Apa itu OCR dan kapan Anda membutuhkannya? Uji pada hasil scan 20 halaman

OCR secara sederhana

Halaman hasil scan adalah foto selembar kertas. Anda bisa membaca tulisannya, tetapi bagi komputer tulisan itu hanyalah titik abu-abu, sama seperti gambar lain. OCR, singkatan dari optical character recognition (pengenalan karakter optik), menemukan bentuk huruf di gambar itu dan mengubahnya menjadi teks sungguhan.

Di PDF, teks itu masuk ke lapisan tak terlihat di balik gambar, dan setiap kata diletakkan tepat di atas gambar kata itu. Halamannya sendiri tetap berupa gambar. Namun kini sebuah kata bisa dipilih dan disalin, bisa ditemukan dengan Ctrl+F, dan pembaca layar punya teks untuk dibacakan.

Tanpa lapisan itu, hasil scan tertutup bagi teknologi bantu. W3C menyusun pedoman aksesibilitas web, dan tekniknya untuk PDF hasil scan menyatakan: “Teknologi bantu tidak bisa membaca atau mengekstrak kata di dalamnya.” Halaman W3C itu hanya tersedia dalam bahasa Inggris, jadi kutipan ini terjemahan kami. Bila file sumbernya sudah tidak ada, solusi yang disebutkan halaman itu adalah OCR.

Tiga pemeriksaan: apakah PDF Anda butuh OCR?

Buka PDF di penampil mana pun dan coba pilih satu kata. Bila kata tersorot satu per satu, file itu sudah berisi teks. Bila seretan kursor menggambar kotak di atas seluruh halaman, atau tidak terjadi apa-apa, halaman itu berupa gambar.

Lalu cari kata yang terlihat di halaman dengan Ctrl+F, atau Cmd+F di Mac. Bila kata yang jelas terlihat tidak ditemukan, berarti tidak ada teks di baliknya. Bila baris yang disalin berubah menjadi karakter acak saat ditempel, biasanya lapisannya ada, tetapi isinya salah.

OCR PDF menjalankan pemeriksaan yang sama untuk Anda. Di bawah pratinjau, tabel “Pemeriksaan file jadi” menampilkan baris “Lapisan teks, hlm. 1” sebelum dan sesudah proses, untuk halaman yang sedang terbuka. Pada hasil scan kami, nilainya “tidak” sebelum proses dan “ya” sesudahnya; pada PDF yang dicetak dari halaman web, nilainya sudah “ya” sejak awal.

Apa yang diubah OCR pada hasil scan 20 halaman

Pada 23 Oktober 2026, kami membuat hasil scan uji dari dokumen teks 20 halaman berisi 5.548 kata. Setiap halaman menjadi JPEG abu-abu berukuran 1700 × 2200 piksel pada 200 ppi, tanpa teks di dalam file. Ukuran file hasil scan itu 8.302.321 byte, yang ditampilkan alat sebagai 7,9 MB.

Kami menjalankan OCR PDF di Chrome pada Mac dengan pengaturan bawaannya: “Inggris”, “Lewati teks yang sudah ada”, “Luruskan halaman yang miring”, dan “Putar halaman otomatis”. Hasilnya siap 50,7 detik setelah kami menekan “Kenali teks”, termasuk waktu pengunggahan. Halaman itu menampilkan: “Laporan server: teks ditemukan di 20 dari 20 halaman.”

Lalu kami mengambil teks dari hasilnya dan membandingkannya dengan dokumen asli, kata demi kata. Dari 5.548 kata, 5.536 cocok, atau 99,78 persen. Yang meleset adalah angka, seperti angka 4, angka 7, dan 636, ditambah satu kata. Pencarian kata “warranty” menemukan 243 hasil, sama banyaknya dengan di dokumen asli.

Halaman tetap berupa gambar, kedua puluhnya dalam urutan yang sama. Lapisan teks tidak menambah ukuran file: hasilnya kembali berukuran 7,6 MB, 4 persen lebih kecil daripada hasil scan. Lapisan itu tidak membawa tag untuk judul atau urutan baca; dalam teknik W3C, tag seperti itu ditambahkan pada langkah terpisah. Hasil scan kami berisi teks cetak yang bersih; kami tidak menguji foto dari ponsel atau tulisan tangan.

Halaman miring, dan apa yang terjadi pada gambar halaman

Hasil scan sering keluar miring, jadi kami juga memutar dua halaman sebesar 3 derajat. OCR PDF meluruskan keduanya: diukur dengan ImageMagick, kemiringannya turun dari 2,96 derajat menjadi nol. Semua 549 kata di kedua halaman itu cocok, dan tugasnya selesai dalam 15,8 detik.

Pelurusan punya konsekuensi. Dengan “Luruskan halaman yang miring” aktif, setiap gambar halaman disimpan ulang sebagai JPEG, termasuk halaman yang sudah lurus. Lalu kami menonaktifkan opsi itu dan “Putar halaman otomatis” di “Pengaturan lainnya”. Dua halaman lurus yang sama kembali dengan gambar yang identik byte demi byte dengan hasil scan. Jadi nonaktifkan keduanya bila file harus mempertahankan gambar aslinya.

Kapan Anda tidak butuh OCR

Sebagian besar PDF yang dibuat di komputer sudah berisi teks: file yang diekspor dari Word, atau halaman yang dicetak ke PDF dari browser. Dokumen 20 halaman kami termasuk di antaranya, karena dicetak dari Chrome. OCR PDF mengembalikannya dalam 2,1 detik dengan pesan: “PDF ini sudah memiliki lapisan teks, jadi tidak ada yang ditambahkan.” Kalimat berikutnya dalam pesan itu menyarankan “Ulangi OCR”.

“Ulangi OCR” berguna untuk lapisan teks yang salah, bukan untuk lapisan yang sudah berfungsi. Bila pencarian dan penyalinan sudah berfungsi, biarkan lapisan itu apa adanya.

Untuk mengambil teks dari PDF yang sudah berisi teks, PDF ke teks membacanya di browser Anda, tanpa mengunggahnya. Foto atau gambar tanpa tulisan juga tidak berisi apa pun yang bisa dikenali OCR.

Batas OCR PDF kami

OCR PDF berjalan di server kami, bukan di browser Anda. File diunggah saat Anda menekan “Kenali teks” dan dihapus begitu tugas selesai. Hasilnya bisa diunduh selama satu jam dan dihapus dari server dalam waktu sekitar dua jam.

Satu tugas menerima satu PDF hingga 300 MB dan 500 halaman. Anda bisa menjalankan 30 tugas per jam di semua alat yang memakai server kami. Buku yang lebih panjang diproses dalam beberapa bagian: panduan kami untuk scan buku membahas kamera, pembagian bagian, dan ketiga mode.

Alat ini membaca bahasa mana pun dari 15 bahasa di menu, hingga tiga sekaligus. Sebelum menekan “Kenali teks”, pilih bahasa hasil scan di “Bahasa dokumen”: halaman berbahasa Rusia yang dibaca sebagai bahasa Inggris kembali sebagai huruf Latin. Bila Anda butuh dokumen yang bisa diedit, bukan PDF, PDF ke Word mengenali hasil scan dalam bahasa yang Anda pilih di “Bahasa OCR” pada “Pengaturan lainnya”.

Untuk gambar atau tangkapan layar, PDF sama sekali tidak diperlukan. Gambar ke teks membaca JPG, PNG, dan gambar lain di dalam browser Anda, lalu memberi Anda file .txt. OCR PDF adalah salah satu dari lebih dari 200 alat gratis di PulsarKit, tanpa akun dan tanpa langganan.