Pesatnya perkembangan ilmu pengetahuan dan teknologi saat ini sangat berpengaruh pada penyebaran informasi yakni dengan memanfaatkan penggunaan internet. Namun dalam penyebarannya, pengguna internet sendiri bisa saja abai dalam pengecekan kebenaran dari informasi yang disebarkan tersebut hingga menimbulkan kerugian apalagi jika informasi tersebut skala nasional maka lebih banyak lagi pihak yg dirugikan akibat kesalahan pada informasi yang disebarkan. Penelitian ini bertujuan untuk mengklasifikasikan data berupa teks pada berita hoax di Indonesia pada tahun 2015-2020. Data yang digunakan merupakan data sekunder dari website Kaggle yang berjumlah 4,231 data. Metode yang digunakan ialah multi-layer perceptron dengan klasifikasi dua kelas yaitu hoax dan tidak hoax. Hasil yang diperoleh antara lain wordcloud dan diagram batang yang menampilkan kata ”orang” sebagai kata yang paling sering kemunculannya pada berita hoax di Indonesia pada tahun 2015-2020. Model multi-layer perceptron pada klasifikasi teks berita hoax di Indonesia dibangun menggunakan arsitektur 1 hidden layer dengan 50 neuron, fungsi aktivasi ReLU pada hidden layer dan Sigmoid pada output layer, serta optimizer RMSProp dengan learning rate 0.001 telah berhasil dilatih untuk mengklasifikasikan berita hoax dan tidak hoax. Adapun hasil evaluasi performa model diantaranya akurasi sebesar 80.91% terlihat cukup baik, namun tidak cukup untuk menyimpulkan performa model terutama pada kasus data yang tidak seimbang (imbalanced). Oleh karena itu, penting untuk melihat metrik lain seperti Specificity, Presisi, Recall (Sensitivitas), dan F1-Score secara bersamaan. Kombinasi Presisi 86.04% dan Recall 91.87% yang tinggi ini tercermin pada F1-Score sebesar 88.86% yang mengindikasikan model cukup andal dalam mengklasifikasikan label hoax secara seimbang antara ketepatan dan kelengkapan deteksi. Namun, Specificity yang hanya 28.04% menunjukkan bahwa model kesulitan mengenali data sebagai label tidak hoax.