Serangan phishing terus menimbulkan ancaman keamanan siber yang besar dengan memanfaatkan kelemahan pada platform internet dan menipu pengguna agar mengungkapkan data rahasia. Meskipun metode deteksi berbasis aturan tradisional efektif dalam mendeteksi pola tertentu dalam URL phishing, metode tersebut mengalami kesulitan dengan teknik serangan yang terus berubah dan menjadi lebih kompleks. Metode pembelajaran mesin memberikan fleksibilitas tetapi sering kali menghadapi tantangan dalam penggunaan sumber daya yang efisien dan pengambilan keputusan segera. Penelitian ini memperkenalkan kerangka deteksi campuran yang menggabungkan analisis berbasis aturan dan pembelajaran mesin untuk meningkatkan ketepatan dan keandalan dalam mendeteksi URL phishing.
Sistem yang disarankan menggabungkan manfaat dari kedua strategi, memutuskan secara real-time kapan harus menggunakan teknik berbasis aturan dan kapan harus menggunakan model pembelajaran mesin seperti pengklasifikasi Random Forest, SVM, KNN and Logistic Regression untuk hasil deteksi terbaik. Kumpulan URL jinak dan jahat digunakan untuk menguji kerangka kerja, dan pendekatan deteksi gabungan menunjukkan metrik kinerja yang kuat dengan akurasi 95,38%, presisi 95,42%, recall 95,33%, skor F1 95,37% dan HTER 4.62%. Hal ini menunjukkan keefektifannya dalam mengurangi negatif palsu, sekaligus memastikan deteksi URL berbahaya yang konsisten.
Penelitian ini mengembangkan teknologi deteksi phishing dengan mengatasi kekurangan sistem berbasis aturan secara efektif dan mengoptimalkan integrasi pembelajaran mesin, sehingga memberikan solusi yang dapat diskalakan dan efisien untuk memerangi ancaman siber.
Kata kunci: Deteksi Phishing, Deteksi Hibrida, Pembelajaran Mesin, Deteksi Berbasis Aturan