Autism Spectrum Disorder (ASD) memengaruhi interaksi sosial, komunikasi, dan perilaku individu. Deteksi dini sangat penting, namun metode konvensional memerlukan waktu dan biaya besar. Penelitian ini mengembangkan sistem klasifikasi ASD dan Non-ASD berbasis deep learning menggunakan arsitektur Xception melalui analisis 4.000 citra tulisan tangan anak usia 7–12 tahun. Data dibagi menjadi 70% latih, 15% validasi, dan 15% uji, dengan preprocessing berupa resizing 299×299 piksel, normalisasi, augmentasi, dan konversi ke tensor. Model dilatih menggunakan transfer learning, optimizer Adam, label smoothing, dan scheduler Cosine Annealing. Hasil menunjukkan akurasi validasi >85% dengan performa stabil, didukung visualisasi grafik dan confusion matrix. Temuan ini menegaskan efektivitas Xception sebagai metode deteksi dini ASD yang cepat, efisien, dan non-invasif.