ABSTRAKSI: Churn prediction adalah salah satu aplikasi dari task data mining yang bertujuan untuk memprediksi para pelanggan yang berpotensial untuk churn. Churn prediction merupakan salah satu dari kasus imbalance class. Permasalahan imbalance class pada Clementine 9.0 di atasi dengan node balancing (menggunakan teknik undersampling, oversampling atau gabungan keduanya). Permasalahan yang ditimbulkan adalah model yang dihasilkan terlalu overvitting. DataboostIM adalah sebuah metoda yang dikembangkan dari metoda boosting yang dipadukan dengan konsep data generation. Boosting merupakan salah satu ensemble method yang biasa digunakan untuk memperbaiki akurasi secara umum pada permasalahan imbalance class. Kelemahan dari boosting adalah terlalu menekankan pada hard examples di kelas minor, hal ini menyebabkan akurasi dari kelas mayor cenderung turun walaupun akurasi kelas minor meningkat. DataboostIM tidak hanya memperbaiki akurasi dari kelas minor tetapi juga mempertahankan akurasi dari kelas mayor. Didalam Tugas Akhir ini, dibuat perangkat lunak yang mengimplementasikan metoda DataboostIM dengan base classifier-nya terintegrasi dengan model klasifikasi pada Clementine 9.0. Implementasi dilakukan dengan mengambil study kasus churn prediction pada sebuah perusahaan Telekomunikasi di Indonesia. Hasil yang didapat menunjukkan bahwa DataboostIM mampu memperbaiki kelas minor dan tetap mempertahankan akurasi pada kelas mayor, selain itu DataboostIM mampu memberikan hasil lift curve yang lebih baik daripada node balancing Clementine 9.0.Kata Kunci : databoostIM, boosting, imbalance class, data generation, churnABSTRACT: predict customer who potentially to churn. Churn prediction is one of imbalance class case. Imbalance class problem in Clementine 9.0 use node balancing (use undersampling, oversampling or merging from each technique). The problem is model too overvitting. DataboostIM is method which developed from original boosting method which combine with data generation concept. Boosting is one of ensemble method which usually use to improve overall accuracies in the imbalance class. The boosting weakness is much focus to hard example in minor class, this is can be a reason for major class accuracies tend to decrease although minor class accuracies was increase. DataboostIM not only improve accuracies in minor class, but can hold out accuracies from major class. In this final project we make software which implemented DataboostIM method with base classifier integrated from Classification model in Clementine 9.0. Implementation had done which take the case study churn prediction on the one of Indonesian Telco company. The Result show that DataboostIM can improve minor class and keep accuracies in the major class, beside that Lift Curve from DataboostIM better than balancing node Clementine 9.0.Keyword: databoostIM, boosting, imbalance class, data generation, churn