Kota Surakarta, sebagai pusat aglomerasi kawasan Solo Raya, menghadapi peningkatan tekanan lalu lintas, akibat pertumbuhan aktivitas ekonomi dan meningkatnya arus komuter dari wilayah sekitarnya. Kondisi tersebut menyebabkan terjadinya pemusatan arus lalu lintas, pada ruas-ruas jalan utama tertentu, sehingga berpotensi menimbulkan kemacetan, terutama pada jam puncak pagi. Untuk itulah maka diperlukan solusi pendekatan pemodelan Matriks Asal Tujuan (MAT), untuk mempresentasikan distribusi pergerakan secara akurat. Penelitian ini bertujuan untuk mengestimasi MAT kondisi eksisting Kota Surakarta tahun 2026, dengan menggunakan metode T-Flow Fuzzy pada software PTV Visum dengan menggunakan dua skenario. Skenario pertama menggunakan satu MAT, yaitu berupa gabungan semua kendaraan. Sedangkan skenario kedua dengan menggunakan dua jenis MAT yang terpisah, yaitu MAT kendaraan penumpang dan MAT kendaraan barang.Data yang digunakan adalah berupa volume lalu lintas dari 28 titik pengamatan, pada lima belas ruas jalan arteri dan kolektor utama Kota Surakarta, pada satu jam periode puncak pagi. Selain itu, juga dibutuhkan data prior matrix uniform, sebagai matriks awal. Pemodelan dilakukan pada sembilan zona, meliputi lima zona internal dan empat zona eksternal. Zona internal merupakan zona yang berada di dalam batas administrasi Kota Surakarta, yang mencakup lima kecamatan, yaitu Jebres, Pasar Kliwon, Serengan, Laweyan, dan Banjarsari. Sedangkan zona eksternal merupakan zona yang berada di luar batas administrasi Kota Surakarta, namun memberikan kontribusi yang cukup signifikan terhadap pergerakan lalu lintas kota Surakarta. Zona eksternal tersebut berada di Karanganyar/Palur, Karanganyar/Gondangrejo, Sukoharjo/Solo Baru, dan Sukoharjo/Kartasura. Validasi model menggunakan koefisien determinasi R², yang membandingkan volume lalu lintas hasil survei lapangan dengan volume hasil pemodelan pada PTV Visum.Hasil dari validasi model tersebut menghasilkan R² sebesar 0,8645 untuk Skenario pertama dengan total pergerakan sebesar 22.655 smp/jam. Sedangakan skenario kedua menghasilkan R² sebesar 0,8475 dan total pergerakan sebesar 22.249 smp/jam. Ternyata skenario pertama lebih unggul dalam hal akurasi validasi dibandingkan dengan skenario kedua, sedangkan skenario kedua lebih informatif untuk analisis kebijakan berbasis jenis kendaraan dibandingkan dengan skenario pertama.