Proses klasifikasi sering kali memerlukan berbagai proses untuk meningkatkan tingkat akurasi, yang dapat disebabkan oleh berbagai penyebab, seperti rentang nilai atribut yang terlalu lebar pada dataset. Pendekatan diskritisasi memberikan solusi yang efektif untuk mengatasi masalah ini. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan efektivitas dua pendekatan diskritisasi, yaitu Equal-Width dan Equal-Frequency, dalam meningkatkan akurasi algoritma klasifikasi. Analisis akan dilakukan pada dataset dengan ukuran yang berbeda. Penelitian ini menggunakan model klasifikasi Naïve Bayes, Decision Tree, dan Support Vector Machine, dengan tiga dataset: data Kemacetan Lalu Lintas Kota Bandung (3804 data), data kasus COVID-19 Kota Bandung (2718 data), dan data Penyakit Demam Berdarah Kota Bandung (150 data). Tiga skenario percobaan dilakukan untuk mengevaluasi pengaruh kedua metode diskritisasi terhadap akurasi. Skenario awal tidak mengimplementasikan diskritisasi, sementara skenario kedua menggunakan metode diskritisasi Equal-Width, dan skenario ketiga menggunakan diskritisasi Equal-Frequency. Hasil akhir penelitian menunjukkan peningkatan yang signifikan dalam akurasi setelah proses diskritisasi. Ketika diterapkan pada dataset Lalu Lintas, model Naïve Bayes menunjukkan tingkat akurasi 94%. Sementara itu, model Decision Tree menghasilkan tingkat akurasi 71% untuk dataset COVID-19 dan tingkat akurasi luar biasa sebesar 98% untuk dataset Penyakit Demam Berdarah. Hasil di atas menunjukkan bahwa penggunaan teknik diskritisasi EqualWidth dan Equal-Frequency secara efektif mengatasi masalah rentang nilai atribut yang terlalu lebar dalam prosedur klasifikasi.