YOLOv8, sebuah algoritma visi komputer yang dikenal karena kemampuan deteksi objeknya yang luar biasa, telah menjadi alat penting dalam berbagai teknologi otomatisasi. Dengan integrasi lapisan konvolusi baru dan pengenalan augmentasi mosaik, YOLOv8 dirancang untuk memberikan prediksi objek yang presisi dan ekstraksi fitur yang unggul, menjadikannya solusi yang kuat untuk berbagai tugas deteksi objek. Namun, meskipun mengalami kemajuan, tantangan tetap ada dalam skenario tertentu, terutama dalam kondisi pencahayaan rendah. Kondisi ini sering menyebabkan ketidakakuratan deteksi, sehingga meningkatkan kemungkinan kesalahan inferensi serta potensi kerugian finansial atau operasional saat diterapkan di sektor ritel dan industri lainnya. Penelitian ini mengeksplorasi kinerja YOLOv8 dalam skenario tersebut dan mengusulkan perbaikan melalui modifikasi arsitektur dengan memperkenalkan GhostConv. Selain itu, penggunaan EnlightenGAN juga diteliti untuk meningkatkan kemampuan deteksi dalam kondisi pencahayaan rendah. Hasil penelitian menunjukkan bahwa pendekatan ini secara efektif mengatasi keterbatasan YOLOv8 dalam kondisi pencahayaan rendah, dengan peningkatan kinerja yang signifikan serta keandalan yang lebih baik secara keseluruhan. Dengan demikian, penelitian ini berkontribusi pada peningkatan keandalan YOLOv8 dalam skenario yang menantang, membuka peluang untuk aplikasi yang lebih luas dan lebih akurat dalam tugas otomatisasi di dunia nyata. Penelitian ini menekankan pentingnya solusi yang adaptif, inovatif, dan efisien untuk meningkatkan efektivitas YOLOv8 di bawah berbagai kendala operasional.