Diabetes adalah penyakit tidak menular yang ditandai dengan meningkatnya kadar gula darah akibat produksi insulin yang tidak optimal. Dengan kemajuan teknologi, pemanfaatan Machine Learning menjadi solusi yang dapat membantu dalam mendeteksi diabetes secara lebih akurat. Namun, dalam proses diagnosis medis masih terdapat berbagai tantangan, seperti keberadaan fitur yang tidak relevan yaitu variabel atau atribut dalam dataset yang tidak memiliki kontribusi signifikan terhadap hasil prediksi, serta reduksi data yang dapat mempengaruhi kualitas model. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan performa lima algoritma machine learning(Random Forest, Decision Tree, Gradient Boosting Classifier, XGBoost Classifier, dan LightGBM) baik sebelum maupun sesudah dilakukan seleksi fitur menggunakan metode SelectKBest. Dataset yang digunakan bersumber dari Kaggle, dengan atribut-atribut medis yang relevan untuk klasifikasi diabetes, pra-diabetes, dan non-diabetes. Hasil penelitian menunjukkan bahwa algoritma Gradient Boosting mampu menghasilkan akurasi tertinggi hingga 99.50% bahkan tanpa seleksi fitur, sedangkan algoritma Decision Tree dan Random Forest menunjukkan peningkatan akurasi setelah seleksi fitur, masing-masing meningkat dari 96% menjadi 97% dan dari 97% menjadi 98%. Fitur HbA1c dan BMI teridentifikasi sebagai fitur paling berpengaruh dalam klasifikasi, sesuai dengan skor tertinggi pada metode SelectKBest dan korelasi yang tinggi terhadap label target. Sebagai implementasi dari hasil penelitian, sistem prediksi diabetes berbasis web dikembangkan menggunakan algoritma Gradient Boosting. Meskipun algoritma ini mengalami sedikit penurunan akurasi setelah seleksi fitur, namun tetap dipilih karena kemampuannya dalam menangani data kompleks serta kestabilannya pada berbagai pengujian.