ABSTRAKSI: Industri telekomunikasi merupakan bisnis yang sedang berkembang saat ini. Banyak perusahaan baru yang muncul dengan menawarkan berbagai layanan dan fasilitas yang sanggup menarik pelanggan. Sehingga banyak pelanggan yang dapat dengan mudah melakukan churn. Keterbatasan jumlah staff untuk menghubungi semua pelanggan juga menjadi kendala untuk mengurangi fenomena ini. Oleh karena itu diperlukan suatu sistem data mining yang mencakup berbagai macam teknik untuk memprediksi apakah seorang pelanggan berpotensi churn atau tidak. Dalam tugas akhir ini digunakan suatu Algoritma Genetika dengan salah satu variant-nya yaitu Data Mining Evolutionary Learning (DMEL) [8] untuk melakukan klasifikasi dalam menentukan pelanggan tersebut. Metode ini digunakan karena DMEL dapat dengan efektif menemukan rule dan dapat menangani missing value. Studi kasus yang digunakan dalam tugas akhir ini adalah churn prediction untuk pelanggan salah satu pelanggan perusahaan telekomunikasi di Indonesia. Dalam tugas akhir ini dilakukan perbandingan keakuratan hasil klasifikasi yang dihasilkan oleh perangkat lunak Churn Prediction dengan hasil prediksi menggunakan tools Clementine 9.0 terhadap algoritma C.5, Neural Network dan CHAID. Setelah dilakukan percobaan, DMEL terbukti lebih baik dari model-model yang dibangun menggunakan tools Clementine 9.0.Kata Kunci : churn, data mining, Data Mining Evolutionary Learning, toolsABSTRACT: Telecommunications industry is expanding business in this time. Many new company which emerge by offering various service and facility which ready to draw customers. So many customers easily to churn. Limitedness sum of staff to contact all customers is also become the problem to lessen this phenomenon. Therefore needed a system of data mining including assorted technique for prediction that customers have potency to churn or not churn. This final project used an Genetic Algorithm, it have one variant that is Data Mining Evolutionary Learning ( DMEL) [8] to build classification in determining the customers. This method is used because DMEL can effectively find the rule and can handle the missing value.The accuracy of classification yielded by software of Churn Prediction in this final project was comparison with with result using Clementine 9.0 with C.5 algorithm, Neural Network and CHAID. After conducted with the attempt, DMEL proven is better than models which constructed by Clementine 9.0Keyword: churn, data mining, Data Mining Evolutionary Learning, tools