Penggunaan genetic algorithm (GA) sebagai metode multilevel image thresholding dalam segmentasi citra dapat memberikan keuntungan seperti kecepatan proses dan penentuan jumlah threshold serta nilai threshold yang tepat. Akan tetapi, genetic algorithm memiliki beberapa kelemahan dimana salah satunya adalah kemungkinan terjadinya konvergensi yang terlalu dini (premature convergence) dan tidak adanya feedback positive yang tidak menjamin solusi global optimal. Penelitian ini mengajukan metode baru Hybrid GA-ACO untuk optimisasi metode multilevel image thresholdingsehingga dapat mengatasi kelemahan tersebut dengan cara menggabungkan GA dan ant colony optimization (ACO). Penggabungan dilakukan dengan menjadikan posisi dan nilai threshold yang didapatkan pada GA sebagai nilai awal untuk proses algoritma ACO. Hasil pengujian dengan citra sintetis dan citra asli menunjukkan nilai cost function, uniformity, dan misclassification error dari metode hybrid GA-ACO lebih baik dibandingkan dengan algoritma awal GA, yaitu rata-rata 98.87% untuk tingkat uniformity dan 97.72% untuk nilai ME. Nilai cost function metode hybrid GA-ACO yang lebih kecil dibandingkan algoritma GA menunjukkan bahwa metode hybrid GA-ACO dapat mencegah konvergensi dini pada algoritma GA. Dari hasil tersebut dapat disimpulkan bahwa metode hybrid GA-ACO yang dikembangkan merupakan suatu metode multilevel image thresholding yang dapat mencegah konvergensi dini sehingga mencapai konvergensi pada solusi optimal yang bersifat global optimum.