Lampu Lalu Lintas berguna untuk mengatur lalu lintas dan menolong pengendara dari kecelakaan pada persimpangan jalan. Deteksi Lampu Lalu Lintas dapat membantu pengemudi dalam pengenalan status yang ditunjukkan oleh lampu lalu lintas dan mempercepat proses keputusan, sehingga mengurangi distraksi dan mencegah kecelakaan. Dengan meningkatnya teknologi kontrol kendaraan self-driving, maka deteksi lampu lalu lintas semakin dibutuhkan. Tetapi teknologi tersebut memiliki kekurangan pada performanya, dikarenakan ketergantungannya dengan lingkungan sekitar dan kualitas kamera yang digunakan. Dengan adanya kekurangan tersebut, arsitektur YOLOv7 yang memiliki dasar dari Convolutional Neural Network (CNN) digunakan untuk mengetahui apakah arsitektur tersebut dapat mengatasi kekurangan deteksi lampu lalu lintas dan bekerja dengan baik untuk deteksi lampu lalu lintas. Dataset yang digunakan adalah LISA Traffic Light Dataset yang merupakan kumpulan frame pengenalan lampu lalu lintas yang diambil dari video jalan raya San Diego, California, Amerika Serikat. Pre-processing yang dilakukan pada dataset ini adalah pengubahan ukuran(resize) ke ukuran fit-within 640x640 dan pengubahan jumlah kelas menjadi go, warning, dan stop. Analisis hasil deteksi dilakukan dengan melakukan pengujian parameter epoch dan learning rate pada pembelajaran, IoU Threshold dan Confidence Threshold pada deteksi, dan pengujian konsistensi menggunakan K-Fold Cross Validation. YOLOv7 terbukti konsisten dengan nilai mAP@0.5 di angka 94.46%, 91.79%, 91.25%, 93.53%, dan 93.29% pada pengujian K-Fold Cross Validation. Akurasi terbaik didapatkan pada nilai epoch sebesar 150 dan learning rate 0.001, dengan akurasi sebesar 94.63%. Pengujian parameter deteksi IoU Threshold dan Confidence Threshold dilakukan dan dianalisis dampaknya terhadap hasil deteksi.