Catatan Penulis: Analisis mendalam mengenai alasan teknis mengapa Nano Banana Pro tidak mendukung parameter seed, serta solusi praktis bagi Anda yang ingin mereplikasi hasil pembuatan gambar yang memuaskan secara massal.
Sebuah umpan balik nyata dari pengguna: "Saya baru saja mengubah gambar dan hasilnya sangat memuaskan. Saya ingin mengubah beberapa gambar lagi dengan efek yang persis sama, bagaimana caranya? Karena setiap kali dibuat, hasilnya selalu berbeda." Ini adalah masalah umum saat menggunakan Nano Banana Pro untuk pembuatan gambar massal (image-to-image). Meskipun Anda memasukkan gambar yang memuaskan tersebut sebagai gambar referensi, hasilnya tetap tidak konsisten—alasannya sederhana: Nano Banana Pro secara resmi tidak mendukung parameter seed, sehingga setiap proses pembuatan adalah proses inferensi acak yang benar-benar baru.
Nilai Inti: Artikel ini tidak akan bertele-tele. Pertama, kami akan menjelaskan mengapa tidak ada seed dan mengapa gambar referensi saja tidak cukup, lalu memberikan 5 solusi alternatif yang efektif untuk membantu Anda mereplikasi efek yang memuaskan semaksimal mungkin tanpa adanya seed.
Mari kita perjelas: Mengapa Nano Banana Pro tidak punya Seed?
Daftar Parameter Resmi
generationConfig pada Nano Banana Pro (gemini-3-pro-image-preview) mendukung parameter berikut:
| Nama Parameter | Fungsi | Contoh Nilai |
|---|---|---|
responseModalities |
Menentukan tipe output | ["IMAGE"] |
resolution |
Resolusi gambar | "1K" / "2K" / "4K" |
aspectRatio |
Rasio aspek | "16:9" / "1:1" / "2:3" |
candidateCount |
Jumlah kandidat yang dihasilkan sekaligus | 1 (Pembuatan gambar dipatok pada 1) |
temperature |
Randomitas bagian teks (tidak memengaruhi gambar) | 1.0 (Default yang direkomendasikan) |
Parameter seed: Tidak ada dalam daftar, tidak didukung secara resmi.
Mencoba memasukkan seed dalam kode akan langsung menyebabkan error:
# ❌ Ini akan menyebabkan error: Unknown field 'seed' in GenerationConfig
response = model.generate_content(
prompt,
generation_config=genai.GenerationConfig(
response_modalities=["IMAGE"],
seed=42 # ← Error! Parameter ini tidak didukung secara resmi
)
)
Gemini Image API vs Imagen API: Dua layanan yang berbeda
Banyak orang menemukan bahwa dokumentasi resmi Google memang mencantumkan parameter seed, tapi itu untuk Imagen API (layanan pembuatan gambar di Vertex AI), bukan Nano Banana Pro:
| Perbandingan | Nano Banana Pro | Imagen API (Vertex AI) |
|---|---|---|
| ID Model | gemini-3-pro-image-preview |
imagen-3.0-generate-002 |
| Dukungan Seed | ❌ Tidak didukung | ✅ Didukung (parameter seed) |
| Endpoint API | Google Generative AI | Vertex AI |
| SDK yang digunakan | google-generativeai |
google-cloud-aiplatform |
| Kualitas Gambar | Realisme tingkat tinggi, rendering teks kuat | Kualitas tinggi, gaya beragam |
| Harga (APIYI) | $0.05/gambar | Harga terpisah |
Kesimpulan: Jika Anda benar-benar membutuhkan reproduksibilitas seed, Anda harus beralih ke Imagen API, alih-alih mengutak-atik parameter yang tidak ada di Nano Banana Pro. Layanan pihak ketiga seperti APIYI tidak mendukung Imagen API; API ini hanya bisa digunakan dengan KEY resmi dari situs webnya.
Mengapa gambar referensi saja tidak cukup?
Memasukkan hasil yang memuaskan kembali sebagai gambar referensi adalah ide yang paling intuitif, tapi hasil praktisnya "biasa saja". Alasan utamanya adalah:
Nano Banana Pro memahami gambar referensi sebagai "referensi gaya" dan bukan "templat duplikasi". Saat Anda mengunggah gambar referensi dan berkata "buat gambar ini sedikit lebih gelap", model akan:
- Menganalisis gaya keseluruhan, komposisi, dan konten gambar referensi.
- Memahami ulang instruksi "sedikit lebih gelap" tersebut.
- Menghasilkan gambar baru dari awal yang sesuai dengan instruksi.
Proses ini memiliki unsur randomitas setiap saat, jadi "sedikit lebih gelap" mungkin pada percobaan pertama tepat seperti yang Anda inginkan dengan penurunan kecerahan 15%, tapi yang kedua bisa jadi 50%, dan yang ketiga malah gayanya benar-benar berbeda.
5 Alternatif: Dari yang Paling Langsung hingga yang Paling Menyeluruh
Opsi 1: Kuantifikasi Petunjuk dengan Presisi (Hasil Paling Instan)
Skenario Masalah: "Buat gambarnya sedikit lebih gelap" → Hasilnya terkadang terlalu gelap, terkadang terlalu terang.
Penyebab utamanya adalah kata "sedikit" itu terlalu ambigu. Nano Banana Pro tidak bisa menjamin pemahaman yang konsisten tentang arti "sedikit" di setiap percobaan. Solusinya adalah mengganti deskripsi ambigu dengan nilai numerik:
❌ Petunjuk Ambigu:
"Make this image slightly darker"
"Buat gambarnya sedikit lebih gelap"
✅ Petunjuk Terkuantifikasi:
"Apply a subtle darkening effect equivalent to reducing brightness by
approximately 15-20%. The image should feel slightly moodier but all
details must remain clearly visible. Do NOT go dark. The result should
be close to: brightness 85% of original, contrast unchanged."
Cara penulisan kuantitatif untuk penyesuaian umum:
Penyesuaian Kecerahan:
"brightness at 85% of original" (turun 15%)
"increase brightness by 10%, keep contrast" (naik 10%)
Penyesuaian Nada Warna:
"add a very subtle warm orange tint, color shift about 10%"
"slight cool blue cast, saturation unchanged"
Intensitas Gaya:
"apply film grain texture at 20% opacity, barely noticeable"
"add very subtle vignette at corners, 15% strength"
💡 Tips Kunci: Gunakan kata pembatas derajat seperti "approximately X%", "not exceeding Y%", "subtle/barely noticeable" dalam petunjuk untuk memberi tahu model batasan perubahan secara jelas.
Opsi 2: Kombinasi Hasil Memuaskan + Petunjuk Presisi (Rekomendasi Utama)
Mengunggah gambar referensi saja sering kali memberikan hasil yang tidak stabil, tetapi kombinasi gambar referensi + petunjuk terkuantifikasi akan memberikan hasil yang jauh lebih baik:
import google.generativeai as genai
import base64
genai.configure(
api_key="YOUR_APIYI_KEY",
client_options={"api_endpoint": "vip.apiyi.com"} # APIYI $0.05/panggilan
)
model = genai.GenerativeModel("gemini-3-pro-image-preview")
def apply_consistent_effect(
source_image_path: str, # Gambar baru yang ingin diproses
approved_result_path: str, # Hasil pertama yang memuaskan (sebagai referensi gaya)
effect_description: str, # Deskripsi efek yang terkuantifikasi presisi
output_path: str
) -> str:
"""
Menerapkan efek yang memuaskan ke gambar baru
Menggunakan jangkar ganda: gambar referensi + petunjuk terkuantifikasi presisi
"""
# Membaca kedua gambar
with open(source_image_path, "rb") as f:
source_data = base64.b64encode(f.read()).decode()
with open(approved_result_path, "rb") as f:
approved_data = base64.b64encode(f.read()).decode()
prompt = f"""
I have two reference images:
- Image 1 (source): The new image I want to process
- Image 2 (approved result): A previous edit I was very happy with
Please apply the SAME effect from Image 2 to Image 1.
The effect is: {effect_description}
Critical instructions:
- The degree of change should match Image 2 EXACTLY
- Do not over-apply the effect
- Keep all other image properties unchanged
- If unsure about intensity, err on the side of LESS change
"""
response = model.generate_content(
[
{"inline_data": {"mime_type": "image/jpeg", "data": source_data}},
{"inline_data": {"mime_type": "image/jpeg", "data": approved_data}},
prompt
],
generation_config=genai.GenerationConfig(
response_modalities=["IMAGE"],
resolution="4K",
aspect_ratio="1:1"
)
)
for part in response.candidates[0].content.parts:
if part.inline_data and part.inline_data.mime_type.startswith("image/"):
with open(output_path, "wb") as f:
f.write(base64.b64decode(part.inline_data.data))
return output_path
return None
# Contoh penggunaan
result = apply_consistent_effect(
source_image_path="new_product_photo.jpg",
approved_result_path="approved_dark_edit.jpg",
effect_description="subtle darkening, brightness reduced by approximately 15-20%, "
"image should be slightly moodier but all details clearly visible",
output_path="output_consistent.png"
)
# Setiap panggilan $0.05 (APIYI apiyi.com)
🚀 Saran Pengujian: Metode ini meningkatkan konsistensi dari "acak total" menjadi "kemungkinan besar sesuai harapan", namun tetap bukan 100%. Disarankan untuk menghasilkan 2-3 varian sekaligus untuk setiap batch (menggunakan
candidateCountakan error, jadi perlu beberapa kali panggilan), lalu pilih yang paling mendekati secara manual. Biaya rendah $0.05/panggilan di APIYI membuat pengambilan sampel berulang jadi sangat memungkinkan.
Opsi 3: Pengambilan Sampel Berulang + Penyaringan Massal (Cocok untuk Skenario Batch)
Solusi paling pragmatis saat ini: Hasilkan 3-5 varian untuk setiap gambar baru, lalu saring yang paling mendekati secara manual atau terprogram.
import asyncio
import base64
import os
import google.generativeai as genai
genai.configure(
api_key="YOUR_APIYI_KEY",
client_options={"api_endpoint": "vip.apiyi.com"} # APIYI $0.05/panggilan
)
model = genai.GenerativeModel("gemini-3-pro-image-preview")
EFFECT_PROMPT = """
Apply subtle darkening effect:
- Brightness: approximately 85% of original (reduce by ~15%)
- Mood: slightly darker, more atmospheric
- Details: all elements must remain clearly visible
- Do NOT: make it too dark, change colors dramatically, lose details
This is a subtle, refined adjustment - less is more.
"""
async def generate_variants(image_path: str, n_variants: int = 3) -> list:
"""Menghasilkan n varian untuk gambar yang sama untuk disaring"""
with open(image_path, "rb") as f:
img_data = base64.b64encode(f.read()).decode()
async def one_call(i: int) -> str:
output = image_path.replace(".jpg", f"_v{i+1}.png")
loop = asyncio.get_event_loop()
try:
response = await loop.run_in_executor(None, lambda: model.generate_content(
[{"inline_data": {"mime_type": "image/jpeg", "data": img_data}},
EFFECT_PROMPT],
generation_config=genai.GenerationConfig(
response_modalities=["IMAGE"],
resolution="4K"
)
))
for part in response.candidates[0].content.parts:
if part.inline_data:
with open(output, "wb") as f:
f.write(base64.b64decode(part.inline_data.data))
return output
except Exception as e:
print(f" Varian {i+1} gagal: {e}")
return None
# Menghasilkan beberapa varian secara bersamaan (konkuren)
results = await asyncio.gather(*[one_call(i) for i in range(n_variants)])
return [r for r in results if r]
async def batch_process(image_list: list, n_variants: int = 3):
"""Memproses banyak gambar secara massal, setiap gambar menghasilkan beberapa varian"""
for img_path in image_list:
print(f"\nMemproses: {img_path}")
variants = await generate_variants(img_path, n_variants)
cost = len(variants) * 0.05
print(f" Menghasilkan {len(variants)} varian, biaya ${cost:.2f} (APIYI)")
print(f" File: {variants}")
print(f" → Silakan pilih varian yang paling memuaskan secara manual")
# Contoh: Memproses 5 gambar, masing-masing menghasilkan 3 varian
images = ["photo_01.jpg", "photo_02.jpg", "photo_03.jpg", "photo_04.jpg", "photo_05.jpg"]
asyncio.run(batch_process(images, n_variants=3))
# 5 gambar × 3 varian = 15 panggilan, total biaya APIYI $0.75
Estimasi Biaya:
| Skala | Jumlah Varian | Total Panggilan | Biaya APIYI |
|---|---|---|---|
| 10 Gambar | 3 per gambar | 30 kali | $1.50 |
| 50 Gambar | 3 per gambar | 150 kali | $7.50 |
| 100 Gambar | 2 per gambar | 200 kali | $10.00 |
Opsi 4: Beralih ke Model yang Mendukung Seed (Solusi Akar Masalah)
Jika bisnis Anda benar-benar membutuhkan reproduksibilitas yang presisi, solusi paling tuntas adalah beralih ke model yang mendukung seed secara bawaan:
Imagen API (Vertex AI) — Sama-sama dari Google, mendukung seed:
from google.cloud import aiplatform
from vertexai.preview.vision_models import ImageGenerationModel
# Imagen API mendukung parameter seed
model = ImageGenerationModel.from_pretrained("imagen-3.0-generate-002")
response = model.generate_images(
prompt="your prompt here",
seed=42, # ✅ Didukung secara resmi!
number_of_images=1,
add_watermark=False # Watermark harus dimatikan saat menggunakan seed
)
# Seed yang sama + petunjuk yang sama → Hasil yang sama (reproduksibilitas tinggi)
Stable Diffusion / Flux — Ekosistem seed yang lengkap:
# Akses Flux melalui APIYI apiyi.com, mendukung seed
import requests
response = requests.post(
"https://vip.apiyi.com/v1/images/generations",
headers={"Authorization": "Bearer YOUR_APIYI_KEY"},
json={
"model": "flux-dev", # Atau flux-schnell
"prompt": "your prompt",
"seed": 12345, # ✅ Dukungan seed lengkap
"width": 1024,
"height": 1024
}
)
# Kunci seed → Hasilkan gambar dasar yang benar-benar konsisten secara massal
Opsi 5: Pemrosesan Pasca-Gambar (Presisi Tertinggi, Paling Stabil)
Jika kebutuhan Anda adalah melakukan penyesuaian kecerahan/nada warna yang tetap pada gambar secara massal (misalnya menggelapkan 15% secara seragam), operasi semacam ini sebenarnya bukan pilihan optimal jika menggunakan AI generatif — pemrosesan pasca-gambar tradisional adalah alat yang tepat:
from PIL import Image, ImageEnhance
import os
def batch_darken(input_dir: str, output_dir: str, brightness_factor: float = 0.85):
"""
Penyesuaian kecerahan massal yang presisi
brightness_factor: 0.85 = turun 15%, sepenuhnya dapat direproduksi, nol keacakan
"""
os.makedirs(output_dir, exist_ok=True)
files = [f for f in os.listdir(input_dir) if f.lower().endswith(('.jpg', '.png', '.webp'))]
for filename in files:
img = Image.open(os.path.join(input_dir, filename))
enhancer = ImageEnhance.Brightness(img)
# Kontrol kecerahan yang presisi, hasil selalu sama setiap saat
darkened = enhancer.enhance(brightness_factor)
darkened.save(os.path.join(output_dir, filename))
print(f"✓ {filename} → Kecerahan {brightness_factor*100:.0f}%")
# Pemrosesan massal, biaya API nol, 100% dapat direproduksi
batch_darken("input_images/", "darkened_output/", brightness_factor=0.85)
Perbandingan Skenario Penggunaan:
| Jenis Penyesuaian | Alat yang Direkomendasikan | Alasan |
|---|---|---|
| Kecerahan/Kontras/Saturasi Seragam | PIL / Batch Photoshop | Presisi, dapat direproduksi, biaya nol |
| Filter Nada Warna Seragam (Hangat/Dingin) | PIL / Filter LUT | Konsistensi 100% |
| Transfer Gaya Kompleks (Ganti Background/Subjek) | Nano Banana Pro | Nilai sebenarnya dari AI |
| Perlu Reproduksi Presisi dengan Variasi Kreatif | Imagen API (dengan seed) | Menyeimbangkan kualitas dan konsistensi |
🎯 Saran yang Paling Jujur: Jika Anda hanya ingin "membuat gambar 15% lebih gelap" secara massal, gunakan
ImageEnhance.Brightnessdari PIL. Biaya nol, 100% konsisten, dan selesai dengan satu baris kode. Nilai dari pembuatan gambar AI terletak pada pemahaman konten yang kompleks dan pembuatan kreatif, bukan pada penyesuaian parameter yang presisi.
Perbandingan Dukungan Seed pada Model Gambar AI Populer
| Model | Dukungan Seed | Stabilitas Reproduksi | Catatan |
|---|---|---|---|
| Nano Banana Pro | ❌ Tidak didukung | Rendah, acak setiap saat | Gambar referensi + petunjuk dapat sedikit membantu |
| Imagen API | ✅ Dukungan resmi | Tinggi | Dapat direproduksi dengan seed dan petunjuk yang sama |
| Stable Diffusion | ✅ Dukungan penuh | Sangat tinggi | Ekosistem open-source, deployment mandiri atau cloud |
| Flux Dev/Pro | ✅ Mendukung | Tinggi | Realisme kuat, API dapat diakses |
| Midjourney | ✅ Parameter --seed |
Sedang (level referensi) | Gaya serupa dengan seed yang sama, tapi tidak identik |
| DALL-E 3 | ❌ Tidak didukung | Rendah | Keterbatasan serupa dengan Nano Banana Pro |
💡 Saran Platform: Melalui APIYI (apiyi.com), Anda dapat mengakses berbagai model gambar seperti Nano Banana Pro, Flux, dan Stable Diffusion secara terpadu. Gunakan satu API Key untuk beralih antar model, memudahkan Anda memilih secara fleksibel antara kebutuhan dengan atau tanpa seed.
Pertanyaan yang Sering Diajukan
Q1: Apakah ada cara untuk “meretas” efek seed di Nano Banana Pro?
Tidak ada cara peretasan yang sebenarnya. Beberapa platform pihak ketiga (seperti fal.ai) menambahkan parameter seed pada lapisan wrapper API mereka, tetapi ini hanya mengontrol keacakan di tingkat platform mereka, dan tidak sama dengan seed asli dari pembuatan gambar Gemini Google—kenyataannya, pengaruhnya terhadap reproduksibilitas gambar akhir sangat terbatas.
Kombinasi yang paling mendekati "efek seed" adalah: petunjuk yang terukur secara presisi + menggunakan hasil yang memuaskan sebagai gambar referensi + penyaringan dari beberapa kali pengambilan sampel. Kombinasi ketiganya dapat meningkatkan konsistensi dari yang tadinya acak total menjadi sekitar 60-70% peluang keberhasilan, tetapi tidak akan pernah mencapai 100%.
Jika alur kerja Anda memiliki persyaratan kaku untuk reproduksibilitas, disarankan untuk beralih ke Imagen API. Melalui APIYI apiyi.com, Anda dapat mengakses beberapa layanan sekaligus untuk melakukan pengujian perbandingan.
Q2: Saya ingin mereproduksi efek “sedikit lebih gelap” secara massal, apa cara tercepatnya?
Tergantung pada sifat "gelap" tersebut:
- Jika hanya penyesuaian kecerahan/eksposur: Gunakan langsung Python PIL
ImageEnhance.Brightness(img).enhance(0.85)untuk pemrosesan batch. Hanya 10 baris kode, nol biaya, dan 100% konsisten. - Jika melibatkan gaya, suasana, atau konten buatan AI (misalnya "nada gelap sekaligus membuat latar belakang lebih terasa sinematik"): Gunakan solusi kedua (gambar referensi + petunjuk terukur), panggil secara massal melalui APIYI apiyi.com dengan biaya $0,05 per gambar, hasilkan 2-3 variasi lalu pilih secara manual yang paling mendekati.
Q3: Apakah Nano Banana Pro akan mendukung parameter seed di masa mendatang?
Saat ini belum ada pengumuman resmi. Dari peta jalan produk Google, Imagen API adalah layanan yang khusus digunakan untuk pembuatan gambar yang presisi dan terkontrol (termasuk seed), sedangkan pembuatan gambar Gemini lebih condong ke arah "pembuatan kreatif berkualitas tinggi"—keduanya memiliki posisi yang berbeda. Kemungkinan Nano Banana Pro menambahkan seed di masa depan memang ada, tetapi belum pasti.
Anda dapat memantau blog resmi Google AI (blog.google/technology/google-deepmind) dan changelog Gemini API (ai.google.dev/gemini-api/docs/changelog) untuk mendapatkan informasi terbaru. Jika ada pembaruan, kami akan segera merilis panduan penggunaan terkait di APIYI apiyi.com.
Kesimpulan
Fakta bahwa Nano Banana Pro tidak mendukung parameter seed perlu dihadapi, dan Anda bisa memilih 5 solusi alternatif sesuai skenario:
- Petunjuk yang terukur secara presisi: Gunakan nilai numerik untuk menggantikan deskripsi samar seperti "sedikit", hasilnya akan langsung terlihat.
- Gambar referensi + petunjuk terukur: Input dua gambar (gambar sumber + hasil yang memuaskan), deskripsikan dengan tepat tingkat efek yang ingin direproduksi.
- Penyaringan dari beberapa sampel: Hasilkan 2-3 variasi untuk setiap gambar. Biaya di APIYI rendah ($0,05/kali), sehingga Anda bisa memilih yang paling mendekati secara manual.
- Beralih ke Imagen API / Flux: Jika bisnis Anda memiliki persyaratan reproduksibilitas yang kaku, gunakan model yang mendukung seed secara bawaan.
- Pascapemrosesan PIL: Jika hanya penyesuaian kecerahan/nada warna yang tetap, AI bukanlah alat yang optimal. Menggunakan PIL akan jauh lebih akurat.
Tidak ada solusi ajaib, pilihlah skema yang paling sesuai dengan skenario Anda saat ini. Biaya rendah untuk pengambilan sampel berkali-kali ($0,05/kali) membuat strategi "uji coba dan penyaringan" sangat layak dilakukan di platform APIYI apiyi.com, yang mana 5 kali lebih murah dibandingkan harga di situs resmi ($0,24/kali).
Referensi
-
Dokumentasi Parameter Pembuatan Gambar Google Gemini API
- Tautan:
ai.google.dev/gemini-api/docs/image-generation - Deskripsi: Daftar parameter resmi yang didukung
generationConfig, mengonfirmasi tidak adanya kolomseed.
- Tautan:
-
Dokumentasi Vertex AI Imagen API (dengan dukungan seed)
- Tautan:
cloud.google.com/vertex-ai/generative-ai/docs/image/generate-images - Deskripsi: Cara penggunaan dan batasan parameter
seedpada Imagen API.
- Tautan:
-
Gemini Python SDK GitHub Issue #536
- Tautan:
github.com/google-gemini/deprecated-generative-ai-python/issues/536 - Deskripsi: Diskusi komunitas yang mengonfirmasi bahwa parameter
seedtidak didukung dalam pembuatan gambar Gemini.
- Tautan:
-
Akses Multi-Model Platform APIYI
- Tautan:
docs.apiyi.com - Deskripsi: Instruksi akses terpadu untuk Nano Banana Pro / Imagen / Flux.
- Tautan:
Penulis: Tim Teknis
Diskusi Teknis: Menghadapi masalah konsistensi pembuatan gambar massal yang serupa? Mari berdiskusi di kolom komentar. Untuk pengalaman praktis pembuatan gambar AI lainnya, kunjungi komunitas teknis APIYI di apiyi.com.
