<![CDATA[Pemeriksaan logistik pendaki gunung secara manual saat ini dinilai tidak efisien dan sangat rentan terhadap kesalahan manusia (human error) akibat tingginya volume serta variasi barang bawaan yang sering menumpuk (clutter). Meskipun algoritma YOLOv8 sangat populer untuk deteksi objek, kinerjanya pada skenario kepadatan visual ekstrem belum teruji secara komprehensif. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi ketangguhan model YOLOv8 Nano dalam mengidentifikasi lima kelas logistik pendaki pada lima tingkat kepadatan, mulai dari objek tunggal hingga tumpukan ekstrem. Penelitian ini mengadopsi metodologi standar CRISP-ML(Q) dengan memanfaatkan 13.792 sampel data kustom. Fase prapemrosesan menerapkan metode Stretch to guna mereduksi artefak visual pada area tepi citra. Hasil eksperimen mendemonstrasikan performa yang sangat presisi, ditandai dengan nilai Precision sebesar 0,971, Recall 0,954, dan mean Average Precision (mAP@50) mencapai 97,8%. Arsitektur ini terbukti sanggup mendobrak limitasi penelitian terdahulu dengan keberhasilan mempertahankan stabilitas mAP@50 di angka 96,22% pada pengujian kepadatan ekstrem (lebih dari 18 objek). Implementasi sistem berbasis aplikasi web lintas perangkat juga mencatatkan waktu inferensi real-time yang responsif, yakni 61,48 milidetik pada peramban laptop dan 72,62 milidetik pada telepon seluler. Kesimpulannya, algoritma YOLOv8n terbukti sangat reliabel untuk mengotomatisasi pelaporan logistik lapangan. Namun, limitasi masih ditemukan berupa degradasi akurasi pada objek mikro akibat fenomena kemiripan fitur antar-kelas dan distorsi pantulan cahaya. Studi mendatang direkomendasikan untuk mengintegrasikan teknik Slicing Aided Hyper Inference (SAHI) guna memitigasi kegagalan tersebut.]]>
