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.