Hipertensi merupakan salah satu faktor risiko utama penyakit jantung dan stroke. Alat ukur tekanan darah konvensional seperti tensimeter manset cenderung tidak nyaman untuk pemantauan secara kontinu. Oleh karena itu, penggunaan Photoplethysmography (PPG) sebagai sensor alternatif tanpa manset menjadi solusi yang potensial. Namun, data sinyal PPG rentan terhadap noise sehingga menghasilkan performa klasifikasi yang rendah, terutama dalam deteksi hipertensi. Penelitian ini mengusulkan metode kontrol kualitas (Quality Control/QC) sinyal PPG berdasarkan referensi data tekanan darah arteri (Arterial Blood Pressure/ABP), serta mengembangkan model deep learning yang memperhitungkan ketidakseimbangan jumlah data antara kelas hipertensi dan non-hipertensi. Dataset yang digunakan adalah PPG-BP dari Kaggle, dan hanya 18 dari 500 file yang lolos proses QC berdasarkan korelasi Pearson dan Area Under Curve (AUC) model Random Forest. Data yang lolos QC kemudian diproses dan dievaluasi menggunakan model Deep Neural Network (DNN) serta dibandingkan dengan model pembanding lainnya seperti ANN, SVM, Logistic Regression, dan Naive Bayes. Hasil eksperimen menunjukkan bahwa pendekatan imbalance-aware deep learning menghasilkan performa terbaik dengan nilai G-Mean sebesar 0.96. Kontribusi utama dari penelitian ini adalah kombinasi metode QC dengan deep learning yang adaptif terhadap distribusi kelas tidak seimbang untuk meningkatkan akurasi deteksi hipertensi berbasis PPG.