Bencana adalah sesuatu yang dapat terjadi tanpa dapat diprediksi kejadiannya, bencana biasanya dikaitkan dengan insiden yang disebabkan oleh manusia atau alam, bencana tersebut menyebabkan kerugian dan banyaknya korban jiwa. Proses pencarian korban dalam waktu yang singkat diperlukan untuk mengetahui posisi dari korban, fokus pada penelitian ini akan menunjukkan penggunaan deep learning khususnya pada convolutional neural network (CNN) diterapkan pada sebuah embedded platform, dimana arsitektur deep learning yang digunakan menggunakan model yang ringkas dan memiliki latency yang rendah, karena akan sangat cocok diterapkan pada device yang memiliki komputasi rendah khususnya pada embedded mobile platform. Penelitian tentang deep learning memanfaatkan data ribuan gambar manusia untuk dipelajari disebut dataset atau datatrain, untuk aplikasi pada embedded platform ini menggunakan dataset dari INRIA, PASCAL VOC 2007, 2008 kategori manusia, Freiburg Victim’s Dataset, hasil dari kombinasi dataset ini akan melewati proses augmentasi, yang artinya dalam satu gambar dapat memuat puluhan kombinasi unik gambar itu sendiri, seperti diputar (rotating), digeser (shifting), diperkecil atau diperbesar (scaling), dan proses filtering (gaussian blurring, noising, normalizing), gambar tersebut akan menjadi feed untuk arsitektur CNN MobileNet untuk menentukan object proposal keberadaan korban, proses deep learning lebih akurat akan dilakukan pada server yang berkomputasi tinggi, object proposal dari embeddded platform menjadi input untuk dilakukan verifikasi kebenaran adanya korban, secara khusus arsitektur pada server menggunakan CNN Resnet yang cenderung lebih presisi dan akurat. Proses learning pada masing masing model untuk MobileNet dengan 4.000 gambar augmentasi proses iterasi mencapai 1,5 juta step dalam waktu 7 hari learning, sedangkan pada Resnet dengan 10.000 gambar dengan iterasi 100.000 step dengan waktu learning 10 jam dengan spesifikasi komputer 4,0GHz processor, 8 Gigabyte GPU (Graphical Processing Unit), dan 24 Gigabyte RAM (Random Access Memory).