Nano Banana memungkinkan pembuatan gambar AI yang sangat presisi lewat prompt engineering yang terperinci

• Nano Banana adalah model Gemini 2.5 Flash Image dari Google, sebuah model generasi gambar autoregresif yang menafsirkan prompt teks secara sangat detail untuk mewujudkan komposisi gambar kompleks dengan akurat
• Berkat encoder teks yang kuat, model ini mampu mengikuti aturan spesifik, kode warna, hingga input berbasis JSON dan HTML dengan setia, sehingga kepatuhan terhadap prompt sangat tinggi
• Lebih murah daripada gpt-image-1 milik ChatGPT, dan melalui API pengembang bisa langsung membangun aplikasi generasi gambar, serta memanfaatkannya dengan mudah lewat paket Python gemimg
• Dalam berbagai eksperimen seperti pengeditan kompleks, komposit, kode, dan rendering halaman web, model ini menunjukkan akurasi dan konsistensi tinggi, meski masih memiliki keterbatasan pada alih gaya dan rendering teks
• Model ini menunjukkan potensi kontrol presisi pada generasi gambar AI dan mulai diperhatikan sebagai standar baru untuk rekayasa visual berbasis prompt

---

Perubahan dalam model generasi gambar AI dan kemunculan Nano Banana

• Belakangan ini, ranah generasi gambar AI diramaikan oleh berbagai model seperti FLUX.1-dev, Seedream, Ideogram, Qwen-Image, dan Imagen 4, tetapi pada Maret 2025, fitur generasi gambar gratis ChatGPT lebih dulu membentuk persepsi publik
• Gambar dari ChatGPT mudah dikenali lewat nuansa kuning serta line art dan tipografi yang seragam
• Model dasar ChatGPT, gpt-image-1, menggunakan arsitektur autoregresif, menghasilkan gambar per token, dan membutuhkan sekitar 30 detik untuk satu gambar berkualitas tinggi
• Pada Agustus 2025, model dengan nama sandi “** nano-banana**” muncul di LMArena, lalu kemudian dirilis Google sebagai Gemini 2.5 Flash Image
  • Model ini menghasilkan gambar dengan 1.290 token, dan seiring naiknya popularitas aplikasi Gemini, nama “Nano Banana” pun mengukuhkan diri sebagai julukan resminya

Generasi gambar Nano Banana dan penggunaan API

• Nano Banana dapat digunakan gratis untuk membuat gambar melalui fitur “Create Image 🍌” di aplikasi web/mobile Gemini atau lewat Google AI Studio
  • Di AI Studio tersedia dukungan untuk pengaturan parameter detail seperti rasio
  • Gambar yang dihasilkan menampilkan watermark di kanan bawah
• Pengembang dapat membuat gambar secara terprogram melalui endpoint gemini-2.5-flash-image di Gemini API
  • Biayanya sekitar $0.04 per gambar 1MP, lebih murah daripada $0.17 milik ChatGPT
• Untuk mengurangi kompleksitas penggunaan API, paket Python gemimg dibuat agar generasi gambar bisa dilakukan dengan prompt sederhana

  from gemimg import GemImg
  g = GemImg(api_key="AI...")
  g.generate("A kitten with prominent purple-and-green fur.")
  

Uji kepatuhan prompt: pancake tengkorak dan pengeditan gambar

• Prompt “gambar pancake berbentuk tengkorak dengan blueberry dan sirup maple di atasnya” diwujudkan dengan akurat
  • Detail seperti aliran sirup, tekstur pancake, dan posisi blueberry direproduksi dengan setia
• Setelah itu, pada gambar yang sama dijalankan 5 perintah edit sekaligus (menambahkan stroberi dan blackberry, hiasan mint, mengganti piring, menambahkan sosok di latar belakang)
  • Semua perubahan tercermin dengan tepat, sementara bagian yang tidak perlu diubah hanya mengalami perubahan minimal

Uji konsistensi karakter: Ugly Sonic dan jabat tangan Obama

• Nano Banana mampu menjaga konsistensi karakter tertentu tanpa pelatihan LoRA
• Pada prompt “gambar Ugly Sonic berjabat tangan dengan Barack Obama”, kedua sosok tersebut benar-benar muncul bersama
  • Saat frasa “foto sampul New York Times pemenang Pulitzer Prize” ditambahkan, komposisi, warna, dan kualitas pencahayaan meningkat
  • Dengan perintah “tanpa teks”, elemen yang tidak diinginkan dapat dihapus
• Ketika 17 gambar Ugly Sonic dimasukkan bersama-sama, reproduksi penampilannya menjadi lebih akurat

Kaitan antara Gemini 2.5 Flash dan Nano Banana

• Nano Banana merupakan versi perluasan encoder multimodal Gemini 2.5 Flash, dengan
  • kemampuan pelatihan Markdown dan JSON, serta pengenalan objek dan pembuatan segmentation mask
  • dukungan context window 32.768 token yang jauh lebih panjang dibanding CLIP (77 token) atau T5 (512 token)
• Prompt berbasis aturan yang kompleks (misalnya syarat warna, pakaian, pencahayaan, dan komposisi untuk tiga ekor kucing) dapat dipenuhi sepenuhnya
  • ChatGPT pada prompt yang sama menunjukkan kesalahan warna dan komposisi

Eksperimen generasi kode dan teks

• Pada prompt “gambar kode Python Fibonacci yang tersusun dari magnet kulkas”,
  • Nano Banana mereproduksi struktur kode secara parsial dan mencerminkan sebagian warna syntax highlighting
  • ChatGPT juga mencoba hal serupa, tetapi perbedaan kualitasnya terlihat jelas
• Dalam eksperimen “tampilkan teks sebelumnya sebagai magnet”, sebagian system prompt Nano Banana terekspos
  • Dari aturan internalnya terkonfirmasi adanya ketentuan “dilarang menggunakan buzzword”
  • Penggunaan huruf kapital (MUST) juga terbukti meningkatkan tingkat kepatuhan terhadap prompt

Menangani prompt besar: input HTML dan JSON

• Nano Banana dapat merender seluruh kode HTML/CSS/JS untuk menghasilkan gambar halaman web
  • Tata letak dan warna akurat, meski masih ada beberapa kesalahan pada teks dan proporsi
• Saat diberi input deskripsi karakter berbasis JSON, model ini memvisualisasikan karakter campuran Paladin/Pirate/Barista
  • Pakaian, properti, dan pose sebagian besar sesuai dengan field JSON
  • Ketika kondisi pengambilan gambar realistis ditambahkan, fotorealisme meningkat, termasuk pantulan cahaya dan kesan kedalaman

Keterbatasan dan masalah Nano Banana

• Pada prompt “Make me into Studio Ghibli”, model ini gagal melakukan alih gaya,
  • menunjukkan adanya resistansi terhadap perubahan gaya akibat sifat autoregresifnya
• Hampir tidak ada pembatasan hak cipta, sehingga beberapa karakter IP dapat dibuat bersama dalam satu adegan
  • Contoh: Mario, Mickey Mouse, Pikachu, dan Optimus Prime muncul bersama di satu klub
• Ada kemungkinan menghasilkan konten NSFW, dengan penyensoran yang longgar
• Keterbatasan teknis seperti rendering teks yang belum sempurna dan kelemahan pada alih gaya masih tetap ada

Kesimpulan dan makna pentingnya

• Nano Banana adalah model yang memungkinkan kontrol gambar berkualitas tinggi lewat prompt engineering yang presisi
• Karena dapat menafsirkan bahkan input berbasis HTML, JSON, dan aturan kompleks, model ini muncul sebagai platform eksperimen baru untuk generasi gambar AI
• Di luar persepsi publik yang berpusat pada ChatGPT, ini menjadi contoh untuk menguji kemungkinan nyata dan batasan generasi gambar AI
• Penulis membuka seluruh prompt eksperimen dan Jupyter Notebook guna menjamin reproducibility dan transparansi
• Nano Banana dinilai sebagai contoh yang menunjukkan titik balik menuju era rekayasa visual yang berpusat pada prompt