Evolusi cepat Malware menimbulkan tantangan signifikan bagi metode deteksi berbasis tanda tangan, khususnya pada perangkat dengan sumber daya terbatas. Penelitian ini mengatasi permasalahan tersebut melalui pengembangan sistem deteksi Malware berbasis gambar yang diimplementasikan pada aplikasi web, dengan tujuan membandingkan kinerja empat model pembelajaran mendalam, yaitu MobileNetV3, ResNet, EfficientNet, dan DenseNet. Metode penelitian mencakup konversi file biner (.exe, OLE, PE) menjadi citra grayscale berukuran 224x224 piksel, pelatihan model menggunakan dataset Dikedataset, serta evaluasi melalui tiga pendekatan: Black Box Testing, External Data Testing dengan sampel dari Malware Bazaar, dan User Acceptance Testing (UAT) (UAT). Hasil penelitian menunjukkan bahwa akurasi pelatihan model berkisar antara 95,20% (MobileNetV3) hingga 98,65% (EfficientNet), dengan tingkat keberhasilan 100% pada Black Box Testing dan waktu pemrosesan rata-rata 800 milidetik per file pada CPU. Namun, External Data Testing menunjukkan akurasi rata-rata sebesar 70%, menunjukkan adanya keterbatasan dalam generalisasi terhadap varian Malware baru. Sementara itu, UAT menghasilkan indeks penerimaan sebesar 80,63%, menunjukkan antarmuka yang diterima oleh pengguna. Penelitian ini menyimpulkan bahwa representasi visual efektif pada dataset terkontrol, dengan EfficientNet unggul dalam hal efisiensi, tetapi generalisasi terhadap data eksternal memerlukan peningkatan lebih lanjut.