Apa itu Diffusion Model (Model Difusi AI)?

Apa itu Diffusion Model?

Diffusion model (model difusi) adalah kelas arsitektur jaringan saraf yang digunakan untuk menghasilkan data baru — paling umum berupa gambar, tapi juga bisa audio dan video — dengan cara yang terinspirasi dari proses difusi fisika (penyebaran partikel).

Model ini menjadi tulang punggung generator gambar AI populer seperti Stable Diffusion (Stability AI), DALL-E 3 (OpenAI), Midjourney, dan Flux.

Ide dasar: belajar dari kerusakan

Cara belajar diffusion model sangat unik dibandingkan model AI lainnya:

Fase pelatihan (forward process): Model diberi ribuan gambar asli. Satu per satu, gambar tersebut "dirusak" secara bertahap dengan menambahkan noise (bintik/gangguan acak) hingga gambar asli benar-benar hilang menjadi gambar bintik acak murni. Proses ini dilakukan dalam ratusan hingga ribuan langkah kecil.

Yang dipelajari model: Jaringan saraf (neural network) dilatih untuk belajar satu tugas: diberikan gambar bintik pada langkah ke-N, tebak bintik mana yang perlu dihapus untuk mengembalikan gambar satu langkah ke belakang (langkah N-1).

Fase generasi (reverse process / denoising): Saat ingin membuat gambar baru, proses dibalik. Model dimulai dari bintik acak murni, lalu secara iteratif menghapus bintik selangkah demi selangkah — dipandu oleh teks atau kondisi yang diberikan pengguna. Hasilnya: gambar yang koheren sesuai deskripsi.

Jenis-jenis diffusion model

• DDPM (Denoising Diffusion Probabilistic Models): Arsitektur dasar oleh Ho et al. (2020)
• Latent Diffusion Models (LDM): Proses difusi dilakukan di "ruang laten" yang terkompresi (bukan di piksel langsung), membuat proses jauh lebih cepat dan hemat memori. Ini yang dipakai Stable Diffusion.
• Score-based models: Varian yang menggunakan estimasi gradien skor sebagai pengantar denoising.

Kenapa hasilnya jauh lebih baik dari GAN lama?

Sebelum era diffusion model, model generatif gambar yang populer adalah GAN (Generative Adversarial Network). GAN menghasilkan gambar bagus tapi punya masalah serius: mode collapse (selalu menghasilkan gambar yang mirip-mirip) dan pelatihan yang tidak stabil.

Diffusion model menghasilkan variasi output yang jauh lebih kaya dan pelatihan yang lebih stabil — dengan konsekuensi: proses generasi sedikit lebih lambat karena butuh banyak langkah denoising iteratif.

Contoh pemakaian nyata di Indonesia

• Desainer: Membuat ilustrasi konsep produk dengan Stable Diffusion lokal di laptop tanpa biaya API
• Content creator: Membuat thumbnail YouTube dengan DALL-E 3 (terintegrasi di ChatGPT Plus/Copilot)
• Peneliti: Membangkitkan data gambar sintetis untuk melatih model klasifikasi tanaman pangan

Batasan

• Proses lambat: Menghasilkan satu gambar bisa butuh 20-50 langkah denoising (walaupun ada teknik akselerasi seperti DDIM, LCM Sampler yang bisa memangkas ke 4-8 langkah).
• Tidak bisa diedit presisi piksel: Diffusion model beroperasi probabilistik — sulit mengontrol persis di mana seseorang berdiri dalam gambar tanpa teknik tambahan (ControlNet, inpainting).
• Bukan model bahasa: Diffusion model untuk gambar tidak memahami teks yang sama seperti LLM — pemahaman teksnya terbatas pada CLIP-like encoders.

Rujukan resmi

• Ho, J. et al. (2020). Denoising Diffusion Probabilistic Models. arXiv:2006.11239 (Pengecekan: 7 Oktober 2026)
• Rombach, R. et al. (2022). High-Resolution Image Synthesis with Latent Diffusion Models. arXiv:2112.10752 — paper dasar Stable Diffusion (Pengecekan: 7 Oktober 2026)