Penelitian ini menyajikan evaluasi komparatif terhadap beberapa pendekatan regresi ordinal untuk klasifikasi otomatis tingkat keparahan Knee Osteoarthritis (KOA) menggunakan citra radiografi (X-ray) lutut. Berbeda dengan pendekatan klasifikasi multikelas konvensional yang memperlakukan setiap tingkat Kellgren–Lawrence (KL) sebagai kategori yang saling independen, regresi ordinal secara eksplisit memodelkan hubungan berurutan yang mencerminkan perkembangan tingkat keparahan penyakit. Penelitian ini menggunakan dataset Knee Osteoarthritis dari Kaggle yang terdiri atas 8.260 citra radiografi pada subset training, validation, dan testing yang berasal dari total 9.786 citra. Empat pendekatan klasifikasi dievaluasi pada kondisi eksperimen yang identik menggunakan backbone ResNet-18 pralatih, yaitu klasifikasi multikelas konvensional (baseline), Cumulative Link Model (CLM), Binary Cross-Entropy (BCE), dan Consistent Rank Logits (CORAL). Kinerja model dievaluasi menggunakan metrik Accuracy (ACC), Area Under the Curve (AUC), Mean Absolute Error (MAE), Quadratic Weighted Kappa (QWK), dan F1-score. Hasil eksperimen menunjukkan bahwa pendekatan BCE memberikan kinerja terbaik dengan memperoleh ACC sebesar 67,81%, AUC sebesar 89,72%, MAE sebesar 0,3702, QWK sebesar 0,8393, dan F1-score sebesar 0,6750, sehingga mengungguli pendekatan baseline, CLM, dan CORAL. Meskipun model baseline tetap menunjukkan performa yang kompetitif, CLM menghasilkan nilai QWK terendah, sedangkan CORAL memperoleh F1-score terendah. Seluruh pendekatan yang dievaluasi masih mengalami kesulitan dalam mengklasifikasikan Grade 1, yang menunjukkan bahwa identifikasi KOA pada tahap awal masih menjadi tantangan. Temuan penelitian ini menunjukkan bahwa dekomposisi ordinal berbasis ambang (threshold-based ordinal decomposition) mampu memberikan keseimbangan yang lebih baik antara pemanfaatan informasi ordinal dan fleksibilitas prediksi dibandingkan formulasi ordinal lainnya pada kondisi eksperimen yang digunakan.