Deteksi dini penyakit ayam sangat krusial untuk mencegah penyebaran penyakit dan kerugian ekonomi, namun keterbatasan aksesibilitas layanan veteriner di wilayah terpencil mendorong pengembangan sistem diagnosis berbasis kecerdasan buatan. Penelitian ini mengusulkan pendekatan hybrid bertingkat (cascaded hybrid framework) yang mengintegrasikan U-Net sebagai tahap prapemrosesan kualitas citra dan Convolutional Vision Transformer (Conv-ViT) sebagai model klasifikasi utama yang memanfaatkan fusi fitur lokal-global. Dataset yang digunakan terdiri dari 8.067 citra kotoran ayam dalam empat kelas: Healthy, Coccidiosis, Salmonella, dan Newcastle Disease. Pengujian pada kondisi ideal (clean test) menunjukkan model usulan mencapai Akurasi Global sebesar 98,39%, mengungguli model acuan terdahulu. Untuk membuktikan kontribusi nyata komponen U-Net, dilakukan skenario pengujian terkontrol dengan degradasi kualitas citra buatan (noisy test), di mana U-Net berhasil meningkatkan PSNR dari 22,7966 dB menjadi 31,8420 dB dan SSIM dari 0,4987 menjadi 0,8658, serta memulihkan confidence score Conv-ViT dari 78,10% menjadi 97,45% pada kondisi gangguan ekstrem. Hasil ini membuktikan kontribusi nyata komponen U-Net dalam pipeline sekaligus menghasilkan sistem diagnosis penyakit unggas dengan performa akurasi yang tinggi dan andal.