Dalam era digital yang terus berkembang, serangan DDoS (Distributed Denial-of-Service) telah menjadi ancaman serius bagi infrastruktur jaringan. Untuk menghadapi tantangan ini, seleksi fitur dan pendekatan machine learning telah digunakan secara luas. Salah satu algoritma populer yang digunakan dalam hal ini adalah Random Forest. Penggunaan dataset sangat penting dalam proses pelatihan data, sehingga diperlukan dataset terbaru yang sesuai dengan perkembangan zaman. Dataset CICDDoS2019 merupakan dataset khusus yang dirancang untuk mempelajari serangan DDoS yang memiliki beragam jenis serangan dan fitur data yang dibuat oleh University of New Brunswich. Pada penelitian ini mengusulkan pendekatan seleksi fitur menggunakan Information Gain dan dengan klasifikasi Random Forest sebagai pemodelan, untuk meningkatkan kinerja deteksi serangan DDoS SYN dan UDP. Hasil yang diperoleh adalah deteksi serangan SYN dan UDP DDoS pada dataset CICDDoS2019 dengan menggunakan metode Seleksi Fitur Information Gain dan klasifikasi Random Forest menghasilkan nilai accuracy sebesar 99.995?ngan waktu pelatihan selama 17 menit dan waktu pengujian selama 14 detik. Sedangkan untuk percobaan tanpa seleksi fitur diperoleh untuk nilai accuracy sebesar 99.994?ngan waktu pelatihan selama 2 jam 35 menit dan waktu pengujian selama 35 detik.
