Pemantauan sistem operasional pada pipa minyak dan gas sangat penting untuk mencegah kerugian besar maupun gangguan operasional yang berdampak luas. Namun, identifikasi anomali pada data time series masih banyak dilakukan secara manual dan belum sepenuhnya adaptif terhadap karakteristik data yang kompleks. Penelitian ini bertujuan untuk membangun model deteksi anomali berbasis prediksi dan analisis selisih terhadap data historis operasional. Topik ini penting karena metode deteksi yang ada belum cukup efektif dalam mengenali pola-pola anomali tersembunyi, terutama pada data dengan perilaku yang dinamis seperti sistem pipa migas. Solusi yang ditawarkan dalam penelitian ini adalah kombinasi model prediksi menggunakan LSTM dan metode klasterisasi DBSCAN untuk mendeteksi anomali berdasarkan residuals antara data aktual dan hasil prediksi. Evaluasi dilakukan melalui enam skenario, termasuk tuning parameter LSTM, pembagian rasio data, dan perbandingan deteksi per fitur. Hasil menunjukkan bahwa LSTM memberikan prediksi terbaik pada fitur temperature dengan MSE sebesar 0.001045 dan pada pressure sebesar 0.001398. Sementara itu, DBSCAN menghasilkan silhouette score tertinggi pada fitur pressure sebesar 0.9805. Deteksi anomali secara univariate menghasilkan hasil yang lebih detail dengan 23 titik anomali pada energy rate dan 17 titik pada volume rate. Temuan ini membuktikan bahwa kombinasi LSTM dan DBSCAN efektif dalam mendeteksi anomali secara lebih akurat dan sensitif terhadap karakteristik masing-masing fitur.
Kata kunci: time series, deteksi anomali, LSTM, DBSCAN, residual, operasional pipa