Serangan phishing menjadi ancaman keamanan siber yang signifikan dan terus berkembang. Untuk mengatasi tantangan ini, penelitian ini mengusulkan pengembangan model deteksi phishing berbasis ensemble learning dengan metode Soft Voting Classifier. Penelitian ini bertujuan untuk meningkatkan akurasi dan mengurangi tingkat false positive dengan memanfaatkan kekuatan prediksi dari beberapa model klasifikasi. Metodologi yang diterapkan meliputi pengumpulan 10.000 URL phishing dari PhishTank.org dan 5.000 URL legitimate dari Cisco Umbrella, yang kemudian diekstraksi menjadi 15 fitur utama. Model klasifikasi tunggal seperti Logistic Regression, K-Nearest Neighbor, Random Forest, dan Naive Bayes diimplementasikan, bersamaan dengan berbagai kombinasi Soft Voting dari model-model tersebut. Hasil evaluasi menunjukkan bahwa model Random Forest sebagai model tunggal mencapai akurasi tertinggi sebesar 87.60%. Sementara itu, kombinasi Soft Voting dari Logistic Regression, K-Nearest Neighbor, dan Random Forest menunjukkan performa yang sangat kompetitif dengan akurasi 87.47%,recall yang tertinggi (0.9175). Penelitian ini menyimpulkan bahwa meskipun Soft Voting Classifier tidak secara signifikan meningkatkan performa dibandingkan model tunggal terbaik, pendekatan ini berhasil mencapai kinerja yang setara dan memberikan profil performa yang stabil. Keseimbangan antara presisi dan recall yang dihasilkan menjadikannya solusi yang andal dan relevan untuk mitigasi ancaman phishing yang kompleks.