Pengembangan sistem deteksi objek berbasis YOLOv8 menjadi salah satu inovasi dalam bidang teknologi pengolahan citra. Dataset yang digunakan mencakup 3122 gambar jamur yang terbagi ke dalam tiga kelas, yaitu bisa dimakan (edible), tidak bisa dimakan (inedible), dan beracun (poisonous). Penelitian ini bertujuan untuk mengembangkan sistem deteksi jamur beracun berbasis YOLOv8 melalui fine-tuning model menggunakan metode One Factor At a Time (OFAT). Sistem yang dibuat akan dioptimalkan melalui pendekatan fine-tuning menggunakan metode OFAT untuk menentukan konfigurasi hyperparameter dengan nilai yang paling sesuai. Model YOLOv8 yang telah di fine-tuning diuji menggunakan metrik evaluasi seperti akurasi, presisi, recall, F1-score, dan mAP (Mean Average Precision). Hasil penelitian menunjukkan bahwa pendekatan fine-tuning mampu meningkatkan performa model secara signifikan dibandingkan model pre-trained dengan rata-rata kenaikan setiap metrik adalah 4% dibandingkan model pre-trained, dengan peningkatan terbesar mAP pada threshold 0.50 sebesar 4,6%.
Kata Kunci: jamur, deteksi objek, YOLOv8, OFAT, fine-tuning