Segmentasi semantik citra sidik tulang memiliki peran penting dalam perhitungan Bone Scan Index (BSI) untuk mendiagnosis dan memantau perkembangan kanker tulang. Namun, keterbatasan data berlabel menjadi tantangan utama dalam melatih model segmentasi. Penelitian ini mengusulkan metode pseudo-labeling untuk memanfaatkan data tidak berlabel dalam meningkatkan akurasi segmentasi menggunakan arsitektur U-Net++. Model awal dilatih menggunakan data berlabel, kemudian dilakukan inferensi untuk menghasilkan pseudo-label. Pseudo-label tersebut diseleksi secara manual lalu digunakan untuk melatih ulang model. Hasil eksperimen menunjukkan bahwa metode ini meningkatkan dice score sebesar 0,011 untuk citra anterior dan 0,008 untuk citra posterior dibandingkan model tanpa pseudo-labeling. Efektivitas pseudo-labeling sangat bergantung pada kualitas data berlabel awal dan seleksi pseudo-label yang ketat. Dengan segmentasi yang lebih akurat, diharapkan perhitungan BSI menjadi lebih presisi dalam mendukung diagnosis serta pema