Sistem parkir di kampus sering menimbulkan permasalahan karena masih dikelola secara manual. Proses ini tidak hanya kurang efisien, tetapi juga rawan kesalahan pencatatan serta keterlambatan dalam penyampaian informasi. Kondisi tersebut membuat pengendalian area parkir menjadi sulit, terutama ketika jumlah kendaraan meningkat. Penelitian ini mengimplementasikan algoritma YOLOv8, salah satu metode Deep Learning yang banyak digunakan dalam deteksi objek. Tujuan penelitian adalah membangun sistem yang mampu mendeteksi dan mengklasifikasikan kendaraan secara otomatis, cepat, dan akurat di area parkir kampus, sehingga dapat mendukung pengelolaan parkir yang lebih efisien. Dataset yang digunakan dalam penelitian ini terdiri dari 1.724 data gambar kendaraan, yang dibagi menjadi data split-nya1.207 data training (70%), 345 data validation (20%), dan 172 data testing (10%). Model menghasilkan akurasi performa yang sangat baik untuk kelas mobil dengan nilai precision 95.6%, recall 96.4%, F1-score 95.9%, dan accuracy 98.9%. Untuk kelas Motor, diperoleh precision 95.2%, recall 98.4%, F1-score 96.6%, dan accuracy 94.6%. Ini menunjukkan bahwa model memiliki kemampuan yang seimbang antara ketelitian dalam mengenali kendaraan yang ada. Implementasi algoritma YOLOv8 ini terbukti sangat efektif dan menunjukkan tingkat keandalan yang tinggi dan menjadi solusi praktis secara signifikan meningkatkan efisiensi dan akurasi dalam manajemen area parkir.

The parking system on campus often causes problems because it is still managed manually. This process is not only inefficient, but also prone to recording errors and delays in delivering information. These conditions make it difficult to control the parking area, especially when the number of vehicles increases. This study implements the YOLOv8 algorithm, one of the Deep Learning methods widely used in object detection. The purpose of this study is to develop a system capable of automatically detecting and classifying vehicles quickly and accurately in campus parking areas, thereby supporting more efficient parking management. The dataset used in this study consists of 1,724 vehicle image data, which are divided into 1,207 training data (70%), 345 validation data (20%), and 172 testing data (10%). The model produced excellent performance accuracy for the car class with a precision value of 95.6%, recall of 96.4%, F1-score of 95.9%, and accuracy of 98.9%. For the motorcycle class, the precision was 95.2%, recall was 98.4%, F1-score was 96.6%, and accuracy was 94.6%. This shows that the model has a balanced ability to accurately recognize existing vehicles. The implementation of the YOLOv8 algorithm has proven to be very effective and shows a high level of reliability, becoming a practical solution that significantly improves efficiency and accuracy in parking area management.