Peningkatan jumlah kendaraan bermotor di jalan raya berbanding lurus dengan tingginya risiko kecelakaan, yang sering kali dipicu oleh pelanggaran lalu lintas, khususnya ketidakpatuhan dalam penggunaan helm. Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis untuk mengidentifikasi penggunaan helm pada pengendara sepeda motor menggunakan algoritma YOLOv8, yang dikenal karena kemampuannya mendeteksi objek secara akurat dan efisien pada kondisi real time. Data penelitian diperoleh dari rekaman video lalu lintas di lingkungan nyata yang kemudian diekstrak menjadi gambar. Data yang digunakan dalam penelitian ini adalah kumpulan gambar pengendara sepeda motor yang diekstrak dari rekaman video lalu lintas di lingkungan nyata. Dataset ini diklasifikasikan ke dalam dua kategori, yaitu menggunakan helm dan tidak menggunakan helm, dan diproses melalui serangkaian tahapan seperti anotasi dan augmentasi untuk meningkatkan variasi dan generalisasi model. Hasilnya, model YOLOv8 terbukti efektif dalam mendeteksi penggunaan helm. Hasil evaluasi menunjukkan nilai Precision sebesar 91,15% dan Recall sebesar 93,62% untuk kelas menggunakan helm. Sementara itu, untuk kelas tidak menggunakan helm, nilai Precision mencapai 90,20% dan Recall 95,91%. Model secara keseluruhan mencapai F1-score 92,36% dan 92,96%, serta mean average precision (mAP) sebesar 96,4%. Penelitian ini menyimpulkan bahwa sistem deteksi otomatis dapat meningkatkan kepatuhan pengendara serta keselamatan berkendara di jalan raya, menjadikannya solusi inovatif untuk mendukung pengawasan lalu lintas.

The increasing number of motorized vehicles on the road is directly proportional to the high risk of accidents, which are often triggered by traffic violations, especially non compliance in helmet use. This study aims to develop an automatic detection system to detect helmet use in motorcyclists using the YOLOv8 algorithm, which is known for its ability to detect objects accurately and efficiently in real-time conditions. The research data was obtained from traffic video recordings in real environments which were then extracted into images. The data used in this study is a collection of motorcyclist images extracted from traffic video recordings in real environments. This dataset is classified into two categories, namely wearing helmets and not wearing helmets, and is processed through a series of stages such as annotation and augmentation to increase the variation and generalization of the model. As a result, the YOLOv8 model proved effective in detecting helmet use. The evaluation results showed a Precision value of 91.15% and Recall of 93.62% for the class wearing helmets. Meanwhile, for the class not wearing helmets, the Precision value reached 90.20% and Recall 95.91%. The overall model achieved F1 scores of 92.36% and 92.96%, and a mean average precision (mAP) of 96.4%. The study concluded that the automated detection system can improve driver satisfaction and road safety, providing an innovative solution to support traffic monitoring..