Diabetes adalah penyakit kronis yang berdampak signifikan pada kesehatan global, ditandai dengan peningkatan kadar gula darah akibat gangguan insulin. Deteksi dini dan klasifikasi yang akurat sangat penting untuk mendukung diagnosis dan penanganan diabetes. Penelitian ini bertujuan mengevaluasi algoritma Random Forest (RF), yang telah terbukti efektif dalam klasifikasi data medis, khususnya untuk deteksi diabetes. Algoritma RF bekerja melalui metode pembelajaran kelompok, menggabungkan berbagai pohon keputusan untuk menghasilkan prediksi yang lebih akurat. Dengan menggunakan pendekatan rapid review, studi ini meninjau literatur yang relevan guna memahami efektivitas RF dalam klasifikasi diabetes. Hasil analisis menunjukkan bahwa RF mencapai akurasi tinggi hingga 98% dengan metode evaluasi Area Under Curve (AUC) mencapai 100%, yang menunjukkan kemampuan klasifikasi yang sangat baik. Selain itu, penerapan normalisasi data, khususnya min-max normalization, meningkatkan performa model. Meskipun memiliki beberapa keterbatasan, seperti kompleksitas dan keterbatasan interpretasi, RF menunjukkan potensi signifikan dalam pengembangan sistem deteksi dini berbasis web untuk diabetes, serta potensi aplikasi lebih lanjut dalam klasifikasi penyakit lainnya.