Dalam industri minyak dan gas, jaringan pipa digunakan sebagai bentuk transportasi untuk produksi. Namun, jaringan pipa seringkali sulit untuk dirawat dan rentan terhadap masalah seperti korosi, kebocoran, dan karat. Oleh karena itu, penting untuk memiliki cara atau sistem yang dapat secara otomatis mendeteksi anomali untuk menjaga proses produksi tetap berjalan dengan baik. Pada penelitian ini, fokusnya pada perbandingan akurasi antara algoritma K-Nearest Neighbor dan Support Vector Machine dalam mendeteksi anomali pada data operasional transmisi gas. Kedua model mampu mendeteksi hampir semua contoh penyimpangan ekstrim sebagai anomali, dengan model yang menggunakan semua fitur mendeteksi lebih banyak contoh yang jauh dari norma. Untuk meningkatkan kinerja keseluruhan model yang tidak memuaskan, pendekatan baru yang menggabungkan pembelajaran ensemble voting diperkenalkan di mana algoritma ini digabungkan dengan pengklasifikasian voting untuk membentuk framework reinforcement learning. Model yang dihasilkan mampu meningkatkan precision model input, tetapi membuat penurunan pada recall.