Deteksi dini URL berbahaya merupakan langkah penting dalam meningkatkan keamanan siber, terutama dalam menghadapi ancaman seperti phishing, malware, dan defacement. Penelitian ini mengusulkan penerapan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan URL berdasarkan tingkat keamanannya. Dataset yang digunakan terdiri dari 1.000 URL dari berbagai kategori, yaitu benign, phishing, defacement, dan malware. Serangkaian preprocessing dilakukan, termasuk cleaning, case folding, tokenizing, filtering, stemming, dan pembobotan TF-IDF. Untuk menangani ketidakseimbangan kelas, digunakan teknik oversampling SMOTE. Model divalidasi menggunakan K-Fold Cross Validation dengan nilai K=7. Hasil penelitian menunjukkan bahwa SVM menghasilkan rata-rata akurasi 92%, presisi 91%, dan recall 92% dari 200 data uji. Nilai akurasi menunjukkan performa model yang baik dalam membedakan URL aman dan berbahaya, meskipun presisi dan recall relatif rendah pada beberapa kelas minoritas. Penelitian ini memberikan gambaran bahwa SVM dapat digunakan sebagai pendekatan awal dalam membangun sistem deteksi URL berbahaya.