Sel darah putih terbentuk pada sumsum tulang yang bertanggung jawab atas sistem kekebalan tubuh, melindungi tubuh dari penyakit, dan infeksi serta benda asing lainnya. Dalam berbagai penyakit seperti leukemia, anemia, malaria, dan infeksi human immunodeficiency virus (HIV) dapat diprediksi dengan memperhatikan jumlah sel darah putih yang terbentuk. Informasi ini menyoroti pentingnya pemahaman tentang mengetahui jenis kandungan sel darah putih sebagai alat bantu dalam proses diagnosis penyakit. Berbagai penelitian telah mengadopsi pendekatan deep learning untuk menganalisis gambar sel darah putih, salah satunya adalah EfficientNetV2. Model ini dikembangkan untuk meningkatkan efisiensi dalam melakukan tugas pengolahan sebuah gambar. Penambahan GRU mampu meningkatkan kemampuan model dalam memahami dan memodelkan hubungan pada fitur yang dihasilkan oleh model. Pada penelitian ini, model EfficientNetV2 akan dikombinasikan dengan GRU untuk meningkatkan performa model dalam menganalisa dan mengklasifikasi gambar sel darah putih. Dataset Blood Cell Counting and Detection (BCCD) yang terdiri dari empat kelas, yaitu eosinophil, neotrophil, monocyte, dan lymphocyte akan digunakan selama pengujian. Penelitian ini memperoleh hasil nilai rata-rata metriks paling optimal dengan loss 0.0131, accuracy 0.9973, precision 0.9973, recall 0.9973, dan f1 score 0.9973. Hasil ini menunjukkan kemampuan EfficientNetV2 dengan GRU yang relatif baik dalam melakukan klasifikasi gambar dengan efisien dan akurat pada dataset BCCD.