Pemantauan sinyal operasional pipa gas secara konvensional yang mengandalkan pengawasan manusia memiliki berbagai keterbatasan, termasuk inefisiensi waktu, subjektivitas penilaian, dan kerentanan terhadap human error. Untuk mengotomatisasi proses ini, pemanfaatan algoritma machine learning dapat menjadi solusi. Penelitian ini mengimplementasikan model Long Short-Term Memory (LSTM) Autoencoder untuk mendeteksi anomali pada data sekuensial. Model deep learning unsupervised menangkap karakteristik temporal dalam data melalui arsitektur encoder-decoder. Dalam prosesnya, model mempelajari pola dari data normal dengan terlebih dahulu memampatkan informasi ke dalam bentuk representasi yang lebih ringkas, lalu merekonstruksinya kembali ke bentuk semula. Model dilatih menggunakan data dengan pola normal, cenderung hanya mampu merekonstruksi data normal dengan akurat. Oleh karena itu, deviasi signifikan antara data asli dan hasil rekonstruksinya akan diinterpretasikan sebagai indikasi adanya anomali. Eksperimen dilakukan dengan menggunakan dataset yang memuat beragam variabel yang dicatat dari suatu fasilitas pengolahan gas alam. Hasil pengujian menunjukkan bahwa model dua lapis unit LSTM dengan jumlah unit 128 dan 64 memiliki performa terbaik dengan rata-rata galat sekecil 0,059. Model berhasil mendeteksi anomali tajam pada data uji, namun kurang responsif terhadap anomali yang menyebar dalam rentang waktu panjang.
Kata Kunci: Deteksi anomali, LSTM, Autoencoder, Pemantauan pipa.