Serangan hama merupakan salah satu faktor yang dapat menurunkan produktivitas tanaman bayam hidroponik. Proses pemantauan hama yang masih dilakukan secara manual memiliki keterbatasan dalam mendeteksi hama berukuran kecil secara cepat dan konsisten. Penelitian ini bertujuan mengimplementasikan sistem deteksi multi-hama berbasis YOLOv8n pada Raspberry Pi 4 untuk mendeteksi whitefly (Bemisia tabaci) dan winged aphid (Aphididae) secara real-time. Sistem diintegrasikan dengan mekanisme gantry berbasis ESP8266 untuk melakukan akuisisi citra secara otomatis, sedangkan model dikonversi ke format NCNN agar proses inferensi lebih efisien pada prosesor ARM. Dataset yang digunakan terdiri dari 3.041 citra dengan pembagian 70% data pelatihan, 20% data validasi, dan 10% data pengujian, serta dilakukan augmentasi untuk meningkatkan kemampuan generalisasi model. Hasil pelatihan menunjukkan bahwa model YOLOv8n dengan resolusi masukan 640 × 640 piksel memperoleh nilai mAP@50 sebesar 0,967, sedangkan konfigurasi 320 × 320 piksel menghasilkan waktu inferensi GPU tercepat sebesar 0,8 ms dengan penurunan akurasi yang relatif kecil. Pada pengujian lapangan, model YOLOv8n resolusi 640 × 640 dan 416 × 416 memperoleh nilai Precision, Recall, dan F1-Score sebesar 100%, sedangkan konfigurasi 320 × 320 menghasilkan Precision 97,32%, Recall 100%, dan F1-Score 98,96%. Pengujian pada Raspberry Pi 4 menunjukkan bahwa konfigurasi YOLOv8n 320 × 320 mampu mencapai latensi rata-rata 0,200 detik, kecepatan 4,41 FPS, penggunaan CPU 75,44%, RAM 19,85%, dan suhu prosesor 47,01°C. Hasil tersebut menunjukkan bahwa optimasi menggunakan NCNN memungkinkan implementasi sistem deteksi hama secara efisien pada perangkat edge tanpa memerlukan akselerator eksternal.