Perkembangan teknologi computer vision dalam beberapa tahun terakhir telah mendorong peningkatan kebutuhan terhadap sistem deteksi objek yang cepat dan akurat, khususnya dalam konteks deteksi kendaraan untuk mendukung sistem transportasi cerdas dan pengawasan lalu lintas. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem deteksi mobil menggunakan pendekatan Multibox Object Detection Model berbasis TensorFlow yang mampu bekerja secara real-time dengan tingkat akurasi yang tinggi. Metode yang digunakan adalah pendekatan kuantitatif dengan strategi eksperimen, melalui proses pelatihan dan pengujian model menggunakan dataset citra dan video kendaraan dari sumber terbuka, kemudian dianalisis menggunakan metrik evaluasi seperti precision, recall, F1-score, dan mean Average Precision (mAP). Hasil penelitian menunjukkan bahwa model Multibox Object Detection mampu mendeteksi objek mobil dengan tingkat akurasi yang baik serta performa yang stabil dalam berbagai kondisi lingkungan, termasuk variasi pencahayaan dan kepadatan lalu lintas, dengan kecepatan deteksi yang mendukung implementasi real-time. Temuan ini mengindikasikan bahwa penggunaan model deteksi berbasis deep learning dengan TensorFlow memiliki potensi signifikan dalam meningkatkan efisiensi dan efektivitas sistem deteksi kendaraan, serta dapat diimplementasikan dalam berbagai aplikasi seperti sistem pengawasan lalu lintas, keamanan, dan kendaraan otonom.