Penelitian ini mengusulkan kontribusi teoritis dan numerik untuk menggunakan En- tropy Regularized Optimal Transport (EOT) ke dalam framework Generative Ad- versarial Networks (GAN). Penulis menggunakan divergensi Sinkhorn, suatu ben- tuk normalisasi simetris dari divergensi EOT, sebagai obyektif optimisasi minimax dalam framework GAN. Model ini dinamakan Sinkhorn GAN dan dapat dilatih de- ngan dua algoritma optimisasi minimax hasil pendekatan teoritis. Sinkhorn GAN mengusulkan dua algoritma berbasis Stochastic Gradient Descent-Ascent (SGDA), yaitu SGDA simultan (SimSGDA) untuk fungsi obyektif convex-concave (CC) dan SGDA sekuensial (SeqSGDA) untuk nonconvex-(non)concave (NCNC). Penelitian ini membuktikan secara empiris bahwa SimSGDA dan SeqSGDA dapat menyele- saikan optimisasi minimax Sinkhorn GAN untuk mencapai konvergensi ke titik op- timal, yaitu titik Nash equilibrium lokal untuk fungsi obyektif CC dan titik minimax lokal untuk NCNC. Beberapa eksperimen numerik dilakukan untuk menguji kin- erja dan kualitas Sinkhorn GAN menggunakan data gambar berwarna (Cats dan CelebA) serta arsitektur neural network moderen (DCGAN dan ResNet). Diband- ingkan dengan model-model GAN berbasis EOT sebelumnya, hasil eksperimen Sinkhorn GAN menunjukkan kualitas sampel gambar dan stabilitas pelatihan yang lebih baik. Stabilitas Sinkhorn GAN dievaluasi dengan teknik analisis nonasim- totik laju konvergensi menggunakan structural similarity index measure (SSIM). Hasil analisis empiris menunjukkan pelatihan Sinkhorn GAN lebih cepat ketika menggunakan fitur positif Sinkhorn, dibandingkan dengan model state-of-the-art WGAN. Kualitas sampel yang dihasilkan Sinkhorn GAN fitur positif sebanding dengan WGAN. Berbeda dengan WGAN, Sinkhorn GAN fungsi obyektif CC da- pat dilatih dengan SimSGDA, yang lebih sesuai dengan teori optimisasi minimax.