Pewarnaan Gram merupakan prosedur diagnostik utama dalam mikrobiologi klinis untuk mengklasifikasikan bakteri menjadi kelompok Gram-positif dan Gram-negatif, yang secara langsung memandu pemilihan antibiotik sebelum hasil kultur tersedia. Interpretasi manual bersifat padat karya dan rentan terhadap variabilitas antarpengamat yang signifikan. Meskipun jaringan saraf konvolusional (CNN) menawarkan alternatif sistem bantu keputusan, pelatihannya sangat terkendala oleh kelangkaan data klinis beranotasi dan ketidakseimbangan kelas. Penelitian ini mengusulkan kerangka augmentasi data menggunakan StyleGAN2-ADA (Adaptive Discriminator Augmentation) untuk menghasilkan citra sintetis bakteri pewarnaan Gram berkualitas tinggi dari dataset klinis multi-sumber yang terdiri atas 1.705 citra saluran pernapasan bawah (PLA General Hospital) dan 505 citra kultur darah positif (Yi et al.). Sel bakteri individual diekstrak melalui pemotongan berbasis anotasi bounding box tervalidasi ahli, kemudian distandarisasi ke ukuran 256×256 piksel; pembagian data dilakukan pada tingkat gambar sumber untuk mencegah kebocoran data. Kualitas citra sintetis dinilai menggunakan Fréchet Inception Distance (FID), sedangkan kelayakannya sebagai data latih diuji melalui skema augmentasi aditif (S0 baseline; S1–S3 penambahan sintetis GAN 25/50/100%; S4–S6 augmentasi tradisional sebagai pembanding; S-Bal penyeimbang kelas) pada lima arsitektur CNN: ResNet-50, DenseNet-121, VGG-16, MobileNetV3, dan InceptionV3. Generator Gram-negatif dan Gram-positif mencapai skor FID terbaik terhadap data latih masing-masing sebesar 4,58 dan 6,54 (kimg 7.000), jauh di bawah ambang FID rekor Woodland et al. (10,78 dan 21,17), yang mengonfirmasi keberhasilan kedua generator mempelajari distribusi visual citra bakteri Gram. Namun, pada evaluasi bebas kebocoran, penambahan citra sintetis tidak meningkatkan kinerja klasifikasi: augmentasi GAN bersifat netral terhadap baseline macro-averaged F1-Score 0,919 (S1 0,921; S2 0,916; S3 0,919), sementara augmentasi tradisional +100% (S6) justru memberi hasil tertinggi (0,925; uji Wilcoxon berpasangan p = 0,026). Temuan ini mengungkap divergensi antara fidelitas citra (FID rendah terhadap data latih, tetapi 21,6–60 terhadap slide baru) dan utilitas fungsionalnya sebagai data latih, sehingga skor FID yang baik tidak menjamin peningkatan kinerja klasifikasi hilir. Macro-averaged F1-Score digunakan sebagai metrik klasifikasi utama mengingat ketidakseimbangan kelas yang melekat pada dataset klinis.