OCR & Pengenalan PDF — Pindai ke PDF yang Dapat Dicari, Ekstraksi Teks & Tabel
OCR & Pengenalan PDF
OCR PDF online gratis — konversi PDF hasil pindaian menjadi dapat dicari, ekstrak teks melalui OCR, buat PDF yang dapat dicari dari gambar. Semua proses berjalan di dalam browser. Juga: Editor PDF | Keamanan | Kompres | Utilitas.
Catatan kinerja: OCR mengunduh sekitar 12MB data bahasa pada penggunaan pertama. Pemrosesan bersifat intensif CPU dan berlangsung sepenuhnya di dalam browser. Untuk dokumen besar (>10 halaman), perkirakan beberapa menit pemrosesan. Hasil bergantung pada kualitas pindaian dan bahasa.
0%
0%
0%
0%
Pindai→Dapat Dicari: Merender setiap halaman PDF sebagai gambar, menjalankan OCR untuk mengenali teks, lalu membuat PDF baru dengan lapisan teks tak terlihat di atas gambar halaman. PDF yang dihasilkan dapat dicari dan dipilih.
Gambar→PDF: Mengambil satu atau beberapa gambar, menjalankan OCR pada masing-masing, dan membuat PDF dengan setiap gambar sebagai halaman dan teks yang dikenali sebagai lapisan tumpang tindih tak terlihat. Sangat cocok untuk foto dokumen.
Teks OCR: Menerima berkas PDF atau gambar. Untuk PDF, merender setiap halaman sebagai gambar dan menjalankan OCR. Menampilkan teks yang dikenali dan dapat disalin. Paling cocok untuk mengekstrak teks dari dokumen hasil pindaian.
Ekstrak Tabel: Merender halaman PDF sebagai gambar, menjalankan OCR padanya, dan mencoba mengidentifikasi struktur tabel dari posisi teks. Hasilnya bersifat perkiraan — tabel kompleks mungkin tidak direkonstruksi dengan sempurna. Untuk tabel yang presisi, gunakan alat ekstraksi khusus.
Apa itu OCR?
Berkas PDF hasil pindaian pada dasarnya adalah foto halaman: bagi komputer, itu adalah kisi piksel, dan tidak ada yang berupa teks. OCR (Optical Character Recognition) adalah teknologi yang memeriksa piksel tersebut dan menentukan karakter apa yang digambarkannya. Hasilnya dapat berupa teks biasa yang dapat disalin (mode Teks OCR) atau lapisan teks tak terlihat yang ditempatkan di atas gambar halaman (mode Pindai→Dapat Dicari dan Gambar→PDF), yang membuat dokumen hasil pindaian dapat dicari di pembaca PDF mana pun.
Versi satu baris: OCR menebak teks dari bentuk tinta. Ini adalah pengenalan, bukan pembacaan — keluarannya adalah tebakan terbaik dengan skor keyakinan, bukan kebenaran dasar yang dimiliki PDF asli yang dibuat secara digital.
Alur kerja OCR
Setiap mesin OCR mengikuti tahapan yang kurang lebih sama. Pertama, halaman dirender menjadi gambar (untuk PDF, setiap halaman di-rasterisasi). Berikutnya adalah binarisasi: piksel diklasifikasikan sebagai tinta atau kertas, sehingga mesin bekerja dengan bentuk hitam-putih. Bentuk-bentuk tersebut kemudian disegmentasi menjadi baris, kata, dan karakter individual. Terakhir, setiap kandidat diklasifikasikan — mesin modern menggunakan jaringan saraf terlatih yang memeriksa seluruh baris teks, bukan huruf tunggal, itulah sebabnya mereka jauh lebih baik menangani masukan yang buram atau sedikit miring dibanding pencocok karakter tunggal yang lebih lama. Bahasa juga berpengaruh: mesin menggunakan kamus dan himpunan karakter khusus bahasa, itulah sebabnya memilih bahasa yang tepat di pemilih di atas meningkatkan akurasi.
Lapisan teks yang tak terlihat
"PDF yang dapat dicari" terdiri dari dua bagian yang ditumpuk: gambar halaman asli yang terlihat, ditambah lapisan teks tak terlihat yang diposisikan di belakangnya. Memilih teks di pembaca PDF sebenarnya memilih lapisan tersembunyi tersebut. Tidak ada yang berubah pada pindaian yang terlihat — gambarnya tidak tersentuh, sehingga kualitas dan tampilan tidak pernah berubah. Konsekuensinya, salin/tempel dan hasil pencarian hanya seakurat proses OCR di baliknya. Jika sebuah kata dikenali secara keliru, mencari ejaan yang benar tidak akan menemukannya, karena lapisan tersembunyi berisi kesalahan tersebut.
Mengapa DPI menentukan segalanya
Akurasi pengenalan bergantung pada jumlah piksel untuk setiap karakter. Halaman PDF diatur dalam satuan poin (72 per inci), tetapi karakter 10 pt yang dirender pada resolusi rendah menyusut menjadi beberapa piksel — pada 150 DPI karakter 10 pt hanya sekitar 21 piksel tinggi, dan pada 300 DPI sekitar 42 piksel. Di bawah sekitar 20 piksel, serif saling menempel, huruf saling berbaur, dan akurasi turun tajam. Inilah sebabnya pedoman pemindaian yang sudah lama berlaku adalah 300 DPI untuk OCR: ini memberikan detail piksel yang cukup untuk setiap karakter kecil tanpa memboroskan ukuran berkas. Menaikkan resolusi jauh lebih tinggi jarang membantu pengenalan — biasanya hanya membuat hasil pindaian lebih besar dan OCR lebih lambat.
Hal yang kurang baik ditangani OCR
Tulisan tangan, font tampilan yang distilisasi, dan teks di atas latar belakang yang ramai masih menjadi titik lemah. Tabel adalah kasus khusus: OCR melihat karakter dan posisinya, tetapi tidak benar-benar memahami baris dan kolom — mode Ekstrak Tabel menyimpulkan struktur dari keselarasan, itulah sebabnya tabel yang kompleks hasilnya bersifat perkiraan. Dan jika PDF sudah berisi teks asli (diekspor dari Word, bukan dipindai), OCR tidak diperlukan sama sekali: teksnya dapat diekstrak langsung, dengan lebih akurat, menggunakan alat ekspor PDF.
Kesalahpahaman umum
"PDF yang dapat dicari sama saja dengan PDF yang dibuat dari Word." Tidak — lapisan teksnya adalah teks hasil pengenalan biasa. Menyalin paragraf mungkin menghilangkan tata letak, dan setiap kesalahan pengenalan tertanam dalam lapisan tersembunyi.
"OCR memulihkan teks asli." Ini merekonstruksi tebakan terbaik darinya. Halaman dengan akurasi 99% tetap memiliki sekitar satu karakter salah per 100 — cukup untuk pencarian, berisiko untuk konten hukum atau numerik.
"DPI yang lebih tinggi selalu lebih baik." Di atas sekitar 400–600 DPI, peningkatan akurasi dapat diabaikan sementara ukuran berkas dan waktu pemrosesan terus meningkat. 300 DPI adalah titik optimal untuk dokumen umum.
"Foto dari ponsel sama baiknya dengan pindaian." Kemiringan, pencahayaan yang tidak merata, dan getaran kamera semuanya menurunkan akurasi. Foto halaman secara datar, lurus ke depan, dan dengan pencahayaan baik — atau gunakan pemindai sungguhan untuk dokumen penting.
