Laboratorium merupakan fasilitas penting dalam mendukung proses pembelajaran praktikum. Namun, masih sering ditemukan pelanggaran perilaku seperti makan, tidur, dan bermain game HP selama sesi praktikum berlangsung. Hal ini dapat mengganggu lingkungan belajar dan menurunkan produktivitas mahasiswa. Untuk mengatasi permasalahan ini, diperlukan sistem pemantauan perilaku yang efektif dan berjalan secara real-time. Penelitian ini mengimplementasikan algoritma YOLOv8, yaitu metode deteksi objek berbasis Convolutional Neural Network (CNN), untuk mengidentifikasi aktivitas pelanggaran di dalam ruangan secara langsung. Tiga varian model YOLOv8s, YOLOv8m, dan YOLOv8l digunakan untuk mengevaluasi performa berdasarkan akurasi, precision, recall, dan kecepatan deteksi. Hasil eksperimen menunjukkan bahwa YOLOv8m memberikan kinerja paling stabil dan seimbang, terutama pada pengujian video unggahan, dengan nilai precision, recall, dan F1-score tinggi, serta akurasi mencapai 83,33%. Sementara itu, YOLOv8s menunjukkan keunggulan pada pengujian video streaming, dengan F1-score tertinggi sebesar 0,9091, yang menjadikannya pilihan optimal untuk deteksi real-time. Evaluasi dari lima responden menunjukkan bahwa sistem ini mudah digunakan, akurat, dan layak diterapkan secara nyata, serta memberikan beberapa masukan pengembangan untuk tahap selanjutnya. Secara umum, pendekatan berbasis YOLOv8 terbukti mampu mendeteksi pelanggaran peraturan di lingkungan laboratorium dengan akurasi, efisiensi, dan keandalan yang kompetitif, serta mendapatkan respon positif dari pengguna akhir yang relevan dalam konteks implementasi sistem.