Penyakit autoimun mewakili kategori kondisi medis yang ditandai dengan respon imun yang menyimpang yang menargetkan jaringan sehat, berpotensi mengakibatkan kerusakan organ dan fungsi fisiologis yang terganggu. Diagnosis yang akurat dan tepat waktu sangat penting untuk manajemen penyakit ini secara efektif. Tujuan dari penelitian ini adalah untuk menyelidiki penerapan algoritma K-Nearest Neighbors (KNN) untuk klasifikasi penyakit autoimun menggunakan data klinis dan gejala yang dilaporkan pasien. Algoritma KNN, yang dikenal karena keterusterangan dan kemanjurannya dalam tugas klasifikasi, beroperasi dengan menentukan tetangga terdekat 'k' ke titik data yang dimaksud dan menetapkan label kelas sesuai dengan label dominan di antara tetangga tersebut. Investigasi ini mencakup berbagai metodologi termasuk akuisisi data, pra-pemrosesan, penyebaran kumpulan data, pemilihan nilai-k, pelatihan model, dan evaluasi hasil melalui metrik seperti akurasi dan presisi. Temuan menunjukkan bahwa algoritma KNN dapat mencapai tingkat akurasi yang tinggi dalam membedakan berbagai jenis penyakit autoimun; Namun, pemilihan nilai-k optimal secara signifikan mempengaruhi kinerja model. Akibatnya, pemanfaatan algoritma KNN muncul sebagai pendekatan yang menjanjikan untuk meningkatkan proses diagnostik untuk penyakit autoimun dan memfasilitasi strategi manajemen pasien yang lebih baik.