ScienceDirect Available online at

3. Results 
Here, the results and evaluation of the diagnosis of heart disease using GA based trained RFNN approach is 
presented. The results were obtained using Intel i7 CPU PC with 16GB of RAM, Ubuntu OS and Java. Table 2 
presents the evaluation performance of the GA based trained RFNN approach. The RMSE result of the training set 
is 0.0357, testing set result is 0.0222 and overall result is 0.0337. The testing set (45 instances) results showed that 
the GA based trained RFNN approach had a sensitivity of 100%, a specificity of 95.24%, a precision of 96%, and F-
score of 0.9796 and accuracy rate is 97.78%.The approach has an excellent rate of 100% for the patients without 
heart disease that were found to have no heart disease in the testing set (20 instances). The overall (297 instances) 
results had a sensitivity of 97.74%, a specificity of 95.734%, a precision of 94.89%, and F-score of 0.9626 and 
accuracy rate is 96.63%. 
Table 2.Results of the diagnosis of heart disease using GA based trained RFNN 
TN FN TP FP Total RMSE Sensitivity 
(%) 
Specificity 
(%) 
Precision 
(%) 
F-Score PME 
(%) 
Accuracy 
(%) 
Training 
set 137 3 106 6 252 0.0357 97.25 
95.8 
94.64 0.9593 3.57 96.43 
Testing set 20 0 24 1 45 0.0222 
100 
95.24 
96 0.9796 2.22 97.78 
Overall 
157 3 130 7 297 0.0337 97.74 
95.73 94.89 0.9629 3.37 96.63 
Samuel et al. (2017) partitioned the Cleveland heart disease dataset into three sub-sets for training (193 
instances), validating (59 samples) and testing (45 instances). Samuel et al. (2017) compared their results with the 
conventional ANN and seven previous works to denote that their approach had better accuracy. The testing set 
performance comparison of the GA based trained RFNN approach and ANN-Fuzzy_AHP is given in Table 3. Based 
on this comparison the GA based trained RFNN approach had better accuracy than ANN-Fuzzy_AHP method. 
Table 3. Performance comparison of the testing set 
Author 
Method 
TN FN 
TP 
FP 
Total 
Accuracy (%) 
Samuel et al. (2017) ANN-Fuzzy_AHP 
20 
0 
21 
4 
45 
91.1 
proposed 
GA 
based 
trained 
RFNN 20 0 24 1 45 
97.78