Prediksi kemacetan merupakan salah satu solusi yang diajukan untuk mengatasi tingginya tingkat kemacetan di berbagai kota besar di dunia. Data dari departemen transportasi Amerika Serikat menunjukkan pengaruh signifikan dari penerapan prediksi kemacetan untuk pengaturan lalu lintas. Tren penggunaan CCTV oleh pemerintah untuk mengawasi keadaan lalu lintas membuka kemungkinan sumber data baru yang dapat dimanfaatkan untuk memprediksi kemacetan. Pada penelitian ini dilakukan pengujian pengolahan data rekaman CCTV untuk memprediksi kemacetan dengan teknik data mining MLP dan LSTM. Pengolahan CCTV untuk mendapatkan data lalu lintas menggunakan algoritma deteksi objek dan algoritma object tracking. Data lalu lintas hasil pengolahan rekaman CCTV dibagi menjadi 4 dataset berbeda untuk diuji dengan masing-masing model. Kinerja model dalam memprediksi kemacetan diukur menggunakan algoritma Root Mean Squared Error (RMSE). Dari hasil eksperimen ditemukan bahwa model terbaik untuk memprediksi kemacetan adalah Multi-layer Perceptron, dengan data yang diprediksi merupakan data jumlah mobil, bis, dan truk