Penyakit Ginjal Kronis muncul sebagai kondisi patologis akibat infeksi ginjal dan penyumbatan akibat pembentukan batu ginjal. Berdasarkan data BPJS Kesehatan penyakit ginjal merupakan penyakit terbanyak kedua setelah penyakit jantung di Indonesia. Praktisi medis dan para ahli di bidang tersebut masih dihadapkan pada tantangan dalam mengklasifikasikan kasus Ginjal kronis secara efektif, sehingga membuat mereka rentan terhadap kesimpulan diagnostik yang keliru. Tujuan utama yang mendasari upaya penelitian khusus ini berkisar pada peningkatan tingkat akurasi yang menjadi ciri proses klasifikasi Penyakit Ginjal Kronik dengan penggabungan teknik Particle Swarm Optimization (PSO) ke dalam kerangka operasional Extreme Learning Machines (ELM) dengan tujuan memastikan hasil yang optimal. Konfigurasi bobot input dan bias kritis untuk mencapai hasil diagnostik yang unggul. Hasil yang diperoleh dari proses investigasi mencakup banyak parameter numerik termasuk tetapi tidak terbatas pada penentuan jumlah ideal simpul tersembunyi yang ditetapkan pada 11, ukuran populasi 80, identifikasi jumlah iterasi yang paling disukai yang dilambangkan dengan nilai Terbaik 20, bobot inersia agregat yang dinilai pada 0,5, bersama dengan konstanta 1 (c1) dan 2 (c2) yang masing-masing mencatat nilai 1, yang berpuncak pada pencapaian matrik akurasi yang dipatok pada tingkat yang baik yaitu sebesar 98,50%. Akibatnya, implikasi yang diperoleh dari investigasi empiris ini memperkuat pernyataan bahwa penggunaan strategi pengoptimalan PSO dalam kerangka operasional ELM berpotensi menghasilkan kemajuan besar dalam domain evaluasi klasifikasi yang terkait dengan diagnosis penyakit ginjal kronis.