Diabetes merupakan penyakit kronis yang memerlukan deteksi dini dan efektif untuk mencegah komplikasi jangka panjang. Metode diagnostik konvensional masih bersifat invasif, seringkali menimbulkan ketidaknyamanan, keterbatasan aksesibilitas, serta ketergantungan pada tenaga medis. Penelitian ini mengimplementasikan pendekatan deep learning untuk mendeteksi diabetes secara non-invasif melalui analisis sinyal elektrokardiogram (ECG). Tiga arsitektur model—Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU)—dievaluasi menggunakan empat variasi bentuk input. Sinyal ECG diproses melalui tahap penyaringan (filtering) dan segmentasi berbasis deteksi R-peak untuk memperoleh input yang representatif. Hasil terbaik dicapai oleh model CNN dengan konfigurasi input 500 baris dan 2 fitur, dengan akurasi sebesar 94,00%. Temuan ini menunjukkan bahwa bentuk input memiliki pengaruh signifikan terhadap performa model berbasis urutan, sementara CNN tetap konsisten di berbagai konfigurasi. Penelitian ini berkontribusi pada pengembangan bidang prediksi dini diabetes dengan mengevaluasi secara sistematis berbagai arsitektur jaringan saraf dan representasi sinyal input.