Pemahaman karakteristik pengunjung secara real-time merupakan faktor krusial di berbagai sektor, namun metode pengumpulan data yang ada seringkali manual dan tidak efisien. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan mengevaluasi sebuah sistem otomatis untuk analisis pengunjung berdasarkan jenis kelamin dan usia dengan memanfaatkan infrastruktur CCTV. Sistem ini dibangun menggunakan pipeline deep learning dua tahap yang mengintegrasikan algoritma YOLOv11 untuk deteksi dan arsitektur MobileNetV3 untuk klasifikasi. Tahap pertama, YOLOv11 digunakan untuk mendeteksi pengunjung dan wajah dari input video. Tahap kedua, citra wajah yang telah diekstraksi diproses oleh model MobileNetV3 Small yang telah di-fine-tune pada dataset FairFace untuk melakukan klasifikasi jenis kelamin dan estimasi kelompok usia secara simultan. Evaluasi model individual menunjukkan performa solid, di mana model deteksi wajah YOLOv11n-face mencapai mAP@50-95 sebesar 0,55, dan model klasifikasi MobileNetV3 mencapai akurasi 86,6% untuk jenis kelamin dan 55,80% untuk usia. Pengujian sistem terintegrasi secara end-to-end pada perangkat dengan sumber daya komputasi terbatas menunjukkan bahwa sistem mampu beroperasi dengan kecepatan rata-rata ~6,50 FPS. Dalam pengujian komparatif, kombinasi YOLOv11 dan MobileNetV3 terbukti lebih unggul dari arsitektur lain seperti YOLOv8, ShuffleNetV2 dan EfficientNetLiteB0. Sistem memiliki tingkat kesalahan penghitungan sebesar 9,52%, yang seluruhnya disebabkan oleh undercounting akibat oklusi objek. Hasil penelitian ini berhasil mendemonstrasikan kelayakan dan efektivitas kombinasi YOLOv11 dan MobileNetV3 untuk membangun sistem analisis demografi pengunjung yang efisien dan berjalan secara real-tim