Kesehatan penglihatan merupakan elemen fundamental dalam kehidupan manusia karena gangguan pada mata tidak hanya menurunkan kualitas hidup, tetapi juga berdampak pada kemandirian dan produktivitas seseorang. Berdasarkan laporan  dari World Health Organization (WHO) pada 2021, lebih dari 2,2 miliar orang di dunia mengalami gangguan penglihatan, dan setidaknya 1 miliar kasus dapat dicegah atau belum ditangani dengan baik. Penelitian ini bertujuan untuk melakukan evaluasi komprehensif terhadap kinerja Extreme Gradient Boosting (XGBoost) dan Category Boosting (CatBoost) dalam klasifikasi multi-kelas penyakit mata berbasis citra fundus mata. Selain itu, penelitian ini juga difokuskan untuk mengukur akurasi model. Hasil penelitian menunjukkan bahwa model klasifikasi memberikan performa yang sangat baik yaitu XGBoost dengan estimator=100, learning rate=0,05 dan epoch=100 menghasilkan akurasi sebesar 91% dan CatBoost dengan iteration=100, learning rate=0,05, dan depth=5 menghasilkan akurasi sebesar 93%. Semua model dioptimasi menggunakan Adam Optimizer dan berhasil mengklasifikasikan penyakit mata pada dataset ODIR dengan sangat akurat. Penerapan model ini berpotensi besar dalam membantu proses deteksi penyakit mata secara otomatis, serta memberikan dukungan dalam pengambilan keputusan medis yang lebih cepat dan efisien.