Kemacetan lalu lintas merupakan persoalan sistemik yang dihadapi kota-kota besar, termasuk Surakarta, sebagai konsekuensi dari pertumbuhan jumlah kendaraan yang pesat, keterbatasan kapasitas infrastruktur jalan, serta aktivitas di area tepi jalan. Penelitian ini bertujuan untuk membangun model prediksi variabel signifikan yang memengaruhi volume lalu lintas dengan menggunakan algoritma Random Forest dan XGBoost. Variabel yang digunakan meliputi faktor temporal (hari kerja dan akhir pekan), jenis kendaraan (sepeda motor, kendaraan ringan, kendaraan berat), kecepatan kendaraan (spot speed dan space mean speed), serta hambatan samping (pejalan kaki, kendaraan parkir/berhenti, kendaraan keluar/masuk akses, dan kendaraan tidak bermotor). Data penelitian diperoleh dari sumber sekunder dan diperluas melalui interpolasi linear serta sintesis statistik berbasis variasi ±10% untuk memperkaya distribusi data. Hasil evaluasi menunjukkan bahwa Random Forest memberikan performa prediksi yang lebih baik dibandingkan XGBoost, dengan nilai R² sebesar 0,83; MAE 16,13; RMSE 30,55 pada hari kerja, serta R² sebesar 0,88; MAE 21,75; RMSE 28,41 pada akhir pekan. Analisis feature importance mengidentifikasi sepeda motor sebagai variabel dominan dalam memengaruhi volume lalu lintas, diikuti kendaraan ringan. Temuan ini menegaskan efektivitas Random Forest sebagai metode yang stabil dan akurat untuk prediksi multivariabel lalu lintas, serta berpotensi mendukung strategi pengelolaan transportasi berbasis data di kawasan perkotaan padat seperti Jalan Kapten Mulyadi, Surakarta.