Penelitian ini mengembangkan sistem deteksi formalin pada ikan berbasis Internet of Things (IoT) yang mengintegrasikan
tiga sensor gas, yaitu MQ3, MQ135, dan HCHO, dengan metode K-Nearest Neighbor (KNN) serta Firebase Realtime Database dan web monitoring. Kombinasi ketiga sensor digunakan untuk memperoleh karakteristik gas yang lebih beragam sehingga mampu meningkatkan kemampuan sistem dalam mengklasifikasikan ikan berformalin dan tidak berformalin secara real-time. Penelitian ini bertujuan merancang dan membangun sistem deteksi formalin yang mampu melakukan pembacaan sensor, klasifikasi data, serta menampilkan hasil deteksi melalui media monitoring berbasis web.

Metode penelitian meliputi kalibrasi sensor, perhitungan nilai rasio Rs/R₀, eliminasi data pencilan menggunakan metode Interquartile Range (IQR), normalisasi data menggunakan metode Min-Max, pelatihan dan pengujian model KNN, implementasi algoritma pada ESP32, serta pengiriman data ke Firebase Realtime Database untuk ditampilkan pada web monitoring. Dataset yang digunakan terdiri dari 63 data hasil pengukuran setelah proses eliminasi data pencilan, yang kemudian dibagi menjadi 50 data latih (80%) dan 13 data uji (20%).

Hasil penelitian menunjukkan bahwa metode KNN dengan nilai K = 3 memberikan performa terbaik dengan akurasi sebesar 92,31%, precision sebesar 95%, recall sebesar 93%, dan F1 score sebesar 92%. Sistem yang dikembangkan mampu membaca data sensor, menghitung nilai Rs/R₀, melakukan klasifikasi secara real-time, mengirimkan hasil ke Firebase Realtime Database, serta menampilkan informasi pembacaan sensor, status deteksi formalin, dan grafik perubahan nilai sensor melalui web monitoring. Berdasarkan hasil tersebut, sistem yang dibangun mampu menjadi alternatif deteksi formalin pada ikan yang cepat, praktis, dan mudah diakses melalui jaringan internet.

Kata kunci: Formalin, Internet of Things (IoT), ESP32, MQ3, MQ135, HCHO, K-Nearest Neighbor (KNN), Firebase Realtime Database, Web Monitoring.