Distribusi minyak dan gas melalui pipa bawah laut membutuhkan pengawasan berkelanjutan, terutama ketika mendistribusikan sumber daya ini melalui pipa bawah laut, dimana kegagalan operasional dapat menyebabkan kerugian ekonomi yang besar dan kerusakan lingkungan. Peramalan yang akurat penting untuk pemeliharaan yang proaktif dan mitigasi risiko. Penelitian ini menyajikan arsitektur CNN-LSTM dengan input ganda yang disempurnakan dengan mekanisme attention untuk memprediksi tekanan pipa pada hilir pipa gas alam bawah laut satu jam setelahnya. Sebagai salah satu aplikasi awal dalam penggunakan model ini pada latar industri, model ini memanfaatkan histori data kondisi operasional selama 12 jam sebelumnya dengan attention flag berbasis peristiwa untuk meningkatkan akurasi prediksi. Lapisan CNN mengekstraksi fitur spasial dari berbagai masukan sensor, sementara LSTM mengidentifikasi dependensi temporal sepanjang waktu. Modul attention secara dinamik fokus pada peristiwa shutdown yang memungkinkan model untuk memprioritaskan data yang relevan. Untuk memastikan kinerja yang optimal, algoritma optimisasi Hyperband digunakan untuk menyeimbangkan efisiensi dan keandalan model. Selain itu, model ini menggunakan cabang terpisah untuk data sensor dan attention flag, sehingga dapat meningkatkan interpretabilitas dan kinerja prediksi. Hasil menunjukkan penurunan sebesar 5.2% pada Mean Absolute Error (MAE), menekankan pentingnya menyertakan informasi spasial untuk memprediksi kondisi dengan lebih baik dalam sistem yang lebih rumit dalam industri. Hasil ini menggarisbawahi nilai tambah arsitektur Deep Learning gabungan dalam sistem industri yang kompleks, terutama dimana pola spasial dan temporal krusial untuk peramalan kondisi yang akurat.