Perkembangan teknologi pengolahan citra dan deep learning memungkinkan analisis tulisan tangan dilakukan secara lebih akurat, termasuk dalam mendeteksi jarak spasi antarkata yang kompleks akibat variasi gaya tulisan. Penelitian ini bertujuan menerapkan algoritma Convolutional Neural Network (CNN) menggunakan framework You Only Look Once versi 11 (YOLOv11) untuk mendeteksi dan mengklasifikasikan zona spasi antarkata ke dalam tiga kelas: Narrow Word Spacing (NWS), Medium Word Spacing (MWS), dan Wide Word Spacing (WWS). Dataset yang digunakan terdiri dari 150 citra tulisan tangan dengan total 4.117 objek teranotasi. Metodologi penelitian melibatkan pengujian model dengan variasi learning rate (0,1; 0,01; 0,001; dan 0,0001) serta variasi pembagian data (split data) dengan rasio 70:30, 80:20, dan 90:10. Evaluasi dilakukan menggunakan metrik Precision, Recall, F1-Score, serta mean Average Precision (mAP). Berdasarkan 12 percobaan, konfigurasi terbaik diperoleh pada learning rate 0,001 dengan split data 90:10, yang menghasilkan nilai mAP@50 sebesar 0,455, mAP@50–95 sebesar 0,261, dan F1-Score sebesar 0,49. Hasil ini menunjukkan bahwa YOLOv11 mampu mendeteksi zona spasi antarkata dengan performa cukup baik, meskipun terdapat tantangan pada kemiripan pola visual antar kelas.