Keandalan operasional turbin Pembangkit Listrik Tenaga Panas Bumi (PLTP) merupakan faktor kritis dalam ketercapaian target energi terbarukan nasional. Sistem pemantauan yang ada saat ini mengandalkan threshold statis yang efektif untuk batas kritis, tetapi memiliki keterbatasan dalam mendeteksi anomali dini yang berkembang secara gradual, sehingga berpotensi menunda tindakan preventif. Sebagai instrumen Sistem Pendukung Keputusan (DSS) yang proaktif untuk condition monitoring, penelitian ini mengembangkan model deteksi anomali berbasis LSTM Autoencoder (LSTM-AE) yang dilengkapi mekanisme adaptive threshold menggunakan Drift Streaming Peaks-Over-Threshold (DSPOT) berbasis Extreme Value Theory (EVT) untuk turbin PLTP Karaha Unit 1. Model dilatih secara unsupervised menggunakan enam sensor operasional turbin yang diperoleh dari DCS selama periode 10-17 November 2025. Evaluasi dilakukan menggunakan injeksi anomali sintetis yang merepresentasikan tiga skenario kegagalan operasional nyata dengan metrik Reduced-Length Point Adjustment (RLPA). Hasil menunjukkan bahwa model berhasil mendeteksi seluruh event anomali yang diinjeksikan dengan F1-Score sebesar 0,8769 dan AUC-ROC sebesar 0,896. Mekanisme DSPOT terbukti mampu beradaptasi terhadap pergeseran distribusi operasional dengan menekan False Positive Rate dari 2,963% menjadi 0,075%. Hal ini mengonfirmasi kelayakan model sebagai instrumen DSS cerdas dan sistem peringatan dini yang adaptif guna mendukung intervensi operasional dan keputusan pemeliharaan preventif di Central Control Room (CCR).