Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Formosa Journal of Science and Technology (FJST) JRIIN :Jurnal Riset Informatika dan Inovasi
Septian, Farhan
Unknown Affiliation
Humanities Computer Science & IT Decision Sciences, Operations Research & Management Education Industrial & Manufacturing Engineering Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Klasifikasi Penyakit Autoimun Dengan Algoritma K-Nearest Neighbors Faiz Zaidan, Ahmad; Mikail Aqsha, Ananta; Septian, Farhan; Ramadhan, Syahrul
Jurnal Riset Informatika dan Inovasi Vol 2 No 10 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi
Publisher : shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

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.
Classification of Autoimmune Diseases Using the K-Nearest Neighbors Algorithm Amalia, Resti; Zaidan, Ahmad Faiz; Ramadhan, Syahrul; Septian, Farhan; Aqsha, Ananta Mikail; Rosyani, Perani
Formosa Journal of Science and Technology Vol. 4 No. 1 (2025): January 2025
Publisher : PT FORMOSA CENDEKIA GLOBAL

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55927/fjst.v4i1.13443

Abstract

Autoimmune diseases occur when the immune system attacks the body’s own tissues, causing serious complications and overlapping symptoms that challenge early detection. This study reviews the use of the K-Nearest Neighbors (K-NN) algorithm for classifying autoimmune diseases through a systematic literature review of five articles. Compared to methods like Genetic Algorithms, Support Vector Machines (SVM), and Single Layer Perceptrons (SLP), K-NN shows high accuracy when optimal parameters and neighbor counts are used. However, challenges include sensitivity to imbalanced data and high computational demands for large datasets. Combining K-NN with optimization techniques, such as Genetic Algorithms, enhances accuracy and stability. The study concludes that K-NN is effective for classifying autoimmune diseases, especially with hybrid approaches, and recommends further research with larger datasets.
Co-Authors Amalia, Resti Aqsha, Ananta Mikail Faiz Zaidan, Ahmad Mikail Aqsha, Ananta Perani Rosyani Syahrul R, Syahrul Zaidan, Ahmad Faiz