<![CDATA[Di era digital saat ini, teknologi telah menjadi bagian tak terpisahkan dari kehidupan sehari-hari, mendorong kebutuhan untuk pemantauan dan penghitungan objek yang efisien dan akurat, khususnya manusia. Meskipun berbagai metode deteksi objek telah berkembang, masih ada tantangan signifikan dalam mengelola dan memantau jumlah pengunjung secara otomatis dalam lingkungan publik dengan akurasi tinggi, terutama dalam kondisi real-time dan berbagai skenario kompleks. Penelitian ini memanfaatkan metode YOLOv8 berbasis arsitektur Convolutional Neural Network (CNN) untuk merancang dan mengimplementasikan sistem deteksi serta penghitungan objek manusia. Tujuan dari penelitian ini adalah untuk mengatasi gap dalam teknologi deteksi objek yang ada dengan meningkatkan efisiensi dan akurasi pemantauan ruang publik melalui penghitungan otomatis jumlah pengunjung. Studi kasus dilakukan di STMIK Multicom menggunakan dataset Common Objects in Context dan video yang diambil menggunakan ponsel di lingkungan kampus untuk evaluasi kinerja sistem. YOLOv8 memungkinkan deteksi objek secara real-time dengan akurasi tinggi, menjadikan tugas yang sebelumnya bergantung pada upaya manual lebih efisien dan akurat. Hasil evaluasi menunjukkan tingkat akurasi sebesar 85%, yang menandakan kemampuan sistem dalam mendeteksi dan menghitung objek manusia secara efektif, meskipun masih menghadapi tantangan pada skenario dengan jarak dekat atau objek yang besar. Penelitian ini berkontribusi pada kemajuan sistem otomatis untuk deteksi dan penghitungan objek, mengisi kekurangan dalam teknologi yang ada, dan menawarkan solusi efektif untuk pengelolaan dan pemantauan destinasi pengunjung.]]>
