Glaukoma merupakan salah satu gangguan pada mata yang cenderung tidak memiliki gejala hingga mencapai stadium lanjut. Data dari WHO mengatakan bahwa glaukoma menjadi penyebab kebutaaan permanen nomor dua di dunia setelah katarak dan diprediksikan akan menyentuh angka 111,8 juta penderita pada tahun 2040. Deteksi dini pada penyakit glaukoma dinilai penting untuk mengurangi resiko kebutaan permanen yang diakibatkan oleh penyakit ini. Banyak penelitian telah mengembangkan deteksi dini glaukoma melalui pendekatan deep learning Convolutional Neural Network(CNN) pada fundus image, salah satunya adalah EfficientNet. EfficientNet terbukti mampu memperoleh performa dan efisiensi yang menjanjikan dengan teknik compound scalling dalam bidang klasifikasi pencitraan medis. Di sisi lain, penambahan LSTM pada arsitektur deep learning mampu meningkatkan performa dari sistem yang dibuat. Pada penelitian ini akan menerapkan deep learning CNN model EfficientNet yang dikombinasikan dengan LSTM untuk meningkatkan performa dari model dalam mengklasifikasikan fundus image menjadi dua kelas yaitu mata pengidap glaukoma dan mata normal. Selain itu metode evaluasi yang digunakan pada penelitian ini adalah K-Fold Cross Validation dimana nilai K=10. Penelitian ini memperoleh hasil matriks performa yang optimal pada dataset ACRIMA dengan rata-rata accuracy 0.9799, loss 0.0596, precision 0.9802, sensitivity 0.9799, specificity 0.9771 dan f1score 0.9799. Hasil kombinasi tersebut juga mampu mengungguli performa yang dihasilkan dari model yang menggunakan EfficientNet saja dengan rata-rata kenaikan f1 score pada pengujian yang dilakukan sebesar 5,7%.