Teknologi Software-Defined Networking (SDN) menghadirkan paradigma baru dalam pengelolaan jaringan dengan kontrol lalu lintas yang fleksibel dan terpusat. Namun, arsitektur ini rentan terhadap serangan Distributed Denial-of-Service (DDoS) yang dapat mengganggu fungsi kontroler dan infrastruktur jaringan. Untuk itu, diperlukan sistem yang dapat mendeteksi serangan secara efisien. Penelitian ini mengembangkan solusi berbasis Machine Learning dengan algoritma Decision Tree untuk mendeteksi lalu lintas berbahaya secara adaptif pada jaringan SDN. Model Decision Tree dilatih dengan data latih 90% dan data uji 10% untuk mengevaluasi akurasi. Sistem ini dirancang untuk mengenali pola lalu lintas jaringan dan menerapkan mitigasi terhadap serangan. Hasil menunjukkan sistem mampu mendeteksi serangan DDoS secara akurat dengan waktu mitigasi 15–20 detik. Berdasarkan skenario simulasi selama 10 menit, throughput rata-rata mencapai 10,5 Mbps (sangat baik), packet loss 0% (sangat baik) dan jitter di bawah 1 ms (baik).