Latar belakang: Deteksi area banjir dari citra Unmanned Aerial Vehicle (UAV) menghadapi tantangan class imbalance, batas genangan yang tidak beraturan, dan biaya kesalahan yang asimetris antara false negative dan false positive. Pada situasi bencana, kegagalan mendeteksi area tergenang (false negative) berisiko jauh lebih fatal dibandingkan alarm palsu (false positive). Namun, model yang secara sistematis memprioritaskan recall sekaligus terbukti stabil secara berulang masih jarang dieksplorasi. Tujuan: Penelitian ini mengusulkan pendekatan segmentasi semantik biner yang memadukan arsitektur Attention U-Net, backbone ResNet50 pra-latih, dan perhitungan Focal Tversky Loss (α = 0,3; β = 0,7; γ = 1,33) untuk menekan angka kegagalan deteksi. Metode: Metode ini divalidasi pada Flood Semantic Segmentation Dataset (FSSD) melalui evaluasi berulang tiga kali (multi-seed) dan uji statistik studi ablasi 2x2. Hasil: Hasilnya membuktikan kinerja yang tinggi dan stabil dengan F1-score 95,91%, IoU 93,67%, serta recall 97,09% yang konsisten melampaui presisi sebesar 95,36%, dengan simpangan baku F1-score maupun IoU yang sangat kecil yaitu 0,17%. Studi ablasi menegaskan bahwa Focal Tversky Loss (FTL) merupakan penggerak utama tingginya recall. Kesimpulan: Metode usulan terbukti stabil dan dapat direproduksi pada berbagai proses pelatihan. Penelitian ini berkontribusi pada pengembangan kerangka segmentasi berorientasi recall yang divalidasi secara ketat—mengintegrasikan studi ablasi 2×2, evaluasi multi-seed, dan pengujian statistik—sehingga cocok untuk sistem peringatan bencana yang tidak mentoleransi kegagalan deteksi (false negative).