Penelitian biomedis, khususnya yang berkaitan dengan pengujian perilaku kecemasan pada tikus menggunakan uji Elevated Plus Maze (EPM) memiliki peran penting dalam pengembangan ilmu pengetahuan dan teknologi kesehatan. Namun, proses pengumpulan data dalam eksperimen ini umumnya dilakukan secara manual, yang memakan waktu dan rentan terhadap bias. Untuk mengatasi hal ini, teknologi computer vision dapat diterapkan dengan menggunakan metode deteksi objek modern, yaitu YOLO (You Only Look Once), Faster R-CNN (Faster Region-Based Convolutional Neural Network), dan RetinaNet untuk mendeteksi pergerakan tikus pada uji EPM. Evaluasi dilakukan dengan membandingkan akurasi dan waktu inferensi dari setiap model. Hasil penelitian menunjukkan bahwa YOLOv8 memberikan keseimbangan terbaik antara akurasi dan kecepatan inferensi, dengan akurasi mencapai 94.44?n kecepatan inferensi mencapai 69 FPS. Keunggulan ini menjadikan YOLOv8 sebagai pilihan utama untuk sistem monitoring real-time yang memerlukan respons cepat dengan tetap mempertahankan performa deteksi yang baik. Di sisi lain, Faster R-CNN dan RetinaNet menunjukkan akurasi yang cukup baik, tetapi keduanya memiliki kelemahan dalam kecepatan inferensi yang lebih rendah sehingga kurang cocok untuk aplikasi sistem real-time.
