Sistem pemantauan glukosa berkelanjutan (CGM) saat ini umumnya hanya menghasilkan peringatan setelah ambang batas glukosa darah terlampaui, sehingga membatasi kegunaannya untuk manajemen diabetes yang proaktif. Memprediksi lonjakan glukosa postprandial sebelum terjadi memerlukan penentuan durasi data historis yang optimal dan identifikasi fitur yang paling berkontribusi terhadap akurasi prediksi. Studi ini mengevaluasi secara sistematis bagaimana panjang jendela observasi sebelum makan dan komposisi fitur memengaruhi prediksi machine learning terhadap kejadian hiperglikemia 60 menit setelah makan. Kami menganalisis 1.642 kejadian makan dari 45 orang dewasa yang menggunakan sensor glukosa berkelanjutan, menyusun fitur dari lintasan glukosa sebelum makan, makronutrien makanan, waktu, dan status kesehatan. Empat jendela observasi (15, 30, 45, 60 menit) dan tiga set fitur (semua fitur, hanya glukosa, hanya makanan) dievaluasi menggunakan Random Forest, XGBoost, dan CatBoost dengan 5-fold group cross-validation. CatBoost dengan jendela 30 menit mencapai performa terbaik: F1-macro 72,6%, akurasi 79,6%, dan recall 64,0% untuk deteksi hiperglikemia. Memperpanjang jendela melampaui 30 menit tidak memberikan manfaat yang konsisten, sementara jendela 15 menit memberikan hasil yang sebanding. Fitur lintasan glukosa saja mampu mempertahankan 94% performa model penuh (F1-macro 68,5%), sedangkan komposisi makanan saja terbukti tidak memadai (F1-macro 59,4%). Temuan ini menunjukkan bahwa riwayat glukosa terkini mendominasi prediksi jangka pendek, memungkinkan sistem real-time yang praktis dengan persyaratan data minimal. Jendela observasi 30 menit dengan fitur glukosa dan makanan menawarkan keseimbangan yang efektif antara akurasi prediksi dan responsivitas sistem.