Dalam klasifikasi citra, convolutional neural network (CNN) berfokus pada pola lokal, sedangkan vision Transformer (ViT) menekankan konteks global. Integrasi keduanya dalam model hibrida berpotensi menghasilkan representasi citra yang lebih utuh. Klasifikasi citra sampah dengan karakteristik visual yang heterogen dapat dimanfaatkan untuk mengevaluasi hibrida CNN-ViT. Selain itu, klasifikasi tersebut mendukung kebutuhan identifikasi jenis sampah yang akurat bagi pengelolaan sampah yang efektif. Penelitian ini mengkaji penerapan hibrida CNN-ViT untuk klasifikasi citra sampah dengan visual heterogen. Data yang digunakan terdiri dari 24.705 berformat citra RGB pada dua kelas, yaitu organic dan recyclable. Tahapan penelitian meliputi eksplorasi data, resize, pembagian data 80:10:10 (training, validation, dan testing), augmentasi pada data training, serta standardisasi. Model dilatih selama 50 epoch menggunakan binary cross entropy dan optimizer Adam. Evaluasi dilakukan pada epoch terbaik (<50) yang ditentukan berdasarkan akurasi validasi tertinggi. Sebagai pembanding, model CNN dan ViT juga dilatih serta dievaluasi secara terpisah. Pada data testing, diperoleh akurasi hibrida CNN-ViT sebesar 91.54%, CNN sebesar 91.78%, dan ViT sebesar 87.17%. Temuan ini menunjukkan bahwa CNN dapat menjadi baseline yang efektif dan efisien, sementara hibrida CNN-ViT memberikan kinerja yang kompetitif dengan CNN dan layak dipertimbangkan sebagai alternatif untuk klasifikasi sampah berbasis citra.