Segmentasi citra medis merupakan tahap krusial dalam sistem computer-aided diagnosis (CAD) yang berfungsi untuk mengidentifikasi struktur anatomi atau patologis pada berbagai jenis citra medis. Namun, tantangan seperti kontras rendah, variasi bentuk anatomi, efisiensi dalam implementasi klinis, serta keterbatasan anotasi citra medis masih menjadi kendala dalam otomatisasi segmentasi. Deep learning, khususnya Convolutional Neural Networks (CNN), telah terbukti efektif dalam meningkatkan performa segmentasi. Oleh karena itu, penelitian ini mengusulkan arsitektur One-Point-Five U-Net yang mengombinasikan U-Net dan Half-UNet dengan beberapa modifikasi, seperti penerapan ghost module, Multi-scale Residual Attention (MRA), Enhanced Parallel Attention (EPA), Convolution Block Attention Module (CBAM), dan Multi-scale Depthwise Convolution (MSDC). Kombinasi mekanisme attention dan multi-scale ini mampu meningkatkan akurasi model One-Point-Five U-Net tanpa mengabaikan efisiensi komputasi.  Model ini dilatih dan diuji menggunakan dataset CVC-ClinicDB, KvasirSeg, Breast Ultrasound Image (BUSI), dan ISIC2018. One-Point-Five U-Net secara berturut-turut memperoleh sensitivitas, spesifisitas, akurasi, F1-Score, dan IoU sebesar 94,89%, 99,63%, 99,23%, 95,41%, dan 91,27% pada dataset CVC-ClinicDB; 91,11%, 98,60%, 97,33%, 90,93%, dan 83,84%  pada dataset KvasirSeg; 85,35%, 98,65%, 96,81%, 87,02%, dan 78,18% pada dataset BUSI; serta 87,67%, 98,11%, 93,68%, 89,27%, dan 83,06% pada dataset ISIC2018. One-Point-Five U-Net menunjukkan tingkat akurasi yang lebih tinggi berdasarkan metrik evaluasi F1-Score dan IoU dibandingkan dengan U-Net, U-Net++, ResU-Net, Half-UNet, Attention U-Net, dan CMAUNeXT. Selain itu, dengan jumlah parameter sebesar 626.755 dan FLOPs sebesar 28,23G, One-Point-Five U-Net menawarkan efisiensi komputasi yang tinggi.