Meningkatnya prevalensi diabetes secara global menegaskan perlunya metode skrining yang cepat dan mudah diakses. Meskipun perangkat continuous glucose monitoring (CGM) menyediakan data deret waktu yang kaya, sebagian besar penelitian masih bergantung pada rekaman multi-hari dan kurang mengeksplorasi potensi jendela postprandial yang singkat. Penelitian ini mengkaji apakah sekuens CGM jangka pendek yang dikombinasikan dengan fitur non-temporal sederhana dapat digunakan untuk mengklasifikasikan individu ke dalam kategori Sehat, Pra-diabetes, atau Diabetes Tipe 2. Dengan memanfaatkan data dari dua tipe sensor CGM, kami melatih pengklasifikasi berbasis LSTM pada jendela 60 menit yang disejajarkan dengan waktu makan, serta membandingkan dua pengaturan temporal: 0–60 menit setelah makan dan 15 menit sebelum hingga 45 menit setelah makan. Kami mengevaluasi empat konfigurasi fitur CGM, CGM dengan data aktivitas, CGM dengan fitur statis, dan kombinasi seluruhnya menggunakan dua strategi penggabungan masukan: konkatenasi sederhana dan fusi berbasis atensi. Model yang memasukkan fitur statis secara konsisten mengungguli model yang hanya menggunakan CGM, dengan nilai macro F1-score melebihi 0,56. Fusi berbasis atensi memberikan peningkatan kecil namun konsisten dibandingkan konkatenasi. Sementara kelas Normal dan Diabetes Tipe 2 dapat dipisahkan dengan baik, Pra-diabetes lebih sulit dideteksi, mencerminkan tumpang tindih fisiologis antar kondisi. Hasil ini menunjukkan bahwa pemantauan CGM jangka pendek yang diperkaya fitur kontekstual berpotensi menjadi alat yang praktis untuk skrining dini diabetes di lingkungan klinis maupun dunia nyata.