OCR dibandingkan mengonversi PDF ke Word

Apa bedanya OCR dan mengonversi PDF ke Word?

Jawaban singkat

OCR melihat piksel halaman hasil pindaian dan menebak karakter apa yang diwakilinya. Mengonversi PDF ke Word mengambil teks yang sudah tersimpan di file dan membangunnya ulang sebagai dokumen yang bisa diedit. Jika PDF Anda hasil pindaian, belum ada teks yang bisa dikonversi, jadi jalankan OCR dulu lalu konversi setelahnya — iBuildPDF punya alat untuk setiap langkah.

Dua jenis PDF yang tampak sama

Hampir semua kebingungan tentang OCR berasal dari satu fakta: PDF bisa menyimpan halaman dengan dua cara yang sama sekali berbeda, dan di layar keduanya tampak sama.

1T e x t54 65 78 74234

Halaman yang sama, dengan dan tanpa teks

  1. PDF digital. Di layar, tidak bisa dibedakan dari yang di sebelah kanan.
  2. Di baliknya: kode-kode karakter, masing-masing dengan font dan posisi. Bisa dicari, dipilih, dan dikonversi.
  3. PDF hasil pindaian. Halaman yang sama, dan tampilan yang sama.
  4. Di baliknya: kisi sampel terang dan gelap. Tidak ada huruf, tidak ada kata, tidak ada yang bisa dicari.

Jenis pertama punya lapisan teks. File berisi objek teks sungguhan — untaian karakter, font, ukuran, dan koordinat yang menyatakan di mana setiap bagian digambar di halaman. Halaman itu adalah serangkaian instruksi untuk melukis huruf. Program bisa membaca kembali karakter-karakter itu dengan tepat, karena sejak awal memang karakter.

Jenis kedua adalah gambar halaman. Inilah yang dihasilkan pemindai, kamera ponsel, atau faks: setiap halaman adalah satu foto yang dibungkus dalam PDF. Tidak ada teks di mana pun di dalam file. Yang tampak seperti huruf “e” adalah pola piksel gelap yang dikenali mata manusia sebagai “e”; bagi perangkat lunak, itu tidak berbeda dengan foto kucing.

Uji dua detik

Coba pilih sebuah kata dengan menyeret kursor di penampil mana pun. Jika kata-katanya tersorot satu per satu, file itu punya lapisan teks. Jika kursor justru menggambar persegi — kotak pilihan, bukan pilihan teks — tidak ada lapisan teks dan yang Anda lihat adalah gambar.

Dua alat di sini memastikannya tanpa menebak. Jumlah halaman melaporkan apakah dokumen punya lapisan teks. PDF ke teks tidak mengembalikan apa pun yang berguna untuk hasil pindaian — biasanya hasil kosong, kadang satu baris nyasar yang ditambahkan perangkat lunak pemindai. Hasil kosong itu bukan bug; itulah jawaban yang benar untuk “teks apa yang ada di file ini?”

Dokumen bisa campuran. Kontrak yang ditulis di pengolah kata, lalu ditandatangani dan dipindai, bisa punya lapisan teks di sebagian besar halaman dan tidak ada di halaman yang dipindai. Periksa halaman yang penting bagi Anda.

Apa yang dilakukan OCR

OCR adalah singkatan dari optical character recognition (pengenalan karakter optik). OCR mengambil gambar, menemukan bagian yang tampak seperti teks, memecahnya menjadi baris lalu menjadi bentuk glif satu per satu, dan membandingkan setiap bentuk dengan model rupa karakter. Untuk setiap karakter, OCR mengeluarkan tebakan terbaik dan angka keyakinan — seberapa yakin ia.

Kata yang penting adalah tebakan. OCR tidak memulihkan teks aslinya, karena teks aslinya tidak ada di file. OCR menghasilkan teks baru yang diyakininya sesuai dengan gambar — biasanya sangat bagus, kadang salah, dan tidak ada apa pun di keluarannya yang memberi tahu mana yang mana kecuali Anda memeriksa angka keyakinannya.

Akurasinya bergantung pada hal-hal yang sebagian besar bisa Anda lihat sendiri:

  • Kualitas pindaian. Resolusi, kontras, kemiringan, bayangan dari kamera ponsel, bintik dari pemindai murah, dan teks yang terlalu sering difotokopi.
  • Bahasa dan jenis huruf. Mesin harus tahu bahasa apa yang diharapkan; model yang salah menghasilkan omong kosong dengan penuh keyakinan (di sini, bahasanya dideteksi otomatis). Font yang tidak biasa dan tulisan tangan jauh lebih sulit daripada tulisan cetak biasa.
  • Tata letak. Di sinilah OCR paling sering keliru. Urutan baca harus disimpulkan dari posisi, jadi halaman dua kolom bisa kembali dengan kolom-kolom yang berselang-seling baris demi baris. Tabel lebih parah: batas sel bisa berupa garis atau sekadar ruang kosong, dan tabel sering tiba sebagai deretan angka tanpa baris dan kolom.

Mesin sumber terbuka yang menjadi standar adalah Tesseract, yang dipakai di balik sebagian besar alat OCR gratis dan yang di-hosting sendiri. Mesin apa pun yang Anda pakai, perlakukan keluarannya sebagai draf: periksa ulang, dan perhatikan terutama angka dan pasangan karakter yang mirip saat dicetak.

Apa yang dilakukan konversi PDF ke Word

Konverter PDF ke Word melakukan sesuatu yang cukup berbeda. Konverter membaca objek teks yang sudah ada di file, beserta font dan koordinatnya, lalu membangun ulang dokumen yang bisa diedit dari situ.

Karakternya diketahui dengan tepat — memang disimpan sebagai karakter. Yang harus diketahui adalah strukturnya, karena halaman PDF menyatakan “gambar untaian ini di posisi ini”, bukan “ini paragraf” atau “ini sel kedua di baris keempat”. Jadi konverter menyimpulkan:

  • paragraf, dari baris-baris yang memakai font yang sama dengan jarak baris dan inden yang konsisten;
  • judul dan penekanan, dari font yang lebih besar atau lebih tebal;
  • daftar, dari tanda butir atau nomor yang berulang dengan inden gantung;
  • tabel, dari garis atau dari teks yang sejajar dalam kolom sepanjang halaman.

Kesimpulan itu juga tebakan, tetapi berbeda dengan tebakan OCR. Konverter bisa salah tentang di mana sebuah paragraf berakhir; konverter tidak salah tentang huruf apa saja di dalamnya.

Jalankan konverter pada hasil pindaian dan konverter gagal karena alasan sederhana: tidak ada yang bisa dikonversi. Konverter tidak membaca piksel, jadi tidak menemukan teks dan menghasilkan dokumen kosong atau file Word dengan satu gambar satu halaman penuh per halaman — tidak lebih bisa diedit daripada PDF-nya.

Mana yang Anda perlukan

Jalur keputusannya singkat:

  1. Coba pilih sebuah kata di PDF.
  2. Jika kata-katanya tersorot, Anda memerlukan konversi. Teksnya ada; Anda ingin teks itu dalam format yang bisa diedit.
  3. Jika yang muncul kotak pilihan, Anda memerlukan OCR terlebih dahulu. Konversi tidak punya bahan untuk dikerjakan sampai OCR membuat lapisan teks.
  4. Jika Anda hanya ingin kata-katanya — untuk dikutip, dicari, atau ditempel — PDF ke teks sudah cukup; Anda sama sekali tidak memerlukan file Word.
OCRKonversi PDF ke Word
MasukanHasil pindaian atau foto: halaman tanpa lapisan teksPDF yang sudah punya lapisan teks
Yang dibacaPikselObjek teks dan koordinatnya
KeluaranTeks yang dikenali, setiap karakter dengan angka keyakinanDokumen yang bisa diedit dengan paragraf, gaya, dan tabel yang disimpulkan
Kegagalan utamaKarakter salah baca, dan urutan baca yang hilang pada tabel dan halaman berkolomStruktur keliru — paragraf tergabung, tabel rusak; dan gagal total pada hasil pindaian, karena tidak ada teks untuk dibaca

Jika Anda tidak yakin bagaimana sebuah file dibuat, metadata dokumen itu sendiri sering memberi tahu. Kolom produser sering menyebut pemindai atau aplikasi yang menulis PDF itu — lihat apa isi metadata PDF.

Melakukan keduanya di iBuildPDF

Kedua bagian pekerjaan ini ada di sini, sebagai dua alat terpisah, dan urutannya penting.

Pertama, OCR. Alat ini membaca setiap halaman hasil pindaian dan menambahkan lapisan teks tak terlihat yang bisa dicari, sambil membiarkan halamannya persis seperti semula. Bahasa teksnya dideteksi otomatis, halaman demi halaman, dan itulah yang paling menentukan hasilnya. Halaman yang sudah berisi teks dibiarkan.

Lalu PDF ke Word. Alat ini membangun ulang lapisan teks menjadi paragraf, judul, huruf tebal, dan miring dalam dokumen yang bisa diedit. Pada hasil pindaian yang belum melalui OCR, alat ini tidak punya bahan untuk dikerjakan, itulah sebabnya urutannya penting.

Keduanya berjalan di server pemrosesan kami, dan halaman-halamannya menyatakan hal itu sebelum Anda memilih file. Hal-hal yang tetap membantu, sesuai urutan yang layak dicoba:

  • Minta file aslinya dari pengirim. Jika seseorang memindai dokumen yang ditulisnya sendiri, file sumbernya masih ada, dan akan lebih akurat daripada apa pun yang bisa direkonstruksi OCR atau konversi.
  • Perbaiki pindaiannya dulu. Memindai ulang dengan DPI lebih tinggi, rata dan lurus, dengan kontras yang baik, lebih berpengaruh pada akurasi daripada pemrosesan susulan apa pun.
  • Periksa dengan Jumlah halaman sebelum mulai, agar Anda tahu masalah apa yang sebenarnya Anda hadapi.
  • Periksa ulang angka-angkanya. Kesalahan pengenalan tampak masuk akal, dan satu angka yang salah di tabel itulah yang merugikan secara finansial.

Alat yang dibahas artikel ini

Sumber

Dokumentasi utama untuk klaim di atas.

Terakhir ditinjau: 16 September 2026

Diterbitkan oleh iBuildPDF.

Lainnya dari basis pengetahuan