Menurut data WHO, epilepsi memengaruhi lebih dari 50 juta orang di seluruh dunia dan memerlukan diagnosis yang akurat melalui analisis sinyal EEG dengan sistem klasifikasi otomatis yang efisien. Penelitian ini mengembangkan dan membandingkan lima model deep learning yaitu CNN, LSTM, GRU, CNN-LSTM, dan CNN-GRU untuk klasifikasi sinyal EEG menggunakan dataset University of Bonn yang terdiri dari 500 segmen data dengan rincian Set A-B (subjek sehat), Set C-D (fase interictal), dan Set E (fase ictal), masing-masing dengan durasi 23,6 detik per segmen dan frekuensi sampling 173,61Hz. Data dibagi dengan rasio 90:10 untuk pelatihan dan pengujian, evaluasi dilakukan menggunakan 10-fold stratified cross validation pada dua skenario: klasifikasi biner (sehat vs epilepsi) dengan rasio 2:3 dan klasifikasi tiga kelas (sehat, interictal, ictal) dengan rasio seimbang menggunakan augmentasi data untuk data ictal. Hasil penelitian menunjukkan untuk klasifikasi biner, CNN dan CNN-GRU mencapai akurasi tertinggi 89,78% dengan waktu eksekusi CNN tercepat 54,55 milidetik dan CNN-GRU 103,05 detik, sedangkan untuk klasifikasi tiga kelas, CNN menunjukkan performa optimal dengan akurasi 95,00% dan waktu eksekusi 56,13 detik, diikuti CNN-GRU dengan akurasi 92,04% dan waktu eksekusi 103,63 detik. Model hybrid CNN-GRU memberikan keseimbangan optimal antara akurasi tinggi dan efisiensi waktu dibandingkan model RNN tunggal seperti LSTM (213-220 detik) dan GRU (247-249 detik), sehingga cocok untuk implementasi sistem monitoring epilepsi real-time di rumah sakit dan memberikan solusi praktis untuk meningkatkan kecepatan serta konsistensi diagnosis epilepsi dalam praktik klinis.