengan label data sentimen tidak seimbang. Dari hasil pengujian dengan data seimbang didapatkan akurasi sebesar 73% dan pada data dengan label tidak seimbang didapatkan presisi 74,5% dan recall 74,5% dengan akurasi 75%.