<![CDATA[Keamanan bandara sangat bergantung pada pemeriksaan bagasi menggunakan pemindai X-ray. Namun, faktor kelelahan petugas dan tumpang tindih barang (occlusion) memunculkan risiko human error. Penelitian ini bertujuan mengimplementasikan model deteksi objek otomatis menggunakan arsitektur RetinaNet dengan tulang punggung (backbone) Resnet50 berbasis Convolutional Neural Network (CNN) untuk mengidentifikasi objek berbahaya berupa Senjata Api, Pisau, Tang, Gunting, dan Kunci Inggris pada citra X-ray koper. Dataset yang digunakan adalah kumpulan citra publik SIXray sebanyak 8.295 citra. Pelatihan model menerapkan strategi two-stage training (pembekuan backbone dan fine tuning) serta memanfaatkan Focal Loss untuk mengatasi ketidakseimbangan kelas. Hasil prediksi kemudian disaring menggunakan algoritma Non-Maximum Suppression (NMS). Hasil pengujian menunjukkan model mencapai nilai Mean Average Precision (map) sebesar 43,71% pada IoU 50%, dengan map keseluruhan 23,37% dan Recall keseluruhan 32,07%. Model mendeteksi objek besar secara optimal dengan Recall 38,27%, namun masih kesulitan pada objek berukuran kecil akibat oklusi ekstrem dengan nilai Recall 1,43%. Secara kualitatif, model berhasil mengenali pola ancaman, meski masih memunculkan tumpang tindih bounding box dan beberapa false positive pada latar belakang. Kesimpulannya, model Resnet50-RetinaNet memiliki potensi sebagai sistem pendamping otomatis di bandara, namun memerlukan penambahan sampel latar belakang dan penyesuaian parameter NMS lebih ketat untuk meningkatkan presisi.]]>
