Semakin banyak layanan yang dibuat secara online beberapa tahun belakangan, membuat semakin banyak pula data yang disimpan secara virtual atau disebut juga basis data. Data yang bersifat penting dan rahasia ini menjadi sasaran empuk bagi para penjahat di era digitalisasi. Keamanan basis data menjadi sangat diperlukan untuk tetap menjaga data tetap aman. Serangan bisa muncul dari luar maupun dari dalam, serangan yang diakibatkan oleh orang dalam menjadi ancaman terbesar kedua setelah peretasan. Keamanan konvensional belum dapat mendeteksi anomaly dari pengguna internal. Hal tersebut dapat diantisipasi menggunakan mekanisme deteksi intrusi. Mekanisme ini sebelumnya sudah diterapkan pada jaringan dan host. Namun beberapa tindakan berbahaya bagi basis data belum tentu berbahaya bagi jaringan dan host sehingga deteksi instrusi pada basis data menjadi keamanan ekstra untuk mempertahankan basis data dari penyusup. Sistem ini menggunakan algoritma Random Forest yang termasuk supervised learning untuk mendeteksi transaksi anomali. Dataset yang digunakan adalah log trasaksi berisi 773 record dan 9 atribut. Anomali ditentukan berdasarkan nilai ambang batas terhadap 3 atribut yaitu operations, object dan field name. Pengujian menggunakan 6 jumlah pohon yang berbeda yaitu 10,20,40,60,80 dan 100. Hasil pengujian terhadap 762 record dan 5 atribut yang digunakan, algoritma Random Forest memiliki nilai akurasi tertinggi pada jumlah pohon 80 dan 100 yang memiliki perbedaan waktu pengujian 0,03 detik. Pada dataset yang digunakan, jumlah pohon optimum didapatkan pada angka 80 dengan nilai akurasi sebesar 99,56% dan waktu eksekusi 0,13183 detik.

Kata kunci : Keamanan basis data, Deteksi Intrusi, Machine Learning, Random Forest