Industri manufaktur saat ini menyumbang sekitar 45,60?ri total konsumsi energi nasional, sehingga diperlukan sistem monitoring yang cerdas dan efisien untuk mendeteksi gangguan operasional sedini mungkin. Menanggapi kebutuhan tersebut, penelitian ini mengembangkan model deteksi anomali berbasis pendekatan hybrid dengan menggabungkan LSTM Autoencoder dan Isolation Forest untuk menganalisis data kelistrikan time-series pada mesin manufaktur aditif. Studi kasus dilakukan pada printer 3D Creality Ender-6, di mana parameter kelistrikan seperti tegangan, arus, daya, dan power factor dipantau secara real-time menggunakan IoT smartplug. Data dikumpulkan selama kurang lebih 5 jam operasi dengan interval sampling setiap 5 detik, menghasilkan 3.612 data poin yang mencakup tiga fase utama: standby (9,72%), heating (3,57%), dan printing (86,71%). Arsitektur model LSTM Autoencoder dirancang dalam format encoder-decoder dengan bottleneck 32 unit untuk menangkap pola temporal dari data, sementara Isolation Forest dengan contamination rate 5% digunakan untuk mengklasifikasikan data normal maupun anomali. Teknik one-hot encoding untuk fase operasional dan normalisasi dengan MinMaxScaler menghasilkan input berdimensi (30, 7). Hasil pengujian menunjukkan performa yang menjanjikan: model mencatat Anomaly Detection Rate (ADR) sebesar 8,93% pada data operasional normal, dan meningkat menjadi 22,58% saat diuji dengan skenario simulasi anomali. Validasi visual terhadap data time-series menunjukkan bahwa anomali yang terdeteksi memang selaras dengan gejala nyata di lapangan, seperti penurunan daya hingga 37,3?n arus sebesar 28,6%. Dalam simulasi real-time, sistem berhasil memproses data streaming dengan tingkat keberhasilan 97,6%, menunjukkan bahwa model mampu bekerja secara efisien dan responsif. Dengan performa yang solid dan rancangan yang efisien, model hybrid ini dinilai cocok untuk diterapkan pada sektor industri nasional, khususnya untuk membantu mendeteksi dini ketidakefisienan energi maupun potensi kerusakan pada mesin produksi.