Aksara Sunda adalah aksara yang semakin jarang digunakan sehingga masyarakat awam sering tidak familiar dengan bentuknya, terutama saat membaca tulisan tangan yang selalu memiliki variasi tergantung penulisnya sehingga ada keterbatasan dalam mengenali bentuknya. Penelitian ini berfungsi untuk menguji performa model deep learning untuk tugas klasifikasi 23 kelas Aksara Sunda serta menguji kombinasi model terhadap berbagai parameter agar dapat memberikan hasil optimal. Penelitian ini menggunakan Inception-ResNetV2 yang dikombinasikan dengan metode fine-tuning transfer learning untuk diuji terhadap tiga optimizer dan learning rate sebanyak 20 epoch. Data pada penelitian ini gabungan dari data GitHub dan data pengumpulan mandiri. Pengujian ini menggunakan rasio 80:20 untuk data latih dan data uji. Optimizer yang diuji adalah SGD, Adam, dan RMSProp. Hasil pengujian menunjukkan bahwa tiap-tiap optimizer mampu memberikan hasil teroptimalnya pada parameter tertentu. Melihat skor performa, RMSProp 0.0001 berhasil mencapai nilai akurasi data uji tertinggi pada 99.15%, diikuti oleh SGD 0.01 dengan akurasi data uji 98.66%, lalu disusul Adam 0.0001 dengan akurasi data uji 96.61%. Akan tetapi, melihat grafik kurva, optimizer SGD lebih stabil dibandingkan RMSProp—yang mengalami guncangan di awal—ataupun Adam—yang mengalami gejala overfitting ringan. Hasil kontradiktif ini dapat menjadi pembelajaran untuk penelitian selanjutnya.