Emisi karbon monoksida (CO) di lingkungan industri berisiko tinggi karena tidak berbau dan tidak berwarna, sementara pendekatan konvensional terbatas pada mobilitas, otomatisasi, dan mitigasi. Penelitian ini merancang dan menguji prototipe pemantauan CO berbasis sensor MQ-7 yang terintegrasi dengan ESP32 S3, klasifikasi tren berbasis machine learning, dan pemantauan jarak jauh melalui Internet of Things (IoT). Sistem memicu filtrasi karbon aktif saat kadar CO melampaui ambang. Batasan mencakup fokus pada CO, prototipe skala kecil dengan tiga titik sensor (ruangan, setelah filter pertama, dan saluran buang (exhaust)), klasifikasi tren (rising, stable, falling) sebagai analitik, serta pengendalian kipas berbasis ambang (?20 ppm). Metode meliputi perancangan perangkat keras (3× MQ-7, 2 kipas DC, modul relai, OLED, ESP32-S3) dan perangkat lunak (Arduino C++ terhubung ke Firebase serta aplikasi Flutter). Kalibrasi pada kotak akrilik 15×15 cm: penetapan Ro di udara bersih dan konversi Rs/Ro?ppm dengan model power law dari datasheet. Klasifikasi tren dijalankan di perangkat (edge computing) menggunakan algoritme Random Forest dengan sliding window 10 sampel; pembacaan diperbarui tiap ±3 detik. Hasil menunjukkan kesesuaian kalibrasi terhadap kurva lembar data (akurasi rata-rata 97,7%) dan uji real-time 95,3% tanpa kesalahan silang ekstrem antarkelas. Efisiensi total filtrasi dari sebelum filter hingga exhaust 54,91%. Sistem IoT memiliki latensi pemantauan 0–1 detik dan respons pengendalian 1–3 detik. Simpulan: sistem berhasil mewujudkan pemantauan CO real-time yang terintegrasi, andal, dan hemat biaya, dengan analisis tren serta mitigasi aktif melalui filtrasi. Kata Kunci: karbon monoksida, MQ-7, ESP32-S3, Internet of Things, Random Forest, karbon aktif.