Hingga saat ini, ancaman keamanan cyber menunjukkan bahwa malware yang disebabkan oleh aktivitas botnet adalah salah satu ancaman paling serius yang dihadapi oleh komunitas internet. Para peneliti telah mengusulkan IDS berbasis data mining sebagai solusi alternatif untuk IDS berbasis signature dan IDS berbasis anomali untuk mendeteksi aktivitas botnet. Dalam penelitian ini, kami mengusulkan metode baru yang meningkatkan kinerja IDS untuk mendeteksi botnet. Metode kami menggabungkan dua metode statistik yaitu low variance filter yang dikombinasikan dengan Pearson Correlation Filter yang selanjutnya kami sebut Hybrid Pearson Correlation Filter pemilihan fitur. Untuk membuktikan bahwa metode kami dapat meningkatkan kinerja IDS berbasis penambangan data, kami menggunakan akurasi dan waktu komputasi sebagai parameter. Data intrusi benchmark (ISCX2017) digunakan untuk mengevaluasi pekerjaan kami. Sebagai hasil, metode kami mengurangi jumlah fitur yang akan diproses oleh IDS dari 77 hingga 15 fitur. Meskipun jumlah fitur menurun tetapi tidak secara signifikan mengubah akurasi serta meningkatkan waktu komputasi dari 71s ke 5.6s. Selain itu metode Boosting juga kami gunakan untuk meningkaatkan performansi model yang dibuat algoritma dalam penelitian ini hingga mencapai 99.9%.