Diabetes merupakan masalah kesehatan global yang serius dan dapat menyebabkan berbagai komplikasi, salah satunya adalah Retinopati Diabetik (RD), sebuah kondisi yang terjadi ketika tingkat gula darah yang tinggi merusak pembuluh darah di retina mata. Penderita diabetes perlu melakukan pemeriksaan rutin pada retina untuk mendeteksi RD secara dini. Teknik klasifikasi seperti Convolutional Neural Networks (CNN) telah menjanjikan dalam mendiagnosis RD secara otomatis dan akurat. Namun, tantangan muncul karena hanya menggunakan satu dataset dalam klasifikasi citra retina mungkin tidak menghasilkan prediksi yang tepat. Oleh karena itu, penelitian ini bertujuan untuk meningkatkan akurasi dan efektivitas diagnosis otomatis RD dengan menggabungkan dua jenis citra retina dari Fundus Photography dan Optical Coherence Tomography (OCT) dengan teknik early fusion menggunakan concatenate dari library numpy dan alpha blending, yang dilatih menggunakan model CNN. Dataset fusion dari citra fundus dan OCT yang dilatih menggunakan model CNN memiliki akurasi tertinggi mencapai 92%, specificity 96%, sensitivity 98%, AUC 99%, dan F1-score 96%, dengan learning rate 0.0001 dan epoch 100. Berdasarkan penelitian ini, fusi citra dari fundus dan OCT dengan early fusion dapat menghasilkan klasifikasi penyakit Retinopati Diabetik berdasarkan kelasnya, yaitu RD dan Normal, dengan lebih akurat.