Diabetes melitus adalah penyakit kronis dengan prevalensi global yang meningkat pesat, mempengaruhi sekitar 422 juta orang, terutama di negara-negara berpenghasilan rendah dan menengah. Manajemen diabetes yang efektif memerlukan deteksi dini dan intervensi yang tepat waktu. Penelitian ini bertujuan untuk mengembangkan model prediksi yang akurat untuk diabetes melitus menggunakan tiga algoritma machine learning: Random Forest, Regresi Logistik, dan Decision Tree. Dataset Pima Indians Diabetes, yang terdiri dari 768 catatan pasien dengan berbagai indikator kesehatan, digunakan untuk pelatihan dan evaluasi model. Analisis data eksploratif menunjukkan korelasi yang signifikan antara kadar glukosa, BMI, usia, dan risiko diabetes. Dataset dibagi menjadi 80% data pelatihan (614 data) dan 20% data pengujian (154 data). Data dinormalisasi menggunakan metode Min-Max Scaler untuk memastikan semua fitur berada pada skala yang sama. Model divalidasi menggunakan metode cross-validation dan dievaluasi berdasarkan akurasi, presisi,recall, dan F1-score. Hasil penelitian menunjukkan bahwa Regresi Logistik mencapai akurasi tertinggi (75%) dan kinerja yang seimbang dalam mengidentifikasi kasus positif dan negatif.