Penerapan deep learning saat ini telah merambah ke berbagai bidang, tidak hanya terbatas pada dunia pendidikan yang terfokus bidang komputer itu sendiri, tetapi juga telah mengintegrasikan teknologi di berbagai bidang lain, seperti geospasial, pengindraan jauh bahkan ke dunia medis. Perkembangan ini telah memberikan kontribusi signifikan dalam mengubah cara manusia memahami dan mengatasi tantangan di berbagai sektor. Dalam konteks ini, deep learning digunakan untuk deteksi dan klasifikasi objek. Meskipun penerapan deep learning telah membawa kemajuan besar, deteksi objek masih merupakan tantangan yang belum sepenuhnya terselesaikan. Kendala seperti perbedaan kondisi pencahayaan, sudut pandang, dan variasi objek membuat deteksi objek dengan tingkat keakuratan tinggi menjadi sulit. Oleh karena itu, perlu dilakukan penelitian lebih lanjut untuk memahami dan membandingkan kinerja berbagai model deep learning dalam menangani permasalahan ini. Penelitian ini fokus pada perbandingan dua model deep learning, yaitu Resnet50 dan Xception dalam hal metriks loss saat mendeteksisuatu objek yang dalam hal ini adalah kursi. Model akan di berikan inputan gambar kursi dan akan memprediksi apakah objek kursi tersebut kosong atau berisi (ada yang menempati). Hasil yang di dapatkan dari penelitian ini menunjukkan bahwa model Resnet50 memiliki total nilai loss yang lebih rendah sebesar 0.19422098, sedangkan Xception memiliki total nilai loss sebesar 1.1822930. Semakin rendah nilai loss, semakin baik performa modelnya. Dari hasil perbandingan yang telah dilakukan penulis membuat simulator berupa aplikasi web menggunakan flask menggunakan model dengan nilai loss paling rendah yaitu, yaitu model Resnet50.