Diabetes adalah penyakit kronis yang sering kali tidak terdeteksi pada tahap awal, sehingga berpotensi menimbulkan komplikasi serius apabila tidak ditangani. Metode skrining awal yang non-invasif dan andal diperlukan untuk meningkatkan kepatuhan pasien dibandingkan teknik pemantauan invasif tradisional. Meskipun sinyal ECG telah banyak diteliti untuk deteksi penyakit jantung, penerapannya dalam klasifikasi diabetes masih kurang dieksplorasi, dengan studi sebelumnya pada dataset D1NAMO melaporkan akurasi yang terbatas. Penelitian ini mengatasi kesenjangan tersebut dengan menerapkan deteksi R-peak untuk segmentasi ECG dan secara sistematis mengevaluasi pengaruh jumlah data dan variasi fitur terhadap kinerja model. Tiga algoritma machine learning klasik (SVM, KNN, dan DT) dievaluasi pada berbagai konfigurasi jumlah data dan variasi fitur. Hasil eksperimen menunjukkan bahwa DT mencapai akurasi tertinggi sebesar 85,30% dengan 5000 sampel dan 500 fitur ECG. Temuan ini menegaskan kemampuan algoritma berbasis pohon dalam memberikan prediksi diabetes yang presisi dan efisien secara non-invasif. Hasil penelitian ini menjadi dasar untuk eksplorasi lebih lanjut terhadap metode yang lebih maju guna meningkatkan ketahanan dan adaptabilitas dalam praktik klinis.