Kenali Teks via OCR
Ekstrak teks dari PDF hasil scan dan gambar menggunakan pengenalan karakter optik.
Ekstrak Teks dari PDF Apa Pun - Tool OCR Gratis
PDF hasil scan dan dokumen berbasis gambar terlihat seperti file biasa, tapi sebenarnya tidak memiliki layer teks yang bisa dibaca - isinya hanyalah foto dari halaman tersebut. Tool OCR PDF kami menganalisis setiap gambar halaman dan mengenali karakter menggunakan Tesseract, lalu menghasilkan teks yang diekstrak sebagai file teks biasa yang bisa kamu salin, edit, atau tempelkan ke tool lain. Pemrosesan berjalan sepenuhnya di browser kamu menggunakan build WebAssembly dari OCR engine - file kamu tidak pernah meninggalkan perangkatmu.
Apa Itu OCR dan Kapan Kamu Membutuhkannya
OCR adalah singkatan dari Optical Character Recognition. Ketika sebuah dokumen di-scan, difoto, atau diekspor dari sistem yang melakukan rasterisasi halaman, PDF yang dihasilkan tidak memiliki data teks - hanya gambar pixel dari huruf-huruf tersebut. PDF viewer menampilkan file ini dengan benar, tapi kamu tidak bisa memilih teks, menggunakan Ctrl+F untuk mencari, atau menyalin sebuah kalimat. OCR mengatasi hal ini dengan memeriksa bentuk visual di setiap halaman dan mengidentifikasi karakter yang diwakilinya.
Kamu membutuhkan OCR ketika:
- Kamu punya kontrak, invoice, atau formulir hasil scan dan perlu menyalin teks darinya
- PDF kamu dibuat dari foto atau faks dan tidak bisa dicari
- Kamu ingin mengekstrak teks dari dokumen hasil scan sebelum mengonversinya dengan tool PDF to Word
- Kamu perlu membuat dokumen arsip bisa dicari untuk keperluan compliance atau pencatatan
- Kamu menerima PDF di mana teksnya muncul sebagai gambar dan tidak bisa dipilih
Cara Kerja Tool OCR Kami
- Upload file kamu - seret PDF hasil scan atau file gambar (JPG, PNG, WebP). File dibaca secara lokal oleh browser kamu dan tidak pernah dikirim ke server mana pun.
- Pilih bahasa - pilih bahasa teks dokumen. Tesseract akan memuat model karakter terlatih yang sesuai untuk bahasa tersebut guna meningkatkan akurasi pengenalan.
- Pilih halaman - proses seluruh dokumen atau tentukan halaman atau rentang halaman tertentu.
- Jalankan OCR - Tesseract menganalisis setiap gambar halaman di browser kamu menggunakan WebAssembly dan mengekstrak teks yang dikenali.
- Unduh hasilnya - simpan teks yang diekstrak sebagai file .txt biasa atau salin langsung ke clipboard kamu. Untuk mengedit kontennya sebagai dokumen, tempelkan teks ke PDF editor atau gunakan sebagai sumber untuk PDF to Word converter setelah menjalankan OCR pada file scan aslinya.
Faktor yang Mempengaruhi Akurasi OCR
Akurasi OCR bergantung pada kualitas dokumen sumber. Scan resolusi tinggi dengan teks yang jelas dan gelap di atas latar putih menghasilkan hasil terbaik. Faktor umum yang mengurangi akurasi antara lain resolusi scan yang rendah, halaman yang miring atau berputar, teks tulisan tangan, font dekoratif, latar berwarna, watermark yang tumpang tindih dengan teks, dan artefak kompresi yang berat. Memilih bahasa yang tepat sebelum memproses juga membuat perbedaan yang signifikan, karena Tesseract menggunakan model karakter dan kata yang spesifik per bahasa untuk menyelesaikan karakter yang ambigu.
Jika kamu ingin mempelajari lebih lanjut tentang cara kerja teknologi OCR dan cara terbaik menangani dokumen hasil scan, artikel blog kami tentang OCR untuk file PDF membahas teknik-teknik utama dan kapan menggunakannya dalam bahasa yang mudah dipahami.
FAQ
OCR adalah singkatan dari Optical Character Recognition. Cara kerjanya adalah dengan menganalisis konten pixel dari setiap gambar halaman dan mengidentifikasi bentuk karakter menggunakan model pattern recognition yang dilatih pada kumpulan besar sampel teks. Karakter yang dikenali kemudian disusun menjadi kata-kata dan baris. Tool ini menggunakan Tesseract yang berjalan sebagai modul WebAssembly di browser kamu, sehingga tidak ada file yang diupload ke server mana pun selama proses berlangsung.
Tidak. OCR engine berjalan sepenuhnya di browser kamu sebagai modul WebAssembly. File kamu dibaca secara lokal oleh browser File API dan diproses di perangkatmu. Tidak ada data yang dikirimkan ke server mana pun kapan pun.
PDF hasil scan dibuat dengan memfoto atau men-scan halaman fisik. Hasilnya adalah gambar raster - kumpulan pixel - tanpa data teks di dalamnya. PDF viewer merender gambar tersebut dengan benar sehingga terlihat seperti dokumen biasa, tapi tidak ada layer teks yang bisa dicari atau dipilih oleh viewer. OCR membaca konten pixel dan mengidentifikasi karakternya, menghasilkan teks yang bisa dipilih dari konten yang dikenali.
OCR terutama dirancang untuk teks cetak atau ketik dan tidak dapat diandalkan untuk tulisan tangan. Karakter tulisan tangan sangat bervariasi antar individu dalam hal bentuk, ukuran, spasi, dan kemiringan, yang membuat pengenalan yang akurat jauh lebih sulit dibandingkan font cetak. Tool ini mungkin bisa mengekstrak beberapa kata tulisan tangan dengan benar, terutama jika tulisannya rapi dan konsisten, tapi akurasi pada dokumen tulisan tangan umumnya rendah.
Jalankan PDF hasil scan melalui tool OCR terlebih dahulu untuk mengekstrak teksnya. Kemudian ambil teks yang diekstrak tersebut dan gunakan tool PDF to Word pada file scan aslinya, atau tempelkan teks yang diekstrak langsung ke dokumen Word. PDF to Word converter bekerja paling baik pada PDF berbasis teks - menjalankan OCR terlebih dahulu memberi kamu konten teks mentah yang kamu butuhkan.
Tidak. Tool ini mengekstrak teks yang dikenali dan menghasilkannya sebagai file .txt biasa atau salinan clipboard. Tool ini tidak memodifikasi PDF asli dengan cara apa pun. File PDF itu sendiri tidak berubah - hanya teks yang diekstrak yang dikembalikan sebagai output.
Tool ini mendukung 19 bahasa: Inggris, Jerman, Prancis, Spanyol, Portugis, Italia, Polandia, Rusia, Turki, Jepang, Korea, Cina (Sederhana dan Tradisional), Arab, Hindi, Indonesia, Melayu, Vietnam, dan Thai. Pilih bahasa dokumen kamu dari dropdown sebelum memproses. Tesseract memuat model data terlatih yang spesifik per bahasa untuk bahasa yang dipilih, yang secara signifikan meningkatkan akurasi pengenalan dibandingkan menggunakan pengaturan bahasa yang salah.
Bisa. Tool ini memungkinkan kamu menentukan halaman mana yang akan diproses menggunakan field halaman. Masukkan nomor halaman individual yang dipisahkan dengan koma, atau rentang menggunakan tanda hubung, misalnya 1, 3, 5-7. Halaman yang tidak termasuk dalam seleksi akan dilewati. Ini berguna untuk dokumen besar di mana hanya halaman tertentu yang merupakan gambar hasil scan dan kamu hanya membutuhkan teks dari halaman-halaman tersebut.
Akurasi OCR bergantung pada kualitas gambar sumber. Penyebab umum teks yang hilang atau salah antara lain resolusi scan yang rendah, halaman yang miring, tinta yang pudar, teks yang tumpang tindih dengan gambar atau watermark, font yang tidak biasa, dan artefak kompresi JPEG yang berat. Scanning pada 300 DPI atau lebih tinggi dengan kontras yang baik antara teks dan latar belakang menghasilkan hasil yang paling akurat. Jika kualitas pengenalan buruk, men-scan ulang dokumen asli pada resolusi yang lebih tinggi sebelum menjalankan OCR akan memberikan output yang jauh lebih baik.
Bisa. Tool ini menerima file gambar JPG, PNG, GIF, dan WebP selain PDF. Ketika kamu mengupload gambar, Tesseract memprosesnya secara langsung dan mengekstrak teks yang dikenali. Ini berguna untuk mengekstrak teks dari foto dokumen, screenshot, atau halaman hasil scan yang disimpan sebagai gambar dan bukan PDF.