Kanker payudara merupakan jenis kanker yang sebagian besar menyerang wanita. Pada tahun 2022, 2,2 juta wanita didiagnosa mengalami kanker payudara dan terdapat 670.000 kasus kematian global akibat kanker payudara. Salah satu metode yang dapat dilakukan untuk deteksi dini pertumbuhan kanker payudara adalah ultrasonografi. Ultrasonografi memanfaatkan gelombang suara dengan frekuensi tinggi untuk menghasilkan gambaran visual jaringan di dalam payudara. Namun, proses ultrasonografi memiliki beberapa kekurangan seperti kurangnya kontras pada citra, resolusi gambar yang relatif kecil, dan banyaknya noise yang berupa bintik-bintik. Keterbatasan menjadikan proses deteksi tumor payudara secara manual rawan akan kesalahan. Untuk mengatasi permasalahan kesalahan diagnosis, metode computer-aided diagnosis berbasis deep learning telah banyak dikembangkan. Namun, metode deep learning yang ada saat ini memiliki ukuran parameter dan FLOPs yang besar sehingga membutuhkan resource yang besar untuk melatih dan melakukan prediksi. Oleh karena itu penelitian ini mengusulkan metode deep learning baru yaitu HULK-Net. HULK-Net merupakan pengembangan dari Half-UNet dengan beberapa modifikasi seperti penggunaan CBAM, residual ghost block, dan mengganti ghost module dengan efficient duck block. Metode ini memiliki performa yang baik dengan memperoleh dice score sebesar 86.07?n IoU sebesar 77.60% pada dataset BUSI. Serta memperoleh dice score sebesar 88.59?n IoU sebesar 80.04% pada Dataset B. Hasil ini berhasil mengungguli metode U-Net , U-Net++, Attention U-Net, Res-UNet, MultiResUNet, Half-UNet, dan CMAUNeXt. Dari sisi efisiensi, HULK-Net memiliki jumlah parameter yang kecil, yakni 0.69 juta, serta beban komputasi yang tergolong sedang dengan 31.95 GFLOPs.