Melanoma adalah jenis kanker kulit yang penting untuk didiagnosis dini. Deep learning telah menjadi pendekatan utama untuk segmentasi lesi kulit otomatis, namun pengembangan model yang ringan dan berkinerja tinggi masih menjadi tantangan. Penelitian ini bertujuan untuk mengembangkan model segmentasi lesi kulit otomatis yang ringan, dengan tetap mempertahankan atau bahkan meningkatkan performa. Penelitian ini mengajukan ECA-Net, model segmentasi lesi kulit otomatis yang mengembangkan CA-Net dengan modul GHPA dan mekanisme deep supervision. Eksperimen pada dataset ISIC2018 dengan metrik DC, IoU, dan ASSD menunjukkan performa tinggi ECA-Net: DC 92.70%, IoU 86.86%, dan ASSD 0.57 piksel. Selain itu, ECA-Net memiliki ukuran model ringan (0.169 juta parameter), dengan penurunan parameter sebesar 93.82% dan peningkatan DC 0.62% dibandingkan CA-Net. Hasil ini menunjukkan bahwa ECA-Net tidak hanya efektif dan efisien untuk segmentasi lesi kulit otomatis, tetapi juga berhasil mengembangkan CA- Net menjadi model yang lebih ringan dan memiliki performa lebih tinggi.
