ABSTRAKSI: Asset perusahaan yang paling bernilai adalah existing customer atau pelanggan setia yang mereka miliki. Oleh karena itu, perusahaan akan terus berusaha untuk meningkatkan kesetiaan dan kepuasan pelanggan. Namun saat ini, untuk bisnis Telekomunikasi Seluler, meningkatkan kesetiaan dan kepuasan pelanggan merupakan suatu hal yang sulit karena semakin banyak perusahaan baru yang muncul dan semakin beragam pula layanan yang ditawarkan. Ketatnya persaingan bisnis diantara perusahaan Telekomunikasi Seluler ini membuat pelanggan memiliki banyak pilihan dan dapat dengan mudah melakukan churn. Oleh karena itu, perlu adanya suatu model prediksi yang akurat sehingga dapat memprediksi pelanggan yang akan churn. Churn prediction ini dapat membantu perusahaan telekomunikasi agar tidak mengalami kerugian yang lebih besar. Dalam tugas akhir ini digunakan metode Neural network untuk melakukan prediksi pelanggan yang churn. Arsitektur training yang digunakan adalah Feed-Forward Back Propagation karena arsitekturnya yang sederhana dan dapat mengurangi error. Data yang digunakan dalam tugas akhir ini adalah Data Tournament. Dalam tugas akhir ini dilakukan perbandingan keakuratan hasil prediksi yang dihasilkan oleh perangkat lunak Churn Prediction dengan hasil prediksi menggunakan tools Clementine 10.1 terhadap algoritma CRT dan Chaid.Kata Kunci : Churn Prediction, Existing Customer, Feed-Forward Back Propagation, Neural Network, tools Clementine 10.1ABSTRACT: The most precious asset that a company has is its existing customers. So, the company tries to improve loyalty and satisfaction of the customers. Nowadays, to improve loyalty and satisfaction of the customers in telecommunication cellular business is hard to do because many new companies were born that offer various services. Because of this condition, the customers have many choices and churn easily. We need an accurate model of prediction to predict which customers have potency to churn. This churn prediction is made to help the company in avoiding bigger losses. Neural network method is used in this final project to predict which customers that have potency to churn. Feed-Forward Back Propagation, with simple architecture and could decrease errors, is the architecture training that used. The data which is used in this final project is Data Tournament. Comparing the result of prediction between Churn Prediction software and Tools Clementine 10.1 with CRT and Chaid algorithm is done in this final project too.Keyword: Churn Prediction, Existing Customer, Feed-Forward Back Propagation, Neural Network, tools Clementine 10.1