<![CDATA[Penggunaan Unmanned Aerial Vehicle (UAV) dapat membantu proses identifikasi dalam manajemen keadaan darurat dengan cara pengambilan foto udara untuk dilakukannya deteksi keadaan darurat. Salah satu metode yang banyak digunakan dalam deteksi objek pada citra udara adalah deep learning, salah satunya RetinaNet karena kemampuannya dalam mendeteksi objek berskala kecil dan menangani ketidakseimbangan kelas melalui focal loss. Namun, ketidakseimbangan jumlah data antar kelas masih dapat memengaruhi performa model. Penelitian ini bertujuan untuk menganalisis pengaruh teknik upsampling dan downsampling terhadap performa RetinaNet dengan backbone ResNet-50 dan ResNet-101 pada dataset Aerial Image Dataset for Emergency Response (AIDER). Dataset terdiri atas empat kelas, yaitu bangunan runtuh, banjir, kebakaran, dan kecelakaan lalu lintas. Teknik upsampling dilakukan dengan menambahkan data pada kelas minoritas menggunakan augmentasi, sedangkan downsampling dilakukan dengan mengurangi jumlah data pada kelas mayoritas. Evaluasi dilakukan menggunakan Average Precision (AP) dan mean Average Precision (mAP). Hasil penelitian menunjukkan bahwa penggunaan upsampling menghasilkan performa terbaik dibandingkan data asli maupun downsampling. Nilai mAP tertinggi diperoleh pada RetinaNet dengan backbone ResNet-101 dan teknik upsampling sebesar 0,855193, sedangkan nilai terendah diperoleh pada ResNet-101 dengan downsampling sebesar 0,791151. Hasil tersebut menunjukkan bahwa upsampling mampu meningkatkan kemampuan model dalam mengenali karakteristik objek tanpa mengurangi jumlah data pelatihan, sementara downsampling cenderung menurunkan performa akibat berkurangnya variasi data yang tersedia selama proses pelatihan.]]>
