<![CDATA[Abstrak—Verifikasi foto yudisium di Universitas Negeri Surabaya (UNESA) saat ini masih dilakukan secara manual oleh staf akademik, yang menghadapi tantangan berupa volume berkas yang besar (mencapai 1.600 berkas per periode), waktu pemrosesan yang lama, serta potensi subjektivitas dan ketidakkonsistenan penilaian. Tujuan dari penelitian ini adalah untuk mengembangkan sebuah sistem verifikasi otomatis yang menggunakan teknologi computer vision dan deep learning untuk meningkatkan efisiensi, akurasi, dan kredibilitas validasi atribut foto resmi siswa. Sistem yang dikembangkan mengintegrasikan algoritma YOLO (You Only Look Once) untuk deteksi objek dan OpenCV untuk pengolahan citra. YOLO digunakan untuk mengidentifikasi keberadaan serta posisi logo almamater dan penggunaan dasi, sementara OpenCV dimanfaatkan untuk memvalidasi kesesuaian warna latar belakang biru melalui analisis ruang warna HSV. Sistem ini dibangun menggunakan bahasa pemrograman Python dengan framework Flask sebagai layanan backend untuk memproses unggahan gambar. Penelitian ini menggunakan dataset sebanyak 2.000 gambar yang dibagi menjadi data training (80%), validation (10%), dan testing (10%). Hasil pengujian menunjukkan bahwa model YOLO mencapai performa yang sangat tinggi dengan nilai rata-rata mAP50 sebesar 0,987 dan precision sebesar 0,978 pada data uji. Secara spesifik, kelas dasi mencapai nilai recall sempurna sebesar 1,000, yang berarti seluruh objek dasi dalam data uji berhasil dideteksi oleh model. Implementasi sistem ini terbukti mampu memberikan keputusan verifikasi "Sesuai" atau "Tidak Sesuai" secara otomatis dan konsisten, sehingga dapat menjadi solusi efektif dalam mempercepat proses administrasi akademik di lingkungan perguruan tinggi. Kata Kunci— YOLO, OpenCV, Computer Vision, Foto Yudisium, Verifikasi Otomatis.]]>
