Serangan siber yang terus berkembang menuntut mekanisme deteksi intrusi yang tidak hanya bergantung pada aturan (signature), tetapi juga mampu mengenali pola serangan baru. Penelitian ini bertujuan mengembangkan sistem deteksi intrusi berbasis machine learning menggunakan algoritma Random Forest. Model dibangun melalui tahapan preprocessing data, seleksi fitur, pelatihan, dan evaluasi menggunakan dataset CIC-IDS 2017. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, F1-score, dan dibandingkan dengan pendekatan signature-based. Hasil penelitian menunjukkan bahwa model Random Forest belum mampu mendeteksi berbagai jenis serangan dengan tingkat performa yang yang setara dengan sistem signature-based pada skenario pengujian yang digunakan. Meskipun demikian, model memiliki potensi sebagai mekanisme pelengkap dalam mendeteksi pola serangan yang sulit diidentifikasi menggunakan pendekatan berbasis aturan. Penelitian ini memberikan dasar untuk pengembangan sistem deteksi intrusi hibrida yang mengombinasikan pendekatan signature-based dan machine learning.