Pelanggaran peraturan di lingkungan kampus, seperti merokok, makan, dan minum, masih sering dijumpai dan dapat mengganggu aktifitas pembelajaran. Proses pemantauan secara manual memiliki keterbatasan, baik dari sisi waktu maupun sumber daya manusia. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengevaluasi kinerja model deteksi pelanggaran otomatis dengan memanfaatkan algoritma Convolutional Neural Network (CNN). Penelitian ini menggunakan arsitektur ResNet 50 sebagai system klasifikasi untuk membedakan antara perilaku melanggar dan tidak melanggar. Dalam penelitian ini,secara khusus difokuskan untuk mendeteksi tiga jenis pelanggaran tata tertib yang umum terjadi, yaitu merokok, makan, dan minum, menggunakan pendekatan deep learning dengan arsitektur CNN ResNet. Dataset yang digunakan terdiri dari 9.585 gambar aktivitas mahasiswa, yang mencakup kategori merokok, makan, dan minum. Data diperoleh dari dataset publik dan lingkungan PNJ telah melalui proses preprocessing seperti resizing dan augmentasi untuk meningkatkan variasi dan kualitas data. Berdasarkan hasil pengujian, model mencapai akurasi pengujian sebesar 86.67%, precision 85%, recall 92%, dan F1-Score 88% pada data uji pelanggaran merokok, pada data uji minum akurasi pengujian sebesar 83.87%, precision 96%, recall 70%, dan F1- Score 81%, pada data uji makan mendapatkan akurasi pengujian sebesar 92.86%, precision 88%, recall 100%, F1-Score 93%. Hasil ini menunjukkan bahwa kemampuan model memiliki kinerja yang bervariasi tergantung pada jenis pelanggaran yang dideteksi.