Churn adalah suatu fenomena dimana para pelanggan berpindah akibat tidak puas atas layanan yang diberikan, ataupun memutuskan untuk pindah dari provider satu ke provider yang lainnya karena tergiur penawaran fasilitas dan harga yang lebih menarik. Oleh karena itu, diperlukan prediksi awal untuk pengklasifikasian pelanggan yang diprediksi churn atau bukan, serta menganalisis atribut utama penentu prediksi awal churn. Namun, karakteristik dari data churn adalah data yang imbalanced class. Sehingga pada penelitian ini diimplementasikan metode balanced random forest untuk mengatasi data imbalance class serta dilakukan pengujian terhadap perbedaan jumlah pohon dan jumlah atribut pemecah. Dari hasil pengujian didapatkan bahwa penambahan jumlah pohon dan atribut pemecah meningkatkan nilai akurasi dan mengurangi nilai OOB error rate yang dihasilkan dengan nilai optimal jumlah pohon sebanyak 500 dan jumlah atributnya yaitu 9 dengan nilai rata-rata akurasi 79,05%. Serta atribut penentu utama prediksi awal yaitu jenis layanan yang dipakai pelanggan, disusul oleh kombinasi kategori penggunaan voice per hari selama seminggu, dan kombinasi dari variabel kategori panggilan.
Kata Kunci : churn, klasifikasi, balanced random forest, imbalance class.