Penelitian ini bertujuan untuk mengatasi kendala kelebihan informasi akibat banyaknya berita finansial yang menyulitkan investor, khususnya pemula, dalam menganalisis sentiment saham. Sebagai solusi dikembangkan model klasifikasi hibrida kuantum klasik, yaitu FinBERT yang dibekukan dengan VQC sebagai classifier head, berbasis simulasi PennyLane, yang dianalisis secara komparatif terhadap model klasik, yaitu FinBERT yang dibekukan dengan MLP sebagai classifier head. Menggunakan dataset Financial PhraseBank, hasil evaluasi menunjukkan model hibrida lebih unggul dengan mencetak skor f1 makro minimum dan maksimum yang lebih tinggi, standar deviasi yang lebih rendah, serta nilai ECE yang lebih rendah. Model hibrida juga terbukti lebih efisien jika dilihat dari jumlah parameter dan ukuran model. Model terpilih kemudian diimplementasikan kedalam sistem aplikasi web berbasis Gradio, yang diintegrasikan dengan modul ekstraksi data web dan LLM Google Gemini, untuk peringkasan serta translasi teks secara otomatis. Validasi akhir menunjukkan tingkat kepuasa pengguna berada pada skor rata-rata 7.97 dari 10, sementara pengujian pakar membuktikan tingkat validitas ringkasan berita dari LLM sebesar 30/30 dengan akurasi prediksi sentiment mencapai 28/30.