Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan saraf yang memengaruhi interaksi sosial, komunikasi, dan perilaku. Aspek yang dapat digunakan untuk membedakan individu ASD dan Non-ASD adalah tulisan tangan, yang mencerminkan keterampilan motorik halus serta kontrol koordinasi. Penelitian ini bertujuan untuk mengimplementasikan metode Deep Learning dengan arsitektur AlexNet dalam mengklasifikasikan tulisan tangan individu ASD dan Non-ASD. Dataset dikumpulkan dari 40 anak berusia 7–12 tahun, 20 anak ASD dan 20 anak Non-ASD, dengan total 2.500 citra untuk masing-masing kelas. Data melalui proses preprocessing berupa cropping, resize, normalisasi, dan augmentasi sebelum digunakan dalam pelatihan model. Model AlexNet diterapkan dengan teknik transfer learning menggunakan pretrained weights, di mana lapisan akhir dimodifikasi untuk klasifikasi dua kelas. Hasil pelatihan menunjukkan peningkatan performa yang signifikan dengan akurasi validasi mencapai lebih dari 82% pada epoch ke-20, serta stabil pada tahap akhir pelatihan. Evaluasi pada data uji menghasilkan nilai akurasi, presisi, recall, dan f1-score yang menunjukkan kemampuan model dalam membedakan tulisan tangan ASD dan Non-ASD secara efektif.