Churn prediction adalah suatu cara untuk memprediksi pelanggan yang berpotensial untuk churn. Datamining, khususnya klasifikasi tampaknya dapat menjadi salah satu alternatif solusi dalam membuat modelchurn prediction yang akurat. Namun hasil klasifikasi menjadi tidak akurat disebabkan karena data churnbersifat imbalance. Kelas data menjadi tidak stabil karena data akan lebih condong ke bagian data yangmemiliki komposisi data yang lebih besar. Salah satu cara untuk menangani permasalahan ini adalah denganmemodifikasi dataset yang digunakan atau yang lebih dikenal dengan metode oversampling. Analisis yangdilakukan pada penelitian ini adalah mengetahui bagaimana pengaruh metode oversampling yang digunakanterhadap akurasi prediksi data churn dengan melakukan penghitungan akurasi model churn prediction yangdinyatakan dalam bentuk lift curve, top decile dan gini coefficient serta f-measure untuk penghitungan akurasiprediksi data sebagai data yang imbalance. Hasil yang didapat dari penelitian menunjukkan bahwa metodeoversampling yang menghasilkan data synthetic belum sesuai diterapkan pada data churn, karena cenderungmasih menghasilkan nilai top decile yang kecil. Tetapi secara umum metode oversampling ini mampumeningkatkan akurasi untuk memprediksi data minor. Dengan penerapan metode oversampling, data churnyang memiliki tingkat imbalance yang besar dapat diklasifikasi tanpa mengorbankan data minor yang menjadifokus penelitian. Metode oversampling yang digunakan juga memiliki hasil evaluasi yang berbeda terhadapdataset sebagai data churn dan sebagai data imbalance.Kata kunci: churn prediction, imbalance, sampling, akurasi, evaluasi.