Industri minyak dan gas sangat bergantung pada sistem perpipaan untuk menyalurkan gas, deteksi dini anomali operasional menjadi sangat penting untuk mencegah gangguan dan kerugian besar. Penelitian ini bertujuan mengembangkan model deteksi anomali pada data operasional pipa gas menggunakan pendekatan unsupervised learning berbasis Long Short-Term Memory (LSTM) encoder–decoder yang hanya dilatih menggunakan data normal hasil dari seleksi clustering HDBSCAN. Data yang digunakan adalah data historis operasional pipa gas pada tahun 2019-2021 dengan empat fitur utama, yaitu ENERGYRATE, VOLUMERATE, PRESSURE, dan TEMPERATURE, di mana data tahun 2019-2020 digunakan sebagai data latih dan tahun 2021 sebagai data uji. Tahapan penelitian dimulai dari preprocessing dan agregasi median per jam, identifikasi data normal dengan HDBSCAN, pelatihan model LSTM encoder-decoder menggunakan sequence window, penentuan ambang anomali dengan metode Interquartile Range (IQR) berdasarkan reconstruction error, serta evaluasi menggunakan metrik Mean Squared Error (MSE) dan Mean Absolute Error (MAE). Hasil eksperimen menunjukkan bahwa konfigurasi window 24 jam memberikan performa terbaik dengan nilai Test MSE dan MAE terendah serta kecenderungan overfitting yang minimal, sedangkan penerapan IQR menghasilkan ambang rekonstruksi yang mampu mengidentifikasi sekitar 9 persen titik data sebagai anomali pada tahun 2021. Menurut analisis feature importance, PRESSURE adalah fitur yang paling dominan menyebabkan anomali, sehingga dapat dijadikan indikator utama untuk memantau operasional pipa gas.