Generative Adversarial Network atau GAN adalah teknologi deep learning. Ia digunakan untuk menghasilkan data yang seolah-olah berasal dari sebuah populasi.
Jaringan GAN terdiri dari dua bagian utama yaitu generator dan discriminator. Generator bertugas membuat data sintetis, sedangkan discriminator bertugas membedakan antara data asli dan sintetis.
Generator dan discriminator saling berkompetisi untuk menghasilkan data sintetis yang semakin mirip dengan data asli.
Biasanya Generative Adversarial Network dipelajari lebih dalam oleh mahasiswa Teknik Informatika Telkom University.
Penjabaran Mengenai GAN Terlengkap
Pada dasarnya GAN dirancang untuk menghasilkan data sintetis yang terlihat seperti data asli. Di dalamnya terdapat generator sebagai input acak dan discriminator yang dihasilkan oleh generator.
Beriut ini adalah poin-poin penting yang harus diketahui mengenai Generative Adversarial Network.
Pelatihan GAN
Dalam pelatihan Generative Adversarial Network, generator dan discriminator saling berkompetisi. Di mana merekalah yang menghasilkan data sintetis yang semakin mirip dengan data asli.
Generator berusaha membuat data sintetis yang semakin sulit dibedakan oleh discriminator. Di lain pihak, discriminator berusaha untuk semakin akurat membedakan antara data asli dan sintetis.
Jika generator berhasil nenyerupai data asli, sehingga discriminator tidak dapat membedakannya, maka pelatihan dianggap berhasil.
Tujuan akhir dari pelatihan ini adalah menghasilkan generator yang mampu membuat salinan data semirip mungkin.
Penggunaan Generative Adversarial Network
Nantinya GAN digunakan untuk berbagai jenis tugas seperti menghasilkan gambar, musik, bahkan bahasa alami.
Contohnya untuk menghasilkan gambar wajah manusia, musik yang mirip dengan karya musisi tertentu. Ia juga dipakai membuat bahasa alami yang terdengar seperti manusia yang berbicara.
Keuntungan Generative Adversarial Network
Salah satu keuntungan Generative Adversarial Network adalah mampu menghasilkan data sintetis yang berbeda-beda dengan mudah.
Generator dapat menghasilkan data sintetis yang berbeda-beda dengan mengubah input acak yang diberikan kepadanya.
Ia juga dapat digunakan untuk menghasilkan data sintetis dalam jumlah besar dengan cepat.
Hal ini memungkinkan penerapan dalam berbagai aplikasi yang membutuhkan data sintetis dalam jumlah besar
Ada berbagai bidang yang akan sangat terbantu dengan teknologi ini, seperti simulasi hingga pengujian produk.
Kelemahan GAN
Namun Generative Adversarial Network juga memiliki beberapa kekurangan. Beberapa diantaranya ialah pelatihan yang lambat dan adanya masalah stabilitas dalam pelatihan.
Hal ini terjadi karena terdapat ketidakseimbangan antara generator dan discriminator. Kondisi tersebut dapat menyebabkan generator menghasilkan data sintetis yang kurang berkualitas.
Penggunaan GAN memang sangat menguntungkan karena bisa menghasilkan data sintetis dalam jumlah besar. Hanya saja kekurangannya tetap perlu mendapat perhatian khusus.
Dalam mengatasi kekurangan itu, terdapat berbagai teknik yang digunakan untuk meningkatkan kualitas dan stabilitas pelatihan.
