Pemanfaatan teknologi untuk menganalisis opini publik terhadap isu ekonomi didorong oleh peningkatan jumlah berita ekonomi digital. Penelitian ini bertujuan mengevaluasi kinerja tiga algoritma klasifikasi, yaitu Naive Bayes, Support Vector Machine (SVM), dan IndoBERT dalam mengklasifikasikan sentimen berita ekonomi pada Google News di Provinsi Daerah Istimewa Yogyakarta (DIY). Analisis menggunakan text mining dan supervised learning, dengan pembobotan TF-IDF dan tokenizer berbasis transformer. Data dilabelkan menjadi sentimen positif dan negatif berdasarkan metode lexicon-based sentiment analysis. SMOTE digunakan untuk mengatasi ketidakseimbangan data latih. Hyperparameter tuning dilakukan dengan 5-fold cross validation untuk memperoleh model terbaik. Hasil klasifikasi menunjukkan bahwa Naïve Bayes memiliki akurasi 77,20?n F1-score 75,80%. Sementara itu, model SVM dengan kernel RBF menjadi model terbaik dengan akurasi 91,09?n F1-score 88,18%, didukung oleh konfigurasi hyperparameter optimal C=100 dan γ=0,1. Algoritma IndoBERT juga menunjukkan kinerja kompetitif dengan akurasi 87,18?n F1-score 87,24%. Klasifikasi menggunakan algoritma SVM RBF lebih lanjut mengidentifikasi bahwa dari total 20.088 artikel, sentimen positif lebih dominan (62,67%) dibandingkan sentimen negatif (37,33%). Visualisasi kata mengindikasikan sentimen positif terkait pertumbuhan ekonomi, stabilitas nilai tukar rupiah, dan peningkatan kesempatan kerja dan usaha, sementara sentimen negatif menyoroti kekhawatiran terhadap kondisi ekonomi dan dampaknya pada masyarakat. Temuan ini dapat menjadi indikator awal atau sistem peringatan dini bagi pemerintah DIY dalam perumusan kebijakan ekonomi dan komunikasi publik yang responsif.