Glioma merupakan tumor otak yang kompleks dan agresif, sehingga memerlukan metode diagnosis yang cepat dan akurat untuk mendukung pengambilan keputusan klinis. Penelitian ini menerapkan pendekatan machine learning dengan algoritma CatBoost dan LightGBM untuk mengklasifikasi jenis glioma (LGG dan GBM) berdasarkan fitur klinis dan molekuler dari dataset TCGA. Sebanyak 839 sampel dengan 24 fitur digunakan dalam pelatihan model. Evaluasi dilakukan sebanyak 20 kali pengulangan dan menggunakan rata-rata hasil untuk memastikan konsistensi. Hasil awal menunjukkan bahwa CatBoost memiliki performa klasifikasi lebih baik dengan F1-score 0,88, sedangkan LightGBM lebih efisien secara komputasi (0,033 detik, CPU 12,12%). Setelah tuning, kedua model mencapai F1-score 0,86, namun dengan perbedaan: CatBoost memiliki recall lebih tinggi (0,87) namun konsumsi sumber daya meningkat (1,60 detik, CPU 77,22%), sedangkan LightGBM tetap efisien (0,17 detik, CPU 46,3%). Dengan demikian, LightGBM cocok untuk sistem yang mengutamakan efisiensi, sementara CatBoost lebih tepat untuk aplikasi yang membutuhkan sensitivitas tinggi.