Autism Spectrum Disorder (ASD) adalah gangguan perkembangan yang memengaruhi kemampuan komunikasi dan interaksi sosial. Deteksi dini sangat penting, namun metode konvensional masih membutuhkan waktu, biaya, dan tenaga ahli. Penelitian ini membangun model deep learning berbasis VGG16 untuk mengklasifikasikan tulisan tangan anak ASD dan non-ASD. Data yang digunakan berjumlah 4.000 gambar dan diproses melalui tahapan seperti cropping, augmentasi, dan normalisasi. Model dilatih menggunakan teknik fine-tuning, optimizer Adam, dan Cosine Annealing scheduler. Hasil menunjukkan akurasi validasi di atas 85% dan F1-score yang stabil, yang divisualisasikan melalui grafik dan confusion matrix. Temuan ini menunjukkan bahwa pendekatan ini bisa menjadi solusi pendukung deteksi dini ASD yang cepat dan non-invasif melalui tulisan tangan.