5 September 2026

Tangan cacat dan teks tak terbaca: kenapa AI gagal di dua hal ini dan bagaimana mengatasinya

Alasan teknis sebenarnya di balik enam jari dan kata kata karangan, model model yang hari ini menulis dengan benar, dan metode framing serta retouch yang menyelesaikan sebagian besar kasus tanpa menembak sepuluh generasi lagi.

Frank HoubrePendiri Imaginode

Dua cacat yang membongkar gambar AI dalam satu detik

Tangan dan teks gagal karena alasan yang berlawanan: tangan terlalu beragam untuk dipelajari dengan bersih, teks menuntut ketepatan simbolik yang tidak pernah dilatih model.

Anda menunjukkan gambar Anda ke seseorang. Gambarnya bagus, cahayanya pas, tokohnya berdiri tegak. Lalu orang itu melihat tangannya, menghitung jarinya, kemudian membaca papan toko di latar belakang yang bertuliskan sesuatu seperti TOKO ROTL.

Dua cacat ini adalah tanda tangan paling mudah dikenali dari generasi gambar, dan sudah menjadi tes yang dipakai semua orang. Yang membuat frustrasi, keduanya hidup berdampingan dengan gambar yang selebihnya luar biasa: potret dengan grain sempurna, dirusak oleh tangan berjari enam.

Kabar baiknya, kedua masalah ini punya sebab berbeda dan karena itu solusi berbeda. Dan di 2026, salah satu dari keduanya sudah sebagian besar beres kalau Anda ambil model yang tepat. Kita akan lihat kenapa gagal, lalu apa persisnya yang harus dilakukan.

Kenapa tangan gagal: apa yang benar benar dipelajari model

Tangan punya lebih dari dua puluh sendi, muncul mungil dan setengah tertutup di sebagian besar foto pelatihan, dan berubah bentuk drastis tergantung sudut: model mempelajarinya sebagai rata rata yang kabur.

Wajah itu dua mata, satu hidung, satu mulut, selalu dalam urutan yang sama, hampir selalu dari depan atau tiga perempat, dan sering jadi elemen terbesar di foto. Model melihat itu ratusan juta kali dalam kondisi yang sebanding. Ia belajar dengan sangat baik.

Tangan adalah kebalikannya di semua titik. Lebih dari dua puluh sendi, jadi jumlah posisi yang mungkin meledak. Ia kecil di dalam frame, sering buram karena bergerak, kerap tersembunyi di balik benda, pakaian, atau tangan yang satunya. Dan tergantung sudutnya, tangan yang sama menghasilkan siluet yang sama sekali tidak mirip satu sama lain.

Hasilnya, model mengeluarkan rata rata tangan, seperti ia mengeluarkan rata rata naga saat Anda minta naga. Bedanya, rata rata naga tetap masuk akal, tidak ada yang pernah melihat naga, sedangkan rata rata tangan langsung menusuk mata siapa pun. Dan tidak ada apa pun dalam cara kerjanya yang memberitahu bahwa satu jari lebih itu kesalahan: ia tidak punya aturan, ia punya probabilitas.

Kenapa teks gagal: model menggambar, bukan mengeja

Model gambar menghasilkan bentuk yang masuk akal piksel demi piksel, tanpa representasi huruf sebagai simbol: jadi ia membuat sesuatu yang mirip tulisan, bukan tulisan.

Teks adalah masalah dengan sifat berbeda. Model gambar tidak mengenal alfabet. Ia tidak tahu bahwa B adalah B dan datang sebelum C. Ia sudah melihat miliaran gambar berisi area yang mirip teks, dan ia belajar menghasilkan area yang mirip teks.

Karena itu kegagalannya punya rupa khas: tidak pernah benar benar ngawur, hampir benar. Proporsi tepat, jarak antar huruf tepat, jenis huruf tepat, dan dua huruf karangan di tengah. Model berhasil sempurna pada apa yang sebenarnya ia kerjakan, yaitu menggambar tekstur tipografi.

Tambahkan bahwa di dalam gambar, teks sering mungil dibanding sisanya. Model mengalokasikan perhatiannya ke apa yang memenuhi frame. Papan setinggi dua puluh piksel tidak mendapat perhatian yang seharusnya, dan di situlah TOKO ROTI kehilangan satu huruf di jalan.

Apa yang benar benar berubah pada teks

Model model terbaru yang dilatih dengan pemahaman bahasa yang kuat menulis teks pendek dengan benar dan andal: masalah teks hari ini adalah masalah pemilihan model.

Inilah poin yang banyak orang belum perbarui, karena mereka membentuk pendapat di 2023 dan tidak pernah membukanya lagi. Teks di dalam gambar sekarang berfungsi, asalkan Anda keluarkan model yang tepat.

Model yang pertama tama adalah model bahasa lalu menggambar setelahnya punya keunggulan struktural: mereka tahu apa itu kata sebelum menggambarnya. Nano Banana Pro bersandar pada Gemini 3 Pro dan menangani teks di dalam gambar serta tata letak yang presisi. GPT Image 2 punya profil yang persis sama: kekuatannya bukan tekstur, melainkan kepatuhan, dan ia menulis teks pendek dengan rapi.

Di sampingnya, Recraft V4.1 datang dari dunia desain dan menyisipkan teks pendek dengan rapi ke dalam komposisi grafis, yang menjadikannya refleks pertama untuk poster atau logo. Dan Flux 2 Max memegang teks satu tingkat di atas Flux 2 Pro saat dibutuhkan fotorealisme dengan papan yang terbaca di dalamnya.

Model yang jangan dipakai kalau ada teks

Model cepat dan murah menghasilkan gambar sangat bagus tanpa bisa menulis: Flux Schnell seharga 1 kredit tetap tak tertandingi untuk eksplorasi, dan tidak terpakai untuk visual yang membawa sebuah kata.

Konsekuensi dari paragraf sebelumnya, dan yang paling banyak membuang kredit. Flux Schnell seharga 1 kredit sempurna untuk mengeksplorasi komposisi, menguji framing, memvalidasi suasana. Ia tidak akan menulis slogan Anda dengan benar, dan mengulanginya lima belas kali tidak akan mengubah apa apa.

Refleks yang mahal adalah bersikeras dengan model dari awal. Anda sudah di generasi kedua belas, sudah menghabiskan dua belas kredit untuk nol hasil, padahal pindah ke model yang bisa menulis akan menyelesaikan masalahnya sekali jalan dengan 8 atau 19 kredit.

Jangan pernah mengulang model yang sama lebih dari tiga kali untuk cacat teks. Kalau tiga percobaan tidak berhasil, artinya model itu memang tidak bisa, bukan Anda yang salah meminta. Ganti model, itu saja.

Cara menulis instruksi agar teksnya keluar benar

Tulis teks persisnya di dalam tanda kutip, minta secara eksplisit agar muncul dengan ejaan itu dan tidak ada kata lain yang muncul, dan batasi pada beberapa kata saja.

Perumusan sama pentingnya dengan model. Tulis teks persisnya di dalam tanda kutip pada prompt Anda, lalu tambahkan satu kalimat pengunci: harus muncul, dieja persis seperti ini, terbaca sempurna, tidak ada kata lain. Tanpa kalimat itu, model dengan senang hati menambahkan tagline karangannya sendiri di bawah judul Anda.

Aturan kedua: tetap pendek. Nama merek, slogan lima kata, sebuah tanggal. Satu paragraf penuh di dalam gambar, tidak ada model yang mengerjakannya dengan rapi hari ini, dan secara grafis pun itu bukan ide bagus. Teks panjang dipasang saat editing atau di program tata letak, bukan saat generasi.

Aturan ketiga: beri ruang. Minta secara eksplisit agar teks menempati area yang lebar dan berkontras baik. Model yang harus menulis enam huruf di papan di ujung jalan akan gagal di tempat ia berhasil dengan judul satu frame penuh. Logikanya sama seperti instruksi apa pun, dan topiknya dibahas lebih luas di menulis prompt yang berhasil.

Tangan: tiga pilihan framing yang menyelesaikan sebagian besarnya

Bingkai di atas tangan, sibukkan tangan dengan sebuah benda, atau keluarkan dari bidang tajam: tiga keputusan ini menghapus mayoritas kegagalan tanpa memakan satu kredit pun.

Soal tangan, tidak ada yang punya solusi ajaib dan saya tidak akan mengarangnya untuk Anda. Model model terbaru jauh lebih baik daripada dua tahun lalu, tapi tidak ada yang menjamin lima jari setiap kali. Yang berhasil adalah tidak meminta mereka mengerjakan latihan tersulit.

Pilihan pertama: framing. Bingkai sebatas dada atau close up wajah menghapus masalahnya secara konstruksi. Lihat foto iklan profesional, ia membingkai di atas tangan jauh lebih sering daripada yang orang kira. Node Kamera memungkinkan Anda mengunci framing itu dengan rapi alih alih berharap.

Pilihan kedua: sibukkan tangannya. Tangan yang memegang cangkir, telepon, pulpen, setir, apa saja, adalah tangan yang posisinya dibatasi oleh benda itu, dan model jauh lebih berhasil pada konfigurasi semacam itu dibanding tangan terbuka di udara kosong. Pilihan ketiga: keluarkan dari zona tajam. Bukaan f/1.4 di node Kamera menempatkan tangan dalam blur latar belakang, dan jari yang buram tidak terhitung.

Deskripsikan aksinya, bukan anatominya

Menghitung jari di dalam prompt tidak berhasil: model tidak menghitung, yang perlu dideskripsikan adalah geraknya, apa yang dipegang tangan dan bagaimana memegangnya.

Refleks universalnya adalah menulis lima jari di dalam prompt. Itu tidak berhasil, dan tidak akan berhasil, karena model tidak punya mekanisme penghitungan apa pun. Anda boleh menulis persis lima jari, tangan yang benar secara anatomis, ia tidak punya aturan untuk diterapkan.

Yang berhasil adalah mendeskripsikan adegan sedemikian rupa sehingga posisinya tersirat. Kedua tangan diletakkan rata di meja. Satu tangan menggenggam pegangan cangkir. Lengan bersilang. Tangan di dalam saku. Anda mendeskripsikan konfigurasi yang sudah dilihat model jutaan kali dalam posisi stabil, dan ia mengembalikannya.

Sebenarnya ini prinsip yang sama seperti untuk semua hal lain: Anda mendapat jauh lebih banyak dengan mendeskripsikan situasi konkret daripada memberi model instruksi abstrak. Mendeskripsikan aksi, ia bisa. Mengikuti batasan angka, ia tidak bisa.

Memperbaiki alih alih mengulang: penyuntingan terarah

Model penyuntingan mengambil gambar Anda dan hanya mengubah apa yang Anda deskripsikan: memperbaiki satu tangan memakan beberapa kredit, dibanding satu generasi baru penuh dan satu framing baru yang harus divalidasi lagi.

Inilah kebiasaan yang mengubah segalanya, dan yang tidak dimiliki pemula. Kalau gambar sudah bagus 95 persen, kita tidak mengulang. Kita memperbaiki.

Flux Kontext seharga 6 kredit tidak pernah mulai dari nol: ia mewajibkan gambar masukan dan mengubahnya sesuai instruksi, mempertahankan apa yang akan disusun ulang secara acak oleh model generasi murni. Anda beri gambar Anda dan deskripsikan hanya apa yang harus berubah: perbaiki tangan kiri, ia harus memegang cangkir pada pegangannya, jangan ubah yang lain.

Nano Banana 2 seharga 10 kredit mengerjakan tugas yang sama dengan pemahaman instruksi majemuk, dan GPT Image Mini seharga 2 kredit adalah opsi termurah di katalog untuk retouch sederhana. Dalam semua kasus, separuh kedua instruksi Anda harus mencantumkan apa yang tidak bergerak: wajah, pose, framing, cahaya, latar. Tanpa daftar itu, model mengembalikan gambar lain, sangat bagus, tapi lain.

Zoom sebelum pengiriman, pemeriksaan yang semua orang lewati

Cacat terlihat pada seratus persen, bukan pada thumbnail: memperbesar gambar sebelum mengirimkannya memakan 12 kredit dan mencegah kesalahan yang baru ketahuan saat dicetak.

Gambar hasil generasi dilihat di thumbnail canvas, disetujui, lalu dikirim. Tiga minggu kemudian ia dicetak ukuran A2 dan tangannya berjari enam. Itu pernah terjadi pada saya, dan sekali saja cukup untuk membentuk kebiasaan.

Pemeriksaannya makan dua menit. Anda buka gambar dalam ukuran besar dan menyapu tiga zona berurutan: tangan, semua yang mengandung teks termasuk latar belakang, lalu mata dan gigi. Tiga sapuan itu menangkap hampir seluruh cacat.

Untuk visual yang akan dicetak, node Tingkatkan dengan Topaz Precision seharga 12 kredit memperbesar dengan rapi dan sekaligus menyingkap apa yang disembunyikan resolusi rendah. Ini alat yang sama dengan yang dijelaskan di membuat foto jadi tajam, dan ia berfungsi sebagai kaca pembesar pemeriksaan sekaligus sebagai pembesar.

Detail lain yang membongkar gambar AI

Gigi terlalu rapi, perhiasan yang berganda, motif kain yang tidak konsisten, pantulan yang tidak cocok dengan apa pun: sebab yang sama menghasilkan cacat lain, kurang terkenal tapi sama terlihatnya.

Tangan dan teks jadi bintangnya, tapi mekanisme yang sama menghasilkan kegagalan lain. Gigi, sering terlalu banyak dan terlalu seragam, karena kecil dan berulang. Perhiasan dan kacamata, yang berganda di bagian gagangnya. Motif kain, garis atau kotak, yang berjalan ke satu arah lalu ke arah lain di tengah pakaian.

Pantulan adalah kasus tersendiri yang sangat berbicara: di cermin atau etalase, model menggambar sesuatu yang mirip pantulan tanpa memeriksa apakah itu sesuai dengan adegannya. Lihat kaca di belakang tokoh Anda, Anda akan rutin menemukan benda yang tidak ada di mana pun dalam gambar.

Dan kerumunan, di mana wajah wajah di latar belakang jadi meresahkan begitu di zoom. Di situ pun refleksnya sama: framing yang menghindari masalahnya, atau penyuntingan terarah yang memperbaikinya. Itu persis poin poin yang saya tinjau di kesalahan pemula dalam AI generatif.

Langkah yang harus diikuti, ringkasnya

Pilih model yang bisa menulis kalau ada teks, bingkai untuk menghindari tangan terbuka, perbaiki lewat penyuntingan alih alih mengulang, dan periksa dalam ukuran besar sebelum mengirim.

Soal teks, masalahnya sudah selesai dan itu urusan model: Nano Banana Pro, GPT Image 2 atau Recraft untuk yang grafis, Flux 2 Max saat butuh fotorealisme dengan teks di dalamnya. Teks persis di dalam tanda kutip, kalimat pengunci, maksimal beberapa kata.

Soal tangan, tidak ada model yang sempurna, dan jawabannya ada di penyutradaraan: bingkai di atasnya, sibukkan tangan dengan benda, atau keluarkan dari bidang tajam. Deskripsikan geraknya, jangan pernah jumlah jarinya. Dan kalau gambar sudah bagus 95 persen, perbaiki dengan model penyuntingan alih alih mulai dari nol.

Untuk menguji semua ini tanpa menghabiskan anggaran, eksplorasi dengan 1 kredit di Flux Schnell dan baru pindah ke model 8 atau 19 kredit pada komposisi yang Anda pilih. Harga persisnya tampil di tombol sebelum setiap klik, dan tabel lengkapnya ada di sini.