Deteksi bangunan otomatis merupakan salah satu topik permasalahan di bidang computer vision yang menarik untuk diteliti. Seiring dengan perkembangan komputasi dan ketersediaan data, sudah banyak metode convolutional neural network (CNN) yang diajukan untuk masalah ini. Metode-metode yang sudah diajukan memberikan kinerja yang kian membaik. Namun, metode CNN sebelumnya cenderung mempunyai jumlah parameter yang besar. Hal tersebut membuat tingkat efisiensi memori pada model menjadi relatif rendah, karena biaya komputasi yang mahal. Padahal, perkembangan CNN tidak hanya berupaya untuk meningkatkan kinerja saja, tetapi juga berupaya untuk meningkatkan efisiensi memori model CNN. Berdasarkan permasalah tersebut, diajukanlah Improved MobileU-Net untuk deteksi bangunan otomatis dengan jumlah parameter yang lebih kecil. Metode yang diajukan berbasis pada arsitektur U-Net dengan melakukan modifikasi pada block penyusunnya dengan improved sandglass block. Improved sandglass block merupakan residual block dengan parameter kecil, serta susunan convolution layer tertentu untuk meningkatkan kinerjanya. Improved MobileU-Net dilatih dan diuji menggunakan Massachusetts Building Datasets. Metode yang diajukan memberikan kinerja yang cukup baik dengan F1-Score dan Intersection-over-Union secara berturut turut sebesar 85,50% dan 74,72%. Hasil tersebut lebih baik jika dibandingkan dengan BRRNet dengan F1-Score dan IoU secara berturut-turut seebesar 85,36% dan 74,47%, tetapi jumlah parameter Improved Mobile U-Net dua setengah kali lebih kecil.