Distributed Denial of Service (DDoS) bekerja dengan membanjiri lalu lintas jaringan secara masif sehingga pelayanan menjadi tidak tersedia bagi pengguna yang sah. Seiring waktu, pola serangan DDoS menjadi semakin kompleks dan sulit terdeteksi oleh sistem deteksi intrusi (IDS) konvensional yang belum mampu mengenali pola serangan baru. Oleh karena itu, diperlukan pendekatan yang adaptif dalam mendeteksi anomali lalu lintas jaringan. Penelitian ini bertujuan mengembangkan dan menganalisis performa metode Outlier Detection untuk mendeteksi serangan DDoS, dengan menggunakan dua pendekatan utama: Density-Based Spatial Clustering of Applications with Noise (DBSCAN) dan Isolation Forest. Kedua algoritma ini dipilih karena kemampuannya dalam mengidentifikasi pola-pola anomali dalam data tanpa memerlukan label data yang eksplisit. Hasil dari penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem deteksi dini serangan DDoS berbasis machine learning, serta menjadi referensi bagi peneliti dan praktisi dalam memilih metode yang tepat untuk mendeteksi anomali lalu lintas jaringan.