Saat ini, penyebaran informasi sangat mudah melalui media sosial yang salah satunya adalah Twitter. Twitter merupakan media sosial untuk berbagi informasi berupa pesan singkat, dimana pengguna dapat menerima dan berbagi pesan singkat secara mudah dan cepat. Penyebaran informasi berupa berita rumor dapat menimbulkan keresahan ditengah masyarakat, sehingga diperlukan upaya untuk mengatasi penyebaran rumor di Twitter. Dalam penelitian ini membangun sebuah model untuk mendeteksi informasi rumor di Twitter berdasarkan kategori rumor dan non-rumor menggunakan Multilayer Perceptron. Multilayer Perceptron adalah jaringan saraf tiruan yang terdiri atas beberapa sejumlah lapisan yang dihubungkan dengan bobot penghubung untuk memproses setiap informasi yang masuk. Multilayer Perceptron mampu menyelesaikan suatu permasalahan yang tidak dapat diatasi dengan menggunakan metode single layer neural network. Penelitian ini menggunakan dataset yang berisi tweet hasil dari crawling menggunakan API pada Twitter. Data yang diambil berdasarkan keyword dan hashtag. Pembobotan dilakukan dengan menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) dengan Unigam, Bigram, dan Trigram tokenizer. Dataset dibagi menjadi data latih dan data uji dengan perbandingan 90:10, 80:20 dan 50:50. Dari hasil penelitian menunjukkan akurasi tertinggi sebesar 78.27% didapat dengan TF-IDF Unigram tokenizer.