Keamanan laci kasir adalah aspek terpenting yang harus diperhatikan karena kelalaian kasir sering terjadi seperti lupa mengunci laci kasir, kehilangan kunci dan pembobolan laci kasir. Hal ini terjadi karena kurangnya pengawasan dan laci masih menggunakan kunci konvensional. Oleh karena itu, penelitian ini mengusulkan implementasi algoritma YOLO (you only look once) pada rancangan prototype sistem keamanan laci kasir. Metode yang digunakan dalam penelitian ini adalah Metode pengembangan prototype. Penelitian ini menggunakan algoritma YOLO untuk mendeteksi objek yang ada di depan laci kasir. Pendeteksian objek ini dilakukan secara real-time menggunakan ESP32 cam melalui sambungan jaringan WiFi. Hasil deteksi objek manusia akan dikirim ke telegram bot. Dalam proses pengembangan sistem, peneliti melakukan
pengujian black box untuk menguji sistem secara keseluruhan agar peneliti dapat memastikan semua komponen dan algoritma YOLO bekerja sesuai dengan skenario yang dirancang. Hasil pengujian dengan menggunakan algoritma YOLO menghasilkan nilai akurasi tertinggi pada pengujian 90:10. Hasil akurasi ini menggunakan warna RGB dengan nilai presicion sebesar 0.8776, nilai recall sebesar 0.9149 dan nilai F1
score sebesar 0.8958 atau 89.58%. Hal ini menunjukkan hasil deteksi objek pada penelitian ini memiliki performa yang baik dan dapat dijadikan acuan penelitian selanjutnya dalam melakukan pendeteksian objek.
The security of cashier drawers is a crucial aspect that must be considered, as cashier negligence often occurs—such as forgetting to lock the drawer, losing the key, or drawer break-ins. These issues arise due to a lack of supervision and the continued use of conventional locks. Therefore, this study proposes the implementation of the YOLO (You Only Look Once) algorithm in the design of a prototype cashier drawer security system. The research uses the prototype development method. The YOLO algorithm is employed to detect objects in front of the cashier drawer. Object detection is performed in real-time using the ESP32-CAM over a WiFi connection. Human object detection results are sent to a Telegram bot. During system development, black box testing was conducted to evaluate the overall system functionality and ensure that all components and the YOLO algorithm function as intended. The testing results showed the highest accuracy in the 90:10 testing scenario. Using RGB color input, the detection yielded a precision value of 0.8776, a recall value of 0.9149, and an F1 score of 0.8958 or 89.58%. These results indicate that the object detection system in this study performs well and can serve as a reference for future research on object detection.