Leukemia merupakan kanker pada sumsum tulang belakang dan darah. Acute Myeloid Leukemia (AML) merupakan penyakit sel darah putih di mana sel ini tidak berkembang sepenuhnya (belum matang) dan biasanya perubahan dimulai pada sel sumsum yang membentuk sel darah merah, beberapa jenis sel darah putih, dan trombosit. Leukemia didiagnosis seorang penganalisis hematologi berdasarkan penghitungan secara manual sehingga banyak waktu dan biaya yang diperlukan. Oleh karena itu, diperlukan metode komputerisasi untuk mengatasi masalah tersebut. Tujuan penelitian yang dilakukan untuk segmentasi sel darah putih pada citra AML M1, M2, dan M3 serta menguji hasil performa dari segmentasi menggunakan Deep Convolutional Neural Network dengan penelitian sebelumnya yang menggunakan Active Contour without Edge dan Watershed Distance Transform untuk segmentasi. Deep Convolutional Neural Network yang digunakan yaitu DeepLab v3+ dengan pretrained ResNet-50. Pada penelitian ini, citra AML M1, M2, dan M3 diambil dari laboratorium Rumah Sakit Dr. Sardjito, Yogyakarta. Aplikasi Fiji digunakan untuk pembuatan citra ground truth mask dari data asli sebagai label benar sehingga dapat dilatih pada model DeepLab v3+ dengan pretrained ResNet-50 dalam lima fold proporsi data dengan K-Fold Cross-Validation dan penggunaan jumlah filter yang berbeda-beda. Hasil model pelatihan digunakan untuk segmentasi data testing citra AML M1, M2, dan M3. Hasil rata-rata akurasi dan rata-rata mIoU 5-fold cross-validation tertinggi antara jumlah filter 64, 128, dan 256 didapatkan oleh jumlah filter 256 sebesar 0,9101 (91,01%) dan 0,9060 (90,60%). Hal ini melampaui penelitian sebelumnya menggunakan metode Active Contour without Edge dan Watershed Distance Transform dengan peningkatan sebesar 0,0722 (7,22%) untuk jumlah filter 256 dan memperbaiki terjadinya kesalahan pemisahan sel (over-segmentation).