Nama : Rizky Dwi Putra

NPM : 11220428
Kelas : 4EA08

CIFAR GAN

CiFar GAN adalah singkatan dari Conditional Input Generative Adversarial Network
yang digunakan untuk melakukan pembuatan gambar berdasarkan kondisi atau kategori
tertentu. CiFar GAN dibangun menggunakan dua model yaitu generator dan discriminator
yang saling berkompetisi dengan target menghasilkan gambar yang lebih baik. Generator
pada CiFar GAN menerima kondisi atau label yang sesuai dengan gambar yang ingin
dihasilkan dan kemudian menghasilkan gambar yang diinginkan. Sedangkan, discriminator
akan memproses gambar asli dari dataset dan gambar yang dihasilkan oleh generator.
Tujuannya adalah untuk membedakan gambar yang dihasilkan oleh generator dan gambar
yang asli dari dataset.

Cara kerja CiFar GAN adalah dengan memberikan input kondisi atau label pada
generator dan kemudian generator akan menghasilkan gambal yang sesuai dengan kondisi
tersebut. Selanjutnya, gambar yang dihasilkan akan diberikan pada discriminator dan
discriminator akan menilai apakah gambar tersebut asli atau bukan. Setelah itu, generator
akan diperbarui berdasarkan umpan balik yang diterima dari discriminator. Hal ini dilakukan
untuk meningkatkan kualitas gambar yang dihasilkan oleh generator. Proses ini terus
berulang hingga gambar yang dihasilkan memiliki kualitas yang baik dan sulit dibedakan
dengan gambar asli dari dataset. CiFar GAN terdiri dari dua model, yaitu generator dan
discriminator. Kedua model ini dilatih secara bersama-sama menggunakan teknik adversarial
training.

Adversarial training adalah proses pelatihan di mana generator dan discriminator saling
bersaing. Generator berusaha untuk menghasilkan gambar sintetis yang semakin realistis,
sedangkan discriminator berusaha untuk membedakan gambar sintetis dari gambar real
dengan semakin baik. Proses pelatihan CiFar GAN dapat dijelaskan sebagai berikut:
1. Generator menghasilkan gambar sintetis.
2. Discriminator membedakan gambar sintetis dari gambar real.
3. Generator dan discriminator diperbarui menggunakan kesalahan mereka masing-masing.
4. Langkah 1-3 diulang hingga generator dapat menghasilkan gambar sintetis yang sulit
dibedakan dari gambar real oleh discriminator.
 CiFar GAN adalah salah satu GAN yang paling populer dan telah berhasil digunakan
untuk berbagai aplikasi seperti pembuatan gambar realistik, transfer style, pengenalan wajah,
dan pengenalan citra medis. CiFar GAN juga telah menjadi benchmark untuk pengembangan
GAN baru. Kelebihan dari CiFar GAN adalah mampu menghasilkan gambar yang lebih
variatif dan realistik dibandingkan dengan model pembangkit gambar yang lainnya. Namun,
penggunaan CiFar GAN juga memiliki kekurangan seperti waktu komputasi yang lama dan
sulitnya melatih model agar menghasilkan gambar dengan kualitas yang diinginkan. Hal
tersebut menjadi tantangan bagi para pengembang untuk memperbaiki kinerja CiFar GAN
serta mengoptimalkan penggunaannya dalam berbagai aplikasi.
Setiap pos dalam CiFar GAN berfungsi sebagai berikut:
1. Conditional Input (Input Kondisional): Ini adalah masukan yang digunakan untuk
mengontrol apa yang akan dihasilkan oleh generator. Misalnya, jika Anda ingin
menghasilkan gambar kucing, masukan kondisional dapat berupa label "kucing."
Masukan ini membantu memandu generator untuk menghasilkan hasil yang sesuai
dengan kondisi yang diberikan.
2. Generator (G): Generator dalam cGAN bertanggung jawab untuk menghasilkan data
baru berdasarkan masukan kondisional. Tujuannya adalah untuk membuat data yang sulit
dibedakan dari data nyata. Generator menggunakan masukan kondisional dan
mengubahnya menjadi data yang diharapkan, seperti gambar atau teks.
3. Discriminator (D): Discriminator dalam cGAN bertanggung jawab untuk membedakan
antara data yang dihasilkan oleh generator dan data nyata. Tujuannya adalah untuk
mengklasifikasikan data sebagai "nyata" atau "palsu." Discriminator menggunakan hasil
dari generator dan data nyata sebagai masukan, lalu mengeluarkan probabilitas bahwa
data yang diberikan adalah nyata atau palsu.
Proses pelatihan cGAN melibatkan persaingan antara generator dan discriminator.
Generator berusaha menghasilkan data yang semirip mungkin dengan data nyata, sementara
discriminator berusaha untuk lebih baik dalam membedakan antara data palsu dan nyata.
Pelatihan terus berlanjut hingga hasil yang dihasilkan oleh generator semakin sulit dibedakan
dari data nyata oleh discriminator.