Kemajuan teknologi dan perkembangan internet yang semakin cepat menyebabkan semakin banyak informasi dan data yang perlu dilindungi karena banyak cara yang bisa dilakukan oleh peretas untuk mendapatkan informasi atau data. Kerentanan sebuah jaringan juga disebabkan karena semakin terbukanya pengetahuan tentang hacking. Distributed Denial of Service (DDOS) adalah penyerangan dengan lebih dari satu Attacker membanjiri dengan paket-paket menuju server, sehingga server sibuk melayani permintaan paket yang sangat banyak dan membuat kinerja server menurun. Banyak penelitian yang telah dilakukan untuk mendeteksi serangan DDoS. Namun, penelitian yang dilakukan masih menggunakan dataset lama yang belum mengikuti perkembangan tren serangan DDoS. Tugas akhir ini melakukan klasifikasi dataset serangan DDoS CICIDS2018 menggunakan algoritma Naïve Bayes dan Random Forest. Dataset yang telah diekstraksi cirinya juga perlu untuk dilakukan seleksi fitur agar mempersingkat waktu pelatihan data sehingga proses meningkatkan efisiensi algoritma klasifikasi. Pada tugas akhir ini, seleksi fitur dilakukan menggunakan metode Information Gain untuk mencari fitur-fitur yang memiliki pengaruh besar untuk menentukan apakah sebuah paket yang dikirim merupakan serangan DDoS atau bukan. Penggunaan metode Information Gain untuk melakukan seleksi fitur pada dataset CICIDS2018 menghasilkan enam fitur optimal, diantaranya srcip, dstip, flowduration, flowiatmax, fwdiatmax, dan bwdiat_tot. Hasil pengujian menunjukkan tingkat akurasi deteksi serangan DDoS untuk algoritma Naïve Bayes sebesar 69,6% dan untuk algoritma Random Forest sebesar 97,2%
Kata kunci: Distributed Denial of Service (DDoS), Information Gain, Naïve Bayes, Random Forest