Peningkatan jumlah kendaraan bermotor di Indonesia turut mendorong tingginya angka pelanggaran lalu lintas, khususnya oleh pengendara sepeda motor yang tidak menggunakan helm. Meskipun sistem Electronic Traffic Law Enforcement (ETLE) telah diterapkan, tantangan seperti kesalahan deteksi masih menjadi hambatan dalam penegakan hukum yang efektif. Penelitian ini bertujuan untuk mengembangkan sistem deteksi pelanggaran lalu lintas berbasis Artificial Intelligence (AI) yang terintegrasi dengan sistem ETLE, dengan fokus pada deteksi otomatis pelanggaran penggunaan helm. Dua algoritma utama digunakan dalam penelitian ini, yaitu YOLO11 untuk mendeteksi pengendara motor secara real-time, dan EfficientNet-B0 untuk mengklasifikasikan penggunaan helm berdasarkan citra hasil cropping area kepala pengendara. Dataset diperoleh dari kamera pengawas berbasis ponsel, kemudian diproses melalui pelabelan manual, augmentasi data, serta preprocessing seperti denoising, peningkatan kontras, sharpening, resizing, dan normalisasi agar kualitas citra lebih optimal untuk pelatihan model. Proses pengembangan sistem mengikuti pendekatan CRISP-DM yang mencakup pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment ke dalam sistem operasional. Hasil pengujian menunjukkan bahwa model YOLO11 mencapai akurasi 94,11% dan mAP@50 sebesar 98,7% dalam mendeteksi pengendara, sementara EfficientNet-B0 mencapai akurasi validasi hingga 96% dalam klasifikasi pelanggaran. Sistem ini mampu memproses video secara real-time dan akurasi yang andal, sehingga berpotensi besar dalam meningkatkan efektivitas dan efisiensi penegakan hukum lalu lintas secara digital di Indonesia melalui sistem ETLE.