Intrusion Detection System (IDS) merupakan salah satu untuk mendeteksi potensi adanya serangan cyber, terdapat beberapa metode IDS dalam mendeteksi serangan salah satunya dengan menggunakan machine learning. Namun kekurangan IDS berbasis machine learning adalah kualitas data yang digunakan berpengaruh terhadap serangan yang terdeteksi, oleh karena itu perlu dilakukan seleksi fitur dimana pada proses ini dilakukan pemilihan subset dari fitur yang relevan dari dataset secara keseluruhan untuk digunakan pada model sehingga dapat meningkatkan akurasi dan mengurasi beban komputasi, terlebih penelitian ini menggunakan dataset CIC-IDS-2018 yang memiliki ukuran yang besar dengan 80 jumlah fitur. Penelitian ini membandingkan metode seleksi fitur yang teridiri dari filter, wrapper dan hybrid, dimana untuk mengukur performa metode tersebut fitur yang terpilih kemudian diimplementasikan kepada algoritma classifier Random Forest, XGBoost dan MLP. Berdasarkan hasil analisis yang telah dilakukan, seleksi fitur dengan metode filter memiliki waktu eksekusi yang cenderung lebih singkat dan akurasi yang cukup tinggi, untuk hasil eksekusi berdasarkan performa ketiga algoritma classifier yang diimplementasikan pada metode filter menggunakan Information Gain bekerja dengan baik, Random Forest dan XGBoost memiliki akurasi 99%, namun perbedaanya adalah Random Forest membutuhkan waktu eksekusi lebih panjang dibandingkan dengan XGBoost.Seleksi fitur dapat meringankan performa tanpa mengurangi akurasi hal ini terbukti dengan hasil analisis yang telah dilakukan, metode yang ideal berdasarkan penelitian yang telah dilakukan adalah metode seleksi fitur dengan metode filter menggunakan Information Gain dan algoritma classifier XGBoost. Metode tersebut memiliki waktu eksekusi yang lebih pendek dan akurasi yang tinggi jika dibandingkan dengan kedua metode yang dibandingkan pada penelitian ini, sehingga dapat digunakan untuk penelitian selanjutnya dengan menggunakan dataset lain.