OCR PDF: Jadikan Pindaian Bisa Dicari Tanpa Mempercayai Setiap Huruf

Faktur hasil pindai adalah gambar faktur. Anda bisa membacanya, tetapi tidak bisa mencari nomor faktur, menyalin nama klien, atau memilih paragraf. OCR, atau pengenalan karakter optik, menambahkan lapisan teks dengan menebak huruf apa yang ada di gambar.

Kata “menebak” penting. OCR bukan pemindai yang tahu isi halaman; ia model yang membandingkan bentuk dengan karakter. Ia sangat baik pada teks bersih, lurus, dan berkontras tinggi. Ia kesulitan dengan tulisan tangan, bayangan, stempel, font tidak biasa, dan tabel. Alur kerja yang berguna bukan “jalankan OCR lalu percaya”, melainkan “jalankan OCR lalu periksa bagian yang penting”.

Apa yang bisa dihasilkan OCR

OpenToola menawarkan dua output. Output teks memberi file .txt berisi teks yang dikenali, halaman per halaman. Output PDF searchable mempertahankan tampilan halaman hasil pindai dan menambahkan lapisan teks tak terlihat di atasnya, sehingga Anda bisa mencari dan memilih teks di pembaca PDF.

PDF searchable biasanya yang diinginkan untuk arsip. Halaman terlihat sama, tetapi file menjadi bisa dicari. Lapisan teks tidak terlihat; ia berada di belakang gambar. Jika OCR salah membaca kata, halaman yang terlihat tetap benar, tetapi hasil pencarian bisa salah.

Output teks lebih baik saat Anda perlu menyalin konten ke dokumen, basis data, atau alat terjemahan. Output ini juga lebih mudah diperiksa karena Anda bisa membandingkan teks dengan gambar berdampingan.

Pilih bahasa yang tepat

Mesin OCR perlu tahu alfabet dan pola kata yang diharapkan. Pilih Arab untuk dokumen Arab, Indonesia untuk Indonesia, Inggris untuk Inggris. Memilih bahasa yang salah menghasilkan hasil aneh: teks Inggris dikenali sebagai Arab, atau diakritik Arab berubah menjadi tanda baca.

Jika dokumen mencampur bahasa, OCR akan memihak bahasa yang dipilih. Kontrak dengan judul Inggris dan isi Arab mungkin membutuhkan dua proses, atau koreksi manual bagian bahasa lain. Periksa hasilnya sebelum menganggapnya lengkap.

Pengaturan bahasa bukan bahasa antarmuka. Jika browser Anda berbahasa Prancis tetapi dokumennya berbahasa Inggris, pilih Inggris.

Siapkan pindaian sebelum OCR

OCR bekerja paling baik pada sekitar 300 DPI. Pindaian 150 DPI bisa terbaca oleh manusia tetapi terlalu lembut untuk mesin. Pindaian 600 DPI tidak otomatis lebih baik; bisa lebih lambat dan mengandung lebih banyak noise.

Luruskan halaman. Kemiringan beberapa derajat menurunkan akurasi, terutama di ujung baris. Pangkas meja dan bayangan. Tingkatkan kontras jika teks abu-abu, tetapi jangan menghancurkan garis tipis menjadi gumpalan hitam.

Hapus stempel dan tulisan tangan dari area yang perlu dikenali jika memungkinkan. Tanda tangan di atas baris teks akan membingungkan model. Jika stempel bagian dari dokumen, OCR mungkin menghasilkan teks sampah di sekitarnya; abaikan bagian itu saat memeriksa.

Jika PDF berupa foto, bukan pindaian, pertimbangkan mengonversinya ke gambar dan membersihkannya dulu. Foto ponsel dengan distorsi perspektif lebih sulit daripada pindaian datar.

Jalankan OCR pada halaman yang tepat

PDF 200 halaman bisa memakan waktu lama untuk OCR. Jika hanya membutuhkan satu kontrak atau satu faktur, pisahkan PDF dulu dengan Pisah PDF dan jalankan OCR pada halaman yang relevan.

Jika PDF sudah memiliki lapisan teks, OCR tidak perlu dan bisa mengganti teks bagus dengan teks lebih buruk. Coba pilih satu kalimat di PDF. Jika terpilih dengan bersih, dokumen sudah bisa dicari. Gunakan output teks hanya jika perlu mengekspor teks.

Untuk dokumen campuran, OCR halaman hasil pindai dan biarkan halaman digital. Menggabungkan hasil secara manual lebih banyak pekerjaan, tetapi menghindari penurunan kualitas halaman yang sudah sempurna.

Periksa hasilnya

Kesalahan OCR mengelompok pada angka, nama, tanggal, kode referensi, dan huruf yang mirip. 0 dan O, 1 dan l, 5 dan S, bentuk huruf Arab, dan tanda baca adalah umum. Satu digit salah pada nomor faktur bisa merusak pembayaran atau sistem pengarsipan.

Buka PDF searchable dan cari kata yang Anda tahu ada di halaman. Jika pencarian menemukannya, lapisan teks bekerja. Lalu cari nama atau nomor. Jika gagal, OCR salah membacanya.

Untuk output teks, bandingkan halaman pertama, halaman tengah, dan terakhir dengan gambar. Jangan periksa setiap kata dari dokumen 100 halaman kecuali teksnya penting secara hukum. Fokus pada kolom yang akan digunakan.

Apa yang tidak dilakukan OCR

OCR tidak memahami dokumen. Ia tidak tahu bahwa kolom angka adalah tabel, bahwa tanda tangan adalah tanda tangan, atau bahwa judul milik paragraf berikutnya. Output teks mungkin mempertahankan pemisah baris tetapi bukan struktur logis.

OCR tidak memverifikasi fakta. Tanggal yang salah baca tetap menjadi tanggal di output. Jika dokumen adalah kontrak, catatan medis, atau laporan keuangan, manusia harus memeriksa nilai kritis.

OCR tidak bekerja baik pada tulisan tangan. Formulir tulisan tangan yang jelas mungkin menghasilkan beberapa kata; catatan cursif bisa menghasilkan omong kosong. Jika tulisan tangan penting, gunakan model khusus atau transkripsikan manual.

OCR tidak membuat PDF hasil pindai dapat diakses sepenuhnya. Pembaca layar bisa memakai lapisan teks, tetapi urutan baca bisa salah, terutama pada tata letak multi-kolom. Aksesibilitas membutuhkan tag struktur, bukan hanya lapisan teks.

PDF searchable versus file teks

PDF searchable lebih besar daripada pindaian asli karena berisi gambar halaman dan lapisan teks. Peningkatannya biasanya moderat, tetapi pindaian 100 halaman bisa tumbuh cukup banyak.

File teks jauh lebih kecil dan lebih mudah dicari dengan alat command-line atau basis data. Ia kehilangan tata letak, gambar, dan desain halaman. Jika perlu mengutip paragraf, teks praktis; jika perlu membuktikan tampilan halaman, simpan PDF.

Simpan pindaian asli. PDF searchable adalah file turunan; jika OCR buruk, Anda bisa menjalankannya lagi dengan pengaturan lebih baik. Jangan hapus aslinya setelah OCR.

Di iPhone dan Android

Di iPhone, simpan PDF ke Files, buka alat OCR PDF di Safari, pilih file, bahasa, dan output, lalu jalankan. OCR intensif CPU; dokumen panjang bisa memakan beberapa menit dan menguras baterai. Biarkan tab terbuka dan layar menyala jika browser menangguhkan tab latar belakang.

Di Android, browser bisa membaca dari Downloads atau Drive. Ponsel dengan memori lebih kecil mungkin kesulitan dengan pindaian 100 halaman; pisahkan PDF dulu. Periksa hasilnya di pembaca PDF setelah output searchable diunduh.

Tabel, kolom, dan formulir

OCR membaca teks dalam urutan visual. Halaman dua kolom mungkin dibaca melintasi kolom alih-alih menuruni setiap kolom, menghasilkan kalimat yang melompat dari satu topik ke topik lain. Tabel bisa kehilangan baris dan kolom, meskipun setiap angka dikenali dengan benar.

Jika tabel adalah bagian penting, jangan mengandalkan OCR saja. Ekstrak angka ke spreadsheet secara manual atau gunakan alat khusus tabel. Untuk formulir, label dan nilai bisa berakhir di baris terpisah; periksa bahwa nilai berada di samping label yang benar.

Cara menguji akurasi

Pilih tiga bagian: paragraf pertama, bagian di tengah, dan bagian dengan angka atau nama. Bandingkan teks OCR dengan gambar kata per kata. Hitung kesalahannya.

Jika tingkat kesalahan rendah dan kolom kritis benar, OCR cukup baik untuk pencarian. Jika nama dan angka salah, perbaiki pindaian atau coba resolusi lebih tinggi. Menjalankan OCR lagi pada gambar yang sama jarang memperbaiki kesalahan sistematis; inputnya perlu lebih baik.

Cari frasa yang melintasi pemisah baris. OCR mungkin menyisipkan pemisah di tengah kalimat; pencarian frasa lengkap bisa gagal meskipun kata-katanya ada. Cari satu kata yang khas.

Kapan tidak menggunakan OCR

Jangan OCR PDF yang sudah memiliki teks yang bisa dipilih. Anda mungkin mengganti teks bersih dengan lapisan yang tidak sempurna. Jangan OCR halaman yang hanya logo atau foto tanpa teks; itu membuang waktu dan menghasilkan noise.

Jangan OCR dokumen yang tidak boleh Anda proses atau bagikan. Alat berjalan lokal, tetapi file tetap berisi informasi sensitif. Jangan OCR tulisan tangan lalu menganggapnya akurat; periksa atau transkripsikan manual.

Jangan gunakan OCR sebagai pengganti membaca kontrak. PDF searchable lebih mudah dinavigasi, tetapi halaman yang terlihat tetap menjadi versi otoritatif. Jika teks OCR dan gambar berbeda, gambar yang menang.

Berapa lama OCR?

Waktu tergantung jumlah halaman, resolusi, bahasa, dan perangkat. Satu halaman teks yang bersih bisa selesai dalam beberapa detik. Pindaian 100 halaman di ponsel bisa memakan waktu jauh lebih lama dan membuat perangkat panas.

Mulai dengan satu halaman untuk menguji pengaturan. Jika hasilnya baik, jalankan sisanya. Jika buruk, perbaiki pindaian dulu; menjalankan seluruh dokumen dengan pengaturan yang salah hanya membuang waktu.

Apa yang terjadi pada gambar dan tautan?

Pada PDF searchable, halaman tetap berupa gambar. OCR tidak mengganti gambar dengan teks; ia menambahkan lapisan teks di belakangnya. Jadi file tetap sebesar pindaian asli, ditambah sedikit lapisan teks.

Tautan yang ada di pindaian asli tidak dipulihkan. Jika dokumen memiliki tautan tercetak, OCR mungkin mengenali teksnya tetapi tidak membuat tautan yang bisa diklik. Tambahkan tautan secara manual di editor PDF jika penting.

Sebelum menghapus

Simpan pindaian asli setelah membuat PDF searchable. Jika nanti menemukan kesalahan OCR, Anda perlu aslinya untuk memproses ulang. Jangan hapus asli hanya karena file baru tampak bisa dicari. Uji satu halaman dulu sebelum seluruh dokumen, dan periksa hasilnya.

Privasi

OpenToola menjalankan OCR di browser. PDF dirender ke canvas dan diproses secara lokal; tidak diunggah ke server. Data bahasa dimuat dari file situs sendiri.

Itu penting untuk dokumen identitas, catatan medis, dan kontrak. Namun itu tidak membuat komputer bersama aman. Hapus file teks dan PDF searchable setelah dikirim jika berisi informasi sensitif, dan hindari OCR di mesin publik. Jika dokumen berisi data pribadi, simpan hanya selama diperlukan dan hapus dari folder unduhan setelah selesai. Gunakan perangkat yang Anda kendalikan, dan jangan gunakan komputer publik.

Alat yang disebut

• OCR PDF
• Gambar ke Teks
• Pisah PDF
• Panduan OpenToola