Meningkatnya penyebaran perangkat seluler Android, bersamaan dengan lonjakan malware yang menargetkan platform ini, menggarisbawahi perlunya metode deteksi malware tingkat lanjut. Penelitian ini memperkenalkan pendekatan yang kuat untuk deteksi malware Android dengan menggunakan teknik pembelajaran ensemble. Integrasi Random Forest, XGBoost, Extremely Randomized Trees, dan model Histogram-based Gradient Boosting membentuk inti dari metode yang diusulkan. Untuk menyempurnakan pendekatan ini, pemilihan fitur dilakukan menggunakan Random Forest Feature Importance, dengan fokus pada fitur yang paling relevan untuk mencapai akurasi dan efisiensi yang tinggi. Selain itu, SHAP (SHapley Additive exPlanations) Explainable AI digunakan untuk memberikan transparansi dan pemahaman yang komprehensif tentang keputusan model, sehingga menumbuhkan kepercayaan dan pemahaman pengguna. Metode yang diusulkan dievaluasi pada dataset CICMalDroid2020, yang menunjukkan kinerja yang unggul, dengan XGBoost mencapai akurasi tertinggi p