Interaksi antara manusia dan monyet di area permukiman dapat menimbulkan kerusakan tanaman dan gangguan aktivitas masyarakat, sehingga diperlukan sistem deteksi dan peringatan dini secara otomatis. Proyek akhir ini bertujuan merancang sistem pendeteksi monyet berbasis image processing menggunakan algoritma YOLOv8n yang diimplementasikan pada Raspberry Pi 5 secara real-time. Dataset yang digunakan berjumlah 5.123 gambar, terdiri atas gambar monyet serta negative samples berupa manusia, kucing, anjing, dan beruang. Dataset dibagi menjadi 3.586 gambar training, 1.025 validation, dan 512 testing. Model dilatih menggunakan Google Colab dengan batch size 16 dan ukuran input 640 × 640 piksel selama 100 dan 150 epoch. Hasil terbaik diperoleh pada 150 epoch dengan precision 0,93, recall 0,89, F1-score 0,91, mAP50 0,93, dan mAP50-95 0,65. Model best.pt kemudian diimplementasikan pada Raspberry Pi 5 menggunakan Python dan OpenCV untuk melakukan deteksi secara real-time serta mengaktifkan alarm ketika monyet terdeteksi. Pengujian pada kondisi pencahayaan berbeda menunjukkan bahwa performa deteksi dipengaruhi oleh intensitas cahaya dan jarak objek. Pengujian menggunakan 30 gambar baru di luar dataset, yang terdiri dari 20 gambar monyet dan 10 gambar non-monyet, menghasilkan 13 True Positive, 10 True Negative, 0 False Positive, dan 7 False Negative. Berdasarkan hasil tersebut diperoleh accuracy 76,67%, precision 100%, recall 65%, dan F1-score 78,79%. Hasil pengujian menunjukkan bahwa sistem mampu melakukan deteksi monyet secara real-time dan membedakan objek monyet dengan objek selain monyet, meskipun performanya masih dipengaruhi oleh kondisi pencahayaan, jarak, serta karakteristik objek yang diuji