Perkembangan malware yang pesat menimbulkan tantangan baru dalam menjaga keamanan sistem informasi. Data yang dipublikasikan oleh G Data Security Labs, tahun 2022 tercatat lebih dari 50 juta malware baru. Dalam menghadapi ancaman ini, penelitian ini mengimplementasikan tiga algoritma machine learning, yaitu Logistic Regression, XGBoost, dan Convolutional Neural Network (CNN) untuk klasifikasi malware berdasarkan analisis data statis. Dataset berjumlah 130.046 sampel malware dan benign diperoleh dari Kaggle dan VirusShare. Tahapan penelitian meliputi pra-pemrosesan data, pembagian dataset dengan rincian 80% data latih dan 20% data uji, pelatihan model, dan evaluasi performa dengan metrik akurasi, presisi, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa XGBoost dengan akurasi 99,31%, precision 99,30%, recall 99,33%, dan F1-score 99,31% menjadi model terbaik. Selanjutnya, algoritma CNN memiliki performa terbaik kedua dengan akurasi 98,89%, precision 98,91%, recall 98,88%, dan F1-score 98,89%. Terakhir, algoritma Logistic Regression mencatat akurasi 96,11%, precision 96,07%, recall 96,15%, dan F1-score 96,11%. Dengan demikian, terbukti XGBoost menjadi model paling efektif untuk klasifikasi malware dalam konteks data dan metode yang digunakan, berkontribusi pada pengembangan sistem deteksi malware yang lebih akurat dan efisien.
Kata Kunci: Machine Learning, Logistic Regression, XGBoost, Convolutional Neural Network , Malware