Nama : Mohammad Iqbal Chairunsyah

NPM : 10220948
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.