Nama : Jihan Alya Putri

NPM / Kelas : 10820358 / 4MA22

Laporan Akhir (M9) - CiFar GAN

I. Pendahuluan
Generative Adversarial Network (GAN) adalah jenis jaringan saraf tiruan yang
terdiri dari dua model, yaitu Generator dan Discriminator, yang berlomba
melawan satu sama lain. Generator mencoba untuk menghasilkan data yang
menyerupai data asli, sementara Discriminator mencoba untuk membedakan
antara data asli dan data palsu yang dihasilkan oleh Generator. Melalui
pelatihan bersama, Generator belajar untuk menghasilkan data yang semakin
mendekati data asli, sementara Discriminator belajar untuk menjadi semakin
baik dalam membedakan.

II. Tujuan
Pada praktikum ini, tujuan utama adalah memahami dan menerapkan
jaringan generatif yang disebut Generative Adversarial Network (GAN) untuk
menghasilkan citra yang menyerupai citra dari dataset CIFAR-10.

III. Langkah-Langkah Praktikum

1. Persiapan Data
a. Unduh dataset CIFAR-10, yang berisi 60.000 citra berwarna dengan 10
kelas yang berbeda (misalnya, mobil, pesawat, kucing, dll.).
b. Normalisasi data dengan mengubah piksel citra menjadi rentang [0, 1].
c. Bagi dataset menjadi dua bagian: data latih dan data validasi.
2. Pembuatan Generator
a. Buat model Generator, biasanya menggunakan arsitektur jaringan saraf
tiruan konvolusi (CNN) yang memiliki lapisan-lapisan transposisi untuk
mengubah vektor acak menjadi citra.
b. Gunakan fungsi aktivasi seperti ReLU pada lapisan-lapisan Generator
kecuali pada lapisan output, yang menggunakan aktivasi seperti sigmoid
atau tanh.

3. Pembuatan Discriminator
a. Buat model Discriminator, yang juga merupakan CNN, untuk membedakan
citra asli dari citra palsu yang dihasilkan oleh Generator.
b. Gunakan fungsi aktivasi seperti ReLU pada lapisan-lapisan Discriminator.

4. Pelatihan GAN
a. Selama pelatihan, model Generator dan Discriminator saling bersaing.
b. Proses pelatihan terdiri dari beberapa iterasi. Pada setiap iterasi.
c. Generator menghasilkan citra palsu dari vektor acak.
d. Citra palsu dan citra asli dari dataset digunakan untuk melatih
Discriminator.
e. Discriminator diperbarui untuk meningkatkan kemampuannya
membedakan antara citra palsu dan asli.
f. Generator diperbarui untuk menghasilkan citra yang lebih mendekati
dengan citra asli.
Evaluasi Model
5.
a. Setelah pelatihan, model Generator dapat digunakan untuk menghasilkan
citra sintetis yang menyerupai citra asli dari dataset CIFAR-10.
b. Evaluasi model dengan menghasilkan citra sintetis dan membandingkannya
dengan citra asli pada data validasi.
IV. Hasil Praktikum
V. Kesimpulan
CIFAR-10 adalah dataset gambar yang sering digunakan dalam penelitian
komputer penglihatan. GAN adalah jenis jaringan saraf tiruan yang digunakan
untuk menghasilkan data baru yang menyerupai data pelatihan. Dalam
praktikum ini, kita telah memahami dasar-dasar GAN dan menerapkannya
untuk menghasilkan citra yang menyerupai citra dari dataset CIFAR-10. GAN
adalah alat yang kuat untuk menghasilkan data baru yang realistis dan dapat
diterapkan dalam berbagai konteks, termasuk pengolahan gambar,
pembuatan citra sintetis, dan banyak lagi.