Jaringan saraf tiruan merupakan metode supervised learning yang telah diterapkan untuk menyelesaikan berbagai permasalahan klasifikasi. Sebagai metode supervised learning, jaringan saraf tiruan memerlukan data training untuk mengidentifikasi pola dalam data sehingga fase learning menjadi penting. Pada fase learning, konfigurasi bobot pada jaringan saraf tiruan diatur sehingga jaringan saraf tiruan tersebut bisa mengenali pola di dalam data. Pada penelitian ini diusulkan metode untuk mengoptimalkan nilai bobot pada konfigurasi jaringan saraf tiruan menggunakan pendekatan neuroevolution. Neuroevolution adalah pengintegrasian metode evolutionary algorithm; termasuk di dalamnya adalah berbagai metode metaheuristik; dengan  jaringan saraf tiruan. Secara khusus, penelitian ini menggunakan metode particle swarm optimization untuk mengoptimalkan bobot pada jaringan saraf tiruan. Kinerja model yang diusulkan dibandingkan dengan metode backpropagation dengan stochastic gradient descent menggunakan lima dataset: iris, wine, breast cancer, ecoli, dan wheat seeds. Hasil eksperimen menunjukkan bahwa model yang diusulkan memiliki akurasi yang lebih baik di tiga dataset dari lima dataset dan memiliki kinerja yang sama di dua dataset. Hasil penelitian ini mengindikasikan bahwa pendekatan neuroevolution memiliki potensi sebagai metode optimalisasi parameter pada jaringan saraf tiruan. Penelitian ini bisa dikembangkan dengan mengidentifikasi karakteristik konvergensi dari pendekatan neuroevolution maupun menerapkan berbagai metode evolutionary algorithm untuk mengoptimalkan nilai bobot pada jaringan saraf tiruan.