Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan saraf yang memengaruhi interaksi sosial, komunikasi, dan keterampilan motorik halus. Perbedaan karakteristik tulisan tangan antara individu ASD dan non-ASD membuka peluang pengembangan metode skrining dini yang cepat dan non-invasif. Penelitian ini mengusulkan model klasifikasi berbasis deep learning dengan arsitektur DenseNet-121 untuk membedakan tulisan tangan kedua kelompok tersebut. Proses penelitian mencakup pengumpulan data tulisan tangan, preprocessing citra untuk penyesuaian format model, serta pelatihan menggunakan teknik transfer learning. Evaluasi model dilakukan dengan metrik akurasi, sensitivitas, dan spesifisitas, disertai analisis visual melalui grafik kinerja dan confusion matrix. Hasil penelitian menunjukkan bahwa DenseNet-121 mampu mengenali pola tulisan tangan ASD dan non-ASD secara efektif dengan akurasi tinggi dan kinerja stabil. Temuan ini menunjukkan potensi penerapan teknologi ini sebagai alat bantu skrining ASD yang praktis, akurat, dan mudah diakses.