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.