Kanker mulut rahim adalah salah satu penyebab utama kematian pada wanita, terutama terjadi di negara berkembang termasuk di Indonesia. Kematian akibat kanker mulut rahim disebabkan oleh penanganan yang terlambat. Penderita mengetahui dirinya terkena kanker mulut rahim setelah kanker mencapai stadium lanjut. Pap smear menjadi salah satu solusi untuk mendeteksi adanya gejala kanker mulut rahim sehingga tidak terjadi adanya keterlambatan penanganan. Salah satu kendala metode pap smear di Indonesia, terutama di daerah-daerah terpencil adalah keberadaan sitopatologi yang berhak mendiagnosa pada tes pap smear. Oleh karena itu muncullah ide untuk melakukan otomatisasi diagnosa pap smear, dimana sistem ini diharapkan dapat menggantikan fungsi sitopatologi. Salah satu komponen dalam sistem otomatisasi adalah klasifikasi sel pap smear ke dalam kategori-kategori tertentu, sehingga dapat digunakan untuk menentukan apakah sel tersebut normal atau abnormal serta menentukan tingkat keabnormalannya. Dalam penelitian ini klasifikasi sel pap smear dilakukan dengan menggunakan empat metode yaitu minimum distance, nearest class gravity center, jaringan saraf tiruan dengan algoritma pembelajaran backpropagation, dan least square yang juga termasuk ke dalam kategori jaringan saraf tiruan. Sebelum sebuah citra sel tunggal pap smear diklasifikasikan, citra tersebut diekstrak cirinya. Terdapat 20 ciri yang dapat diekstrak dari sebuah citra sel tunggal pap smear. Kemudian dilakukan seleksi ciri dengan menggunakan metode simulated anneling. Setelah ciri dipilih, ciri tersebut digunakan sebagai masukan untuk proses klasifikasi. Performa klasifikasi diukur dengan menggunakan metode k-fold cross validation. Terdapat 7 macam nilai performa yang diukur pada penelitian ini, yaitu false negative (FN), false positive (FP), sensitivity, specificity, positive predictive rate (PP), negative predictive rate (NP), dan overall error. Selain ketujuh nilai tersebut juga diukur waktu yang digunakan untuk melatih masing-masing metode dan waktu yang dibutuhkan untuk melakukan pengenalan. Berdasarkan hasil ujicoba, metode jaringan saraf tiruan dengan menggunakan algoritma pembelajaran bacpropagation memberikan hasil yang lebih baik dibandingkan dengan ketiga metode lainnya. Kombinasi ciri yang paling baik digunakan untuk metode jaringan saraf tiruan ini adalah dengan menggunakan semua ciri yang ada (20 ciri). Jaringan saraf tiruan dengan satu hidden layer dimana jumlah neuron di hidden layer berjumlah 11 memberikan nilai FN sebesar 25,99808, FP sebesar 11,08418, sensitivity sebesar 69,02701, specificity sebesar 88,91582, PP sebesar 93,90974, NP sebesar 57,99907, dan overall error sebesar 19,64163. Waktu yang dibutuhkan untuk melatih jaringan saraf tiruan tersebut adalah 37,0564 detik untuk setiap fold-nya. Sedangkan waktu pengenalannya selama 0,1609 detik untuk setiap fold-nya.