Inflasi merupakan salah satu faktor untuk melihat kestabilan perekonomian suatu negara. Inflasi ialah kenaikan harga barang dan jasa secara umum dan terus menerus dalam jangka waktu tertentu. Setiap bulan inflasi mempunyai nilai yang berbeda tergantung dari faktor-faktor yang mempengaruhinya. Terjadinya inflasi mempunyai dampak dalam berbagai aspek kehidupan. Oleh karena itu, dilakukan prediksi nilai inflasi di Indonesia sehingga dapat meningkatkan persiapan lebih dini untuk merancang suatu rencana menjaga kestabilan perekonomian Indonesia. Proses prediksi dilakukan menggunakan jaringan syaraf tiruan (JST) yang mampu menerima dan mewakili hubungan input-output yang kompleks. Pembangunan model JST menggunakan algoritme backpropagation yang mempunyai kemampuan untuk memperkecil tingkat kesalahan yang terjadi. Algoritme backpropagation diimplementasikan dengan pembobotan biasa atau menggunakan adaptive learning rate. Penelitian ini bertujuan menerapkan adaptive learning rate pada algoritme backpropagation untuk memprediksi inflasi di Indonesia. Berdasarkan hasil dan pembahasan, data berjumlah 147 dibagi menjadi 70?ta training dan 30?ta testing. Digunakan arsitektur 3-21-31-41-1 dengan 250 epoch dalam implementasi algoritme backpropagation yang menghasilkan MAE sebesar 0,27284114, training loss sebesar 0,27284113, dan waktu training selama 8,94 detik. Sedangkan, algoritme backpropagation dengan penerapan adaptive learning rate menghasilkan Mean Absolute Error (MAE) sebesar 0,12182450, training loss sebesar 0,08533154, dan waktu training selama 7,05 detik. Implementasi adaptive learning rate mempunyai hasil yang lebih baik daripada algoritme backpropagation biasa, sehingga disimpulkan bahwa penentuan learning rate yang tepat mampu meningkatkan kecepatan kinerja training dan menghasilkan error yang lebih kecil. Hasil prediksi data inflasi menggunakan algoritme backpropagation dengan adaptive learning rate pada bulan ke-1 adalah 0,14556323, bulan ke-2 adalah -0,20867002, dan bulan ke-3 adalah 0,04974916.