Ujaran kebencian (hate speech) dan Bahasa kasar (abusive language) adalah salah satu kecenderungan negatif yang sering muncul di media sosial. Selain itu, karena kemajuan teknologi dan penggunaan internet yang pesat, siapa pun kini dapat terlibat dalam melontarkan ujaran kebencian atau bahkan bahasa kasar, seperti pada Twitter, yang akhirnya menyebabkan pertengkaran di platform media sosial tersebut. Deteksi otomatis kandungan bahasa kasar dan ujaran kebencian baik untuk diterapkan khususnya di sisi aplikasi user, untuk memfilter isi tweet yang dapat merusak tatanan kehidupan sosial di dunia nyata. Tujuan penelitian ini adalah membuat model klasifikasi menggunakan Support vector machine dengan fitur word embeddings FastText dengan menggunakan suatu benchmark dataset, untuk mengidentifikasi apakah suatu tweet mengandung ujaran kebencian dan/atau bahasa kasar. Kontribusi penelitian ini adalah meningkatkan performa dari metode baseline SVM (support vector machine) dengan fitur input word embeddings FastText. Hasil eksperimen diukur berdasarkan akurasi yang akan dibandingkan dengan beberapa metode machine learning lainnya menggunakan dataset yang sama, yaitu 13.167 tweet. Hasil pengujian dengan model SVM yang paling optimal, mendapatkan akurasi rata-rata 82,65%, dengan akurasi pada kelas hate speech, abusive language dan level hate speech secara berturut-turut adalah 84.92%, 86.60%, dan 76.43%. Hasil ini lebih baik dibandingkan beberapa metode machine learning konvensional, namun belum dapat melampaui hasil yang dicapai oleh metode berbasis deep learning.