Kanker payudara merupakan salah satu penyebab utama kematian pada wanita di seluruh dunia. Deteksi dini melalui pencitraan ultrasound menjadi krusial karena sifatnya yang non-invasif dan aman. Akan tetapi, citra ultrasound sering kali memiliki kualitas rendah dengan noise yang tinggi sehingga kurang optimal untuk klasifikasi. Penelitian ini bertujuan untuk mengembangkan model klasifikasi kanker payudara yang lebih akurat dengan memanfaatkan metode transfer learning yang dikombinasikan dengan attention mechanism. Model yang diusulkan, yaitu Dense-Sase, menggunakan arsitektur dasar dari DenseNet-121 sebagai feature extractor dengan dua mekanisme perhatian, yaitu Scaled-Dot Product Attention dan Squeeze-and-Excitation (SE Block). Model digunakan untuk klasifikasi kanker payudara dalam tiga kategori, yaitu normal, benign, dan malignant. Hasil evaluasi menunjukkan bahwa model yang diusulkan mencapai accuracy 0.9829, precision 0.9797, recall 0.9898, dan F1-score 0.9844. Hasil visualisasi menggunakan Grad-CAM juga menunjukkan bahwa model Dense-SASE mampu fokus pada area lesi yang relevan pada citra ultrasound, bukan pada latar belakang atau area non-informatif. Hal ini menginterpretasikan bahwa model tidak hanya mengingat data, tetapi juga memahami pola karakteristik dari tiap kelas. Dengan demikian, Dense-SASE terbukti efektif dalam meningkatkan akurasi klasifikasi kanker payudara pada citra ultrasound. Model ini berpotensi menjadi pendekatan yang lebih andal untuk mendukung sistem diagnosis dini di bidang medis.