Klasifikasi multi-kelas pada data Sustainable Development Goals (SDGs) menghadapi tantangan akibat karakteristik atribut numerik yang kompleks dan tidak merata. Penelitian ini bertujuan untuk meningkatkan performa klasifikasi melalui transformasi atribut numerik menggunakan tiga metode binning, yaitu Fixed Binning, Random Binning, dan k-NN Binning. Eksperimen dilakukan pada dua dataset, yaitu data klasifikasi UKT dan data ketahanan pangan Indonesia, dengan dua konfigurasi jumlah bin (k = 5 dan k = 10), untuk mengevaluasi pengaruh metode dan granularitas bin terhadap hasil klasifikasi. Tiga algoritma klasifikasi digunakan dalam pengujian, yaitu Random Forest, Logistic Regression, dan Multi-Layer Perceptron (MLP). Evaluasi performa dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa k-NN Binning menghasilkan performa terbaik secara konsisten, dengan akurasi tertinggi mencapai 72,66% pada dataset UKT dan 80,30% pada dataset Pangan saat dikombinasikan dengan Random Forest. Sementara itu, metode tanpa binning dan Random Binning cenderung menghasilkan performa lebih rendah, terutama pada model kompleks seperti MLP. Kesimpulan dari penelitian ini menegaskan bahwa transformasi numerik melalui metode binning terutama pendekatan berbasis tetangga terdekat (k-NN Binning) berperan penting dalam meningkatkan akurasi klasifikasi multi-kelas. Pemilihan jumlah bin yang sesuai, khususnya k = 5, terbukti memberikan segmentasi data yang lebih optimal dibandingkan k = 10, yang cenderung menurunkan akurasi akibat fragmentasi data yang berlebihan.