Serangan siber pada jaringan komputer terus meningkat baik dari sisi volume maupun kompleksitas, sehingga dibutuhkan sistem deteksi intrusi yang mampu mengklasifikasikan jenis serangan secara akurat. Penelitian ini bertujuan membandingkan kinerja algoritma Random Forest, Decision Tree, dan Naive Bayes dalam mengklasifikasikan lalu lintas jaringan ke dalam lima kategori, yaitu Normal, Denial of Service (DoS), Probe, Remote to Local (R2L), dan User to Root (U2R). Metode yang digunakan adalah eksperimen klasifikasi multi-kelas pada dataset benchmark NSL-KDD, meliputi tahap praproses data, pelatihan model, dan evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score pada data uji independen (KDDTest+). Hasil penelitian menunjukkan Decision Tree memperoleh akurasi tertinggi (76,15%), sedikit di atas Random Forest (75,00%), sementara Naive Bayes jauh tertinggal (28,71%). Kedua model berbasis pohon keputusan mampu mendeteksi kategori Normal dan DoS dengan baik, namun mengalami kesulitan signifikan mendeteksi serangan R2L dan U2R akibat ketidakseimbangan kelas pada data latih serta adanya pola serangan baru pada data uji. Analisis feature importance menunjukkan src_bytes, same_srv_rate, dan flag sebagai fitur paling berpengaruh. Temuan ini menegaskan perlunya strategi penyeimbangan data untuk meningkatkan deteksi serangan minoritas pada sistem keamanan jaringan berbasis machine learning