Tumor paru-paru adalah massa sel abnormal di dalam tubuh. Tumor ganas bersifat kanker karena dapat menyebar ke seluruh tubuh dan mengganggu jaringan di sekitarnya. Mendeteksi sel-sel kanker ini di paru-paru penting karena deteksi yang tertunda dapat menghambat pilihan pengobatan yang efektif, yang menyebabkan tingkat kelangsungan hidup yang lebih rendah. Namun, mengklasifikasikan keganasan tumor sangat bergantung pada pengetahuan dan pengalaman ahli radiologi. Penelitian ini menggabungkan fitur berbasis tekstur yang diekstraksi dari gambar Computed Tomography Scan (CT Scan) paru-paru seperti fitur Gray Level Co-occurrence Matrix (GLCM), Gray Level Run-length Matrix (GLRLM), Gray Level Size-zone Matrix (GLSZM), dan Haralick. Penelitian ini berkontribusi dengan menciptakan model deteksi tumor paru yang efisien melalui penggabungan fitur dan seleksi fitur Relief-F. Sebagai perbandingan, beberapa pengklasifikasi machine learning konvensional, termasuk SVM RBF, KNN, RF, DT, dan XGBoost, digunakan untuk mengevaluasi kinerja pengklasifikasi. Hasilnya menunjukkan bahwa metode ajuan dengan pengklasifikasi random forest menghasilkan skor evaluasi terbaik dengan akurasi 99,55%, presisi 99,55%, recall 99,55%, dan F1-Score 99,54%.