<![CDATA[Abstract: Real-time object detection on edge devices forces a trade-off between image quality and inference speed, yet both are often reported as a single performance figure. This study examines that trade-off on an NVIDIA Jetson Orin Nano paired with a Logitech C922 USB camera for person-capacity monitoring. The first stage tested two resolutions, three lighting conditions, and three distances to select a camera configuration. The second stage built a detectNet program with TensorRT acceleration that counts persons and bottles, raises a capacity-exceeded status when three or more persons appear, and logs every frame to CSV across six test scenarios. A resolution of 1280 x 720, normal lighting, and a 1 m distance gave the best visual quality (4 of 5), while low light and backlight reduced it to 2. At 640 x 480 the program reached 137-176 FPS with 5.7-7.3 ms latency, roughly five times the camera limit of 30 fps, which shows that inference rate and capture rate must be reported separately. Raising the confidence threshold from 0.50 to 0.70 removed low-confidence detections of 51-63%. Timing at 1280 x 720 failed (FPS reported as Inf) and temperature read 0.0 C, so these findings remain preliminary until wall-clock timing and sensor readings are corrected. Keywords: edge AI, Jetson Orin Nano, real-time object detection, confidence threshold, person counting. Abstrak: Deteksi objek waktu nyata di perangkat edge selalu menukar kualitas citra dengan kecepatan inferensi, tetapi keduanya sering dilaporkan sebagai satu angka performa. Penelitian ini menguji pertukaran tersebut pada NVIDIA Jetson Orin Nano dengan kamera USB Logitech C922 untuk pemantauan kapasitas orang. Tahap pertama menguji dua resolusi, tiga kondisi cahaya, dan tiga jarak untuk memilih konfigurasi kamera. Tahap kedua membangun program berbasis detectNet dan TensorRT yang menghitung orang dan botol, memberi status KAPASITAS TERLAMPAUI bila terdapat tiga orang atau lebih, dan mencatat setiap bingkai ke CSV pada enam skenario uji. Resolusi 1280 x 720, cahaya normal, dan jarak 1 m menghasilkan kualitas visual terbaik (4 dari 5), sedangkan cahaya rendah dan backlight menurunkannya ke nilai 2. Pada 640 x 480 program mencapai 137-176 FPS dengan latency 5,7-7,3 ms, sekitar lima kali batas kamera 30 fps, sehingga laju inferensi dan laju tangkap kamera harus dilaporkan terpisah. Kenaikan threshold dari 0,50 ke 0,70 menyaring deteksi berkeyakinan rendah 51-63%. Pengukuran pada 1280 x 720 gagal (FPS terbaca Inf) dan suhu terbaca 0,0 C, sehingga temuan ini masih bersifat awal sampai pengukuran waktu dinding dan pembacaan sensor diperbaiki. Kata kunci: edge AI, Jetson Orin Nano, deteksi objek waktu nyata, threshold confidence, penghitungan orang.]]>
