Ada beberapa sistem operasi untuk perangkat lunak di dunia ini, tetapi sistem operasi yang paling populer di perangkat seluler adalah Android. Android merupakan sistem operasi yang bersifat open-source, memudahkan para pengembang untuk membuat aplikasi mereka sendiri, termasuk malware. Malware pada perangkat Android dapat berbahaya karena dapat mencuri informasi sensitif, menyebabkan kerugian finansial, dan bahkan merusak atau mengenkripsi data. Ancaman juga bisa berupa menguping aktivitas pengguna, memblokir perangkat, atau digunakan untuk serangan DDoS. Berbagai solusi menganalisis deteksi malware melalui pendekatan jaringan, perilaku, maksud, antarmuka pemrograman aplikasi, dan izin. Namun, belum ada perbandingan yang dilakukan di masa lalu untuk menentukan keefektifan metode pembelajaran mesin dan pembelajaran mendalam yang berbeda. Dalam penelitian ini, kami melakukan deteksi malware melalui pendekatan izin pada aplikasi Android menggunakan dataset yang sama. Setelah mendapatkan dataset, kami melakukan klasifikasi izin dengan mengubahnya menjadi bilangan biner. Dataset yang telah dikonversi dibagi menjadi dua bagian, yaitu data latih dan data uji. Selanjutnya, data tersebut diolah dengan metode Support Vector Machine, Decision Tree, Artificial Neural Network, dan Long Short Term Memory. Tujuan dari penelitian ini adalah untuk menganalisis hasil deteksi malware dengan menggunakan confusion matrix dan parameter performa. Hasil dari penelitian menunjukkan bahwa metode deep learning Artificial Neural Network (ANN) mendapatkan nilai akurasi tertinggi, yaitu 99%, presisi 99%, recall 99%, F1 score 99%, dan false alarm rate 1.3% dibandingkan dengan metode Support Vector Machine (SVM), Decision Tree (DT), dan Long Short Term Memory (LSTM).