Sel darah putih merupakan komponen penting dalam sistem kekebalan tubuh yang berperan dalam melindungi tubuh dari infeksi. Klasifikasi berbagai jenis sel darah putih sering digunakan untuk membantu proses diagnosis sejumlah penyakit, seperti leukemia, mieloma, dan anemia. Namun, metode klasifikasi konvensional cenderung memerlukan waktu yang lama serta proses yang cukup kompleks. Pada penelitian ini, digunakan metode Convolutional Neural Network (CNN), yang merupakan salah satu arsitektur jaringan saraf tiruan yang paling banyak digunakan, untuk mengklasifikasikan empat jenis sel darah putih, yaitu eosinofil, limfosit, monosit, dan neutrofil. Model CNN dikombinasikan dengan arsitektur VGG19 dan dilatih menggunakan dataset yang terdiri dari 2.400 citra beresolusi 224×224 piksel. Pelatihan model dilakukan dengan berbagai rasio pembagian data dan jumlah epoch yang berbeda untuk memperoleh konfigurasi terbaik dalam mengklasifikasikan keempat jenis sel darah putih tersebut. Hasil eksperimen menunjukkan bahwa akurasi tertinggi, yaitu sebesar 93%, diperoleh pada konfigurasi dengan rasio pembagian data 80:20 dan jumlah epoch sebanyak 20. Hasil ini menunjukkan bahwa model yang dikembangkan mampu mengidentifikasi empat jenis sel darah putih secara efektif, yaitu eosinofil, limfosit, monosit, dan neutrofil.