Pekanbaru still using conventional traffic light control system. Pekanbaru as the capital of Riau Province is predicted  udergo the  increased of urban population by 54.5% in 2025. It is important for Pekanbaru to immediately implement smart and efficient traffic management system, so that traffic congestion can be resolved quickly. This research paper provides a design solution for smart traffic light management (Smart Traffic Control System), based on object detection technology that uses deep learning to detect the number and type of vehicles. The number of vehicle is the basis for determining the green light timer automatically. The Smart Traffic Control System (STCS) is integrated with a web based geographic information system (smart map) that can display the current condition  (picture, the number of vehicle, congestion level) of each STCS location. This integrated system has been tested on a traffic light prototype, using a mini computer and a miniature vehicle. This integrated system is able to detect 9 out of 12 vehicles, and able to send data regularly to the smart map.  Keywords: deep learning; smart mobility; smart traffic control system Abstrak: Pengaturan lampu lalu lintas di Kota Pekanbaru masih dilakukan secara  konvensional. Pekanbaru sebagai ibukota Provinsi Riau diprediksikan akan mengalami peningkatan jumlah penduduk  perkotaan sebesar 54,5% pada tahun 2025. Dengan melihat predikisi ini, penting bagi kota Pekanbaru untuk segera memiliki tata kelola lalu lintas yang cerdas dan efisien agar kemacetan dapat ditanggulangi dengan cepat. Penelitian ini memberikan rancangan solusi untuk tata kelola  lampu lalu lintas cerdas (Smart Traffic Control System), berbasis teknologi object detection  yang menggunakan deep learning untuk mendeteksi jumlah dan jenis kendaraan. Jumlah kendaraan menjadi dasar penentuan timer lampu hijau secara otomatis. Smart Traffic Control System (STCS) terintegrasi dengan sistem informasi geografis berbasis web (smart map) yang secara kontinu menerima informasi kepadatan (gambar terkini, jumlah kendaraan, level kepadatan), kemudian menampilkannya diatas peta Kota Pekanbaru. Solusi sistem terintegrasi ini telah diujikan pada sebuah prototipe lampu lalu lintas, menggunakan komputer mini  dan  miniatur kendaraan. Sistem terintegrasi ini mampu mendeteksi 9 dari 12 kendaraan, dan mampu mengirimkan data secara berkala kepada smart map. Kata kunci: deep learning; smart mobility; smart traffic control system