Kanker kolorektal (CRC) merupakan salah satu penyebab utama kematian karena kanker, dengan dua juta kasus terdeteksi di tahun 2020 dan menyebabkan satu juta kematian tiap tahunnya. Sekitar 95% kasus CRC berasalah dari polip adenoma kolorektal. Saat ini, skrining kolonoskopi masih menjadi metode utama untuk deteksi polip. Namun hanya dapat mendeteksi sekitar 60?ri kanker kolorektal dan membutuhkan waktu yang relatif lama. Keterbatasan ini mendorong adanya pengembangan sistem CAD (Computer-Aided Diagnostic) yang diintegrasikan dengan model deep learning. Berdasarkan hal itu, penelitian ini mengusulkan arsitektur neural network baru yang disebut Dual Attention dan Channel Atrous Spatial Pyramid Pooling Half-UNet (DACHalf-UNet) untuk segmentasi citra polip secara optimal dan efisien. DACHalf-UNet menggunakan kerangka U-Net dengan mengintegrasikan blok DSE pada bagian encoder setelah Ghost Module, CASPP pada bagian bottleneck dan decoder, serta AG pada arsitektur. DACHalf-UNet dilatih dan dievaluasi menggunakan dataset CVC-ClinicDB dan Kvasir-SEG selama 70 epoch. Proses evaluasi menunjukkan performa yang unggul dengan nilai F1-Score dan IoU sebesar 94,23?n 89,28% pada CVC-ClinicDB, serta 88,40?n 81,47% pada Kvasir-SEG. Analisis komparatif menunjukkan bahwa DACHalf UNet mengungguli arsitektur yang sudah ada seperti U-Net, U-Net++, ResU-Net, AGU-Net, CSAP-UNet, PRCNet, UNeXt, dan UNeSt. Model yang diusulkan menghasilkan 0,56 juta parameter dan 30,29 GFLOPs yang terbukti lebih efisien dibandingkan metode-metode sebelumnya.