Pelestarian aksara tradisional Indonesia merupakan tantangan penting di tengah arus digitalisasi. Pemanfaatan teknologi computer vision dan deep learning menawarkan solusi inovatif untuk mendigitalisasi dan melestarikan warisan budaya ini. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi performa arsitektur You Only Look Once versi 8 (YOLOv8) dalam tugas deteksi dan klasifikasi empat aksara tradisional, yaitu Aksara Sunda, Bali, Lampung, dan Pegon. Model yang dikembangkan ditujukan untuk menjadi komponen inti dalam aplikasi pembelajaran Aksara Learning App (ALEA). Metode penelitian yang digunakan adalah transfer learning dengan melakukan fine-tuning pada model pre-trained YOLOv8n terhadap dataset spesifik untuk setiap aksara. Proses pelatihan dilakukan selama 30 epoch dengan metrik evaluasi utama mean Average Precision (mAP@50). Hasil penelitian menunjukkan bahwa arsitektur YOLOv8 berhasil diimplementasikan dengan performa yang bervariasi: model Aksara Sunda mencapai akurasi tertinggi (mAP@50 0.758), diikuti oleh Aksara Pegon (0.65), Aksara Bali (0.569), dan Aksara Lampung (0.558). Hasil ini mengindikasikan bahwa YOLOv8 merupakan arsitektur yang efektif dan andal untuk tugas deteksi aksara, serta model yang dihasilkan memiliki akurasi yang layak untuk implementasi praktis pada aplikasi ALEA.