Faktor human error masih menjadi penyebab utama kecelakaan, termasuk kelalaian pengemudi dalam memperhatikan dan mengenali rambu lalu lintas yang ada di jalan. Rambu lalu lintas berfungsi untuk memberikan panduan yang jelas bagi pengemudi, tetapi sering kali pengemudi kesulitan dalam mengenali rambu-rambu ini dengan cepat, terutama dalam kondisi lingkungan yang tidak ideal seperti cuaca buruk, pencahayaan rendah, atau posisi rambu yang kurang jelas. Hal ini menambah risiko terjadinya kecelakaan lalu lintas. Penelitian ini mengusulkan sistem deteksi rambu lalu lintas otomatis menggunakan YOLOv8 untuk mengenali rambu peringatan, larangan, dan perintah secara real-time. Sistem ini difokuskan untuk mengenali berbagai jenis rambu seperti peringatan, larangan, dan perintah secara real-time dalam satu tampilan gambar, serta user interface dibangun dengan PyQt5 untuk menampilkan hasil deteksi real-time. Dataset yang digunakan berjumlah 2.210 citra yang terdiri dari 780 dataset primer dan 1.430 dataset sekunder. Setelah melewati tahap anotasi dan augmentasi, dataset yang akan diolah menjadi 3.629 citra dengan pembagian menjadi 87% data latih dan 13% data validasi. Pengujian terhadap hasil training model menunjukkan performa deteksi yang sangat baik dengan nilai precision sebesar 99,8%, recall sebesar 98,2%, serta nilai mean average precision (mAP) sebesar 98,7% untuk IoU 50 89,7%.Sistem ini juga dievaluasi menggunakan 78 citra real-time dengan berbagai kondisi pencahayaan dan sudut pandang berbeda diperoleh rata-rata precision sebesar 99,8%, recall sebesar 98,2%, dan menghasilkan nilai F-measure sebesar 98,9%. Hasil ini menunjukkan bahwa sistem berhasil mengenali rambu dengan tingkat ketepatan dan sensitivitas yang tinggi, bahkan dalam kondisi pencahayaan yang berbeda seperti siang dan malam. Diharapkan sistem ini berpotensi dimanfaatkan sebagai sarana edukasi rambu lalu lintas di Indonesia.

Kata Kunci: YOLOv8, deteksi rambu lalu lintas, deep learning, PyQt5, real-time.

Human error remains the primary cause of accidents, including driver negligence in failing to observe and recognize traffic signs on the road. Traffic signs provide clear guidance for drivers. Still, drivers often struggle to recognize these signs quickly, especially in unfavorable environmental conditions such as bad weather, low lighting, or unclear sign placement. This increases the risk of traffic accidents. This study proposes an automatic traffic sign detection system utilizing YOLOv8 to recognize warning, prohibition, and command signs in real-time. The system is designed to identify various types of signs, such as warning, prohibition, and command signs, in real-time within a single image view. The user interface is built using PyQt5 to display real-time detection results. The dataset used consists of 2,210 images, comprising 780 primary datasets and 1,430 secondary datasets. After undergoing annotation and augmentation, the dataset to be processed consists of 3,629 images, divided into 87% training data and 13% validation data. Testing of the model’s training results showed excellent detection performance, with precision, recall, and mean average precision (mAP) values of 99.8%, 98.2%, and 98.7%, respectively, for an IoU of 50 and 89.7%. The system was also evaluated using 78 real-time images with various lighting conditions and different viewing angles, yielding an average precision of 99.8%, a recall of 98.2%, and an F-measure of 98.9%. These results indicate that the system successfully recognizes traffic signs with high accuracy and sensitivity, even under varying lighting conditions, including both daytime and nighttime. This system can be utilized as an educational tool for traffic signs in Indonesia. Keywords: YOLOv8, traffic sign detection, deep learning, PyQt5, real-time.