Kemacetan lalu lintas merupakan masalah signifikan di kota-kota besar seperti Kota Malang, yang menyebabkan kerugian ekonomi dan penurunan efisiensi transportasi. Penelitian ini bertujuan untuk mengimplementasikan sebuah sistem pendeteksi kemacetan secara real-time dengan menganalisis kondisi lalu lintas dari data visual CCTV. Metode yang diusulkan menggunakan algoritma YOLOv11n untuk deteksi kendaraan (mobil dan sepeda motor) dan segmentasi jalan pada data yang bersumber dari tiga lokasi CCTV di Kota Malang. Enam kategori fitur utama—arus mobil, arus sepeda motor, densitas mobil, densitas sepeda motor, okupansi, dan kecepatan—diekstraksi dari hasil deteksi dan segmentasi untuk merepresentasikan kondisi lalu lintas secara kuantitatif. Fitur-fitur ini kemudian digunakan sebagai input untuk dua model klasifikasi machine learning, yaitu Neural Network (NN) dan Support Vector Machine (SVM), yang kinerjanya dibandingkan. Hasil pengujian menunjukkan model deteksi kendaraan YOLOv11n mencapai mean Average Precision (mAP@0.5) sebesar 0.908. Di antara kedua model klasifikasi, Neural Network menunjukkan performa terbaik dengan akurasi mencapai 97,54%. Tantangan utama yang teridentifikasi selama pengujian end-to-end adalah kesulitan dalam mendeteksi sepeda motor yang mengalami oklusi pada kondisi lalu lintas padat. Sistem yang dikembangkan terbukti efektif dan memiliki potensi untuk diintegrasikan ke dalam Intelligent Transportation System (ITS) Kota Malang untuk manajemen lalu lintas yang lebih baik.