Pelanggan yang setia kepada providernya menjadi salah satu harapan bagi semua perusahaan. Masalah yang sering terjadi dalam perusahaan ialah churn. Churn merupakan perpindahan pelanggan ke provider lain sesuai dengan jenis alasannya. Untuk menyelesaikan masalah tersebut diperlukan sistem prediksi churn pada perusahaan untuk membantu perusahaan agar tidak mengalami kerugian yang besar. Oleh karena itu, dalam penelitian tugas akhir ini dirancang sebuah sistem untuk prediksi churn dengan menggunakan metode Neighborhood Cleaning Rule (NCL) dan K-Nearest Neighbor (KNN). NCL merupakan teknik sampling untuk menangani masalah imbalance data pada data perusahaan Telekomunikasi. Teknik ini akan mereduksi data mayor dengan mengidentifikasi data noise. Noise yang mengalami salah klasifikasi tidak akan ditambahkan pada training set, sehingga tetap mempertahankan akurasi klasifikasi yang baik. K-nearest neighbor merupakan metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Dalam tugas akhir ini, perhitungan jarak yang digunakan pada metode KNN yaitu euclidean, manhattan, chebyshev, mahalanobis dan parameter k yang digunakan k = 3, 5, 7, 51 dan 101. Hasil pengujian yang didapat dari uji coba sistem ini menunjukan bahwa sistem ini dapat meningkatkan nilai f1-measure sebesar 7,29% dan memiliki performansi optimal dengan nilai akurasi 95,94% dan f1-measure 42,46% pada k=3 manhattan distance.
Kata kunci : prediksi churn, imbalance class, Neighborhood Cleaning Rule, K-Nearest Neighbor