×<p xss=removed>Penelitian ini bertujuan meningkatkan akurasi prediksi tingkat keparahan
kecelakaan lalu lintas dengan memanfaatkan algoritma Decision Tree yang
dioptimalkan melalui teknik oversampling dan hyperparameter tuning. Tingkat
keparahan kecelakaan dipengaruhi oleh berbagai faktor, seperti fungsi jalan, kelas
jalan, geometri, kondisi permukaan, kemiringan, tipe tabrakan, pencahayaan, dan
cuaca. Dataset yang digunakan mencakup data kecelakaan Kota Surakarta periode
2018–2022. Data kategorikal pada variabel prediktor diubah menjadi numerik,
kemudian dilakukan oversampling untuk mengatasi ketidakseimbangan kelas.
Selanjutnya, GridSearchCV digunakan untuk melakukan hyperparameter tuning
guna menemukan kombinasi parameter terbaik. Model optimal dilatih ulang
dengan Decision Tree Classifier, dan hasil prediksi divisualisasikan dalam bentuk
struktur pohon keputusan. Kinerja model dievaluasi menggunakan Confusion
Matrix, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa
variabel-variabel tersebut berpengaruh signifikan terhadap tingkat keparahan
kecelakaan, dengan akurasi model mencapai 82,3%. Penelitian ini membuka
peluang untuk penelitian lanjutan dengan mengintegrasikan metode ensemble,
seperti Random Forest atau Gradient Boosting, serta memperluas cakupan data
melalui penambahan variabel baru (misalnya perilaku pengemudi atau kepadatan
lalu lintas) guna meningkatkan kemampuan generalisasi model. </p>
