Padi merupakan salah satu komoditas utama dalam sektor pertanian di Indonesia. Namun, produktivitasnya sering terancam oleh berbagai penyakit tanaman, seperti bercak cokelat, blas, tungro, dan hispa, yang sulit dideteksi secara manual. Penelitian ini bertujuan untuk mengembangkan model deteksi penyakit tanaman padi berbasis deep learning dengan pendekatan hybrid yang menggabungkan Convolutional Neural Network (CNN) dan Vision Transformer (ViT). Penelitian ini menggunakan dataset publik dengan total 9.727 gambar yang mencakup tujuh kelas: BrownSpot, Blast, BacterialLeafBlight, Hispa, LeafSmut, Tungro, dan Healthy. Proses preprocessing mencakup penghapusan latar belakang, resizing, normalisasi, peningkatan kontras, dan noise reduction. Hasil penelitian menunjukkan bahwa model hybrid memberikan akurasi tertinggi sebesar 88% dibandingkan model baseline CNN (82%) dan ViT (83%). Evaluasi lanjutan menggunakan dataset tanamanPadiSultra menunjukkan bahwa model hybrid mempertahankan performa tertinggi dengan akurasi 99%, diikuti oleh CNN (98%) dan ViT (97%). Model hybrid menunjukkan performa yang lebih stabil dan unggul dalam mengenali fitur lokal dan global secara sinergis. Namun, model masih mengalami kesulitan dalam mengenali kelas minoritas akibat keterbatasan data. Saran utama untuk penelitian selanjutnya adalah memperluas dataset dengan mencakup gejala pada bagian tanaman lain seperti batang dan bulir, serta memanfaatkan teknologi pencitraan multispektral untuk deteksi yang lebih komprehensif. Temuan ini diharapkan dapat berkontribusi pada pengelolaan penyakit tanaman padi yang lebih efektif dan berkelanjutan.