ABSTRAKSI: Churn prediction merupakan salah satu jenis task data mining, yaitu klasifikasi yang bertujuan untuk memprediksi pelanggan yang berpotensi untuk churn. Dalam tugas akhir ini digunakan dua metode Jaringan saraf tiruan untuk melakukan prediksi pelanggan yang churn. Algoritma pertama adalah algoritma Backpropagation, dimana algoritma ini mempunyai keakuratan prediksi yang tinggi. Algoritma kedua adalah algoritma Self Organizing Maps Kohonen, dimana algoritma ini merupakan algoritma yang bagus digunakan untuk klusterisasi data yang dapat dimanfaatkan untuk mengelompokkan data berdasarkan pola-pola data yang dipelajari. Berdasarkan fungsi dari masing-masing algoritma tersebut, pada tugas akhir ini akan algoritma SOM-BP dimana algoritma ini merupakan kombinasi dari kedua algoritma diatas. Data yang digunakan pada tugas akhir ini adalah sample data Tournament. Dalam Tugas Akhir ini akurasi yang dihasilkan diukur dengan tiga parameter yaitu lift curve, top decile dan f-measure. Untuk data undersampling, pengukuran lift curve terbaik 10% customer SOM bisa menebak 59% , pengukuran top decile SOM 10% customer sebesar 1.3 dan pada pengukuran f-measure terbaik yaitu SOM-BP dengan nilai 0.3991.Kata Kunci : Jaringan saraf tiruan, Algoritma Backpropagation Network, Algoritma Self Organizing Maps Kohonen, Prediksi Churn, Lift curve, Top Decile, f-measure.ABSTRACT: Churn prediction is one type of data mining tasks, namely classification which aims to predict the potential for customer churn. In this thesis used two methods of artificial neural networks to predict customer churn. The first algorithm is the Backpropagation algorithm, which algorithm has a high prediction accuracy. The second algorithm is an algorithm Kohonen Self Organizing Maps, where this algorithm is a good algorithm is used to klusterisasi data that can be used to classify data based on data patterns are studied. Based on the function of each of these algorithms, in this final SOM-BP algorithm where the algorithm is a combination of the two algorithms above. Data used in this thesis is the sample data Tournament. In this final accuracy of the resulting measured by three parameters namely the lift curve, the top decile and f-measure. For data undersampling, measurement of the lift curve is the best 10% customer can guess 59% SOM, measuring 10% of top decile SOM customer of 1.3 and the best measurement of f-measure of SOM-BP with a value of 0.3991.Keyword: Artificial Neural Network, Backpropagation Network Algorithm, Self Organizing Maps Kohonen Algorithm, Churn Prediction, , Lift curve, Top Decile, f-measure.