Produksi hasil pertanian memegang peran vital dalam menjaga ketahanan pangan global. Penggunaan pupuk merupakan faktor krusial yang mempengaruhi hasil pertanian. Di Indonesia, keterbatasan pupuk subsidi menjadi tantangan besar, dengan kebutuhan mencapai 13,5 juta ton, namun hanya sekitar 3,5 juta ton yang terpenuhi. Metode Shivansh dalam pembuatan pupuk organik mengandalkan pengukuran manual, yang seringkali menghasilkan ketidakpastian. Modernisasi metode ini dengan teknologi machine learning menjadi sangat diperlukan. Algoritma K-Nearest Neighbor (KNN), sebagai metode klasifikasi data berdasarkan jarak terdekat dari sampel uji ke sampel latih, dipilih untuk mengatasi masalah ini.Selain klasifikasi dengan KNN, pencatatan data historis untuk analisis lebih lanjut dan pemantauan jarak jauh menggunakan teknologi IoT sangat penting. Dengan dukungan protokol komunikasi fleksibel seperti Modbus, sistem ini dapat diterapkan dalam skala luas, termasuk industri. Penelitian ini menciptakan alat akuisisi data yang menggunakan sensor kelembaban tanah, suhu, dan pH. Sistem ini mengumpulkan data dengan rata-rata error sensor kelembaban tanah sebesar 2,5%, sensor pH sebesar 2,5%, dan akurasi sensor suhu 100%. Algoritma KNN berhasil diimplementasikan pada mikrokontroler untuk mengidentifikasi kesiapan pupuk organik berdasarkan parameter tersebut, memberikan penilaian yang cepat dan andal. Implementasi protokol Modbus memungkinkan komunikasi yang efisien antara alat akuisisi data dan perangkat lain, mendukung integrasi dengan berbagai sistem kontrol industri. Sistem data logger berbasis web server dan Internet of Things (IoT) dibuat menggunakan platform Firebase dan terintegrasi dengan aplikasi Blynk IoT, memungkinkan pemantauan dan pengelolaan data sensor secara real-time melalui antarmuka web dan aplikasi seluler