Detail Cantuman

Generative Adversarial Network merupakan metode yang digunakan untuk dapat menghasilkan citra buatan dengan menggunakan diskriminator dan generator. GAN konvensional melibatkan binary cross entropy loss untuk pelatihan diskriminator dalam mengklasifikasikan citra asli dari dataset dan citra buatan hasil Generate dari generator. Namun, penggunaan binary cross entropy loss tidak dapat memberikan informasi gradien ke generator dalam membuat citra buatan yang baik. Ketika generator membuat citra buatan dan diberi respon oleh diskriminator termasuk asli atau tidak, diskriminator hanya memberi sedikit feedback (dalam hal ini gradien) kepada generator untuk memperbarui modelnya. Hal ini menyebabkan generator membutuhkan waktu yang lama dalam memperbaharui modelnya. Dalam mengatasi kekurangan tersebut, maka terdapat LSGAN yang menggunakan fungsi loss (least squared loss). Prinsip kerjanya yaitu diskriminator dapat memberikan sinyal gradien yang kuat kepada generator untuk memperbaharui modelnya walaupun citra tersebut jauh dari batas keputusan. Dalam membuat citra buatan, peneliti menggunakan Least Squares GAN (LSGAN) dengan nilai loss diskriminator-1 sebesar 0,0061, nilai loss diskriminator-2 sebesar 0,0036, nilai loss generator 0,575. Dengan kecilnya nilai loss ketiga komponen penting tersebut mengakibatkan nilai akurasi diskriminator dalam hal klasifikasi mencapai 95% untuk citra asli dan 99 % untuk citra buatan. Dalam menentukan citra asli dan citra buatan pada penelitian ini menggunakan model klasifikasi supervised contrastive loss dengan nilai akurasi mencapai 99,93%.
Kata kunci: LSGAN, Citra Buatan, Citra Asli, Supervised Contrastive Loss