Acute Myeloid Leukemia (AML) merupakan salah satu jenis kanker darah yang ditandai dengan proliferasi klonal sel blast mieloid yang mengganggu diferensiasi sel darah normal. Deteksi dini AML melalui segmentasi otomatis berbasis deep learning masih menghadapi tantangan, khususnya terjadinya under-segmentation yang menyebabkan hasil prediksi kurang akurat. Penelitian ini bertujuan untuk mengembangkan metode segmentasi otomatis yang mampu meminimalkan under segmentation untuk meningkatkan akurasi deteksi AML. Metode yang diusulkan memanfaatkan arsitektur U-Net dengan Pre-trained ResNet-34 sebagai encoder untuk meningkatkan kemampuan ekstraksi fitur. Hybrid Gated Attention (HGA) dan Squeeze-and-Excitation (SE) Block diimplementasikan sebagai mekanisme attention agar model dapat fokus pada area yang relevan. Dataset yang digunakan terdiri atas citra AML M1, M2, dan M3. Evaluasi performa dilakukan menggunakan metrik Intersection over Union (IoU) dan Dice Score. Hasil eksperimen menunjukkan bahwa kombinasi arsitektur UNet-ResNet34 dengan HGA dan blok SE mampu mencapai performa unggul dengan nilai IoU dan Dice yang dihasilkan 92.43?n 96.07%. Implementasi mekanisme attention berkontribusi pada peningkatan sebesar 1,83% untuk IoU dan 5,06% untuk Dice Score dibandingkan dengan metode sebelumnya.