Tingginya frekuensi pelanggaran lalu lintas berupa pengendara sepeda motor yang melaju melawan arus (wrong-way driving) di kawasan Jalan Jenderal Ahmad Yani, Kota Palembang, menuntut adanya sistem pemantauan otomatis berbasis computer vision. Penelitian ini bertujuan untuk mengomparasikan performa dua algoritma klasifikasi citra digital, yaitu Support Vector Machine (SVM) sebagai representasi machine learning konvensional dan Convolutional Neural Network (CNN) sebagai representasi deep learning, dalam mendeteksi arah laju kendaraan. Pengumpulan data primer dilakukan secara observasional langsung dari Jembatan Penyeberangan Orang (JPO) yang menghasilkan 280 citra (balanced dataset), terbagi merata ke dalam kelas laju normal dan kelas melanggar. Seluruh dataset melalui tahapan pra-pemrosesan yang meliputi pemotongan Region of Interest (ROI), penyesuaian dimensi matriks menjadi 128 × 128 piksel, serta normalisasi nilai intensitas warna. Pada model SVM, fitur citra diekstraksi secara manual berdasarkan nilai rata-rata ruang warna RGB, sedangkan model CNN mengekstraksi fitur spasial secara otomatis melalui arsitektur lapisan konvolusi. Implementasi model dan skenario pelatihan dieksekusi menggunakan bahasa pemrograman Python di dalam lingkungan Google Colab dengan rasio pembagian data latih dan data uji sebesar 80:20. Evaluasi kinerja dari kedua algoritma tersebut diukur secara kuantitatif menggunakan metrik Confusion Matrix untuk membandingkan tingkat akurasi, presisi, dan recall. Hasil pengujian menunjukkan bahwa model CNN mencapai akurasi sebesar 91,07%, sedangkan model SVM hanya mencapai akurasi sebesar 73,21%, dengan selisih sebesar 17,86%. Keunggulan CNN terlihat paling signifikan pada nilai Recall kelas melawan arus, yaitu sebesar 0,86 dibandingkan SVM sebesar 0,57, yang menunjukkan bahwa CNN jauh lebih andal dalam mendeteksi pelanggaran dibandingkan SVM. Dengan demikian, dapat disimpulkan bahwa algoritma Convolutional Neural Network merupakan metode klasifikasi yang mampu bekerja secara optimal, akurat, dan efisien untuk diimplementasikan pada sistem pemantauan lalu lintas cerdas.
Kata kunci: Computer Vision, Convolutional Neural Network, Klasifikasi Citra, Pelanggaran Lalu Lintas, Support Vector Machine.