PDF hasil scan ke Word: kenapa formatnya berantakan

PDF hasil scan bukan dokumen Word yang tinggal dibongkar. Isinya tumpukan foto halaman, jadi sebelum ada yang bisa diedit, sesuatu harus membaca huruf dari gambar itu lalu menebak letak paragraf, kolom, dan tabelnya. Di tebakan itulah format sering berantakan, dan untuk scan sebaiknya Anda memilih jalurnya sebelum mulai.

Cek dulu jenis PDF Anda

Coba blok satu kalimat di aplikasi pembaca PDF. Kalau kata-katanya tersorot satu per satu dan bisa disalin dengan bersih, file itu sudah punya lapisan teks, dan PDF ke Word bisa menyusunnya ulang menjadi dokumen yang bisa diedit. Kalau seluruh halaman tersorot seperti satu gambar, berarti itu scan, dan sisa tulisan ini berlaku untuk Anda.

Apa yang terjadi kalau scan dimasukkan ke PDF ke Word

Masukkan scan langsung ke PDF ke Word dan Anda akan mendapat .docx dengan setiap halaman ditempel sebagai gambar. Tampilannya benar, tapi tidak ada teks yang bisa diketik ulang. Menjalankan OCR lebih dulu juga tidak mengubah hasilnya. OCR menambahkan lapisan teks tak terlihat di balik tiap halaman, sedangkan konverter Word mengabaikan lapisan tersembunyi itu. Jadi untuk scan, lewati PDF ke Word dan pakai salah satu jalur di bawah ini.

Jalur yang memang berhasil untuk scan

1. Anda butuh kata-katanya di Word: pakai PDF ke Teks dan centang opsi Jalankan OCR. Anda mendapat file .txt berisi teks yang dikenali, lalu tempel ke dokumen Word baru dan rapikan formatnya di sana. Judul dan tabel perlu Anda susun sendiri, tapi setidaknya tidak mengetik ulang dari awal.
2. Anda hanya perlu mencari dan menyalin: OCR PDF sudah jadi langkah terakhir. Tampilan halamannya tetap persis sama, dan kata-katanya bisa dipilih.
3. Isinya kebanyakan tabel angka: jalankan OCR PDF, lalu PDF ke Excel. Pembaca tabelnya bisa memakai lapisan OCR, tapi periksa kolomnya karena sel yang bersebelahan kadang tergabung.

Kenapa tata letaknya tetap rusak

OCR mengenali karakter, tapi tidak tahu keputusan desain di balik halaman. Scan yang pudar bisa membuat angka 8 terbaca 3. Dua kolom bisa dibaca lurus menyeberang. Tabel bisa keluar sebagai deretan nilai yang dipisah spasi, dan tulisan tangan hampir selalu meleset.

OCR kami juga hanya membaca bahasa Inggris. Bahasa Indonesia memakai huruf Latin biasa, jadi sebagian besar hurufnya tetap terbaca, tapi mesinnya tidak mengenal kosakata Indonesia dan tidak bisa memakainya untuk mengoreksi tebakan. Pada scan yang kurang tajam, salah ketik di kata seperti “keterangan” atau “sebagaimana” lebih mudah lolos. Huruf beraksen sering rusak, dan aksara non-Latin seperti Arab tidak dikenali sama sekali. Kalau Anda sering memproses dokumen berbahasa Indonesia, pasang ocrmypdf dan paket bahasa Indonesia untuk Tesseract di komputer sendiri, lalu jalankan dengan -l ind+eng.

• Scan yang bersih, lurus, dan kontras memberi OCR peluang terbaik.
• Tabel dan halaman berkolom paling perlu diperiksa dengan teliti.
• Stempel dan catatan tulisan tangan harus dicek huruf demi huruf kalau ketepatannya penting.

Sumber yang lebih baik mengalahkan perbaikan apa pun

Kalau dokumen kertasnya masih ada, scan ulang dengan posisi lurus di sekitar 300 DPI, tanpa jari, bayangan, atau sudut kertas yang terlipat di dalam bingkai. Kalau PDF-nya keluar dari sistem kantor, minta file digital aslinya atau dokumen sumbernya. PDF digital yang asli bisa diproses PDF ke Word dengan benar, dan satu file asli yang bersih jauh lebih menghemat waktu daripada satu jam membetulkan format.

Pertanyaan umum

Kenapa file Word saya hanya berisi gambar halaman?

Karena PDF-nya hasil scan. Konverter tidak menemukan teks asli untuk disusun ulang, jadi setiap halaman ditempel sebagai gambar. Pakai PDF ke Teks dengan OCR dinyalakan untuk mengambil kata-katanya, lalu tempel ke Word.

Bisakah scan yang buram diperbaiki dengan mengonversinya lagi?

Tidak. Konversi berulang tidak bisa menambah detail yang memang tidak pernah tertangkap scan. Scan ulang dokumen aslinya dengan lebih jelas kalau bisa, lalu jalankan OCR sekali saja.