Al-Qur'an adalah pedoman bagi semua umat Muslim. Dalam Al-Quran, banyak hal yang dibicarakan. Untuk mempelajari Al-Quran, Al-Quran dapat diklasifikasikan ke dalam beberapa topik sesuai dengan diskusi ayat-ayatnya. Tetapi dari dataset Al-Quran terdapat masalah berupa jumlah kelas yang tidak seimbang. Hal ini membutuhkan penanganan khusus ketika membangun model klasifikasi. Dalam penelitian ini, model klasifikasi menggunakan Back Propagation Neural Network dibangun berdasarkan ayat-ayat Al-Quran dan topik multi-label yang ada pada ayat tersebut. Dari kasus multi label Ini memungkinkan arsitektur algoritma Backpropagation(Bp) untuk menentukan label untuk setiap kelas dalam bentuk ‘ya’ atau ‘tidak’ pada setiap neuron output modelnya. Ketika menggunakan algoritma Bp, diperlukan input kalimat yang telah menjadi vektor. Dalam merubah input kalimat menjadi vector akan digunakan TF-IDF sebagai ekstraksi fitur. Kemudian, untuk mengevaluasi model digunakan perhitungan Hamming Loss. Untuk mengetahui proses Bp yang optimal, perbandingan dibuat antara Stochastic Gradient Descent (SGD) dan Adam optimizer. Selain itu untuk mendapatkan hasil model yang optimal dilakukan perbandingan cara sampling menggunakan Synthetic Minority Over-sampling Technique (SMOTE) dan under sampling. Berdasarkan beberapa percobaan, skema kinerja terbaik menghasilkan nilai Hamming Loss sebesar 0,129.