Intrusi jaringan adalah akses informasi dalam jaringan komputer atau sistem jaringan yang tidak sah dan merugikan. Proses identifikasi intrusi jaringan dapat diterapkan dengan implementasi sistem deteksi intrusi menggunakan metode klasifikasi pembelajaran mesin. Metode klasifikasi yang digunakan pada penelitian ini adalah random forest classifier. Dataset yang digunakan pada penelitian ini adalah NSL-KDD dengan 4 kelas data intrusi, DoS, Probe, R2L, dan U2R dengan 1 kelas normal. Dataset ini memiliki ketidakseimbangan distribusi kelas sehingga digunakan arsitektur CTGAN, CopulaGAN, dan cWGAN sebagai penyeimbang data untuk mengatasi masalah tersebut. Data yang diseimbangkan oleh CTGAN, CopulaGAN, dan cWGAN akan diklasifikasikan dan dibandingkan dengan data yang tidak diseimbangkan. Klasifikasi data yang tidak diseimbangkan menghasilkan nilai akurasi sebesar 84,046%, 88,155%, 77,096%, dan 99,325% dan AUC sebesar 84,606%, 72,291%, 50%, dan 50,746%. Klasifikasi data yang diseimbangkan CTGAN menghasilkan nilai akurasi sebesar 87,578%, 93,398%, 84,487%, dan 98,681% serta AUC sebesar 86,613%, 88,232%, 69,719%, dan 78,584%. Selanjutnya Klasifikasi data yang diseimbangkan CopulaGAN menghasilkan nilai akurasi sebesar 88,230%, 91,535%, 80,803%, dan 98,732% serta AUC sebesar 86,7%545, 84,046%, 67,778%, dan 81,575%. Klasifikasi data yang diseimbangkan cWGAN menghasilkan nilai akurasi sebesar 87,129%, 92,392%, 78,398%, dan 98,763% serta AUC sebesar 85,963%, 84,845%, 52,952%, dan 52,686%.