Dimensionalitas data yang besar merupakan salah satu isu dalam deteksi anomali. Salah satu pendekatan yang digunakan untuk mengatasi dimensi data yang besar adalah seleksi fitur. Teknik seleksi fitur yang efektif akan menghasilkan fitur yang paling relevan dan dapat meningkatkan algoritma klasifikasi untuk mendeteksi serangan. Telah banyak penelitian tentang teknik seleksi fitur, setiap teknik menggunakan metode dan strategi yang berbeda untuk menemukan fitur yang terbaik dan relevan. Pada penelitian ini dilakukan komparasi teknik seleksi fitur Information Gain, Gain Ratio, CFs-BestFirst dan CFs-PSO Search. Fitur hasil seleksi dari ke-empat teknik tersebut selanjutnya divalidasi dengan algoritma klasifikasi Naive Bayes, k-NN dan J48. Penelitian ini menggunakan dataset ISCX CICIDS-2017. Berdasarkan hasil pengujian teknik seleksi fitur mempengaruhi performa algoritma Naive Bayes, k-NN dan J48. Semakin relevan dan penting fitur dapat meningkatkan performa deteksi. Hasil pengujian juga menunjukkan, bahwa jumlah fitur berpengaruh pada waktu proses/ komputasi. CFs-BestFirst menghasilkan jumlah fitur yang lebih kecil dibandingkan CFs-PSO Search, Information Gain dan Gain Ratio sehingga membutuhkan waktu proses yang lebih rendah. Selain itu, k-NN membutuhkan waktu proses yang lebih tinggi dibandingkan Naive Bayes dan J48.