Penelitian ini bertujuan untuk mengembangkan model klasifikasi otomatis jenis patah tulang pada manusia menggunakan metode Convolutional Neural Network (CNN). CNN dipilih karena kemampuannya untuk mengekstraksi fitur citra secara otomatis tanpa memerlukan teknik ekstraksi tambahan. Dalam penelitian ini, dataset yang digunakan berjumlah 1521 citra X-ray yang dikategorikan ke dalam 10 jenis fraktur berbeda. Proses pelatihan model dilakukan menggunakan data training yang terdiri dari 80% citra dan 20% citra digunakan untuk data testing. Arsitektur CNN yang diterapkan mencakup beberapa lapisan konvolusi, pooling, dan fully connected untuk menghasilkan model klasifikasi yang akurat.Hasil penelitian menunjukkan bahwa model CNN berhasil mencapai tingkat akurasi sebesar 95% dalam mengklasifikasikan jenis patah tulang. Metrik evaluasi lainnya, seperti presisi, recall, dan f1-score, menunjukkan performa yang sangat baik pada sebagian besar jenis fraktur, dengan kelas-kelas seperti "Comminuted fracture", "Spiral fracture", dan "Hairline fracture" mencapai akurasi 100%. Meskipun ada beberapa kelas dengan akurasi lebih rendah, seperti pada "Avulsion fracture", model tetap menunjukkan potensi yang sangat baik dalam mengidentifikasi dan mengklasifikasikan jenis fraktur. Analisis menggunakan confusion matrix lebih lanjut mengonfirmasi bahwa model ini dapat diandalkan untuk klasifikasi patah tulang secara otomatis.Penelitian ini memberikan kontribusi signifikan dalam pengembangan sistem diagnosis otomatis berbasis AI untuk bidang medis, terutama dalam membantu tenaga medis dalam mengidentifikasi berbagai jenis patah tulang dengan cepat dan akurat. Temuan ini juga membuka peluang untuk penelitian lebih lanjut dalam meningkatkan akurasi klasifikasi, terutama pada kelas dengan akurasi rendah, serta penerapan model CNN pada dataset yang lebih besar atau citra medis lainnya seperti CT scan atau MRI.