Diabetes merupakan penyakit kronis yang seringkali tidak terdeteksi pada tahap awal karena gejalanya yang umum, sehingga berisiko menimbulkan komplikasi serius. Deteksi dini menjadi kunci untuk mencegah dampak tersebut. Penelitian ini bertujuan untuk mengembangkan sistem prediksi dini diabetes berbasis website menggunakan algoritma machine learning Categorical Boosting (CatBoost). Penelitian ini juga mengidentifikasi gejala-gejala paling berpengaruh dan mengevaluasi performa CatBoost dibandingkan dengan algoritma Random Forest, K-Nearest Neighbor, dan Naïve Bayes. Menggunakan dua dataset, yaitu data primer dari tenaga kesehatan di Kupang dan Maluku Tenggara serta data sekunder dari repositori UCI, penelitian ini menerapkan seleksi fitur Chi-Square untuk menentukan prediktor utama. Hasil penelitian menunjukkan bahwa Polydipsia, Polyuria, penurunan berat badan tiba-tiba, paresis parsial, dan Polyphagia adalah lima gejala paling dominan. Model CatBoost yang dioptimalkan berhasil mencapai akurasi 96.77%, presisi 97%, recall 96.77% dan F1-score 96.78%, mengungguli model pembanding lainnya. Sistem berbasis website yang dikembangkan telah berhasil divalidasi menggunakan metode Black Box Testing, membuktikan fungsionalitasnya sebagai alat skrining awal yang efektif dan akurat.