Diabetes Melitus merupakan masalah kesehatan yang signifikan di seluruh dunia. Dengan menggabungkan algoritma K-Nearest Neighbors (KNN) dan Light Gradient Boosting Machine (LightGBM),penelitian ini menyajikan pendekatan baru untuk meningkatkan prediksi diabetes. Kumpulan data Indian Pima, yang terkenal dengan intrik dan signifikansinya dalam penelitian diabetes, menjadi subjek penelitian ini. Untuk menyelidiki pola dan hubungan dalam data, penelitian ini menggunakan analisis data eksploratif, atau EDA. Pra-pemrosesan data yang komprehensif, yang mencakup pengkodean, normalisasi, dan penanganan nilai yang hilang, adalah yang berikutnya. Karena KNN dan LightGBM cocok dengan fitur kumpulan data ini, maka keduanya dipilih. Performa model dioptimalkan melalui penggunaan teknik pengoptimalan seperti Pencarian Acak dan Pencarian Grid untuk mengubah hyperparameter. Metrik seperti skor F1, kurva ROC, analisis presisi-recall, dan akurasi-presisi digunakan untuk menilai model. Hasilnya menunjukkan peningkatan signifikan dalam keakuratan prediksi diabetes, yang menunjukkan bahwa penggunaan LightGBM bersama dengan KNN dan EDA secara hati-hati dapat meningkatkan akurasi prediksi. Khususnya bila dipertimbangkan dalam konteks data kesehatan yang rumit, temuan ini secara signifikan memajukan deteksi penyakit kronis. Menggunakan kumpulan data Pima Indians, algoritma KNN dan LightGBM bekerja sama untuk mencapai akurasi tertinggi sebesar 90,6%.