Diabetes adalah penyakit yang sangat familiar di dunia saat ini dan merupakan tantangan krusial baik di negara maju maupun berkembang. Penyakit ini bisa disembuhkan dikendalikan dan dicegah jika prediksi awal akurat. Prediksi dini dan diagnosis diabetes sangat penting untuk mengurangi komplikasi dan meningkatkan kualitas hidup pasien. Machine learning, sebagai cabang dari kecerdasan buatan, menawarkan berbagai algoritma yang mampu mengolah dan menganalisis data medis secara efisien untuk membuat prediksi yang akurat. Dalam penelitian ini, akan dilakukan eksplorasi penggunaan beberapa algoritma klasifikasi machine learning untuk memprediksi diabetes pada dataset medis. Dataset menggunakan Pima Indians Diabetes Database dan berasal dari National Institute of Diabetes and Digestive and Kidney Diseases. Algoritma yang digunakan mencakup logistic regression, support vector machine (SVM), naive bayes, decision tree, random forest, k-nearest neighbour (KNN), artificial neural networks (ANN), linear discriminant analysis (LDA), dan quadratic discriminant analysis (QDA). Tujuan utama dari penelitian ini adalah untuk membandingkan kinerja berbagai algoritma tersebut dalam memprediksi diabetes berdasarkan dataset yang tersedia. Secara keseluruhan metode terbaik yang dapat digunakan untuk memprediksi pasien penderita diabetes adalah logistic regression dengan akurasi tinggi (77.34%), AUC tinggi (84%), precision (72.86%), dan F1-score yang baik (63.71%). Kemudian disusul oleh LDA (Linear Discriminant Analysis) dengan akurasi (76.95%), AUC (84%), dan precision (72.62%).
