Deteksi anomali pada data operasional migas sangat penting untuk mencegah kerugian operasional, gangguan sistem, dan potensi risiko keselamatan. Penelitian ini bertujuan untuk membandingkan performa dua algoritma unsupervised learning, yaitu Isolation Forest dan DBSCAN, dalam mendeteksi anomali pada data historis tekanan (pressure) dan suhu (temperature) dari sektor migas. Penelitian ini menguji performa deteksi anomali menggunakan dua pendekatan, yaitu univariate dan multivariate berbasis data uji hasil preprocessing. Evaluasi dilakukan menggunakan metrik silhouette score dan noise ratio untuk menilai kualitas pemisahan klaster dan proporsi data yang teridentifikasi sebagai anomali. Hasil menunjukkan bahwa pendekatan univariate, terutama pada fitur tekanan menggunakan DBSCAN, menghasilkan silhouette score tertinggi sebesar 0.856403 dengan noise ratio yang masih wajar. Sebaliknya, pendekatan multivariate tidak selalu menghasilkan performa yang lebih baik dan cenderung menghasilkan silhouette score yang lebih rendah. Isolation Forest menunjukkan performa yang stabil di semua skenario, namun DBSCAN lebih unggul dalam memisahkan klaster secara alami pada data berdensitas tinggi. Temuan ini menunjukkan bahwa pemilihan algoritma dan pendekatan deteksi anomali sangat bergantung pada karakteristik fitur dan struktur data yang dianalisis.
Kata kunci: deteksi anomali, isolation forest, dbscan, univariat, multivariat, silhouette score