Kasus churn menjadi masalah penting yang sering terjadi di banyak perusahaan Telecom. Dalam banyak kasus nyata churn, ketidakseimbangan dan outlier data yang biasanya terjadi pada dataset. Masalah-masalah ini dalam beberapa kasus, membuat pendekatan data mining konvensional kurang berhasil untuk membuat model prediksi churn. Oleh karena itu, perhatian dari penyedia layanan Telecom untuk menyelidiki dan mengembangkan berbagai metode untuk mengatasi masalah. Dalam penelitian ini digunakan gabungan Feed Forward Neural Network dan Algoritma SMOTEBoost untuk prediksi churn. Sementara Feed Forward Neural Network digunakan untuk mengatasi masalah Noise, SMOTEBoost digunakan untuk mengatasi masalah kelas tidak seimbang. teknik data mining dikombinasikan dengan menggabungkan dua atau lebih teknik telah terbukti memberikan kinerja yang lebih baik daripada teknik tunggal di sejumlah masalah dengan domain yang berbeda. Dimana teknik pertama bertugas sebagai reduksi data noise dan teknik kedua melakukan tugas prediksi. Selain itu, SMOTEBoost adalah kombinasi metode SMOTE dan Boosting algoritma. Metode ini dapat menghasilkan model yang kuat dalam mengklasifikasikan dataset kelas tidak seimbang tanpa mengorbankan keseluruhan akurasi. SMOTE (Synthetic Minoritas Over-Sampling) dirancang khusus untuk data yang tidak seimbang dan "Boosting" adalah metode untuk menggabungkan model bersama-sama untuk meningkatkan kinerja.