Banjir disebabkan oleh perubahan iklim dan urbanisasi, sehingga pemantauan yang cepat dan akurat sangat penting dalam mendukung tanggap darurat. Namun, segmentasi banjir masih menghadapi tantangan di area dengan vegetasi yang padat. Studi ini bertujuan untuk meningkatkan dan menganalisis kinerja Hybrid Attention Mechanism yang menggabungkan Point-wise Spatial Attention (PSA) dan Squeezeand-Excitation Block (SE Block) pada arsitektur DeepLabV3+ dengan backbone ResNet-50. Metode yang digunakan meliputi pengumpulan dataset berupa 600 data pelatihan dan 63 data validasi, augmentasi data, perancangan arsitektur model dan implementasi attention mechanism, optimalisasi hyperparameter, studi ablasi, dan evaluasi performa. Hasil studi ablasi menunjukkan kinerja terbaik dengan akurasi 0.9624, F1-Score 0.9618, IoU (Non-Flood) 0.9323, IoU (Flood) 0.9208, dan mIoU 0.9265, melampaui penelitian sebelumnya menggunakan Modified U-Net dalam mendeteksi banjir di daerah vegetasi padat. Penelitian ini berkontribusi pada pengembangan model segmentasi banjir berbasis Hybrid Attention Mechanism, yang lebih efektif dalam mendeteksi area tergenang di wilayah dengan vegetasi padat.