Otentikasi biometrik menawarkan solusi yang menjanjikan untuk meningkatkan keamanan sistem digital dengan memanfaatkan karakteristik fisiologis unik dari setiap individu. Penelitian ini mengusulkan sistem otentikasi multimodal berbasis deep learning yang mengintegrasikan citra sidik jari dan sinyal elektrokardiogram (ECG). Dataset yang digunakan meliputi FVC2004 untuk data sidik jari dan ECG-ID untuk sinyal ECG. Empat arsitektur deep learning— Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), CNN-LSTM, dan Deep Neural Network (DNN)—dievaluasi untuk membandingkan efektivitasnya dalam mengenali identitas individu berdasarkan fitur multimodal yang digabungkan. Teknik ekstraksi fitur yang digunakan mencakup konversi ke grayscale, binarisasi, deteksi tepi, dan ekstraksi minutiae untuk citra sidik jari, serta segmentasi berbasis R-peak untuk sinyal ECG. Fitur-fitur yang diekstraksi kemudian digabungkan menggunakan strategi feature-level fusion untuk membentuk representasi terpadu. Hasil eksperimen menunjukkan bahwa model CNN mencapai akurasi klasifikasi tertinggi sebesar 96,25%, diikuti oleh LSTM dan DNN sebesar 93,75%, sementara CNN-LSTM memperoleh performa terendah sebesar 11,25%. Fitur berbasis minutiae secara konsisten menghasilkan kinerja yang lebih unggul pada berbagai model, menegaskan pentingnya deskriptor fitur lokal dalam tugas identifikasi berbasis sidik jari. Penelitian ini berkontribusi pada pengembangan otentikasi biometrik dengan menunjukkan efektivitas feature level fusion dan arsitektur CNN untuk pengenalan identitas yang akurat dan tangguh. Sistem yang diusulkan memiliki potensi kuat untuk diaplikasikan pada otentikasi biometrik yang aman dan adaptif di berbagai aplikasi digital modern.