Deteksi bangunan secara otomatis dari citra udara sangat penting di wilayah yang berkembang cepat. Deteksi bangunan dapat membantu dalam analisis wilayah kota, pendeteksian bangunan ilegal, estimasi populasi, dan lain sebagainya. U-Net merupakan salah satu arsitketur jaringan saraf konvolusional yang biasa digunakan untuk mendeteksi bangunan pada citra satelit. Namun, karena U-Net memiliki lapisan yang cukup banyak membuatnya rentan mengalami vanishing gradient dan berdampak buruk pada model. Vanishing gradient terjadi ketika gradien yang dihitung saat pelatihan menjadi sangat kecil ketika merambat melalui lapisan yang banyak. Ini membuat pembaruan bobot pada lapisan awal jaringan menjadi sangat kecil sehingga dapat mengurangi akurasi model deep learning. Dalam penelitian ini digunakan blok residual pada arsitektur U-Net untuk mengatasi masalah vanishing gradient sehingga menghasilkan model yang lebih akurat untuk mendeteksi bangunan dari citra satelit. Hasil pelatihan dan pengujian membuktikan bahwa model dengan arsitektur Residual U-Net mampu memperoleh hasil yang lebih baik dengan lebih efisien dibandingkan dengan model dengan arsitektur U-Net.
