Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan neurobiologis yang memengaruhi interaksi sosial, komunikasi, dan perilaku anak. Salah satu karakteristik yang dapat diamati pada anak dengan ASD adalah perbedaan dalam pola tulisan tangan, yang dapat dimanfaatkan sebagai indikator deteksi dini. Penelitian ini bertujuan untuk mengimplementasikan metode Convolutional Neural Network (CNN) dengan arsitektur Residual Network-18 (ResNet-18) dalam mengklasifikasikan tulisan tangan anak ASD dan non-ASD. Dataset diperoleh secara langsung dari sekolah luar biasa (SLB) dan sekolah reguler di Banda Aceh, yang terdiri dari 4000 gambar tulisan tangan. Tahapan penelitian meliputi preprocessing data (cropping, peningkatan kualitas, normalisasi, dan augmentasi), pembangunan model deep learning, serta pelatihan dan pengujian model. Hasil evaluasi menunjukkan bahwa model mampu mencapai akurasi klasifikasi sebesar 84%, dengan F1-score sebesar 0,82 untuk kelas ASD dan 0,85 untuk kelas non-ASD. Dengan demikian, pendekatan ini menunjukkan potensi dalam mendukung deteksi awal ASD secara non-invasif melalui analisis pola tulisan tangan menggunakan model deep learning yang efisien.