Churn prediction adalah suatu pendekatan data mining untuk memprediksi pelanggan yang berpotensial meninggalkan sebuah penyedia layanan atau biasa disebut sebagai customer churn. Ada banyak alternatif data mining yang bisa diterapkan untuk memodelkan churn prediction. Namun model klasifikasi data mining memiliki keterbatasan karena sifat khusus dari churn yaitu imbalance class, sehingga akurasi hasil klasifikasi dari kelas mayoritas (not churn) cenderung naik sedangkan hasil klasifikasi dari kelas minoritas (churn) cenderung memburuk. Salah satu pendekatan dalam menangani imbalance class tersebut adalah Synthetic Minority Over-Sampling Technique (SMOTE). Data yang digunakan pada penelitian ini menggunakan data pelanggan PT. Telekomunikasi Indonesia Regional 7. Performansi terbaik yang diperoleh pada penelitian tugas akhir ini memiliki nilai F1-Measure sebesar 59.06% dan akurasi sebesar 95.92%.
Kata kunci : churn prediction, imbalance class, SMOTE, backpropagation, conjugate gradient powell beale, F1-Measure.