Penelitian ini mengusulkan sistem biometrik multimodal dengan menggabungkan dua modalitas, yaitu elektrokardiogram (ECG) dan sidik jari, untuk meningkatkan akurasi dan keandalan autentikasi identitas. Hasil penelitian menunjukkan bahwa integrasi kedua modalitas tersebut lebih unggul dibandingkan penggunaan satu modalitas saja, karena ECG sulit dipalsukan sementara sidik jari tetap menyumbang akurasi tinggi. Proses normalisasi data terbukti berperan penting dalam preprocessing, meningkatkan rata-rata akurasi klasifikasi dari 37,46% menjadi 62,29%, terutama pada algoritma berbasis jarak seperti KNN dan SVM. Selain itu, metode ekstraksi fitur minutiae menghasilkan kinerja paling optimal pada data sidik jari dengan rata-rata akurasi 82,71% setelah normalisasi, karena mampu menangkap karakteristik unik yang representatif. Dari sisi algoritma, Random Forest memberikan performa terbaik dalam klasifikasi data multimodal dengan rata-rata akurasi 92,25% setelah normalisasi dan 92,75% tanpa normalisasi. Temuan ini menegaskan bahwa kombinasi multimodal biometrik dan pemilihan metode klasifikasi yang tepat mampu menghadirkan sistem autentikasi yang lebih aman, andal, dan akurat.