Indonesia merupakan negara maritim dengan potensi besar di sektor perikanan, termasuk produksi dan ekspor tuna. Namun, identifikasi spesies tuna secara manual masih menghadapi tantangan seperti keterbatasan waktu dan potensi kesalahan manusia. Penelitian ini bertujuan untuk mengimplementasikan algoritma YOLOv8 dengan metode instance segmentation dalam mendeteksi dan mengidentifikasi empat spesies tuna, yaitu albacore, bigeye, skipjack, dan yellowfin. Model dilatih dengan berbagai konfigurasi parameter seperti epoch, batch size, learning rate, dan optimizer. Evaluasi dilakukan menggunakan metrik mAP@0.5, mAP@0.5:0.95, precision, recall, dan F1-score. Dari 16 skenario pelatihan, skenario terbaik menghasilkan mAP@0.5 sebesar 0.902, mAP@0.5:0.95 sebesar 0.752, precision 0.833, recall 0.865, dan F1-score 0.849. Model juga mencapai akurasi deteksi 92,5% pada data uji (37 dari 40 gambar terdeteksi benar). Meskipun pelatihan dilakukan dengan jumlah epoch terbatas karena keterbatasan sumber daya komputasi, model tetap menunjukkan performa yang baik. Hasil ini menunjukkan bahwa YOLOv8 instance segmentation berpotensi digunakan sebagai sistem pendukung identifikasi spesies tuna secara otomatis untuk penelitian maupun aplikasi praktis di sektor perikanan. Kata kunci: YOLOv8, instance Segmentation, tuna, deteksi dan identifikasi spesies, deep learning