PENGENALAN GAN (GENERATIVE ADVERSARIAL NETWORKS)

Nama : Syakira Yudith Astiti

NPM : 11520023

Kelas : 4PA13

Laporan Akhir M1

I. GENERATIVE ADVERSARIAL NETWORK

Generative Adversarial Network adalah sebuah arsitektur jaringan saraf tiruan yang
bertujuan untuk membentuk atau membangkitkan suatu data yang benar-benar baru, dari tidak
ada menjadi ada. Umumnya target utama dari GAN adalah data citra. Secara singkat, jaringan
GAN dilatih untuk mampu membangkitkan suatu gambar baru berdasarkan kumpulan gambar
yang telah dilihat sebelumnya selama proses pelatihan. Secara umum arsitektur GAN terdiri
dari 2 jaringan yaitu:

A. Bentuk jaringan Generator

Generator adalah komponen dalam GAN yang bertugas menghasilkan data baru.
Bentuk jaringan Generator dapat dilihat berkebalikan dengan struktur jaringan saraf pada
umumnya. Jaringan Generator menerima input sebuah vektor angka z, kemudian
mengubahnya menjadi output gambar tiga dimensi. Vektor input z umumnya dibangkitkan
secara acak, lalu dari angka sembarang tersebut Generator membangkitkan gambar yang
juga sembarang.
B. Bentuk jaringan Discriminator
Discriminator adalah komponen dalam GAN yang bertugas membedakan antara data
yang dihasilkan oleh generator dengan data pelatihan yang asli. Jaringan Discriminator
merupakan jaringan klasifikasi biner yang menerima input gambar tiga dimensi dan
mengeluarkan klasifikasi menyatakan input gambar adalah gambar asli dari dataset atau
merupakan gambar buatan Generator. Discriminator dilatih dengan sekumpulan data yang
dibangkitkan oleh Generator, dan sekumpulan data dari dataset, dan dilatih untuk bisa
membedakan keduanya. Gambar-gambar generator yang berhasil dikenali Discriminator
sebagai gambar “palsu”,akan dikembalikan sebagai feedback pada jaringan Generator.
Tugas Generator kini adalah dilatih untuk bisa membuat sekumpulan gambar palsu, yang
saat dilihat oleh Discriminator, Discriminator tidak bisa membedakan antara asli dan
palsunya.
 II. CONTOH IMPLEMENTASI DARI ALGORITMA GAN

Salah satu contoh implementasi GAN yang populer adalah dalam pembuatan gambar
realistik. Dalam kasus ini, generator menghasilkan gambar palsu yang mirip dengan gambar
asli, sedangkan discriminator membedakan antara gambar asli dan palsu. Contoh lainnya
adalah dalam pembuatan teks yang mirip dengan teks asli. Generator menghasilkan teks palsu
yang memiliki struktur dan gaya yang mirip dengan teks asli, sedangkan discriminator
membedakan antara teks asli dan palsu.
Implementasi GAN juga dapat diterapkan dalam berbagai bidang lainnya, seperti
pembuatan musik, pembuatan video, dan bahkan dalam bidang kedokteran untuk menghasilkan
gambar medis yang realistis. Dengan menggunakan GAN, kita dapat menghasilkan data baru
yang memiliki karakteristik yang mirip dengan data pelatihan, yang dapat digunakan dalam
berbagai aplikasi seperti augmentasi data, pembuatan konten kreatif, dan banyak lagi.