Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis yang mampu mengenali ekspresi wajah, gender, dan nama siswa Sekolah Dasar (SD) dalam konteks pembelajaran menggunakan metode You Only Look Once versi 8 (YOLOv8). Fokus utama penelitian ini adalah pada tujuh jenis ekspresi wajah, yaitu kegembiraan, kekecewaan, ketertarikan, kebosanan, kenikmatan, kesedihan, dan rasa malu, serta identifikasi gender dan nama siswa melalui citra wajah.Model YOLOv8 diimplementasikan untuk melakukan deteksi secara real-time dan dari dataset gambar. Dataset ekspresi wajah terdiri dari 4.893 gambar untuk pelatihan, 1.684 untuk validasi, dan 1.052 untuk pengujian. Sementara itu, dataset gender berjumlah 3.452 gambar pelatihan, 3.186 validasi, dan 133 pengujian. Untuk deteksi nama, digunakan data wajah dari 4 siswa dengan distribusi data yang seimbang. Hasil pelatihan menunjukkan akurasi 100% untuk deteksi ekspresi dan gender, serta rata-rata mAP50 sebesar 89,9% dan mAP50-95 sebesar 64,5% untuk deteksi nama. Berdasarkan hasil tersebut, disarankan untuk menambah jumlah data terutama pada kelas ekspresi dan identitas yang masih memiliki akurasi rendah. Pengujian di lingkungan belajar nyata dengan variasi kondisi pencahayaan dan sudut wajah juga perlu dilakukan

This study aims to develop an automated detection system capable of recognizing facial expressions, gender, and student names at the elementary school (SD) level within a learning environment using the You Only Look Once version 8 (YOLOv8) method. The research focuses on seven primary facial expressions observed during the learning process: joy, disappointment, interest, boredom, enjoyment, sadness, and embarrassment. Additionally, the system is designed to detect gender and identify student names based on facial images.The YOLOv8 model is implemented for both real-time and dataset-based detection. The facial expression dataset consists of 4,893 images for training, 1,684 for validation, and 1,052 for testing. The gender detection dataset includes 3,452 training images, 3,186 validation images, and 133 testing images. For name recognition, the dataset comprises facial images from four students, evenly distributed between training and testing. The model achieved 100% training and validation accuracy for both expression and gender detection, while name detection yielded an average mAP50 of 89.9% and mAP50-95 of 64.5%. Based on these results, it is recommended to increase the number of samples, particularly for expressions and identities with lower detection performance. Further testing in real classroom conditions with varied lighting and facial angles is also suggested.