Segmentasi citra leukosit merupakan salah satu langkah penting dalam analisis citra medis karena dapat membantu proses identifikasi jenis sel darah putih secara lebih tepat. Penelitian ini mengusulkan penggunaan metode Dense Residual U-Net (DR U-Net) untuk segmentasi citra leukosit. Model ini dikembangkan dengan memadukan arsitektur U-Net, blok residual, dan koneksi dense, sehingga mampu memperkaya representasi fitur dan menjaga informasi spasial pada citra.Data yang digunakan berupa 367 citra leukosit yang telah melalui tahap praproses, meliputi normalisasi ukuran citra dari 640 × 480 piksel menjadi 320 × 240 piksel, serta peningkatan kualitas gambar melalui operasi Sobel Edge Detection untuk menghasilkan Channel fitur tepi tambahan. Citra masukan yang telah diproses kemudian diolah melalui jaringan DR U-Net yang dioptimasi secara sistematis dengan Fungsi Aktivasi Swish, Optimizer RMSprop, dan Loss Function Dice + BCE. Hasil penelitian menunjukkan bahwa model usulan DR U-Net 16 Filter memberikan performa terbaik pada data uji dengan rata-rata Dice Score sebesar 0.96171 dan IoU sebesar 0.92626. Performa ini secara signifikan melampaui model Baseline seperti U-Net , membuktikan bahwa DR U-Net berpotensi menjadi pendekatan yang efektif dan stabil dalam mendukung pengembangan sistem analisis citra medis berbasis pembelajaran mendalam.