Tanaman padi (Oryza sativa) merupakan komoditas utama di Indonesia yang sangat rentan terhadap serangan hama dan penyakit. Kurangnya identifikasi yang tepat sering menyebabkan penggunaan pestisida secara berlebihan, yang berdampak negatif terhadap lingkungan dan efisiensi pertanian. Untuk mengatasi permasalahan tersebut, penelitian ini mengembangkan sistem klasifikasi hama dan penyakit padi secara real-time berbasis smart edge device menggunakan metode Deep Learning dengan algoritma YOLOv8.Sistem diimplementasikan pada perangkat Raspberry Pi 4 yang terintegrasi dengan kamera webcam sebagai sensor citra, modul GPS NEO-8M untuk akurasi lokasi, Wifi sebagai pengirim data nirkabel, serta layar TFT LCD 7 inci untuk menampilkan hasil deteksi langsung di lapangan. Dataset terdiri dari 4647 citra hasil augmentasi dari total 3054 gambar asli, meliputi 6 jenis hama (penggerek batang, walang sangit, wereng coklat, ngengat, wereng hijau, orong-orong) dan 3 jenis penyakit (blast, blight, tungro). Pelabelan dilakukan melalui Roboflow dan pelatihan model YOLOv8 dilakukan menggunakan Google Colab dengan GPU. Evaluasi sistem dilakukan dengan berbagai parameter teknis, yaitu precision, recall, F1-score, serta mAP (mean Average Precision), dengan hasil terbaik diperoleh pada kelas ngengat (mAP 0.936) dan tungro (mAP 0.877). Selain itu, pengujian performa sistem terhadap variabel jarak deteksi (30–100 cm) menunjukkan bahwa akurasi deteksi menurun seiring bertambahnya jarak, sedangkan kecepatan respon sistem (FPS) berkisar antara 7–11 FPS, tergantung kompleksitas objek dan pencahayaan. Sistem ini telah berhasil diuji di lingkungan pertanian nyata dan terintegrasi dengan WebGIS, memungkinkan visualisasi titik lokasi deteksi hama berdasarkan koordinat GPS. Informasi tersebut ditampilkan baik melalui tampilan lokal pada layar TFT maupun antarmuka website. Dengan hasil pengujian yang komprehensif dan tercapainya semua tujuan, sistem ini terbukti layak diterapkan di lapangan untuk mendukung pengambilan keputusan yang tepat dalam pengendalian hama, mengurangi ketergantungan pada pestisida, dan memperkuat ketahanan pangan nasional melalui pendekatan smart agriculture