Segmentasi sel pada citra leukemia penting untuk menunjang diagnosis dan pemantauan terapi. Penelitian ini bertujuan mengembangkan arsitektur DeepLabV3+ dengan integrasi Convolutional Block Attention Module (CBAM) untuk meningkatkan fokus model terhadap fitur spasial dan kanal penting pada sel leukemia. Model dilatih menggunakan dataset Acute Myeloid Leukemia (AML) subtipe M1–M3, dengan loss function Binary Cross-Entropy, optimizer Adam, dan learning rate scheduling. Hasil evaluasi menunjukkan model usulan mencapai accuracy 0,9946, Dice coefficient 0,9688, dan IoU 0,9401, lebih unggul dibandingkan DeepLabV3+ dasar. Meskipun penambahan CBAM hanya meningkatkan parameter 2,03%, model menunjukkan konvergensi lebih cepat dan generalisasi lebih baik. Hasil ini menunjukkan bahwa integrasi mekanisme attention efektif memperkuat representasi fitur tanpa mengorbankan efisiensi, serta berpotensi diimplementasikan dalam sistem diagnostik citra medis otomatis.