Kanker paru-paru merupakan salah satu penyebab utama kematian akibat kanker, dengan angka kejadian di Indonesia yang tergolong tinggi. Dalam dunia medis, deteksi tumor paru-paru umumnya dilakukan melalui citra Computer Tomography (CT) scan yang dianalisis secara visual oleh dokter. Studi terdahulu yang memanfaatkan citra CT scan dengan pendekatan Cellular Automata (CA) umumnya hanya mampu mengklasifikasikan kondisi paru-paru sebagai normal atau abnormal. Penelitian ini bertujuan mengatasi keterbatasan tersebut dengan menggabungkan metode CA dan teknik Monte Carlo untuk meningkatkan akurasi dalam prediksi serta identifikasi tumor paru-paru. Sistem ini terdiri dari tahapan pre-processing, segmentasi tumor, binarisasi citra, prediksi sel abnormal menggunakan CA, serta penentuan ambang batas secara acak menggunakan Monte Carlo. Hasil prediksi kemudian diklasifikasikan menggunakan Support Vector Machine (SVM) untuk membedakan jenis tumor. Pengujian dilakukan terhadap 109 citra CT scan yang mencakup kelas normal, jinak, dan ganas. Metode CA-Monte Carlo berhasil mendeteksi sel abnormal dengan akurasi 92,73%, lebih tinggi dibandingkan studi sebelumnya yang mencapai akurasi 90,5% pada tahap deteksi paru normal dan abnormal. Peningkatan ini dicapai karena metode terdahulu hanya memanfaatkan Cellular Automata tanpa mekanisme acak dari Monte Carlo, sehingga ambang batas deteksi kurang fleksibel terhadap variasi struktur citra. Sementara itu, model SVM mencapai akurasi 87,5% dalam klasifikasi tipe tumor. Hasil ini menunjukkan potensi sistem dalam membantu proses diagnosis kanker paru-paru secara otomatis.