<![CDATA[Abstrak - Perkembangan teknologi digital yang pesat telah meningkatkan risiko serangan malware yang semakin kompleks dan sulit dideteksi dengan metode konvensional berbasis tanda tangan (signature-based). Penelitian ini bertujuan untuk mengembangkan sistem deteksi malware berbasis web menggunakan algoritma Random Forest dengan fitur notifikasi realtime untuk meningkatkan efektivitas dan kecepatan respon terhadap ancaman keamanan. Dataset yang digunakan berasal dari platform Kaggle, terdiri atas sekitar 34.000 file Portable Executable (PE) Windows dengan 55 fitur yang diekstraksi secara statis dari PE Header dan daftar impor DLL. Model machine learning dibangun menggunakan Pipeline dari Scikit-learn yang terdiri dari StandardScaler, CountVectorizer, dan RandomForestClassifier. Hasil evaluasi menunjukkan bahwa model mencapai tingkat akurasi sebesar 99,65% dengan nilai precision, recall, dan F1-score sempurna (1.00) pada kedua kelas, menunjukkan kemampuan model yang sangat andal dan seimbang dalam mendeteksi file berbahaya maupun aman. Model yang telah divalidasi kemudian diimplementasikan ke dalam aplikasi web berbasis Django dengan antarmuka dinamis, yang memberikan peringatan instan kepada pengguna secara asinkronus menggunakan teknologi JavaScript (Fetch API). Penelitian ini berhasil menghasilkan sistem deteksi malware yang praktis, adaptif, dan responsif, yang dapat meningkatkan kesadaran serta keamanan digital pengguna terhadap ancaman siber yang terus berkembang.Kata kunci : Deteksi Malware; Machine Learning; Random Forest; Django; Notifikasi Realtime; Abstract - The rapid development of digital technology has increased the risk of malware attacks that are increasingly complex and difficult to detect using conventional signature-based methods. This study aims to develop a web-based malware detection system using the Random Forest algorithm with real-time notification features to improve the effectiveness and speed of response to security threats. The dataset used was sourced from the Kaggle platform, consisting of approximately 34,000 Windows Portable Executable (PE) files with 55 features extracted statically from the PE Header and DLL import list. The machine learning model was built using a Pipeline from Scikit-learn consisting of StandardScaler, CountVectorizer, and RandomForestClassifier. The evaluation results show that the model achieved an accuracy rate of 99.65% with perfect precision, recall, and F1-score (1.00) in both classes, demonstrating the model's highly reliable and balanced ability to detect both malicious and safe files. The validated model was then implemented into a Django-based web application with a dynamic, which provides instant alerts to users asynchronously using JavaScript technology (Fetch API).This research has successfully produced a practical, adaptive, and responsive malware detection system that can increase user awareness and digital security against ever-evolving cyber threats. Keywords: Malware Detection; Machine Learning; Random Forest; Django; Real-Time Notifications;]]>
