Tingginya volume lalu lintas di Kota Surakarta berkorelasi dengan seringnya terjadi kecelakaan yang mengakibatkan kerugian materi maupun korban jiwa. Penelitian ini bertujuan untuk membangun model klasifikasi berperforma tinggi guna memprediksi tingkat keparahan kecelakaan, serta menganalisis faktor-faktor penyebab yang paling dominan. Penelitian ini mengadopsi pendekatan data mining pada dataset kecelakaan lalu lintas Satlantas Kota Surakarta. Tahapan metodologi mencakup data preprocessing seperti encoding, normalisasi, dan penyeimbangan kelas menggunakan SMOTE, diikuti dengan seleksi fitur menggunakan ANOVA. Beberapa model machine learning (LGBM, XGBoost, Random Forest, Gaussian Naive Bayes) dibandingkan, dan dioptimalkan menggunakan hyperparameter tuning dengan Optuna. Model terbaik kemudian diinterpretasikan menggunakan Shapley Additive Explanations (SHAP) untuk menganalisis kontribusi setiap fitur. Hasil penelitian menunjukkan bahwa model LGBM Classifier mencapai performa terbaik dengan F1-Score sebesar 95.27%. Analisis SHAP berhasil mengidentifikasi ‘Tipe Kecelakaan’ dan ‘Batas Kecepatan’ sebagai faktor paling berpengaruh. Penelitian ini tidak hanya menghasilkan model prediktif yang akurat, tetapi juga menyediakan wawasan yang dapat ditindaklanjuti bagi pemangku kebijakan untuk meningkatkan keselamatan jalan raya.