Penyakit kulit memiliki berbagai penyebab, seperti paparan bahan kimia, sinar matahari, virus, bakteri, dan faktor lainnya. Klasifikasi penyakit kulit sangat penting karena gejalanya yang mirip, seperti ruam merah, gatal, dan rasa terbakar. Gejala penyakit yang mirip membuat sulit untuk membedakannya secara visual. Penelitian ini bertujuan untuk mengklasifikasikan penyakit kulit dengan menggunakan metode hybrid Convolutional Neural Network (CNN).  Dataset yang digunakan adalah MSLD v2.0 yang merupakan data citra penyakit kulit dengan 6 kelas yaitu cacar monyet, cacar air, cacar air, campak, HFMD, dan sehat. Hybrid CNN merupakan integrasi antara model CNN dan metode machine learning. Penelitian ini menggunakan tiga model CNN, yaitu EfficientNet, DenseNet, dan ResNet, sebagai ekstraksi fitur. Metode klasifikasi yang digunakan adalah regresi logistik, random forest, dan extreme gradient boosting. Augmentasi data juga diterapkan untuk meningkatkan variasi data. Hasil performa tertinggi didapatkan ketika menggunakan EfficientNet sebagai ekstraksi fitur dan regresi logistik sebagai metode klasifikasi setelah melalui proses augmentasi data dengan akurasi sebesar 95?n macro f1-score sebesar 94%, yang menunjukkan performa yang tinggi dalam pendeteksian penyakit kulit. Hybrid CNN dengan metode machine learning menunjukkan kemampuan ekstraksi fitur pada citra penyakit kulit dan mencapai performa yang optimal