Variabilitas gaya tulisan tangan antar individu sering kali menyebabkan ketidakkonsistenan pola garis dasar (baseline), seperti pola naik, turun, atau bergelombang, yang meningkatkan risiko kesalahan segmentasi pada sistem pengenalan teks. Penelitian ini bertujuan untuk mengimplementasikan metode Convolutional Neural Network (CNN) melalui framework You Only Look Once versi 11 (YOLOv11) untuk mendeteksi dan mengklasifikasikan tiga jenis baseline tulisan tangan secara otomatis, yaitu Ascending Baseline (AB), Descending Baseline (DB), dan Wavy Baseline (WB). Dataset penelitian diperoleh dari tulisan tangan mahasiswa Universitas Indo Global Mandiri yang melalui tahapan akuisisi citra, pra-pemrosesan, anotasi, pelabelan, dan augmentasi data. Model dilatih dan dievaluasi menggunakan metrik Precision, Recall, F1-Score, mAP@50, dan mAP@50–95. Hasil penelitian menunjukkan bahwa penerapan augmentasi data mampu meningkatkan performa model dibandingkan sebelum augmentasi. Pada pengujian data testing, model memperoleh Precision sebesar 42,3%, Recall sebesar 59,2%, F1-Score sebesar 49,3%, mAP@50 sebesar 52%, dan mAP@50–95 sebesar 35,7%. Hasil tersebut menunjukkan bahwa YOLOv11 mampu mendeteksi baseline tulisan tangan dengan performa yang cukup baik, meskipun masih menghadapi tantangan pada kelas minortias (WB) akibat kompleksitas pola dan ketidakseimbangan distribusi data. Penelitian ini menunjukkan bahwa pendekatan CNN berbasis YOLO dapat diterapkan dalam mendeteksi baseline tulisan tangan secara otomatis.