Deteksi anomali pada data sensor industri sangat penting untuk menjamin keandalan operasional dan keselamatan lingkungan, khususnya dalam sektor minyak dan gas. Penelitian ini mengusulkan pendekatan hybrid yang meng gabungkan metode statistik berbasis Moving Average untuk pelabelan awal, serta algoritma pembelajaran mesin K-Nearest Neighbors (KNN) dan Isolation Forest (IF) untuk klasifikasi anomali. Dataset yang digunakan terdiri dari da ta sensor harian hasil agregasi granular, mencakup empat parameter utama: PRESSURE, TEMPERATURE, N2, dan NC5. Pelabelan dilakukan berda sarkan ambang deviasi rata-rata bergulir dengan target rasio anomali sebesar 5%. Model KNN dilatih secara supervised dengan konfigurasi n neighbors=3, menghasilkan akurasi sebesar 92,34%, Precision 0,2446, dan F1 Score 0,1971. Sementara itu, IF diterapkan tanpa label (unsupervised) dengan parameter contamination=0.07, menghasilkan F1 Score 0,1671, AUC-ROC 0,7662, dan akurasi 89,15%. Visualisasi hasil menunjukkan bahwa KNN cenderung men deteksi anomali ekstrem yang terpisah dari mayoritas, sedangkan IF mampu mendeteksi anomali yang tersebar dan lebih ringan. Penelitian ini menyim pulkan bahwa penggabungan pendekatan statistik dan machine learning mem bentuk sistem deteksi anomali yang adaptif dan andal. Kombinasi ini cocok untuk implementasi pemantauan kondisi proses secara real-time, baik dalam kondisi data berlabel maupun tidak berlabel.