Peningkatan kendaraan setiap tahunnya membuat sistem pendeteksian banyak plat nomor kendaraan perlu dikembangkan. Pendeteksian plat nomor kendaraan mampu memiliki peran penting dalam berbagai hal seperti sistem parkir, pengawasan lalu lintas, dan keamanan. Dalam beberapa tahun terakhir, penggunaan deep learning telah menjadi solusi utama dalam menangani masalah dalam bidang computer vision. Pada penelitian ini, dibandingkan model Faster R-CNN dan YOLOv5 dalam mendeteksi banyak plat nomor kendaraan. Dataset yang digunakan berupa citra banyak plat nomor kendaraan dari berbagai negara yang didapatkan dari situs Roboflow dan telah dianotasi secara manual. Data citra yang digunakan berjumlah 1.595 citra. Dataset ini kemudian dilakukan proses preprocessing dimana ukuran citra diubah menjadi 640x640. Proses augmentasi berupa crop, flip dan rotation dilakukan untuk memperbanyak variasi data dan untuk memperkuat model dalam mendeteksi plat. Pengujian dilakukan terhadap nilai epoch dan batch size untuk mengetahui average precision (AP) dan response time terbaik dari masing-masing model. Berdasarkan pengujian yang dilakukan, didapatkan bahwa model YOLOv5 memiliki performa yang lebih baik dibandingkan dengan model Faster R-CNN dengan nilai average precision sebesar 97.5% dengan response time terbaik sebesar 8.5ms.