Model teks-ke-gambar - Riwayat revisi

Maintenance script: Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

2026-08-23T03:07:59Z

Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

← Revisi sebelumnya		Revisi per 23 Agustus 2026 03.07
Baris 1:		Baris 1:
			[[File:Astronaut_Riding_a_Horse_Hiroshige_(SD3.5).webp\|thumb\|right\|280px\|Astronaut Riding a Horse Hiroshige (SD3.5)]]

	Model '''teks-ke-gambar''' adalah sebuah model [[pembelajaran mesin]] yang menerima masukan berupa deskripsi [[bahasa alami]] dan menghasilkan sebuah gambar sesuai dengan deskripsi tersebut. Model-model tersebut mulai dikembangkan pada pertengahan 2010-an, sebagai hasil dari kemajuan di [[pemelajaran dalam]]. Pada tahun 2022, keluaran dari model teks-ke-gambar seperti DALL-E 2 oleh [[OpenAI]], Imagen oleh [[Google]], [[Stable Diffusion]], dan [[Midjourney]] mulai mencapai kualitas seperti foto dan karya seni buatan manusia.		Model '''teks-ke-gambar''' adalah sebuah model [[pembelajaran mesin]] yang menerima masukan berupa deskripsi [[bahasa alami]] dan menghasilkan sebuah gambar sesuai dengan deskripsi tersebut. Model-model tersebut mulai dikembangkan pada pertengahan 2010-an, sebagai hasil dari kemajuan di [[pemelajaran dalam]]. Pada tahun 2022, keluaran dari model teks-ke-gambar seperti DALL-E 2 oleh [[OpenAI]], Imagen oleh [[Google]], [[Stable Diffusion]], dan [[Midjourney]] mulai mencapai kualitas seperti foto dan karya seni buatan manusia.

Baris 8:		Baris 10:
	Tugas sebaliknya, [[Penghasil bahasa alami\|pendeskripsian gambar]], lebih mudah dibuat dan sejumlah model pemelajaran dalam pendeskripsian gambar muncul sebelum model teks-ke-gambar pertama.		Tugas sebaliknya, [[Penghasil bahasa alami\|pendeskripsian gambar]], lebih mudah dibuat dan sejumlah model pemelajaran dalam pendeskripsian gambar muncul sebelum model teks-ke-gambar pertama.

	Model teks-ke-gambar modern pertama, alignDRAW, diperkenalkan pada tahun 2015 oleh peneliti dari [[Universitas Toronto]]. alignDRAW memperluas arsitektur DRAW untuk dikondisikan berdasarkan urutan teks. Gambar yang dihasilkan oleh alignDRAW cenderung blur dan tidak fotorealistis, tetapi model dapat menghasilkan objek yang tidak ada pada data latih (seperti bis sekolah berwarna merah), dan menangani perintah yang tidak lazim seperti "sebuah rambu tanda berhenti melayang di langit biru", menunjukan bahwa dia tidak sekadar "menghafal" data dari kumpulan data latih.Pada tahun 2016, Reed, Akata, Yan et al. berhasil menjadi yang pertama dalam menggunakan jaringan adversarial generatif untuk tugas teks-ke-gambar. Dengan model yang dilatih pada kumpulan data yang sempit dan spesifik, mereka dapat menghasilkan gambar dengan "tampilan meyakinkan" seperti gambar burung dan bunga dari deskripsi teks seperti "Sebuah burung berwarna hitam sepenuhnya dengan paruh yang unik dan bulat". Sebuah model yang dilatih pada kumpulan data COCO menghasilkan gambar yang "dipandang dari jauh... meyakinkan", tetapi secara detil kurang koherensi. Sistem selanjutnya meliputi VQGAN+CLIP, XMC-GAN, dan GauGAN2.		Model teks-ke-gambar modern pertama, alignDRAW, diperkenalkan pada tahun 2015 oleh peneliti dari [[Universitas Toronto]]. alignDRAW memperluas arsitektur DRAW untuk dikondisikan berdasarkan urutan teks. Gambar yang dihasilkan oleh alignDRAW cenderung blur dan tidak fotorealistis, tetapi model dapat menghasilkan objek yang tidak ada pada data latih (seperti bis sekolah berwarna merah), dan menangani perintah yang tidak lazim seperti "sebuah rambu tanda berhenti melayang di langit biru", menunjukan bahwa dia tidak sekadar "menghafal" data dari kumpulan data latih.Pada tahun 2016, Reed, Akata, Yan et al. berhasil menjadi yang pertama dalam menggunakan jaringan adversarial generatif untuk tugas teks-ke-gambar. Dengan model yang dilatih pada kumpulan data yang sempit dan spesifik, mereka dapat menghasilkan gambar dengan "tampilan meyakinkan" seperti gambar burung dan bunga dari deskripsi teks seperti "Sebuah burung berwarna hitam sepenuhnya dengan paruh yang unik dan bulat". Sebuah model yang dilatih pada kumpulan data COCO menghasilkan gambar yang "dipandang dari jauh... meyakinkan", tetapi secara detil kurang koherensi. Sistem selanjutnya meliputi VQGAN+CLIP,<ref>Jesus Rodriguez. [https://thesequence.substack.com/p/edge229 🌅 Edge#229: VQGAN + CLIP]. ''thesequence.substack.com''.</ref> XMC-GAN, dan GauGAN2.<ref>Jesus Rodriguez. [https://thesequence.substack.com/p/edge231 🎆🌆 Edge#231: Text-to-Image Synthesis with GANs]. ''thesequence.substack.com''.</ref>

	Sebuah model teks-ke-gambar pertama yang menarik perhatian publik adalah [[OpenAI]] DALL-E, sebuah sistem transformer yang diumumkan pada Januari 2021. Sebuah penerus yang dapat menghasilkan gambar yang lebih kompleks dan realistis , DALL-E 2, diperkenalkan pada April 2022, diikuti oleh [[Stable Diffusion]] yang dirilis secara publik pada Agustus 2022.		Sebuah model teks-ke-gambar pertama yang menarik perhatian publik adalah [[OpenAI]] DALL-E, sebuah sistem transformer yang diumumkan pada Januari 2021. Sebuah penerus yang dapat menghasilkan gambar yang lebih kompleks dan realistis , DALL-E 2, diperkenalkan pada April 2022, diikuti oleh [[Stable Diffusion]] yang dirilis secara publik pada Agustus 2022.<ref>[https://stability.ai/blog/stable-diffusion-public-release Stable Diffusion Public Release]. ''Stability.Ai''.</ref>

	Mengikuti model teks-ke-gambar lainnya, platform teks-ke-video seperti Runway, Make-A-Video, Imagen Video, Midjourney, dan Phenaki dapat menghasilkan video dari perintah teks dan/atau teks/gambar.		Mengikuti model teks-ke-gambar lainnya, platform teks-ke-video seperti Runway, Make-A-Video,<ref>Ashish Kumar. [https://www.marktechpost.com/2022/10/03/meta-ai-introduces-make-a-video-an-artificial-intelligence-system-that-generates-videos-from-text/ Meta AI Introduces 'Make-A-Video': An Artificial Intelligence System That Generates Videos From Text]. ''MarkTechPost''. 2022-10-03.</ref> Imagen Video,<ref>Benj Edwards. [https://arstechnica.com/information-technology/2022/10/googles-newest-ai-generator-creates-hd-video-from-text-prompts/ Google's newest AI generator creates HD video from text prompts]. ''Ars Technica''. 2022-10-05.</ref> Midjourney,<ref>Jesus Rodriguez. [https://thesequence.substack.com/p/edge237 🎨 Edge#237: What is Midjourney?]. ''thesequence.substack.com''.</ref> dan Phenaki<ref>[https://phenaki.video/?mc_cid=9fee7eeb9d&mc_eid=6e7303fddd#interactive Phenaki]. ''phenaki.video''.</ref> dapat menghasilkan video dari perintah teks dan/atau teks/gambar.<ref>Benj Edwards. [https://arstechnica.com/information-technology/2022/09/runway-teases-ai-powered-text-to-video-editing-using-written-prompts/ Runway teases AI-powered text-to-video editing using written prompts]. Ars Technica. 9 September 2022.</ref>

	== Arsitektur dan pelatihan ==		== Arsitektur dan pelatihan ==

	Model teks-ke-gambar telah dibuat menggunakan berbagai jenis arsitektur. untuk langkah menghasilkan gambar, jaringan adversarial generatif kondisional telah umum digunakan, dengan [[model difusi]] juga menjadi populer akhir-akhir ini. Ketimbang melatih secara langsung sebuah model untuk menghasilkan keluaran beresolusi tinggi yang dikondisikan pada sebuah sematan teks, teknik populer adalah dengan melatih sebuah model untuk menghasilkan keluaran beresolusi rendah, dan lalu menggunakan model pemelajaran dalam untuk meningkatkan resolusi, dengan mengisi detil yang lebih dalam.		Model teks-ke-gambar telah dibuat menggunakan berbagai jenis arsitektur. untuk langkah menghasilkan gambar, jaringan adversarial generatif kondisional telah umum digunakan, dengan [[model difusi]] juga menjadi populer akhir-akhir ini. Ketimbang melatih secara langsung sebuah model untuk menghasilkan keluaran beresolusi tinggi yang dikondisikan pada sebuah sematan teks, teknik populer adalah dengan melatih sebuah model untuk menghasilkan keluaran beresolusi rendah, dan lalu menggunakan model pemelajaran dalam untuk meningkatkan resolusi, dengan mengisi detil yang lebih dalam.

Baris 21:		Baris 22:

	== Kumpulan data ==		== Kumpulan data ==

	Melatih model teks-ke-gambar membutuhkan sebuah kumpulan data yang dipadukan dengan deskripsi teks. Sebuah kumpulan data yang umum digunakan untuk tujuan ini adalah COCO (Common Objects in Context). Dirilis oleh Microsoft pada tahun 2014, COCO berisi kurang lebih 123,000 gambar yang memperlihatkan keanekaragaman objek, dengan lima deskripsi per gambar, yang dihasilkan oleh manusia. Oxford-120 Flowers dan CUB-200 Birds adalah kumpulan data yang lebih kecil, dimana masing-masing terbatas pada bunga dan burung. Menggunakan kumpulan data tersebut dianggap lebih mudah untuk melatih model teks-ke-gambar berkualitas tinggi, dikarenakan materinya lebih sempit.		Melatih model teks-ke-gambar membutuhkan sebuah kumpulan data yang dipadukan dengan deskripsi teks. Sebuah kumpulan data yang umum digunakan untuk tujuan ini adalah COCO (Common Objects in Context). Dirilis oleh Microsoft pada tahun 2014, COCO berisi kurang lebih 123,000 gambar yang memperlihatkan keanekaragaman objek, dengan lima deskripsi per gambar, yang dihasilkan oleh manusia. Oxford-120 Flowers dan CUB-200 Birds adalah kumpulan data yang lebih kecil, dimana masing-masing terbatas pada bunga dan burung. Menggunakan kumpulan data tersebut dianggap lebih mudah untuk melatih model teks-ke-gambar berkualitas tinggi, dikarenakan materinya lebih sempit.

Baris 28:		Baris 28:

	== Lihat pula ==		== Lihat pula ==

	* [[Seni kecerdasan buatan]]		* [[Seni kecerdasan buatan]]

	== Referensi ==		== Referensi ==
			<references />

	== Sumber dan atribusi ==		== Sumber dan atribusi ==

	~~Artikel~~ ini diadaptasi ~~dalam mode teks~~ dari		Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Model+teks-ke-gambar&oldid=29354286 Wikipedia bahasa Indonesia], revisi 29354286 (2026-06-16T17:59:22Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Gambar pada artikel ini bersumber dari Wikimedia Commons dan mengikuti ketentuan lisensi masing-masing berkas. Mohon gunakan konten dan media secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.
	[https://id.wikipedia.org/w/index.php?title=~~Model_teks~~-ke-gambar&oldid=29354286 Wikipedia bahasa Indonesia],
	revisi 29354286 (2026-06-16T17:59:22Z).		<!-- WIKI_UNISSULA_PRESENTATION_V4 -->
	~~Gambar, media, infobox, templat navigasi~~, ~~dan kategori sumber~~
	~~tidak diimpor ke Wiki Unissula.~~
	~~Atribusi dan~~ lisensi ~~mengikuti ketentuan~~ Creative Commons
	Atribusi-BerbagiSerupa (CC BY-SA) pada ~~sumber Wikipedia~~.

Maintenance script: Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 29354286; atribusi sumber disertakan.

2026-08-23T02:28:08Z

Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 29354286; atribusi sumber disertakan.

Halaman baru

Model '''teks-ke-gambar''' adalah sebuah model [[pembelajaran mesin]] yang menerima masukan berupa deskripsi [[bahasa alami]] dan menghasilkan sebuah gambar sesuai dengan deskripsi tersebut. Model-model tersebut mulai dikembangkan pada pertengahan 2010-an, sebagai hasil dari kemajuan di [[pemelajaran dalam]]. Pada tahun 2022, keluaran dari model teks-ke-gambar seperti DALL-E 2 oleh [[OpenAI]], Imagen oleh [[Google]], [[Stable Diffusion]], dan [[Midjourney]] mulai mencapai kualitas seperti foto dan karya seni buatan manusia.

Model teks-ke-gambar secara umum menggabungkan sebuah [[model bahasa]], yang mengubah teks masukan kedalam sebuah representasi laten, dan sebuah model gambar generatif, yang menghasilkan sebuah gambar berdasarkan representasi tersebut. Model yang paling efektif umumnya dilatih di data teks dan gambar berskala besar yang diambil dari web.

== Sejarah ==
Sebelum berkembangnya [[pemelajaran dalam]], langkah-langkah untuk membangun model teks-ke-gambar terbatas hanya pada [[kolase]] dengan mengurutkan gambar yang sudah ada, seperti dari basis data [[clip art]].

Tugas sebaliknya, [[Penghasil bahasa alami|pendeskripsian gambar]], lebih mudah dibuat dan sejumlah model pemelajaran dalam pendeskripsian gambar muncul sebelum model teks-ke-gambar pertama.

Model teks-ke-gambar modern pertama, alignDRAW, diperkenalkan pada tahun 2015 oleh peneliti dari [[Universitas Toronto]]. alignDRAW memperluas arsitektur DRAW untuk dikondisikan berdasarkan urutan teks. Gambar yang dihasilkan oleh alignDRAW cenderung blur dan tidak fotorealistis, tetapi model dapat menghasilkan objek yang tidak ada pada data latih (seperti bis sekolah berwarna merah), dan menangani perintah yang tidak lazim seperti "sebuah rambu tanda berhenti melayang di langit biru", menunjukan bahwa dia tidak sekadar "menghafal" data dari kumpulan data latih.Pada tahun 2016, Reed, Akata, Yan et al. berhasil menjadi yang pertama dalam menggunakan jaringan adversarial generatif untuk tugas teks-ke-gambar. Dengan model yang dilatih pada kumpulan data yang sempit dan spesifik, mereka dapat menghasilkan gambar dengan "tampilan meyakinkan" seperti gambar burung dan bunga dari deskripsi teks seperti "Sebuah burung berwarna hitam sepenuhnya dengan paruh yang unik dan bulat". Sebuah model yang dilatih pada kumpulan data COCO menghasilkan gambar yang "dipandang dari jauh... meyakinkan", tetapi secara detil kurang koherensi. Sistem selanjutnya meliputi VQGAN+CLIP, XMC-GAN, dan GauGAN2.

Sebuah model teks-ke-gambar pertama yang menarik perhatian publik adalah [[OpenAI]] DALL-E, sebuah sistem transformer yang diumumkan pada Januari 2021. Sebuah penerus yang dapat menghasilkan gambar yang lebih kompleks dan realistis , DALL-E 2, diperkenalkan pada April 2022, diikuti oleh [[Stable Diffusion]] yang dirilis secara publik pada Agustus 2022.

Mengikuti model teks-ke-gambar lainnya, platform teks-ke-video seperti Runway, Make-A-Video, Imagen Video, Midjourney, dan Phenaki dapat menghasilkan video dari perintah teks dan/atau teks/gambar.

== Arsitektur dan pelatihan ==

Model teks-ke-gambar telah dibuat menggunakan berbagai jenis arsitektur. untuk langkah menghasilkan gambar, jaringan adversarial generatif kondisional telah umum digunakan, dengan [[model difusi]] juga menjadi populer akhir-akhir ini. Ketimbang melatih secara langsung sebuah model untuk menghasilkan keluaran beresolusi tinggi yang dikondisikan pada sebuah sematan teks, teknik populer adalah dengan melatih sebuah model untuk menghasilkan keluaran beresolusi rendah, dan lalu menggunakan model pemelajaran dalam untuk meningkatkan resolusi, dengan mengisi detil yang lebih dalam.

Model teks-ke-gambar dilatih pada kumpulan data berpasangan (teks, gambar), umumnya diambil dari web. Dengan model Imagen tahun 2022, Google Brain melaporkan hasil yang positif dari penggunaan [[model bahasa besar]] yang dilatih secara terpisah pada kumpulan teks saja (dengan bobot yang dibekukan), sebuah perbedaan dari pendekatan standar yang umum digunakan.

== Kumpulan data ==

Melatih model teks-ke-gambar membutuhkan sebuah kumpulan data yang dipadukan dengan deskripsi teks. Sebuah kumpulan data yang umum digunakan untuk tujuan ini adalah COCO (Common Objects in Context). Dirilis oleh Microsoft pada tahun 2014, COCO berisi kurang lebih 123,000 gambar yang memperlihatkan keanekaragaman objek, dengan lima deskripsi per gambar, yang dihasilkan oleh manusia. Oxford-120 Flowers dan CUB-200 Birds adalah kumpulan data yang lebih kecil, dimana masing-masing terbatas pada bunga dan burung. Menggunakan kumpulan data tersebut dianggap lebih mudah untuk melatih model teks-ke-gambar berkualitas tinggi, dikarenakan materinya lebih sempit.

== Evaluasi ==
Melakukan evaluasi dan membandingkan kualitas model teks-ke-gambar adalah tantangan, termasuk didalamnya menilai beberapa kriteria yang dianggap penting. Seperti pada semua model gambar pada umumnya, tentu sangat diharapkan bahwa gambar yang dihasilkan adalah realistis (dalam maksud bahwa gambar tersebut tampil seperti pada kumpulan data latih yang digunakan), dan memiliki gaya yang beragam. Sebuah kriteria penting pada model teks-ke-gambar adalah gambar yang dihasilkan selaras dengan deskripsi teks yang digunakan untuk menghasilkannya. Sejumlah skema telah dirancang untuk menilai hal tersebut, sebagian bersifat otomatis dan lainnya berdasarkan penilaian manusia.

== Lihat pula ==

* [[Seni kecerdasan buatan]]

== Referensi ==

== Sumber dan atribusi ==

Artikel ini diadaptasi dalam mode teks dari
[https://id.wikipedia.org/w/index.php?title=Model_teks-ke-gambar&oldid=29354286 Wikipedia bahasa Indonesia],
revisi 29354286 (2026-06-16T17:59:22Z).
Gambar, media, infobox, templat navigasi, dan kategori sumber
tidak diimpor ke Wiki Unissula.
Atribusi dan lisensi mengikuti ketentuan Creative Commons
Atribusi-BerbagiSerupa (CC BY-SA) pada sumber Wikipedia.