Klasifikasi berita akademik pada situs web perguruan tinggi tetap menjadi tantangan karena meningkatnya volume konten dan kurangnya sistem kategorisasi yang efisien. Di UIN Walisongo Semarang, permasalahan ini menghambat mahasiswa, dosen, dan masyarakat umum dalam mengakses informasi yang relevan secara mudah. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis untuk berita akademik guna mengatasi permasalahan tersebut. Kami menerapkan model Naïve Bayes Classifier yang ditingkatkan dengan pembobotan Term Frequency, algoritma Enhanced Confix Stripping Stemmer untuk praproses bahasa Indonesia, serta seleksi fitur Chi-Squared untuk mengidentifikasi kata-kata yang paling informatif. Dataset terdiri dari 880 artikel berita akademik dari situs web UIN Walisongo, yang dibagi menjadi 704 dokumen pelatihan dan 176 dokumen pengujian. Sistem ini mencapai akurasi sebesar 95% pada data uji. Untuk mengevaluasi kemampuan generalisasi, kami menggunakan 12 artikel baru sebagai data evaluasi dan memperoleh akurasi sebesar 83,3%. Tahapan praproses memainkan peran penting dalam mengurangi kompleksitas morfologis, sementara skor Chi-Squared meningkatkan relevansi fitur yang dipilih. Penelitian ini menyoroti pentingnya teknik klasifikasi teks yang andal dalam sistem informasi akademik, khususnya dalam konteks bahasa Indonesia yang memiliki tantangan morfologi tersendiri. Model yang diusulkan menunjukkan performa yang kuat, skalabilitas, dan potensi untuk diintegrasikan ke dalam portal akademik guna meningkatkan pencarian informasi. Studi ini memberikan kontribusi signifikan dalam bidang Natural Language Processing dan machine learning terapan di lingkungan akademik, khususnya untuk konten berbahasa Indonesia. Penelitian ini juga menawarkan solusi yang efektif untuk manajemen konten akademik otomatis dalam sistem informasi kelembagaan.