Keamanan akses di Pusat Data Universitas Telkom merupakan prioritas utama, namun sistem Closed-Circuit Television (CCTV) konvensional yang digunakan saat ini masih terbatas dalam kemampuan identifikasi dan klasifikasi individu secara otomatis. Penelitian ini bertujuan untuk mengembangkan model deteksi dan klasifikasi berbasis You Only Look Once versi 8 (YOLOv8) guna mengenali objek secara real-time, khususnya person yang diklasifikasikan menjadi dua label, yaitu mahasiswa dan dosen/staff. Model YOLOv8 custom dilatih menggunakan dataset khusus yang terdiri dari 350 gambar dengan total 605 objek beranotasi. Untuk meningkatkan akurasi dan generalisasi model, dilakukan optimisasi hyperparameter menggunakan algoritma Tree-structured Parzen Estimator (TPE) melalui platform Optuna. Sistem yang dikembangkan mengintegrasikan dua model yang berjalan secara paralel: model custom untuk klasifikasi person, dan model YOLOv8 pretrained berbasis dataset COCO untuk mendeteksi objek umum lainnya seperti kendaraan. Implementasi dilakukan pada perangkat edge Raspberry Pi 5 menggunakan input webcam secara langsung. Hasil eksperimen menunjukkan bahwa model hasil HPO mencapai performa optimal dengan Precision 0.902, Recall 0.889, mAP@50 sebesar 0.949, dan mAP@50–95 sebesar 0.676, yang menandakan peningkatan signifikan dalam akurasi deteksi dan kualitas lokalisasi. Seluruh data deteksi dikirim secara otomatis ke sistem pemantauan real-time Intelligent Monitoring Platform (IMRON) untuk visualisasi statistik dan jumlah deteksi per objek. Dengan demikian, sistem ini dapat meningkatkan efisiensi pemantauan akses terbatas dan mendukung kepatuhan terhadap standar keamanan informasi seperti ISO/IEC 20000 dan ISO/IEC 27001.