Kecerdasan Buatan

Text-to-Image (Diffusion Model)

Ringkasan Cepat
  • Text-to-image mengubah deskripsi teks jadi gambar baru lewat model generative AI
  • Kebanyakan tools populer memakai teknik diffusion model, yang dimulai dari gambar acak lalu "dibersihkan" bertahap
  • Kualitas hasil sangat bergantung pada kejelasan dan detail prompt yang diberikan

Text-to-image adalah teknologi AI yang mengubah deskripsi teks (prompt) jadi gambar baru yang belum pernah ada sebelumnya, memakai model generative AI yang dilatih dari jutaan pasangan gambar dan teks deskripsinya.

Cara Kerjanya

Kebanyakan tools text-to-image populer memakai teknik diffusion model: proses dimulai dari gambar berisi noise/piksel acak sepenuhnya, lalu model secara bertahap “membersihkan” noise itu langkah demi langkah, dipandu oleh deskripsi teks yang diberikan, sampai akhirnya terbentuk gambar yang sesuai dengan prompt tersebut.

Contoh Tools Populer

Beberapa tools text-to-image yang banyak dipakai: Midjourney (dikenal hasil visualnya yang artistik), DALL-E dari OpenAI (terintegrasi dengan ChatGPT), dan Stable Diffusion (open source, bisa dijalankan di perangkat sendiri). Masing-masing punya karakteristik gaya visual dan tingkat kontrol yang sedikit berbeda.

Kualitas Prompt Menentukan Hasil

Semakin spesifik dan detail deskripsi yang diberikan (gaya visual, pencahayaan, komposisi, sudut pandang), semakin besar peluang hasilnya sesuai ekspektasi. Prompt yang terlalu umum (“gambar kucing”) biasanya menghasilkan gambar generik, sementara prompt yang jelas (“kucing oranye duduk di jendela saat matahari terbenam, gaya lukisan cat air”) memberi arahan yang jauh lebih presisi ke model.

Kesalahan Umum Soal Text-to-Image

Banyak yang mengira gambar hasil AI text-to-image sudah sempurna dan bebas cacat. Padahal model ini masih sering kesulitan menggambar detail rumit seperti jumlah jari tangan yang tepat atau teks yang terbaca jelas di dalam gambar, meski kualitasnya terus membaik seiring perkembangan model — hasil tetap perlu dicek ulang sebelum dipakai untuk keperluan yang butuh presisi tinggi.

Pertanyaan Umum

Apakah gambar hasil AI text-to-image punya hak cipta?
Status hukumnya masih berbeda-beda di tiap negara dan terus berkembang. Sebagian yurisdiksi belum mengakui hak cipta penuh untuk karya yang sepenuhnya dihasilkan AI tanpa campur tangan kreatif manusia yang signifikan.
Kenapa AI text-to-image sering salah gambar tangan/jari?
Karena tangan punya bentuk dan posisi yang sangat bervariasi dan kompleks dibanding objek lain, membuat model AI lebih sulit mempelajari pola yang konsisten dibanding objek dengan bentuk yang lebih sederhana dan seragam.
Apa beda diffusion model dengan GAN?
GAN (Generative Adversarial Network) memakai dua model AI yang saling “bersaing” untuk menghasilkan gambar realistis. Diffusion model bekerja dengan membersihkan noise secara bertahap dari gambar acak — pendekatan berbeda yang saat ini lebih umum dipakai di tools text-to-image populer karena hasilnya cenderung lebih stabil dan detail.

Istilah Terkait

← Kembali ke Kamus Teknologi