Meskipun perkembangan teknologi digital terus meningkat, tulisan tangan masih memiliki peran penting, khususnya dalam dunia pendidikan sebagai alat evaluasi keterampilan menulis siswa. Namun, penilaian tulisan tangan secara manual cenderung subjektif dan tidak konsisten, terutama dalam aspek kemiringan tulisan yang dapat mencerminkan kejelasan, keterbacaan, dan karakter penulis. Oleh karena itu, diperlukan metode otomatis yang mampu mendeteksi kemiringan tulisan tangan secara akurat dan objektif. Penelitian ini bertujuan untuk mengembangkan sistem otomatis berbasis Convolutional Neural Network (CNN) menggunakan framework YOLOv5 untuk mendeteksi kemiringan tulisan tangan mahasiswa. Dataset terdiri dari 680 citra tulisan tangan yang dianotasi ke dalam tiga kategori: tegak, miring kiri, dan miring kanan. Proses pelatihan dilakukan dalam empat percobaan utama dengan variasi parameter seperti batch size, epoch, dan image size. Model terbaik diperoleh pada konfigurasi Batch Size 16, Epoch 150, dan Img Size 640 dengan nilai [email protected] sebesar 0.894 dan F1-score 0.84 pada data latih. Evaluasi pada data latih menunjukkan bahwa model mampu mengklasifikasikan tulisan miring kiri dengan akurasi 97%, miring kanan sebesar 95%, dan tegak sebesar 84%. Pada data uji, model juga menunjukkan performa baik dengan [email protected] rata-rata sebesar 0.59, recall 0.835 dan mampu mengklasifikasikan tulisan miring kiri dengan akurasi 100%, miring kanan sebesar 93%, dan tegak sebesar 57%. Penelitian ini menunjukkan bahwa pendekatan CNN dengan YOLOv5 efektif digunakan untuk mendeteksi kemiringan tulisan tangan dan memiliki potensi besar untuk diimplementasikan dalam bidang lainnya.