<![CDATA[Perkembangan infrastruktur digital di Indonesia berbanding lurus dengan meningkatnya risiko serangan siber, khususnya ancaman malware yang menargetkan sistem operasi Windows sebagai platform paling dominan. Teknik deteksi tradisional yang berbasis signature-based terbukti kurang efektif menghadapi malware varian baru atau serangan zero-day. Oleh karena itu, penelitian ini bertujuan untuk membangun sebuah sistem deteksi dini malware pada OS Windows melalui analisis data Portable Executable (PE) Header menggunakan algoritma Machine Learning Random Forest. Dataset yang digunakan mencakup 19.611 sampel file PE (14.599 malware dan 5.012 file aman/benign) dengan 78 fitur teknis header. Tahapan metodologi meliputi pembersihan data, pengisian missing values secara median, ekstraksi fitur dominan, serta pembagian data training dan testing sebesar 80:20. Hasil pengujian menunjukkan bahwa model Random Forest mampu mendeteksi ancaman malware dengan tingkat akurasi yang sangat impresif mencapai 99,13%, dengan presisi 1.00% untuk file benign dan recall 1.00% untuk file malware. Fitur PE Header yang paling berpengaruh secara signifikan dalam proses klasifikasi adalah MajorLinkerVersion (8,34%), MinorOperatingSystemVersion (8,02%), dan MajorSubsystemVersion (7,45%). Penelitian ini membuktikan bahwa analisis PE Header yang dikombinasikan dengan algoritma Random Forest dapat diandalkan sebagai mekanisme pertahanan dini yang responsif dan akurat untuk memperkuat ketahanan siber nasional di Indonesia.]]>
