Dalam era digital saat ini, penyebaran berita palsu atau hoax telah menjadi masalah yang perlu diatasi untuk mengurangi dampak kerugian dari berita hoax. Oleh karena itu, penelitian ini bertujuan untuk menguji metode deteksi hoax pada berita online menggunakan teknik klasifikasi LSTM (Long Short-Term Memory) dan ekstraksi fitur menggunakan word embedding. Penelitian ini juga membandingkan berbagai metode Word Embedding seperti Word2Vec, GloVe, dan FastText untuk melihat kinerja model untuk mendeteksi hoax pada berita. Dataset yang digunakan diambil dari Indonesian Fact and Hoax Political News Kaggle dengan 2 kategori berita yaitu valid dan hoax sebanyak 4762 berita. Preprocessing yang dilakukan pada dataset adalah case folding, remove punctuation, remove number, tokenization, lemmatization dan stop word removal. Kinerja model diukur menggunakan akurasi dan recall. Pengujian kinerja LSTM dilakukan dengan mengombinasikan nilai-nilai hyperparameter, yaitu epoch, batch size dan learning rate yang dikombinasikan dengan Word Embedding Word2Vec, GloVe, dan FastText. Berdasarkan hasil pengujian dari indikator tersebut, akurasi terbaik model untuk mendeteksi hoax mencapai 98% akurasi dan 99% recall dengan word embedding Word2Vec, epoch 30, batch size 128, dan learning rate 0.001. Hasil pengujian juga menunjukan bahwa word embedding Word2vec memberikan hasil yang lebih baik dibandingkan GloVe dan FastText.