Kanker kolorektal merupakan salah satu jenis kanker yang paling sering terjadi dan mematikan di dunia, yang ditandai dengan munculnya polip pada dinding usus besar. Segmentasi polip pada citra medis kolonoskopi dapat dilakukan untuk mengurangi kejadian dan kematian akibat kanker ini. Penelitian-penelitian sebelumnya menggunakan berbagai metode untuk melakukan segmentasi polip otomatis, mulai dari ekstraksi hand-crafted feature hingga deep learning. Beberapa metode deep learning yang telah dikembangkan masih menghasilkan kinerja yang kurang optimal dalam melakukan segmentasi polip pada seen data dan unseen data. Selain itu, jumlah parameter yang dihasilkan juga sangat besar sehingga kompleksitas jaringan tinggi. Oleh karena itu, penelitian ini mengusulkan DDABNet (dual decoder with attention-based bottleneck) yang mengadopsi konsep U-Net dan Half-UNet sehingga arsitektur ini memiliki encoder tunggal dan decoder ganda dengan sandglass block dan ghost module sebagai blok penyusun arsitektur. DDABNet berhasil mengungguli kinerja metode lain dalam melakukan segmentasi polip pada seen data dengan perolehan nilai rata-rata F1-Score dan IoU sebesar 0.9493 dan 0.9036 pada CVC-ClinicDB, 0.9110 dan 0.8366 pada Kvasir-SEG, serta 0.8799 dan 0.7856 pada CVC-ColonDB. Selain itu, kemampuan generalisasi DDABNet dalam melakukan segmentasi polip pada unseen data juga mampu mengungguli metode lain dengan perolehan nilai rata-rata F1-Score dan IoU sebesar 0.7188 dan 0.5610 ketika dilatih pada CVC-ClinicDB dan diuji pada Kvasir-SEG, serta 0.7383 dan 0.5852 ketika dilatih pada Kvasir-SEG dan diuji pada CVC-ClinicDB. DDABNet menunjukkan kinerja yang lebih unggul dibanding metode lain dengan jumlah parameter yang lebih rendah, yakni hanya 0.95 juta parameter, dengan gap sebesar 0.2 juta hingga 126 juta parameter.