Kemacetan lalu lintas merupakan permasalahan sistemik yang dihadapi kota-kota besar, termasuk Jakarta, seiring dengan meningkatnya volume kendaraan dan keterbatasan infrastruktur jalan. Penelitian ini bertujuan untuk menerapkan data smart mobility dalam klasifikasi kondisi lalu lintas serta menentukan metode klasifikasi yang paling optimal antara Decision Tree dan Random Forest berdasarkan hasil evaluasi model. Penelitian ini menggunakan dataset smart mobility sebanyak 5.000 data dengan sepuluh variabel independen yang mencakup faktor operasional lalu lintas dan faktor kontekstual, yang diproses melalui tahapan metodologi Cross Industry Standard Process for Data Mining (CRISP-DM), meliputi pembersihan data, transformasi fitur kategorikal, penanganan ketidakseimbangan kelas melalui parameter class_weight='balanced', optimasi hyperparameter menggunakan GridSearchCV dengan skema Stratified K-Fold Cross Validation, hingga evaluasi model menggunakan metrik accuracy, precision, recall, F1-score, confusion matrix, dan feature importance. Hasil penelitian menunjukkan bahwa model Decision Tree memperoleh performa yang lebih optimal dibandingkan Random Forest, dengan nilai accuracy sebesar 95,90%, precision 96,13%, recall 95,90%, dan F1-score 95,94%, unggul secara konsisten pada seluruh metrik dibandingkan Random Forest yang memperoleh accuracy sebesar 93,20%. Analisis feature importance turut menunjukkan bahwa Vehicle_Count, Road_Occupancy_%, dan Traffic_Speed_kmh merupakan variabel yang paling dominan dalam menentukan klasifikasi kondisi lalu lintas. Dengan demikian, penelitian ini menyimpulkan bahwa Decision Tree merupakan metode yang paling optimal untuk klasifikasi kondisi lalu lintas berbasis data smart mobility pada karakteristik dataset yang digunakan.