Internet of Things telah berkembang sangat besar dan cepat selama beberapa tahun terakhir ini. Salah satu bukti perkembangan IoT adalah penggunaan Industrial Internet of Things pada bidang industri. IIoT dapat membantu meningkatkan proses produksi dan keuntungan yang dihasilkan. Namun, IIoT juga memiliki kelemahan pada sisi keamanan. IIoT sangat rentan terkena serangan, utamanya serangan Distributed Denial of Service (DDoS). DDoS dapat menghambat pengiriman data sehingga memperlambat kinerja pada IIoT. Hal ini dapat menyebabkan kerugian yang besar bagi industri itu sendiri. Demi mencegah serangan tersebut maka salah satu caranya adalah dengan melakukan pendeteksian menggunakan pembelajaran mesin. Oleh karena itu, dilakukan penelitian untuk menguji pendeteksian serangan DDoS pada IIoT dengan menggunakan algoritma pembelajaran mesin. Penelitian menggunakan algoritma Random Forest dan Naïve Bayes sebagai model pendeteksian dan diuji menggunakan dataset Edge-IIoTset. Kedua algoritma ini dipilih karena keduanya telah terbukti dapat mendeteksi serangan DDoS pada berbagai jenis jaringan seperti jaringan web, cloud-server, jaringan IoT dan lain-lain. Dalam proses pengujian dilakukan dua skenario yaitu pengujian jumlah fitur yang berbeda dan pengujian menggunakan jumlah pembagian data yang berbeda. Tingkat perfomansi yang dihasilkan dalam pengujian dengan random forest mencapai 100% untuk setiap matriks dan skenario pengujian. Sedangkan untuk tingkat performansi dengan naïve bayes berbeda untuk tiap skenario pengujian. Tingkat performansi terbaik dari naïve bayes adalah dengan jumlah 20 fitur yang dapat mencapai 78.56% untuk accuracy, 79.85% untuk precision, 90.61% untuk recall, dan 84.89% untuk f-1 score. Berdasarkan hasil pengujian metode terbaik yang dapat digunakan untuk melakukan pendeteksian serangan DDoS pada IIoT adalah metode random forest.