Mengambil teks dari PDF scan tidak bisa dilakukan dengan cara yang sama seperti mengambil teks dari PDF biasa. PDF hasil pindai menyimpan halamannya sebagai gambar, bukan sebagai teks digital. PDF ke Teks hanya bisa membaca teks yang memang tersimpan di dalam berkas, sehingga dokumen pindai tanpa lapisan teks akan menghasilkan berkas kosong atau hanya berisi potongan yang tidak berarti.
Ini bukan kekurangan yang bisa diperbaiki dengan mengulang prosesnya. Teks yang tidak pernah ada di dalam berkas tidak bisa dikeluarkan. OCR belum tersedia di tool ini, dan berkas pindai diperlakukan sebagai gambar. Kalau teksnya dibutuhkan, pekerjaan pengenalan karakter harus dikerjakan dengan perangkat lunak OCR di komputer sendiri.
Kabar baiknya, tidak semua berkas yang terlihat seperti hasil pindai benar-benar tanpa teks. Sebagian dokumen pindai dibuat dengan lapisan teks tambahan di atas gambarnya. Cara memeriksanya dijelaskan di bawah, dan pemeriksaan itu menentukan apakah dokumen Anda bisa diekstrak atau tidak.
Cara memeriksa apakah PDF punya lapisan teks
Pemeriksaan ini memerlukan pembaca PDF, dan hasilnya menentukan langkah berikutnya. Lakukan dalam tiga langkah.
- Buka berkasnya dengan pembaca PDF, bukan penampil bawaan peramban.
- Coba sorot satu kata dengan kursor. Gunakan kata di tengah paragraf, bukan di dekat gambar.
- Perhatikan hasilnya. Kalau satu kata bisa disorot sendiri, berkasnya punya lapisan teks. Kalau seluruh halaman tersorot sebagai satu blok, atau tidak ada yang bisa disorot, berkasnya gambar.
Cara kedua, coba fitur pencarian di pembaca PDF. Ketik satu kata yang pasti ada di halaman, lalu jalankan pencarian. Kalau kata itu ditemukan dan tersorot, lapisan teksnya ada. Kalau tidak ditemukan padahal kata itu jelas terlihat, dokumennya tidak punya lapisan teks.
Cara ketiga, kalau ragu, unggah berkasnya ke PDF ke Teks dan lihat hasilnya. Berkas teks yang kosong memastikan dokumennya tidak punya teks digital.
Mengapa PDF scan tidak menyimpan teks
Pemindai bekerja seperti kamera. Ia merekam pantulan cahaya dari halaman dan menyimpannya sebagai susunan titik berwarna. Yang tersimpan adalah gambaran visual halaman, bukan huruf-huruf yang bisa dibaca mesin.
Bandingkan dengan dokumen yang dibuat di pengolah kata. Di sana setiap huruf disimpan sebagai kode, lengkap dengan informasi jenis huruf, ukuran, dan posisinya. Teks seperti itu bisa dicari, disalin, dan diekstrak. Hasil pindai tidak punya informasi itu, meski matanya melihat huruf yang sama.
Karena itu, dua dokumen yang terlihat identik di layar bisa berperilaku sangat berbeda saat diekstrak. Yang satu menghasilkan teks rapi, yang satu menghasilkan berkas kosong.
Pilihan yang tersedia
Ada tiga jalan yang bisa ditempuh, tergantung berapa banyak halaman yang perlu dikerjakan.
Jalan pertama, memakai perangkat lunak OCR di komputer. OCR mengenali bentuk huruf pada gambar lalu menyusunnya kembali menjadi teks. Hasilnya perlu diperiksa, karena pengenalan karakter sering salah pada huruf yang mirip, angka, dan tanda baca. Untuk dokumen satu atau dua halaman, cara ini masih masuk akal.
Jalan kedua, mengetik ulang. Untuk halaman yang teksnya sedikit, misalnya formulir satu halaman atau surat pendek, mengetik ulang sering lebih cepat daripada membersihkan hasil OCR. Cara ini juga menghasilkan teks yang paling bersih.
Jalan ketiga, meminta berkas aslinya. Kalau dokumennya berasal dari instansi atau rekan kerja, berkas aslinya mungkin masih ada dalam bentuk dokumen digital. Meminta berkas itu jauh lebih hemat waktu daripada memproses ulang hasil pindai.
Kalau yang dibutuhkan bukan teksnya melainkan gambarnya, pekerjaannya berbeda. Ekstrak Gambar dari PDF mengambil gambar yang tertanam di dalam berkas pada resolusi aslinya, dan PDF ke JPG merender setiap halaman menjadi gambar JPG.
Kalau dokumennya punya lapisan teks
Kalau hasil pemeriksaan menunjukkan dokumennya punya lapisan teks, pekerjaannya jauh lebih mudah. Dokumen seperti itu bisa langsung diekstrak.
Perlu diketahui, lapisan teks pada dokumen pindai sering tidak sempurna. Hasil pengenalan karakter yang disisipkan pembuat dokumen bisa mengandung salah ejaan, terutama pada nama orang, istilah asing, dan angka. Karena itu, hasil ekstraksinya tetap perlu dibaca ulang, khususnya pada bagian yang memuat angka dan nama.
Urutan pengerjaannya sebagai berikut.
- Periksa dulu apakah lapisan teksnya ada, dengan cara menyorot kata seperti dijelaskan di atas.
- Kalau ada, buka PDF ke Teks dan unggah berkasnya.
- Jalankan prosesnya, lalu unduh berkas teksnya.
- Baca ulang bagian yang memuat angka, nama, dan istilah asing. Bagian itu yang paling sering salah.
- Rapikan pemisah baris dan paragraf sesuai kebutuhan.
Masalah yang sering terjadi
Berkas hasilnya kosong. Ini tanda dokumennya tidak punya lapisan teks. Mengulang prosesnya tidak akan mengubah hasil. Teksnya harus dikenali lebih dulu dengan perangkat lunak OCR.
Hasilnya berisi karakter acak. Lapisan teks yang ada kemungkinan rusak atau tidak lengkap. Periksa berkasnya di pembaca PDF, dan kalau perlu jalankan Perbaiki PDF sebelum diekstrak ulang.
Sebagian halaman berisi teks, sebagian kosong. Sebagian dokumen pindai dibuat dari campuran halaman digital dan halaman pindai. Halaman digitalnya menghasilkan teks, halaman pindainya tidak. Bagian yang kosong perlu dikerjakan dengan OCR.
Teksnya terbaca tetapi urutannya kacau. Dokumen pindai yang miring membuat lapisan teksnya tidak sejajar dengan gambarnya. Perbaiki dulu kemiringannya sebelum diekstrak.
Berkasnya tidak bisa dibuka sama sekali. Coba perbaiki dulu lewat Perbaiki PDF. Kalau tetap gagal, berkasnya memang rusak dan perlu didapatkan ulang dari sumbernya.
Kapan sebaiknya tidak memakai tool online
Dokumen pindai biasanya berisi dokumen identitas, akta, ijazah, atau berkas administrasi lain yang memuat data pribadi lengkap. Dokumen seperti itu sebaiknya tidak diproses lewat jaringan yang tidak jelas, termasuk untuk sekadar memeriksa isinya.
Untuk tool kelompok ini, berkas dialirkan ke pemroses dan hasilnya dikirim balik ke peramban tanpa ditulis ke penyimpanan permanen. Meski begitu, berkas tetap meninggalkan perangkat selama proses berlangsung. Keterangan lengkapnya ada di kebijakan privasi.
Kalau dokumennya harus diproses, lakukan di komputer sendiri dengan perangkat lunak OCR yang sudah terpasang. Dengan begitu berkasnya tidak pernah meninggalkan perangkat.
Memindai ulang dengan pengaturan yang lebih baik
Kalau dokumen fisiknya masih ada dan hasil pindainya belum memuaskan, memindai ulang sering lebih menguntungkan daripada memperbaiki hasil lama.
Tiga pengaturan yang paling berpengaruh. Pertama, pilih mode hitam putih untuk dokumen yang seluruhnya teks, dan mode warna hanya untuk dokumen yang memuat gambar atau stempel berwarna. Kedua, pilih resolusi yang cukup tinggi, karena resolusi rendah membuat huruf saling menempel dan sulit dikenali OCR. Ketiga, pastikan halamannya rata di atas kaca pemindai, karena kemiringan kecil membuat hasil pengenalan karakter menurun.
Setelah dipindai, simpan berkas hasilnya sebagai master dan jangan ditimpa. Penyesuaian untuk keperluan pengiriman dilakukan pada salinan.
Pertanyaan yang sering muncul
Apakah tool ini bisa membaca teks di dalam gambar? Tidak. OCR belum tersedia, dan berkas pindai diperlakukan sebagai gambar.
Apakah ada cara lain di layanan ini? Tidak ada. Untuk dokumen pindai, pengenalan karakter harus dikerjakan dengan perangkat lunak OCR di komputer sendiri.
Bagaimana kalau hanya satu halaman yang perlu diambil teksnya? Untuk satu halaman, mengetik ulang biasanya lebih cepat daripada memasang dan menjalankan perangkat lunak OCR.
Apakah hasil OCR bisa langsung dipercaya? Tidak. Hasil OCR selalu perlu diperiksa, terutama pada angka, nama orang, dan istilah asing.
Apakah dokumen pindai bisa dicari katanya tanpa OCR? Tidak. Pencarian bekerja pada lapisan teks digital, dan lapisan itu tidak ada pada dokumen pindai tanpa OCR.
Untuk mengambil teks dari dokumen yang memang punya lapisan teks, buka PDF ke Teks. Pilihan konversi lain di kelompok ini ada di Konversi Format Dokumen, dan panduan PDF secara umum ada di Panduan PDF.