Dalam menjalankan bisnis telekomunikasi salah satu tantangan yang harus dihadapi adalah customer churn. Prediksi churn lahir sebagai pengetahuan bagi perusahaan untuk mendeteksi pelanggan berpotensi churn di masa mendatang. Proses utama dalam prediksi churn adalah balancing dan klasifikasi. Untuk menangani masalah imbalance class pada prediksi churn, diusulkan metode Neighborhood Cleaning Rule (NCL). Backpropagation termodifikasi Algoritma Conjugate Gradient Fletcher Reeves digunakan untuk mengklasifikasikan pelanggan churn dan non churn. Data yang digunakan pada tugas akhir ini adalah data pelanggan PT. Telekomunikasi Indonesia Regional 7. Metode NCL yang digunakan pada proses balancing menghasilkan performansi terbaik yaitu F1-Measure sebesar 50.13% dan akurasi sebesar 97.23%. RUS merupakan metode balancing data dengan mengurangi data pada kelas mayor dan mampu menghasilkan performansi tertinggi yaitu F1-Measure sebesar 62.99% dan akurasi sebesar 97.22%.