Yaygın olarak görülen hastalıklardan biri olan diyabetin prevalansı her yıl artmaktadır. Diyabet hastalığı erken teşhis edilmezse kalp ve damar hastalıklarına, böbrek hastalığına, körlüğe, sinir hasarlarına, felce ve organ yetmezliklerine neden olabilir. Ayrıca bu diyabet hastaları için yapılacak sağlık harcamalarının da 2040 yılında 802 milyon dolar olacağı tahmin edilmektedir. Bu durumlar göz önünde bulundurulduğunda diyabet tanısı için yapılacak çalışmalar oldukça önemlidir. Bu çalışmada, diyabet tanısı için bir karar destek sistemi geliştirmek amacıyla karar ağaçları, k-en yakın komşu, lojistik regresyon, Naive Bayes, rastgele orman, destek vektör makineleri gibi makine öğrenmesi ve çok katmanlı algılayıcı (ÇKA), evrişimli sinir ağları (ESA), tekrarlayan sinir ağları (RNN) tasarımları olan Basit RNN, Uzun Kısa Dönem Bellek Ağları (LSTM), Geçitli Tekrarlayan Birim (GRU), İki Yönlü Uzun Kısa Dönem Bellek Ağları (BiLSTM), İki Yönlü Geçitli Tekrarlayan Birim (BiGRU), ESA ve RNN hibrit modelleri olan ESA+Simple RNN, ESA+LSTM, ESA+GRU, ESA+BiLSTM ve ESA+BiGRU gibi derin öğrenme yöntemleri kullanılmıştır. Makine öğrenmesi tabanlı sınıflandırıcılar içerisinde en yüksek sınıflandırma performansını %98.10 doğruluk oranı ve %98.00 F1- skoru ile DVM elde etmiştir. Derin öğrenme tabanlı sınıflandırıcılar içerisinde en yüksek sınıflandırma performansını %99.50 doğruluk oranı ve %99.30 F1- skoru ile ESA+BiGRU hibrit modeli elde etmiştir. Genel analizde ise, derin öğrenme tabanlı sınıflandırıcıların makine öğrenmesi tabanlı sınıflandırıcılara göre daha iyi performans göstermiştir. Ek olarak CNN ve RNN tasarımlarının hibrit modelleri, yalın modellere göre daha iyi sınıflandırma performansına sahiptir.