GAN - Generative Adversarial Network

Pengenalan

Apa itu GAN?

GAN adalah kerangka pembelajaran mesin generatif yang diperkenalkan oleh Ian Goodfellow et al. pada tahun 2014.

🎨

Generator (G)

Mencoba membuat data palsu yang menyerupai data asli. Ia belajar untuk "menipu" Discriminator.

G(z) → x_fake

Penipu

VS

🔍

Discriminator (D)

Mencoba membedakan data asli dari data palsu. Ia belajar untuk "mendeteksi" kebohongan Generator.

D(x) → [0, 1]

Detektif

Fungsi Objektif GAN (Minimax Game)

min G max D V(D,G) = 𝔼_{x~p_data}[log D(x)] + 𝔼_{z~p_z}[log(1 − D(G(z)))]

Generator meminimalkan, Discriminator memaksimalkan nilai fungsi ini — sebuah zero-sum game.

Arsitektur

Struktur Jaringan GAN

Visualisasi interaktif aliran data melalui kedua jaringan

🎲

Noise Vector

z ~ N(0,1)

input

▶

⚡

Generator

G(z)

FC 128

FC 256

FC 512

Output

ReLU / BatchNorm / Tanh

x_fake

▶

🔀

Data Input

FAKE Generated

REAL Original

input

▶

🔍

Discriminator

D(x)

FC 512

FC 256

FC 128

Sigmoid

LeakyReLU / Dropout

output

▶

📊

Keputusan

Palsu Asli

0.50

↺ Gradient update ke Generator (loss D berhasil tipu)

↺ Gradient update ke Discriminator (loss klasifikasi)

Demo Interaktif

GAN Canvas Demo

Simulasikan proses GAN menghasilkan gambar pixel art secara visual

🎲

Noise Input (z)

Random latent vector z ∈ ℝ¹⁰⁰

G

Generator

↓

Generated Image (x_fake)

🔍

Discriminator

Real

Fake

Real: —

Fake: —

Tekan "Jalankan" untuk mulai

Epoch: 0

Proses Training

Siklus Training GAN

Visualisasi langkah demi langkah bagaimana GAN dilatih

1

🎲

Sample Noise

Ambil random noise vector z dari distribusi Gaussian N(0,1)

z = torch.randn(batch_size, latent_dim)

2

⚡

Generate Fake Data

Generator mengubah noise menjadi data sintetis x_fake

x_fake = G(z)

3

🔍

Train Discriminator

Update D untuk memaksimalkan kemampuan membedakan data asli vs palsu

loss_D = -[log D(x_real) + log(1-D(x_fake))]

4

🎭

Train Generator

Update G untuk meminimalkan kemampuan D membedakan data palsu

loss_G = -log(D(G(z)))

5

🔁

Iterasi

Ulangi sampai Nash Equilibrium: D(G(z)) ≈ 0.5

repeat until convergence

📈 Simulasi Loss Curves

Generator Loss Discriminator Loss

Implementasi

Aplikasi GAN di Dunia Nyata

GAN telah merevolusi berbagai bidang dalam AI dan kreativitas digital

Image Synthesis

🖼️

Image Generation

StyleGAN, BigGAN menghasilkan wajah, pemandangan, dan seni yang sangat realistis dari noise.

Computer Vision

Style Transfer

🎨

Style Transfer

CycleGAN mengubah gaya gambar (foto → lukisan, musim panas → musim dingin) tanpa pasangan data.

Creative AI

Data Augmentation

🏥

Medical Imaging

Augmentasi data MRI/CT scan untuk melatih model diagnostik dengan data terbatas.

Healthcare AI

Super Resolution

🔭

Super Resolution

SRGAN meningkatkan resolusi gambar rendah menjadi gambar berkualitas tinggi dengan detail tajam.

Image Processing

Varian GAN

Evolusi Arsitektur GAN

Dari GAN original hingga varian-varian canggih yang mengatasi berbagai keterbatasan

2014

Vanilla GAN

Arsitektur original oleh Ian Goodfellow. Fully-connected layers, menggunakan minimax game.

Foundational

2015

DCGAN

Deep Convolutional GAN – mengganti FC layer dengan Conv layer untuk menghasilkan gambar lebih realistis.

Image Quality

2017

WGAN & CycleGAN

WGAN menggunakan Wasserstein distance untuk training lebih stabil. CycleGAN untuk image-to-image translation tanpa pasangan.

Stability

2018

StyleGAN & BigGAN

StyleGAN menggunakan style-based generator untuk kontrol yang lebih presisi. BigGAN untuk generasi gambar skala besar.

High Fidelity

2021+

StyleGAN3 & GAN-based Diffusion

Integrasi GAN dengan Diffusion Models dan Transformers untuk kualitas dan kontrol yang belum pernah ada sebelumnya.

State-of-Art