Hasil OCR berantakan? Penyebab teks kacau dan cara memperbaikinya

Hasil scan sudah di-OCR, Anda salin satu paragraf, dan yang muncul malah “Surat keterangan ini dibuat untnk keperluan sebagaimana mestiuya.” Atau kata-katanya benar, tapi separuh kalimat dari baris keempat nyasar ke baris kedua. OCR menebak huruf dari piksel, dan kalau tebakannya meleset, penyebabnya biasanya ada pada gambar halamannya, bukan pada setelan tersembunyi.

Lihat seluruh lapisan teksnya dulu

Mencari kata di aplikasi pembaca PDF hanya memberi tahu apakah satu kata itu ketemu. Untuk melihat semua yang dihasilkan OCR, jalankan file hasil OCR lewat PDF ke Teks, lalu baca file .txt-nya. Biasanya Anda akan menemukan salah satu pola ini:

• Ada halaman yang kosong. Halamannya menyamping, terlalu pudar, atau dilewati sama sekali.
• Kata-katanya benar, urutannya kacau. Ini masalah tata letak: kolom, tabel, atau halaman yang miring.
• Banyak huruf yang salah. Penyebabnya kualitas gambar, jenis huruf, atau bahasanya.

PDF ke Teks juga punya kotak centang sendiri, “Jalankan OCR (baca teks dari halaman hasil pindai)”. Mesinnya sama dengan OCR PDF, jadi kalau yang Anda butuhkan hanya .txt, Anda bisa langsung dari scan ke teks dalam satu langkah.

Halamannya ternyata sudah punya teks

OCR kami melewati setiap halaman yang sudah berisi teks, supaya tidak menimpa tulisan yang ada. Biasanya itu memang yang diinginkan. Masalahnya muncul kalau teks yang sudah ada itu sendiri sampah: sebagian mesin scan menjalankan OCR kasar bawaannya, dan sebagian PDF memakai font yang saat disalin berubah jadi simbol karena file-nya tidak pernah mencatat huruf apa yang diwakili tiap bentuk. Alat kami melihat ada teks, membiarkan halaman itu, dan mengembalikan kekacauan yang sama.

Jalan keluarnya, ratakan dulu halamannya menjadi gambar biasa:

1. Ubah PDF dengan PDF ke JPG, pilih Tinggi (300 DPI).
2. Satukan lagi JPG-nya menjadi satu PDF dengan JPG ke PDF. Periksa urutannya sebelum dikonversi, karena Urutkan berdasarkan Nama menaruh halaman_10 sebelum halaman_2. Tombol panah atas dan bawah bisa membetulkannya.
3. Jalankan OCR PDF pada file baru itu.

Salinan yang sudah diratakan kehilangan tautan dan kolom formulir, jadi simpan file aslinya. Kalau Anda terbiasa dengan command line, ocrmypdf (alat open source yang menjadi dasar alat kami) punya opsi --force-ocr dan --redo-ocr untuk kasus seperti ini.

Bagaimana dengan dokumen berbahasa Indonesia?

OCR kami hanya memakai data bahasa Inggris, dan tidak ada pilihan bahasa yang bisa diganti. Kabar baiknya, bahasa Indonesia ditulis dengan huruf Latin biasa tanpa tanda diakritik, jadi sebagian besar hurufnya tetap terbaca cukup baik. Namun mesinnya tidak mengenal kosakata Indonesia, jadi tidak bisa memakainya untuk mengoreksi tebakan. Pada scan yang kurang tajam, salah huruf di kata seperti “untuk” atau “mestinya” lebih mudah lolos. Dokumen berhuruf Arab, termasuk Arab Pegon, tidak akan dikenali sama sekali.

Kalau Anda sering meng-OCR dokumen Indonesia, pasang ocrmypdf dan paket bahasa Indonesia untuk Tesseract di komputer sendiri, lalu jalankan dengan -l ind+eng. Kombinasi itu membaca teks campuran Indonesia dan Inggris lebih baik daripada data bahasa Inggris saja.

Perbaiki scan-nya, bukan setelannya

Tesseract, mesin yang melakukan pengenalan huruf, bekerja paling baik pada halaman yang bersih dan lurus sekitar 300 dpi. Sebagian besar hasil yang kacau berasal dari salah satu hal berikut:

• Resolusi rendah atau buram. Scan ulang di 300 dpi, atau 400 untuk huruf kecil. Memperbesar gambar buram setelahnya tidak mengembalikan detail yang hilang.
• Halaman miring. Kami tidak meluruskan halaman sebelum dibaca, dan kemiringan beberapa derajat saja bisa memecah baris dan menyambung potongan dari baris yang berbeda. Scan ulang dengan posisi lurus, atau pakai aplikasi scanner yang otomatis memotong dan meratakan halaman.
• Halaman menyamping atau terbalik. Halaman seperti ini juga tidak diputar otomatis. Proses file-nya dengan Putar PDF lebih dulu, dan ingat alat itu memutar semua halaman.
• Kontras rendah. Fotokopi yang sudah pudar, tulisan pensil, dan kertas berwarna membuat huruf sulit dipisahkan dari latarnya.

Yang tetap sulit dibaca OCR

Tulisan tangan yang paling parah. Tesseract dibuat untuk teks cetak, dan catatan tangan di pinggir halaman berubah jadi derau. Huruf sambung, font dekoratif yang tebal, dan teks yang dicetak di atas foto atau latar bermotif juga bermasalah. Kop surat dengan logo di belakang teks termasuk di sini. Tabel dan halaman berkolom sering terbaca benar hurufnya, tapi dibaca lurus melintasi kolom, sehingga teksnya bisa dicari namun jadi tak masuk akal saat disalin. Untuk dokumen seperti itu, OCR memberi Anda fitur pencarian. Kalau butuh teks yang persis, mengetik ulang masih jalan terbaik.

Pertanyaan umum

Apakah menjalankan OCR dua kali membuat hasilnya lebih baik?

Tidak. Proses kedua menemukan lapisan teks dari proses pertama lalu melewati semua halaman. Ratakan file-nya seperti dijelaskan di atas, atau lebih baik lagi, mulai dari scan yang lebih bersih.

Kenapa angka 0 dan huruf O, atau 1 dan l, sering tertukar?

Pada resolusi rendah bentuknya nyaris sama, dan mesin terpaksa memilih salah satu. Scan yang lebih tajam sangat membantu. Untuk total tagihan, nomor rekening, NIK, dan data lain yang salah satu digit saja sudah fatal, cocokkan teks OCR dengan gambar halamannya sebelum Anda memakainya.