Deteksi anomali dalam industri minyak dan gas merupakan langkah krusial untuk menjaga kelancaran, keamanan, dan efisiensi operasional. Penelitian ini bertujuan mengembangkan dan membandingkan dua arsitektur Recurrent Neural Network (RNN), yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), dalam mendeteksi anomali pada data time-series operasional produksi minyak dan gas. Dataset yang digunakan berasal dari catatan operasional tahun 2015–2016, dengan empat variabel utama yang relevan terhadap kondisi operasional pipa, yaitu tekanan PRESSURE, TEMPERATURE, ENERGYRATE, dan VOLUMERATE.
Tahapan penelitian meliputi eksplorasi data (EDA), praproses (penanganan missing values, normalisasi menggunakan RobustScaler, dan pembentukan windowing), pelatihan model LSTM dan GRU, serta evaluasi menggunakan metrik nilai error. Deteksi anomali dilakukan dengan menentukan threshold berbasis persentil ke-95 dari distribusi kesalahan prediksi, di mana nilai kesalahan di atas ambang tersebut dikategorikan sebagai anomali.
Hasil pengujian menunjukkan bahwa model GRU memiliki kinerja lebih baik . Visualisasi hasil deteksi menunjukkan bahwa anomali banyak terjadi pada periode April–Mei 2016, yang kemungkinan dipengaruhi oleh gangguan instrumen atau perubahan operasional mendadak. Penelitian ini memberikan kontribusi berupa rancangan sistem deteksi anomali unsupervised yang memanfaatkan dua arsitektur RNN sebagai pembanding, serta dokumentasi proses analisis data industri minyak dan gas yang dapat digunakan sebagai acuan pengembangan sistem pemantauan operasional secara otomatis.