PE (Portable Executable) malware merupakan salah satu ancaman serius bagi sistem operasi Windows, yang memerlukan metode deteksi yang akurat dan efisien. Penelitian ini menggunakan sebuah pendekatan untuk klasifikasi PE malware dengan menggabungkan Principal Component Analysis (PCA) dan Random Forest (RF). PCA digunakan untuk mereduksi dimensi fitur dari file PE guna mengurangi kompleksitas dan meningkatkan efisiensi komputasi, sedangkan RF diterapkan pada data hasil reduksi untuk klasifikasi malware. Hasil eksperimen menunjukkan bahwa PCA-RF mampu mempertahankan sebagian besar variansi data dengan penurunan akurasi rata-rata sekitar 2% dan peningkatan waktu pelatihan rata-rata 1,3 detik dari penelitian sebelumnya yang menggunakan kombinasi Ant Colony Optimization (ACO) dan Decision Tree (DT). Metode Pendekatan ini tidak hanya mempercepat proses pelatihan dan prediksi, tetapi juga meningkatkan akurasi model. Hasil terbaik kombinasi PCA-RF dicapai dengan akurasi 97.59%, presisi 97.71%, recall 97.54%, dan F1-score 97.63%, dengan waktu seleksi PCA 0.0078 detik serta waktu pelatihan 1.0958 detik. Hasil dari penelitian ini menunjukkan bahwa kombinasi PCA-RF dapat meningkatkan kinerja klasifikasi secara signifikan.