Metode otentikasi tradisional seperti PIN dan kata sandi masih rentan terhadap pencurian dan peretasan, sehingga menuntut adanya alternatif yang lebih aman. Pendekatan biometrik mengatasi kelemahan tersebut, namun sistem unimodal seperti sidik jari atau pengenalan wajah masih rawan terhadap serangan peniruan (spoofing) dan gangguan lingkungan. Penelitian ini bertujuan untuk meningkatkan keandalan biometrik melalui kerangka kerja multimodal yang mengintegrasikan sinyal elektrokardiogram (EKG) dan citra sidik jari. Fitur sidik jari diekstraksi menggunakan tiga jaringan konvolusional dalam—VGG16, ResNet50, dan DenseNet121— sementara sinyal EKG disegmentasi di sekitar puncak R pertama untuk menghasilkan vektor fitur dengan dimensi yang beragam. Kedua modalitas tersebut difusi pada level fitur menggunakan fusi awal (early fusion) dan diklasifikasikan dengan empat algoritma pembelajaran mendalam: Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM), Graph Convolutional Network (GCN), dan Graph Attention Network (GAT). Hasil eksperimen menunjukkan bahwa kombinasi VGG16 + LSTM dan ResNet50 + LSTM mencapai akurasi identifikasi tertinggi sebesar 98,75 %, sementara DenseNet121 + MLP memberikan kinerja yang sebanding. MLP dan LSTM secara konsisten mengungguli GCN dan GAT, memvalidasi kesesuaian model sekuensial dan feed-forward untuk penanaman fitur yang telah difusi (fused feature embeddings). Dengan menggunakan segmentasi EKG berbasis puncak R dan fitur sidik jari berbasis CNN, sistem yang diusulkan ini secara signifikan meningkatkan stabilitas dan kekokohan klasifikasi. Desain biometrik multimodal ini memperkuat perlindungan terhadap peniruan dan pemalsuan identitas, menyediakan solusi otentikasi yang terukur dan aman untuk aplikasi keamanan tinggi seperti pembayaran digital, layanan kesehatan, dan perangkat IoT.