Dalam industri telekomunikasi, prediksi churn pelanggan sangat penting untuk menjaga keberlanjutan bisnis. Tingkat churn yang tinggi dapat mengurangi profitabilitas, sehingga diperlukan strategi retensi yang efektif. Penelitian ini bertujuan meningkatkan akurasi prediksi churn pelanggan dengan mengoptimalkan algoritma klasifikasi C4.5 melalui seleksi fitur dan tuning hyperparameter. Metode penelitian ini mencakup seleksi fitur menggunakan Information Gain serta tuning hyperparameter dengan Random Search dan Grid Search. Data yang digunakan adalah dataset Telco Customer Churn dari Kaggle, yang dibagi dalam rasio 80:20 untuk data latih dan data uji. Penelitian ini melibatkan enam pendekatan: (1) Algoritma C4.5 tanpa optimasi, (2) C4.5 dengan Information Gain, (3) C4.5 dengan Random Search, (4) C4.5 dengan Grid Search, (5) C4.5 dengan kombinasi Information Gain dan Random Search, serta (6) C4.5 dengan kombinasi Information Gain dan Grid Search. Hasilnya menunjukkan bahwa Algoritma C4.5 tanpa optimasi memiliki akurasi 74,09%, sedangkan penerapan Information Gain meningkatkan akurasi menjadi 78,42%. Tuning hyperparameter dengan Random Search menghasilkan akurasi tertinggi sebesar 80,05%, sedangkan Grid Search mencapai 77,71%. Kombinasi Information Gain dengan Random Search memberikan akurasi 78,99%, sementara kombinasi dengan Grid Search menghasilkan akurasi 78,85%. Hasil penelitian ini mengindikasikan bahwa tuning hyperparameter menggunakan Random Search memberikan peningkatan akurasi yang signifikan dibandingkan metode lainnya, sementara seleksi fitur Information Gain tidak berdampak signifikan pada peningkatan kinerja dalam konteks prediksi churn ini.