Estimasi merupakan suatu pengukuran yang didasarkan pada hasil kuantitatif. Estimasi dapat dilakukan dengan memanfaatkan teknologi computer vision. Teknologi computer vision mengalami perkembangan yang pesat, termasuk juga dalam membangun intelligent transportation system (ITS). Penelitian ini berfokuskan pada estimasi kecepatan kendaraan melalui video pengawas lalu lintas. dataset menggunakan video berdurasi 2 menit yang dipecah menjadi 2.446 frame. Terdapat 3 tahapan utama dalam perancangan sistem, Pertama, data diolah untuk menjadi bahan belajar dari algoritma deep learning dengan model Faster R-CNN untuk memnyelesaikan masalah deteksi objek. Selanjutnya, objek yang berhasil terdeteksi ditracking menggunakan algoritma centroid tracking. Terakhir, dilakukan perhitungan estimasi kecepatan pada objek tersebut menggunakan parallel line model. Input sistem berupa video pengawas lalu lintas di lokasi yang sama pada saat perancangan sistem. Video tersebut akan dipecah tiap framenya untuk diproses ke tahap deteksi, tracking dan estimasi kecepatan. Setelah semua proses selesai, tiap frame tersebut disatukan kembali menjadi sebuah video baru dengan bounding box disekitar objek dan menampilkan estimasi kecepatannya. Penelitian ini berhasil mencapai score RMSE 7,116, score NRMSE 0,103 dan score evaluasi metric 0,897.
Kata Kunci : Deep Learning, Faster R-CNN, Centroid Tracking, Parallel Line Model, Evaluasi Metric.