Deteksi objek menjadi sangat populer pada beberapa tahun terakhir, salah satunya adalah deteksi objek pada Unmanned Aerial Vehicle (UAV) atau drone. Contoh
pengaplikasian dari deteksi objek pada drone adalah pemetaan udara, dan inspeksi infrastruktur. Namun, pengaplikasian deteksi objek pada drone memiliki beberapa
tantangan yaitu adanya noise, pengaburan, resolusi yang rendah, dan ukuran target deteksi yang cukup kecil. Hal lain yang menjadi penghambat dalam deteksi objek
adalah ketidakseimbangan himpunan data. Permasalahan tersebut akan mempengaruhi hasil dari kinerja model jika tidak diatasi dengan baik.
Dalam Tugas Akhir ini, dilakukan modifikasi hyperparameter yang terdapat pada focal loss untuk mengatasi ketidakseimbangan himpunan data. Arsitektur jaringan
yang digunakan untuk deteksi objek adalah CenterNet dengan Deep Layer Aggregation sebagai backbone. Parameter kinerja yang diukur pada penelitian Tugas
Akhir ini adalah mean Average Precision.
Hasil dari penelitian menunjukkan bahwa dengan memodifikasi hyperparameter pada focal loss dapat meningkatkan kinerja model. Nilai mAP tertinggi didapatkan sebesar 23,1% dengan menggunakan augmentasi flip pada saat pengujian data. Jika tidak menggunakan augmentasi flip, nilai mAP yang didapatkan lebih rendah sebesar 22,4%. Arsitektur jaringan CenterNet yang telah dimodifikasi juga dibandingkan dengan beberapa arsitektur lainnya yang dilatih menggunakan dataset VisDrone-2019.
Kata Kunci : Deteksi objek, Unmanned Aerial Vehicle, CenterNet, Deep Layer Aggregation, class imbalance, focal loss.