Klasifikasi Penyakit Autoimun Dengan Algoritma K-Nearest Neighbors

Abstract

Penyakit autoimun adalah kondisi di mana sistem kekebalan tubuh menyerang jaringan tubuh sendiri, menyebabkan berbagai gejala dan komplikasi serius. Deteksi dini penyakit autoimun menjadi tantangan utama karena gejalanya yang sering kali serupa dengan penyakit lainnya. Berbagai pendekatan dalam machine learning telah diimplementasikan untuk mendukung diagnosis dan klasifikasi penyakit autoimun, termasuk algoritma K-Nearest Neighbors (K-NN) yang dikenal sederhana namun memiliki potensi akurasi yang baik. Tujuan dari studi ini adalah untuk mengulas implementasi algoritma K-NN dalam klasifikasi penyakit autoimun berdasarkan lima studi terkait yang dilakukan sebelumnya. Metode yang digunakan dalam studi ini adalah tinjauan pustaka atau studi literatur (SLR) dengan meninjau lima artikel ilmiah yang berfokus pada klasifikasi penyakit autoimun menggunakan algoritma K-NN dan metode komparatif lainnya, seperti Algoritma Genetika, Support Vector Machine (SVM), dan Single Layer Perceptron (SLP). Hasil tinjauan literatur menunjukkan bahwa algoritma K-NN memiliki akurasi yang cukup tinggi dalam klasifikasi penyakit autoimun ketika parameter dan jumlah tetangga (neighbors) yang optimal digunakan. Namun, ada beberapa kendala yang ditemukan, termasuk sensitivitas K-NN terhadap data yang tidak seimbang dan kebutuhan waktu komputasi yang lebih besar pada dataset yang besar. Kombinasi K-NN dengan metode optimasi parameter, seperti Algoritma Genetika atau metode hybrid lainnya, terbukti meningkatkan akurasi dan stabilitas prediksi. Studi ini menyimpulkan bahwa K-NN adalah salah satu algoritma yang layak digunakan dalam klasifikasi penyakit autoimun, terutama bila dikombinasikan dengan teknik optimasi. Rekomendasi untuk penelitian di masa depan termasuk penerapan model hibrida dan uji coba pada dataset yang lebih besar dan beragam untuk mendapatkan model klasifikasi yang lebih handal.