Kanker paru-paru merupakan salah satu penyebab kematian tertinggi di dunia, dengan tingkat deteksi dini yang masih rendah. Segmentasi otomatis area kanker pada citra CT scan menjadi solusi penting untuk meningkatkan akurasi dan efisiensi diagnosis, menggantikan proses manual yang memakan waktu dan bergantung pada keahlian operator. Penelitian ini bertujuan untuk mengevaluasi metode Hybrid K-Means – GMM, yang menggabungkan algoritma K-Means sebagai inisialisasi awal dan Gaussian Mixture Model (GMM) untuk penyempurnaan segmentasi area kanker berbasis distribusi probabilitas piksel. Performa metode Hybrid dibandingkan dengan K-Means dan GMM individual berdasarkan metrik Dice Coefficient dan waktu komputasi. Hasil penelitian ini menunjukkan bahwa metode Hybrid mencapai akurasi tertinggi dengan rata-rata Dice Coefficient sebesar 88,46%, serta waktu komputasi yang lebih efisien dibandingkan GMM murni. Hybrid mampu menghasilkan segmentasi yang lebih bersih, presisi, dan konsisten pada berbagai kondisi kanker, meskipun tetap memerlukan tahap postprocessing untuk hasil optimal. Keterbatasan metode ini meliputi sensitivitas terhadap inisialisasi K-Means dan penurunan akurasi pada kanker berukuran sangat kecil atau dengan bentuk tidak teratur. Secara keseluruhan, Hybrid K-Means – GMM dapat disimpulkan sebagai metode segmentasi yang memberikan keseimbangan terbaik antara akurasi, efisiensi waktu, dan kualitas hasil.