<![CDATA[Deteksi objek merupakan salah satu komponen kunci dalam sistem visi komputer yang banyak digunakan pada berbagai aplikasi seperti pengawasan, otomasi, dan sistem berbasis Internet of Things (IoT). Namun, penerapan algoritma deteksi berbasis deep learning umumnya memerlukan sumber daya komputasi tinggi yang tidak sesuai untuk perangkat berbiaya rendah seperti ESP32-CAM. Penelitian ini bertujuan untuk menganalisis kinerja ESP32-CAM dalam mendeteksi objek menggunakan algoritma YOLOv3, serta mengkaji pengaruh berbagai kondisi lingkungan terhadap hasil deteksi. Studi ini menggunakan pendekatan eksperimental dengan lima skenario pengujian yang mencakup variabel pencahayaan (siang dan malam), gerakan kamera (bergerak dan tidak bergerak), resolusi gambar (800×600 dan 1280×1024 piksel), serta ukuran objek (kecil, sedang, dan besar). Evaluasi dilakukan dengan mengukur tingkat akurasi deteksi, waktu pemrosesan per frame, serta kejernihan citra pada masing-masing skenario. Hasil pengujian menunjukkan bahwa ESP32-CAM mampu mendeteksi objek dengan akurasi tertinggi sebesar 73% pada kondisi siang hari dengan pencahayaan optimal dan kamera statis. Akurasi menurun secara signifikan dalam kondisi gelap, saat kamera bergerak, serta ketika objek berukuran kecil. Penelitian ini menegaskan bahwa keberhasilan deteksi sangat dipengaruhi oleh pengaturan lingkungan dan karakteristik objek. Meskipun ESP32-CAM memiliki keterbatasan dalam daya komputasi dan memori, hasil penelitian ini membuktikan bahwa perangkat ini tetap layak digunakan untuk sistem deteksi objek sederhana dalam lingkungan terkendali. Penelitian ini memberikan kontribusi praktis dalam pengembangan sistem deteksi visual berbasis perangkat ringan, dan menawarkan rekomendasi teknis untuk meningkatkan performa melalui pengaturan lingkungan dan pemilihan parameter yang tepat.]]>
