Tuberkulosis (TB) adalah penyakit menular yang merupakan salah satu masalah kesehatan global, terutama di negara berkembang. Berdasarkan laporan World Health Organization (WHO), masih banyak pasien TB yang meninggal karena terlambat didiagnosis. WHO merekomendasikan penggunaan screening yang sistematis dan luas, salah satunya menggunakan citra X-ray dada. Sayangnya, jumlah ahli radiologi masih kurang dan belum terdistribusi dengan baik ke seluruh wilayah di negara berkembang seperti Indonesia. Sistem otomatis untuk mendeteksi TB dapat digunakan untuk mengatasi masalah ini. Oleh karena itu, penelitian ini mengembangkan suatu sistem Computer-Aided Detection (CAD) untuk TB menggunakan analisis tekstur. Terdapat tiga tahap pada sistem yang diusulkan, yaitu tahap segmentasi otomatis, koreksi segmentasi manual, dan deteksi lesi TB. Hasil akhir sistem akan memberikan visualisasi heatmap berdasarkan probabilitas lesi TB suatu area pada citra X-ray dada. Tesis ini fokus pada tahap deteksi lesi TB melalui analisis tekstur pada citra X-ray dada. Analisis tekstur diimplementasi menggunakan berbagai kombinasi dari fitur tekstur Hogeweg, Gray-Level Co-occurrence matrix (GLCM), dan Gabor. Selain itu, metode reduksi dimensi juga diimplementasikan untuk mendapatkan representasi optimal untuk deteksi lesi TB. Analisis tekstur ini digunakan untuk deteksi lesi TB pada area lokal (patch) melalui perhitungan probabilitas untuk klasifikasi patch lesi TB dan patch normal. Klasifikasi ini dilatih menggunakan Logistic Regression, Support Vector Machine (SVM), dan Multilayer Perceptron (MLP). Hasil eksperimen menunjukkan bahwa hasil terbaik dicapai oleh model Logistic Regression. Logistic Regression dengan kombinasi fitur Hogeweg dan Gabor dengan Principal Component Analysis (PCA) mampu mencapai nilai rata-rata Intersection Over Union (IOU) yaitu 0.282. Pada metrik sensitivity, Logistic Regression dengan kombinasi fitur Hogeweg, GLCM, dan Gabor yang diimplementasikan PCA mampu mencapai nilai 0.734. Dokter spesialis radiologi menilai bahwa beberapa visualisasi dari model ini sudah cukup baik dalam mengenali lesi TB, namun masih ada beberapa kesalahan dalam mendeteksi area normal sebagai lesi TB.