Salah satu penerapan representasi sparse adalah sistem klasifikasi atau disebut
metode SRC (Sparse Representation Classification). Penggunaan metode SRC sebagai
sistem klasifikasi dibuktikan oleh Wright, dkk. pada tahun 2009 bahwa SRC
mampu mengatasi permasalahan iluminasi, oklusi dan variasi pose pada pengenalan
wajah. Pada metode SRC diperlukan tahapan untuk melakukan rekonstruksi
citra dari matriks x yang diperoleh dari persamaan y = Ax. Penelitian terkait algoritma
rekonstruksi sinyal pada metode SRC masih sangat sedikit. Oleh karena
itu, penelitian tugas akhir ini membandingkan beberapa algoritma rekonstruksi untuk
mengetahui pengaruh algoritma rekonstruksi terhadap tingkat akurasi metode
SRC. Algoritma tersebut diantaranya: OMP (Orthogonal Matching Pursuit) dengan
minimisasi-l0, serta algoritma LASSO (Least Absolute Shrinkage and Selection
Operator) dan CVX Programming dengan minimisasi-l1. Berdasarkan hasil
pengujian sistem menggunakan dataset AT&T, diperoleh bahwa LASSO dan CVX
memiliki tingkat akurasi yang sama yaitu 94,5% dan cukup stabil pada setiap pengurangan
dimensi, tetapi waktu komputasi LASSO 1,2 kali lebih cepat daripada CVX.
Sementara itu, OMP memiliki akurasi 99% pada faktor reduksi dimensi 128 kali tetapi
menurun drastis pada dimensi lainnya. OMP juga memiliki waktu komputasi
tercepat yaitu lebih cepat 0,2 kali daripada LASSO dan 1,7 kali daripada CVX.
Meskipun demikian, pada pengujian sistem dengan oklusi tinggi, OMP mengalami
penurunan akurasi yang drastis yaitu sebesar 40,5%, sedangkan performa LASSO
dan CVX yang lebih baik yaitu hanya berkurang sekitar 10% dari akurasi semula.