Deteksi anomali merupakan suatu cara untuk menemukan dan memisahkan data dengan nilai yang menyimpang atau berbeda dari mayoritas data dalam sebuah dataset. Salah satu teknik yang digunakan pada sistem pendeteksian anomali adalah menggunakan model klasifikasi machine learning sehingga dapat mempermudah sekaligus mengotomatisasi proses deteksi. Model machine learning memiliki banyak sekali jenis dengan kelebihan dan kekurangannya masing-masing sehingga dapat menghasilkan kinerja yang berbeda-beda. Pada penelitian ini penulis mengusulkan implementasi teknik Ensemble Learning seperti Bagging, Boosting, dan Stacking untuk meningkatkan kinerja dari algoritma Machine Learning berbasis Decision Tree, Suppot Vector Machine, Naive Bayes, Random Forest, dan Logistic Regression. Penelitian ini menggunakan dataset sensor IoT suhu dan kelembapan air dengan anomali yang telah diberi label. Proses evaluasi model menggunakan proses oversampling untuk mengatasi masalah ketidakseimbangan kelas sedangkan untuk pemilihan hyper-parameter penulis menggunakan metode Grid Search untuk menemukan kombinasi hyper-parameter yang dapat menghasilkan performa terbaik. Teknik 10 Cross-validation digunakan untuk mengevaluasi nilai akhir dan menunjukan bahwa teknik Enseble Learning dapat mengungguli performa empat dari lima algoritma base learner pada parameter ukur Accuracy, Precision, Recall, F1 Score, dan ROC-AUC Score.
Kata kunci : Ensemble Learning, Machine Learning, Deteksi Anomali, Internet of Things