Deteksi anomali menjadi salah satu aspek penting dalam pengelolaan data operasional di industri minyak dan gas (migas) untuk mencegah gangguan dan kerusakan sistem. Penelitian ini mengusulkan kombinasi algoritma Autoencoder dan Isolation Forest untuk mendeteksi anomali pada data time series operasional migas. Autoencoder Isolation Forest digunakan sebagai metode pelabelan (psedolabeling) terhadap data tidak berlabel, sementara Autoencoder digunakan untuk mempelajari pola normal dan mengidentifikasi penyimpangan melalui nilai reconstruction error. Dataset yang digunakan pada penelitian ini berasal dari pencatatan sensor jalur pipa gas alam pada suatu perusahaan tahun 2021 dengan total 62.313 data. Penelitian difokuskan pada jalur pipa dengan ASET_ID = 133001, dengan fitur utama TEMPERATURE dan PRESSURE, menghasilkan sebanyak 8.759 data yang dianalisis. Evaluasi dilakukan menggunakan dua pendekatan: Multivariate dan Univariate. Hasil menunjukkan bahwa pendekatan Univariate lebih stabil, terutama ketika digunakan dengan model Autoencoder. Model terbaik diperoleh dengan konfigurasi Window Size = 3, dense layer 64-32, dan fungsi aktivasi ReLU. Evaluasi performa dilakukan dengan metrik F1-Score, Precision, dan AUC. Hasil terbaik Autoencoder pada fitur Temperature menghasilkan nilai F1-Score: 0.8177, Precision: 0.9023, Recall: 0.7476, dan AUC: 0.9890, dengan total 186 anomali terdeteksi. Sementara pada fitur Pressure, model mencapai F1-Score: 0.8432, Precision: 0.9070, Recall: 0.7879, dan AUC: 0.9951, serta berhasil mendeteksi 345 anomali. Temuan ini menunjukkan bahwa kombinasi Isolation Forest dan Autoencoder dapat menjadi solusi efektif dalam mendeteksi anomali pada data sensor operasional migas.
Kata Kunci: Autoencoder, Isolation Forest, Deteksi Anomali, Data Time Series, Industri Migas, F1-Score, ROC Curve, Psedo-labeling, Univariate