Deteksi Anomali merupakan salah satu solusi untuk mengatasi isu keamanan trafik jaringan data, namun dihadapkan pada tantangan dimensionalitas data yang tinggi dan data tidak seimbang. Data yang berdimensi tinggi dan tidak seimbang dapat mempengaruhi performa sistem deteksi. Oleh karena itu diperlukan sebuah teknik seleksi fitur yang mampu mengurangi dimensionalitas data dengan cara mengeliminasi fitur-fitur yang tidak relevan. Selain itu fitur-fitur hasil seleksi perlu divalidasi dengan algorithma klasifikasi yang tepat untuk menghasilkan performa deteksi anomali yang tinggi. Tujuan penelitian ini menghasilkan kombinasi teknik seleksi fitur dan algorithma klasifikasi yang tepat untuk menghasilkan sistem yang mampu mendeteksi serangan pada data berdimensi tinggi dan tidak seimbang. Teknik seleksi fitur Chi-square digunakan untuk mengeliminasi fitur yang tidak relevan. Untuk menentukan algorithma klasifikasi yang ideal, pada penelitian ini dilakukan komparasi performa algorithma tree-based classifer. Penelitian ini juga menguji performa teknik klasifikasi dalam mendeteksi trafik pada data berdimensi tinggi dan tidak seimbang. Beberapa algorithma klasifikasi Tree-based seperti REPTree, J48, Random Tree dan Random Forest diuji dan dibandingkan. Pengujian dengan performa terbaik sebagai rekomendasi kombinasi yang ideal teknik seleksi fitur dan algorithma klasifikasi. Penelitian ini menghasilkan sistem deteksi anomali yang memiliki performa yang tinggi. Untuk data eksperimen digunakan dataset CICIDS-2017, yang memiliki dimensionalitas data yang tinggi dan mengandung data tidak seimbang. Hasil pengujian memperlihatkan Random Tree memiliki akurasi 99,983% dan Random Forest 99,984%.