Layanan hosting merupakan komponen krusial dalam mendukung berbagai kebutuhan bisnis dan pendidikan di era digital. Namun, pemantauan infrastruktur hosting yang efektif menjadi tantangan dengan semakin kompleksnya sistem dan tingginya ketergantungan pada teknologi informasi. Pendekatan monitoring konvensional sering kali tidak memadai karena hanya fokus pada metrik agregat, sehingga gagal mendeteksi anomali yang muncul pada tingkat proses spesifik. Penelitian ini mengembangkan sistem deteksi anomali berbasis machine learning dengan pendekatan hybrid menggunakan model Autoencoder untuk pelabelan data dan Long Short-Term Memory (LSTM) untuk prediksi anomali secara real-time. Sistem dikembangkan dengan fokus pada analisis tingkat proses dan integrasi dengan platform monitoring Zabbix yang sudah ada di PuTI Telkom University Surabaya. Data penggunaan sumber daya dan trafik web server dikumpulkan setiap 15 detik selama periode 40 hari, menghasilkan sekitar 223.888 data untuk pelatihan model. Hasil pengujian menunjukkan sistem mampu mencapai akurasi deteksi 96.34% dengan end-to-end delay 2.669 detik, memungkinkan identifikasi anomali secara proaktif sebelum berdampak signifikan terhadap kinerja layanan. Integrasi dengan notifikasi Telegram memberikan peringatan real-time kepada tim teknis, memfasilitasi respons yang cepat terhadap potensi masalah.