Peningkatan volume kendaraan di lalu lintas menyebabkan tingginya kompleksitas kondisi jalan yang berpotensi meningkatkan risiko kecelakaan. Salah satu upaya untuk
mendukung peningkatan keamanan lalu lintas adalah dengan menerapkan sistem deteksi kendaraan secara otomatis menggunakan teknologi computer vision. Penelitian ini bertujuan untuk mengembangkan sistem deteksi jenis kendaraan menggunakan algoritma YOLOv8, yang memiliki keunggulan dalam kecepatan dan akurasi deteksi objek. Data penelitian diperoleh dari rekaman video lalu lintas yang diubah menjadi citra digital. Dataset yang digunakan dikelompokkan ke dalam empat kategori kendaraan, yaitu sepeda motor, mobil, bus, dan truk. Data tersebut diproses melalui beberapa tahapan, meliputi anotasi, preprocessing, serta augmentasi data untuk meningkatkan jumlah data dan kemampuan generalisasi model. Proses pelatihan model dilakukan menggunakan aplikasi berbasis GPU untuk memperoleh performa yang optimal. Hasil pengujian menunjukkan bahwa model YOLOv8 mampu mendeteksi jenis kendaraan dengan performa yang baik. Evaluasi model menghasilkan nilai precision dan recall yang tinggi pada setiap kelas kendaraan, dengan nilai mean average precision (mAP50) sebesar 96,4%. Hasil ini menunjukkan bahwa model memiliki tingkat akurasi yang baik dalam membedakan berbagai jenis kendaraan pada kondisi lalu lintas yang padat. Berdasarkan hasil tersebut, sistem deteksi jenis kendaraan yang dikembangkan dapat digunakan sebagai alat bantu dalam pemantauan dan analisis lalu lintas.