Kanker paru-paru merupakan salah satu penyebab kematian tertinggi di dunia. Deteksi dini terhadap area kanker pada citra CT scan sangat penting untuk meningkatkan peluang kesembuhan pasien. Segmentasi citra merupakan langkah penting dalam proses tersebut. Penelitian ini bertujuan untuk menerapkan dan membandingkan dua metode segmentasi, yaitu Gaussian Mixture Model (GMM) dan GMM dengan Markov Random Field (GMM-MRF). Gaussian Mixture Model mengelompokkan piksel berdasarkan kemiripan intensitas, sedangkan GMM-MRF mengintegrasikan informasi spasial antar piksel melalui faktor penimbang spasial Gij untuk meningkatkan ketahanan terhadap noise. Setiap citra CT scan menjalani tahapan preprocessing berupa normalisasi, thresholding, operasi morfologi, dan peningkatan kontras. Proses segmentasi dilakukan dengan 3 hingga 5 klaster menggunakan algoritma Expectation-Maximization (EM) untuk estimasi parameter. Evaluasi hasil segmentasi dilakukan menggunakan metrik Dice Similarity Coefficient (DSC) untuk mengukur akurasi dan kesesuaian hasil dengan ground truth. Hasil penelitian menunjukkan bahwa GMM-MRF menghasilkan nilai lebih tinggi dengan rata-rata DSC sebesar 0,71338, dibandingkan GMM sebesar 0,46149. Secara visual, GMM-MRF juga memberikan segmentasi area kanker yang lebih utuh dan minim noise. Perbandingan waktu komputasi menunjukkan bahwa GMM-MRF memerlukan durasi sedikit lebih panjang, namun peningkatan akurasi yang diperoleh menegaskan keunggulannya. Integrasi informasi spasial terbukti efektif dalam meningkatkan akurasi segmentasi area kanker paru-paru pada citra CT scan.