Salah satu cara yang dapat digunakan untuk mendeteksi perkembangan sel kanker rahim adalah dengan melakukan Papanicolaou Test atau Pap Smear Test. Namun, beberapa studi membuktikan bahwa terkadang pap smear test tidak efektif, dimana terdapat sel-sel abnormal yang tidak dapat dideteksi pada kondisi tertentu. Waktu yang dibutuhkan oleh ahli patologi untuk mendeteksi sel kanker tersebut juga tidak singkat, sehingga memungkinkan sel kanker terlanjur berkembang. Hal ini kemudian akan membawa masalah pada penanganan yang terlambat, dan menyebabkan kanker semakin sulit untuk disembuhkan, bahkan dapat berakibat kematian. Untuk itu, muncullah ide untuk mengotomatisasikan proses klasifikasi sel tunggal pap smear, baik ke dalam 2 kelas maupun 7 kelas. Pada tugas akhir ini, penulis menggunakan metode Adaptive-Network-based Fuzzy Inference System untuk mengimplementasikan proses klasifikasi tersebut. Uji coba dilakukan terhadap 3 set sampel citra hasil segmentasi yang berbeda, yaitu dengan software CHAMP, fuzzy-cmeans clustering, dan fuzzy-c-means-clustering yang terotomatisasi. Setelah dilakukan 10-fold cross validation, model klasifikasi ternyata memberikan performa yang cukup baik pada 2-class problem. Namun pada 7-class problem, model klasifikasi masih belum dapat memberikan performa yang optimal, terutama untuk membedakan antara masing-masing kelas abnormal. Selain klasifikasi otomatis, penggunaan Biomedical Image Retrieval System juga dapat dijadikan sebagai alternatif untuk mengenali suatu pap smear, yaitu dengan melakukan query by example dan disertai dengan pengetahuan yang sudah ada. Pada tugas akhir ini, penulis menggunakan pendekatan jarak Euclid atas representasi ciri untuk menghitung kemiripan antara 2 buah pap smear. Representasi ciri yang digunakan adalah ciri-ciri yang berupa rasio atau perbandingan sehingga memiliki range nilai yang sama dan nilai tersebut tidak akan berubah untuk skala berapapun. Uji coba terhadap sistem ini dilakukan dengan menggunakan 70 citra dari 7 kelas yang berbeda sebagai database dan 70 citra dari 7 kelas yang berbeda pula sebagai query, dimana citra query berbeda dengan citra database. Sebagai hasilnya, Biomedical Image Retrieval System juga memberikan performa yang cukup baik.