Tuberkulosis paru merupakan penyakit infeksi yang membutuhkan deteksi dini secara cepat dan akurat. Penelitian ini mengembangkan sistem deteksi tuberkulosis paru pada citra chest X-ray menggunakan Convolutional Neural Network (CNN) dengan pendekatan Self-Supervised Learning (SSL) pretraining dan visualisasi Gradient-weighted Class Activation Mapping (Grad-CAM). Model CNN yang digunakan adalah ResNet18 dengan perbandingan metode SSL SimCLR dan reconstruction-based SSL. Penelitian ini juga melakukan pengujian terhadap beberapa skenario split dataset, penanganan imbalance dataset menggunakan class weighting, serta komparasi skenario resize dan non-resize. Dataset yang digunakan merupakan dataset daring publik yang terdiri dari dua kelas, yaitu Tuberkulosis dan Tidak Tuberkulosis. Hasil pengujian menunjukkan bahwa konfigurasi ResNet18 dengan reconstruction-based SSL pada split 80:5:15, pra-pemrosesan resize, dan tanpa class weighting menghasilkan performa terbaik berdasarkan akurasi data uji, yaitu akurasi sebesar 98,73%, presisi Tuberkulosis sebesar 100,00%, recall Tuberkulosis sebesar 92,38%, dan F1-score Tuberkulosis sebesar 96,04%. Sistem juga diimplementasikan dalam bentuk aplikasi web sederhana yang menampilkan prediksi, confidence, distribusi probabilitas, citra asli, serta Grad-CAM overlay. Validasi interpretabilitas dilakukan secara kualitatif oleh expert untuk menilai kesesuaian area fokus Grad-CAM dengan karakteristik radiologis tuberkulosis paru. Dengan demikian, sistem yang dikembangkan tidak hanya menghasilkan klasifikasi citra, tetapi juga menyediakan interpretasi visual untuk mendukung transparansi keputusan model.