Intrusion detection system merupakan sistem yang dapat mendeteksi aktivitas yang mencurigakan dalam suatu komputer atau jaringan dengan cara mengamati kegiatan-kegiatan di lalu lintas jaringan. Penelitian ini menggunakan dataset 10% KDD Cup 99 untuk mengevaluasi algoritma machine learning pada intrusion detection system. Namun, dataset 10% KDD Cup 99 memiliki dimensi yang besar dengan fitur sebanyak 41, sehingga dilakukan pengurangan dimensi dengan menggunakan seleksi fitur untuk mengurangi sumber daya yang dibutuhkan dan meningkatkan akurasi. Seleksi fitur pada penelitian ini dilakukan untuk mendapatkan fitur-fitur yang dianggap penting dengan menggunakan kombinasi dari beberapa perangkingan fitur serta pendekatan nilai median. Perangkingan fitur yang digunakan adalah Gain Ratio, Correlation dan Chi Square. Hasil perangkingan dikombinasi dengan menggunakan pendekatan nilai median. Bobot fitur yang lebih besar dari nilai median dianggap penting sementara bobot fitur yang kurang dari sama dengan nilai median dianggap tidak penting. Fitur yang dianggap penting dari masing-masing hasil perangkingan digabung dengan menggunakan union dan dibentuk menjadi sebuah subset data baru. Subset data baru diklasifikasikan menggunakan Random Forest serta divalidasi menggunakan 10-Fold cross validation. Hasil yang diperoleh menunjukkan akurasi dengan menggunakan seleksi fitur lebih tinggi  dibandingkan dengan klasifikasi tanpa seleksi fitur, yaitu sebesar 99,89%.