Kolonoskopi adalah salah satu teknik untuk mendeteksi polip yang merupakan salah satu penyebab penyakit kanker kolorektal (CRC). Kolonoskopi memanfaatkan segmentasi citra polip untuk memperoleh informasi yang berharga dalam proses diagnosis dan pembedahan. Berbagai metode deep learning berbasis convolutional neural networks telah digunakan untuk meningkatkan akurasi segmentasi, tetapi masih menghadapi tantangan utama adalah keragaman karakteristik polip, baik dari segi bentuk, ukuran, warna, maupun tekstur. Penelitian ini mengusulkan model Duck-Net yang dipadukan dengan Ghost Module. Evaluasi dilakukan menggunakan dataset Kvasir-Seg. Hasil eksperimen menunjukkan bahwa metode yang diusulkan mencapai F1-score 0.927, dan IoU 0.864. Model ini terbukti lebih efisien dengan jumlah parameter sebesar 21,4 juta, paling kecil dibandingkan beberapa metode lain yang memiliki jumlah parameter lebih besar. Metode ini melampaui performa metode sebelumnya seperti U-Net, U-Net++, ResU-Net, ResU-Net ++, dan Double U-Net. Dengan hasil tersebut, metode ini terbukti efesiensi model dalam mempertahankan performa yang baik dengan kompleksitas yang rendah. dalam meningkatkan segmentasi polip untuk membantu deteksi dini polip.