Penerapan pengaturan kawasan tanpa rokok di lingkungan kampus menghadapi tantangan dalam hal pengawasan dan penegakan. Penelitian ini bertujuan untuk membandingkan performa dua algoritma deteksi objek berbasis deep learning, yaitu Faster R-CNN dan Single Shot Detector (SSD), dalam mendeteksi aktivitas merokok di area kampus Universitas Islam Sultan Agung (UNISSULA). Dataset yang digunakan terdiri dari 1935 gambar beranotasi aktivitas merokok yang diperoleh dari Roboflow, dengan pembagian data 85% pelatihan dan 15% validasi. Model dilatih menggunakan Google Colab dan diuji berdasarkan metrik evaluasi seperti accuracy, precision, recall, dan f1- score. Hasil mengetahui bahwa Faster R-CNN mempunyai performa yang lebih unggul dengan nilai evaluasi terbaik mencapai 100% pada threshold 0.5, sedangkan SSD menunjukkan performa yang lebih rendah dengan akurasi maksimal sebesar 42,5% pada threshold yang sama. Temuan ini menyimpulkan bahwa Faster R-CNN lebih cocok untuk digunakan dalam sistem pendeteksian aktivitas merokok di lingkungan kampus dibandingkan SSD, terutama dalam konteks akurasi dan konsistensi deteksi.

Kata Kunci: Deteksi Merokok, Faster R-CNN, Single Shot Detector, Computer Vision, Deep Learning, Kampus Bebas Rokok