Loading...

Arsitektur Generative Adversarial Network


Generative Adversarial Network atau biasa disingkat GAN adalah sebuah arsitektur deep learning yang dikonsepkan pada tahun 2014 oleh Ian Goodfellow dan beberapa peneliti lainnya, dan teknik ini sangat populernya, karena bisa menghasilkan beragam data palsu dengan menggunakan data asli yang ada, sehingga menciptakan istilah Deepfake. Aplikasi lain yang bisa dihasilkan dari teknik GAN ini ada pada laman gambar wajah melalui situs This Person Does Not Exist, gambar - gambar wajah yang dihasilkan dari situs ini adalah gambar wajah yang dibuat dengan teknik GAN, dan seiring berjalannya waktu, teknik ini makin lama makin matang, karena gambar yang dihasilkan sangat realistis, dan terkesan dipotret dari wajah manusia yang benar - benar ada.

DIAGRAM ARSITEKTUR GAN

Secara sederhana, arsitektur GAN bisa digambarkan pada gambar diatas, dan yang menjadi pemeran utama dari arsitektur ini adalah model Generator, sedangkan pemeran pendukungnya adalah model Discriminator. Cara kerja teknik ini sebenarnya sangat sederhana dan bisa diilustrasikan dalam sebuah cerita antara penjahat dan polisi.

PENJAHAT DAN POLISI

Asumsikan model Generator adalah seorang Penjahat yang mempunyai Mesin Cetak  dan bertugas untuk mencetak Uang Palsu, sedangkan model Discriminator adalah Polisi yang mempunyai Mesin Pindai dan bertugas untuk mendeteksi perbedaan Uang Asli dan Uang Palsu.

Penjahat akan mengambil kertas kosong yang berisi data acak (Random input), dan dari kertas acak ini, akan masuk ke Mesin Cetak  (Generator) untuk menghasilkan Uang Palsu (Fake Samples).

Bersamaan dengan Uang Palsu ini, Uang Asli (Real Samples) akan dicampur semua menjadi satu dan diserahkan ke Polisi (Discriminator) untuk dianalisa dengan Mesin Pindai.

Polisi sendiri tahu mana Uang Palsu dan mana Uang Asli, karena memang uang ini dilabeli, dan pada posisi ini, sang polisi akan mendeteksi dan mengevaluasi hasil prediksi dan analisanya (Loss).

Apabila masih belum puas (Satisfy?) dengan hasil evaluasi (Loss) maka hasilnya akan diberikan kepada Penjahat (Generator) dan Polisi (Discriminator) untuk dianalisa hasil evaluasi dan menyetel mesin masing - masing (Fine Tuning) dengan tujuan untuk meningkatkan kemampuan Penjahat dalam membuat Uang Palsu yang mirip dengan Uang Asli, dan bagi Polisi untuk bisa lebih baik lagi dalam membedakan Uang Asli dan Uang Palsu (Adversarial).

Apabila sudah puas (Satisfy?), maka akhir dari siklus ini, Penjahat (Generator) akan menjadi pemeran utama dalam mengambil kertas kosong yang berisi data acak (Random Input) untuk menghasilkan Uang Palsu (Generated Data) yang mirip dengan Uang Asli untuk diedarkan di pasaran.

Jadi dalam hal ini, ada dua model yang menjadi tolok ukur dalam teknik GAN, yaitu model discriminator, dimana model ini bertugas untuk melakukan prediksi dan pembelajaran, dan ada model generator yang bertugas untuk menghasilkan data, dan dua model ini seakan - akan bertanding satu sama lainnya, dan dalam teori game matematika, proses pertandingan antar dua model ini disebut juga dengan permainan zero-sum game. Zero-sum game adalah pertandingan antara dua pihak, dimana hasil pertandingan ini, pihak pemenang akan mendapatkan keuntungan yang tingkatnya sama dengan kerugian pada pihak yang kalah, jadi seandainya pihak pemenang mendapatkan \(+3\), maka pihak yang kalah akan mendapatkan \(-3\), sehingga hasil akhirnya sebenarnya adalah \(0\), dan itulah kenapa permainan ini dinamakan zero-sum, dimana kalau ditambah hasil yang menang, dan yang kalah, tetap akan menghasilkan nilai nol.

Dan juga sesuai dengan arti dari teknik ini sendiri, dimana kata generative mempunyai arti bahwa teknik ini menghasilkan sesuatu, yang dilanjutkan dengan kata adversarial, yang artinya saling bermusuhan, dan ditutup dengan kata network atau jaringan, sehingga kalau dituliskan secara lengkap, generative adversarial network, artinya jaringan yang bekerja dengan cara saling bermusuhan untuk menghasilkan sesuatu.

Kembali ke Seluruh Postingan Kembali ke Halaman Dosen

© Universitas Prima Indonesia 2023 - All rights reserved.