Kanker payudara merupakan penyebab utama kematian terkait kanker pada wanita secara global. Skrining dini berbasis mamogram sangat penting untuk meningkatkan tingkat pemulihan dan hasil kesehatan pasien secara keseluruhan. Studi ini mengevaluasi dan membandingkan kinerja dua arsitektur CNN: Inception-v3 dan Inception-ResNet-v2 untuk mengklasifikasikan gambar mamogram apakah menunjukkan tanda-tanda kanker atau tidak. Dataset terdiri dari 745 gambar (125 gambar kanker dan 620 gambar non-kanker), diubah ukurannya menjadi 299×299 piksel, dan dibagi menjadi 80% untuk pelatihan dan 20% untuk validasi. Kedua model dilatih menggunakan transfer learning dengan bobot pra-latih dari ImageNet serta berbagai konfigurasi hiperparameter. Kinerja terbaik dicapai oleh model Inception-ResNet-v2, yang menggunakan learning rate sebesar 0.1, batch size sebanyak 64, 20 epoch, dan optimizer Adamax. Konfigurasi ini menghasilkan akurasi sebesar 95,30%, presisi 95,39%, recall 95,30%, dan skor F1 sebesar 95,34%, dengan waktu pelatihan selama 5,13 menit. Hasil ini menunjukkan bahwa pemilihan model yang tepat serta hiperparameter yang dioptimalkan secara signifikan meningkatkan kinerja klasifikasi. Penelitian ini memperkuat efektivitas metode pembelajaran mendalam dalam mendukung deteksi dini kanker payudara secara cepat dan akurat melalui analisis citra mamogram.