Serangan Distributed Denial of Service (DDoS) merupakan ancaman siber serius yang dapat melumpuhkan layanan infrastruktur jaringan komputer, khususnya seranganreflection-basedDDoSyangmengeksploitasiserverpihakketigasebagai reflektor untuk memperbesar volume trafik ke arah target. Penelitian ini bertujuan untuk mengimplementasikan dan menganalisis performa metode Soft Voting Classifier yang mengombinasikan algoritma K-Nearest Neighbors (KNN) dan Gaussian Naive Bayes (GNB) guna meningkatkan akurasi deteksi serangan berbasis refleksi. Alur pra-pemrosesan data dirancang secara konsisten menggunakan arsitektur pipeline, yang meliputi pembersihan data, standarisasi skala menggunakan StandardScaler, seleksi 30 fitur teratas berbasis Mutual Information, serta penyeimbangan distribusi kelas data latih murni menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE). Eksperimen ini dieksekusi menggunakan dataset standar industri CIC-DDoS2019 versi Mendeley dengantotalvolumedatasebesar354.981barisloglalulintasjaringan.Berdasarkan fase validasi silang (Cross-Validation), arsitektur model gabungan berhasil mencapai performa terbaik pada parameter jumlah tetangga k = 3 dengan pembagiankombinasibobotkontribusitertimbangfinalsebesar????_????????????=0,8dan

????_????????????= 0,2 yang memperoleh F1-Score rata-rata sebesar 99,81%. Pada pengujian final menggunakan 20% data uji independen yang diisolasi, metode Soft Voting Classifier menghasilkan performa klasifikasi yang sangat superior dengan nilai Accuracysebesar99,76%,F1-Scoresebesar99,71%,sertakeunggulanmutlakpada metrik Area Under Curve (AUC) tertinggi mencapai 99,90%. Hasil eksperimen membuktikan bahwa integrasi nilai probabilitas kontinu dari GNB efektif dalam mengkalibrasi peringkat probabilitas model, sehingga menghasilkan kemampuan diskriminasi kelas yang hampir sempurna dalam memisahkan trafik normal (Benign) dengan trafik serangan (Attack).