Pergeseran paradigma pengembangan perangkat lunak ke arah vibe coding yang memanfaatkan Large Language Model (LLM) menimbulkan risiko keamanan, karena kode yang dihasilkan AI terbukti rentan terhadap kelemahan keamanan. Metode deteksi konvensional seperti Static Application Security Testing (SAST) memiliki keterbatasan berupa tingkat false positive yang tinggi, sementara model deep learning yang ada cenderung gagal melakukan generalisasi lintas domain. Penelitian ini bertujuan membangun dataset hybrid serta melatih model GraphCodeBERT untuk mendeteksi kerentanan pada kode hasil vibe coding. Dataset dibangun dengan menggabungkan 50.052 sampel kode manusia berbahasa C/C++ dari Devign dan ReVeal yang telah divalidasi pakar, dengan 51.310 sampel kode Java hasil generasi AI yang dilabeli secara otomatis menggunakan teknik Majority Vote dari tiga alat SAST (CodeQL, SonarQube, dan VCG) dalam kerangka Weakly Supervised Learning. Model dilatih menggunakan strategi continual learning dua tahap dengan micro learning rate untuk mengatasi catastrophic forgetting. Hasil pengujian menunjukkan bahwa seluruh model baseline yang dilatih pada dataset tunggal gagal melakukan generalisasi lintas domain (F1-Score 0,000), sedangkan model mixed final mampu mendeteksi kerentanan pada tiga domain sekaligus dengan F1-Score 0,691, precision 0,715, dan recall 0,670 pada domain kode vibe coding, serta F1-Score 0,612 pada Devign. Mekanisme majority vote juga terbukti efektif meredam false positive SAST tunggal. Penelitian ini menyimpulkan bahwa strategi penggabungan dataset yang diusulkan menghasilkan model dengan kemampuan generalisasi yang lebih baik dibandingkan pelatihan pada dataset tunggal.