Diabetes melitus adalah kondisi kronis yang berpotensi kritis jika tidak terkontrol. Prevalensi diabetes di Indonesia meningkat, tetapi pembiayaan dan layanan kesehatan yang terbatas menghambat pengobatan. Analisis data medis penting untuk mengatasi masalah tersebut. Diabetes memiliki banyak fitur klinis, namun dokter hanya menggunakan data tes gula darah untuk mendiagnosis. Hal tersebut sering kali dapat mengabaikan faktor penting. Oleh karena itu teknik data mining menjadi penting untuk menganalisis data, menemukan pola tersembunyi, dan meningkatkan akurasi prediksi. Penelitian ini bertujuan mengembangkan model prediksi diabetes berdasarkan tes gula darah menggunakan data mining serta analisis fitur terpenting, untuk meningkatkan kualitas hidup melalui diagnosis dini dan prediksi kebutuhan energi. Penelitian ini menganalisis 27.427 data dari laboratorium RSAU dr. Norman T Lubis, Bandung. Model prediksi menggunakan teknik pra-pemrosesan data, penyeimbangan dengan teknik SMOTE, pemodelan menggunakan algoritma machine learning, evaluasi model dengan matrik-matrik evaluasi, pemilihan fitur terpenting menggunakan SHAP dan analisis Gaussian Noise untuk mengevaluasi ketahanan fitur, serta implementasi pada website. Hasil penelitian menunjukkan model Random Forest memiliki kinerja terbaik dengan akurasi 99.80?n gula darah 2 jam PP adalah faktor terpenting dalam prediksi diabetes. Hasil ini membuktikan potensi penggunaan algoritma machine learning dalam diagnosis dini diabetes dan peningkatan penatalaksanaan serta kualitas hidup penderita.
