Backpropagation merupakan jaringan syaraf tiruan yang memiliki arsitektur dalam melakukan pelatihan dan penentuan parameter yang tepat untuk menghasilkan keluaran yang benar terhadap masukan yang serupa tapi tidak sama. Salah satu parameter yang berpengaruh dalam penentuan arsitektur bacpropagation adalah laju pembelajaran, dimana jika nilai laju pembelajaran terlalu tinggi maka arsitektur jaringan menjadi tidak stabil sebaliknya jika nilai laju pembelajaran terlalu rendah arsitektur jaringan menjadi konvergen dan membutuhkan waktu yang lama dalam pelatihan arsitektur jaringan. Data penelitian ini merupakan data sekunder yang bersumber dari UCI Data Mechine Learning. Arsitektur jaringan terbaik pada penelitian ini adalah 13-10-3, dengan laju pembelajaran yang berbeda mulai dari 0.01, 0.03, 0.06, 0.01, 0.13, 0.16, 0.2, 0.23, 0.026, 0.3, 0.35, 0.4, 0.45, 0.5, 0.55, 0.6, 0.65, 0.7, 0.75, 0.8, 0.9. Dari 21 nilai laju pembelajaran yang berbeda pada arsitektur jaringan 13-10-3 diperoleh bahwa tingkat laju pembelajaran sangat penting untukmendapatkan arsitektur jaringan yang tepat dan cepat. Hal ini terlihat pada percobaan dengan laju pembelajaran 0.65 dapat menghasilkan tingkat akurasi yang lebih baik dibandingkan dengan laju pembelajaran yang lebih kecil dari 0.65.