Kanker kolorektal (CRC), peringkat ketiga penyebab kematian, ditandai dengan munculnya polip di area usus besar dan rektum. Deteksi dini polip krusial sebagai upaya pencegahan dan pengobatan CRC. Penerapan teknologi Computer-Aided Detection (CAD) berbasis deep learning seperti U-Net telah banyak dilakukan. Namun, model-model sebelumnya berusaha meningkatkan kinerja dengan mempertahankan struktur berbentuk U, yang belum tentu optimal. Selain itu, model-model sebelumnya memiliki performa segmentasi yang baik, tetapi cenderung memiliki jumlah parameter besar, mengakibatkan efisiensi memori rendah dan sumber daya komputasi besar. Berdasarkan permasalahan tersebut, penulis mengajukan metode pengembangan Half U-Net, varian asimetris U-Net, dengan integrasi Squeeze-and-Excitation (SE) Block dan Atrous Spatial Pyramid Pooling (ASPP). Metode ini memanfaatkan arsitektur dasar Half U-Net dengan menerapkan ghost module dan attention untuk menyeimbangkan performa metode sebelumnya. Pengujian menggunakan dataset CVC-ClinicDB dan Kvasir-SEG menunjukkan hasil bahwa metode yang diajukan memiliki jumlah parameter terkecil, yakni 0.56 juta. Dalam evaluasi kinerja, metode yang diusulkan mencapai F1-Score sebesar 93.62?n IoU sebesar 88% pada dataset CVC-ClinicDB, sedangkan pada dataset Kvasir-SEG F1-Score mencapai 89.98?n IoU sebesar 81.79%. Hasil tersebut lebih baik dibandingkan metode-metode sebelumnya dengan jumlah parameter yang lebih rendah.
