Abstrak - Keamanan perangkat Android telah menjadi perhatian utama di era digital, mengingat dominasi sistem operasi ini dan meningkatnya serangan siber terhadap perangkat mobile. Penelitian ini bertujuan untuk meningkatkan akurasi deteksi malware pada platform Android melalui penggunaan teknik ensemble machine learning, khususnya metode soft voting. Teknik ini menggabungkan prediksi dari beberapa model pembelajaran mesin, seperti Random Forest, Gradient Boosting, dan XGBoost. Dataset yang digunakan dalam penelitian ini adalah KronoDroid. Pendekatan penelitian ini dimulai dengan preprocessing data dan pemilihan fitur izin yang sering digunakan, diikuti oleh pembagian data menjadi set pelatihan dan pengujian. Model-model individual dilatih dan dievaluasi, di mana Random Forest, Gradient Boosting, dan XGBoost masing-masing menunjukkan akurasi 85%, 84%, dan 85%. Hasil ini ditingkatkan melalui teknik soft voting dalam ensemble model, yang mencapai akurasi 90%. Teknik cross-validation lima kali lipat menunjukkan akurasi rata-rata 89.99% dengan deviasi standar 0.19%, menandakan konsistensi dan keandalan model. Confusion matrix yang dihasilkan menunjukkan bahwa model ensemble berhasil mengidentifikasi 7.496 dari 8.314 kasus malware (True Positives) dan 6.551 dari 7.314 kasus non-malware (True Negatives), dengan recall dan precision masing-masing sebesar 90% dan 91%. Meskipun terdapat false negatives dan false positives, model ini menunjukkan keseimbangan yang baik antara precision dan recall dengan F1-score mencapai 0.90. Penelitian ini membuktikan bahwa teknik ensemble, dengan menggabungkan kelebihan dari berbagai model individual, dapat secara signifikan meningkatkan deteksi malware pada perangkat Android.Kata kunci: Keamanan Android, Deteksi Malware, Pembelajaran Ensemble, Pembelajaran MesinAbstract - Android device security has become a major concern in the digital era, given the dominance of this operating system and the increasing cyber-attacks on mobile devices. This research aims to improve malware detection accuracy on the Android platform by using ensemble machine learning techniques, specifically the soft voting method. This technique combines predictions from several machine learning models, such as Random Forest, Gradient Boosting, and XGBoost. The dataset used in this research is KronoDroid. The research approach begins with data preprocessing and the selection of commonly used permission features, followed by splitting the data into training and testing sets. Individual models are trained and evaluated, where Random Forest, Gradient Boosting, and XGBoost each showed accuracies of 85%, 84%, and 85%, respectively. These results were enhanced through the soft voting technique in the ensemble model, achieving an accuracy of 90%. Five-fold cross-validation showed an average accuracy of 89.99% with a standard deviation of 0.19%, indicating the model's consistency and reliability. The generated confusion matrix shows that the ensemble model successfully identified 7,496 out of 8,314 malware cases (True Positives) and 6,551 out of 7,314 non-malware cases (True Negatives), with recall and precision of 90% and 91%, respectively. Although there are false negatives and false positives, this model demonstrates a good balance between precision and recall with an F1-score of 0.90. This research proves that ensemble techniques, by combining the strengths of various individual models, can significantly improve malware detection on Android devices..Keywords: LSB Method, Information Insertion, Image Files, Steganography