PDF Hasil Scan Tidak Bisa Dicari Teksnya

PDF scan tidak bisa dicari karena halaman hasil pindai adalah gambar, bukan teks. Pencarian bekerja dengan mencocokkan huruf digital, sedangkan pemindai menyimpan titik-titik warna pada koordinat tertentu. Komputer bisa menampilkan gambar itu, tetapi tidak mengenali bahwa pola titik tertentu membentuk sebuah kata. Karena itu, pencarian di berkas pindai selalu mengembalikan hasil kosong, bukan karena toolnya gagal, melainkan karena tidak ada teks yang bisa dicocokkan.

Satu hal yang perlu dinyatakan sejak awal: OCR belum tersedia. Berkas pindai diperlakukan sebagai gambar, dan teksnya belum bisa dicari, disalin, atau diubah menjadi teks oleh tool mana pun di katalog ini. Mengetahui batas itu menghemat waktu yang biasanya habis untuk mencoba tool yang memang tidak akan menyelesaikan pekerjaannya. Yang tersisa adalah tiga jalan: memakai versi digital dari dokumen sumbernya, memindai ulang dengan aplikasi yang punya pengenalan huruf, atau mengetik ulang bagian yang dibutuhkan.

Cara memastikan berkasnya memang pindai

Buka berkasnya di pembaca PDF, lalu seret kursor di atas satu baris teks. Kalau teksnya tersorot satu per satu, lapisan teksnya ada, dan pencarian seharusnya bekerja. Kalau tidak ada yang tersorot, atau yang tersorot justru seluruh halaman sekaligus, halamannya gambar.

Pemeriksaan kedua: coba cari satu kata yang jelas terlihat di halaman. Pencarian yang tidak menemukan apa pun menguatkan kesimpulan yang sama. Lakukan pemeriksaan di beberapa halaman, karena dokumen kerja sering bercampur: halaman awalnya dibuat di komputer, lampirannya hasil pindai, atau sebaliknya. Pada dokumen seperti itu, pencarian hanya mencakup halaman yang berlapis teks, dan hasil kosong pada satu kata belum tentu berarti kata itu tidak ada. Pemeriksaan ketiga: perhatikan ukuran berkasnya, karena halaman pindai menyimpan gambar penuh pada resolusi tinggi dan ukurannya jauh lebih besar daripada halaman teks.

Kenapa pemindai tidak menyimpan teks

Pemindai mengubah kertas menjadi gambar, lalu menyusun gambar-gambar itu menjadi PDF. Yang tersimpan di dalam berkas adalah susunan piksel, bukan huruf. Lapisan teks adalah data tambahan yang menyimpan huruf, kata, dan posisinya di halaman. Sebagian pemindai dan aplikasi menambahkan lapisan ini secara otomatis setelah memotret, dan dokumen yang sudah memilikinya bisa dicari seperti PDF digital biasa.

Proses penambahan lapisan itu disebut pengenalan karakter optik, atau OCR. Proses itu bekerja dengan menebak huruf dari bentuk gambar, lalu menuliskan tebakan itu sebagai teks digital di belakang gambar. Karena menebak, hasilnya tidak selalu sempurna: huruf yang mirip bisa tertukar, dan halaman yang miring atau buram menurunkan ketepatan hasilnya. Membuka dokumen hasil pindai di tool pencarian tidak mengubah apa pun, karena pencarian hanya membaca dan tidak menambahkan lapisan teks. Hal yang sama berlaku untuk PDF ke Teks: tool itu mengambil kata dari dokumen yang sudah berlapis teks, dan pada dokumen pindai hasilnya kosong. Ini sudah terbukti pada berkas uji: PDF pindaian menghasilkan 0 karakter. Bukan kegagalan tool, melainkan batas yang memang ada.

Yang bisa dilakukan untuk dokumen pindai

Tiga pilihan tersedia, dan mana yang tepat bergantung pada jumlah halaman serta seberapa sering dokumennya perlu dicari lagi.

Pilihan pertama: pakai versi digital dari dokumen sumbernya. Untuk dokumen yang diterbitkan instansi, versi digitalnya sering tersedia dan lebih berguna daripada hasil pindai. Minta berkas aslinya kepada pihak yang menerbitkan. Ini pilihan terbaik kalau tersedia, karena menyelesaikan masalah dari akarnya tanpa pengetikan ulang.

Pilihan kedua: pindai ulang dengan aplikasi yang punya fitur pengenalan huruf. Banyak aplikasi pemindai di ponsel dan komputer menyediakan fitur ini, dan hasilnya berupa PDF dengan lapisan teks di belakang gambar. Setelah lapisan itu ada, pencarian bekerja seperti pada PDF digital biasa. Perlu diingat bahwa hasil pengenalan karakter tetap perlu diperiksa, terutama pada angka dan nama. Pilihan ketiga: ketik ulang bagian yang dibutuhkan, yang sering lebih cepat untuk dokumen pendek yang hanya perlu dicari sebagian isinya.

Memilih di antara tiga pilihan

Pakai versi digital kalau dokumennya berasal dari instansi atau penerbit yang bisa dimintai berkas aslinya. Cara ini paling murah dan paling akurat. Pindai ulang dengan pengenalan huruf kalau dokumennya panjang, akan dicari berulang kali, dan hanya tersedia dalam bentuk kertas. Ini juga pilihan yang tepat kalau dokumennya akan diolah di sistem lain yang membaca teks, karena lapisan teks membuat isinya bisa dibaca mesin. Ketik ulang kalau kebutuhan pencariannya kecil. Untuk satu nomor surat, satu nama, atau satu tanggal yang ingin dipastikan, membuka halaman dan membacanya langsung lebih cepat.

Menyiapkan dokumen sebelum dipindai ulang

Kalau memilih pindai ulang dengan pengenalan huruf, ada tiga pekerjaan awal yang membuat hasilnya lebih baik. Ketiganya dikerjakan sebelum proses dimulai.

Tegakkan halaman yang miring. Pengenalan karakter bekerja paling baik pada halaman yang tegak, dan halaman yang menyamping menurunkan ketepatan hasilnya. Kalau berkasnya sudah ada dalam bentuk PDF, halaman yang miring bisa ditegakkan lewat Putar PDF.

Buang halaman kosong dan halaman gagal pindai. Halaman kosong tidak menghasilkan teks, dan halaman yang gelap atau terpotong menghasilkan salah baca. Pada dokumen tebal, memisahkan bagian yang benar-benar perlu dipindai membuat prosesnya jauh lebih cepat. Pembahasan pemisahan ada di Mengatur Halaman PDF. Periksa juga mutu pindaiannya, karena hasil yang buram atau terlalu gelap menurunkan ketepatan pengenalan karakter.

Menguji hasil pencarian

Setelah dokumennya punya lapisan teks, uji dengan tiga cara. Pertama, cari kata yang Anda yakini ada di halaman pertama. Kalau hasilnya ditemukan, lapisan teksnya bekerja. Kedua, cari angka, karena angka adalah bagian yang paling sering salah dikenali. Ketiga, buka halaman hasil temuan, lalu periksa apakah kata yang tersorot memang kata yang Anda cari. Pengujian itu penting karena lapisan teks yang dihasilkan pengenalan karakter bisa memuat tebakan yang keliru. Dokumen yang tampak bisa dicari belum tentu akurat, dan untuk keperluan resmi, periksa bagian yang penting dengan mata.

Kapan masalahnya bukan pindai

Kalau teksnya bisa tersorot tetapi pencarian tetap kosong, penyebabnya bukan pindai. Kemungkinan pertama, kata yang dicari memang tidak ada karena beda ejaan atau beda bentuk. Kemungkinan kedua, berkasnya memakai huruf dengan pemetaan karakter yang tidak standar, sehingga huruf yang terlihat normal tidak bisa dicocokkan mesin. Keadaan itu biasanya berasal dari konversi atau pembuatan berkas yang tidak lazim.

Kemungkinan ketiga, berkasnya terkunci dan izin pencariannya dibatasi. Berkas seperti itu perlu dibuka kuncinya lebih dulu dengan sandi yang benar. Kalau berkasnya bisa dibuka dan teksnya bisa disorot tetapi pencarian tetap gagal, coba di pembaca PDF lain sebelum menyimpulkan berkasnya bermasalah.

Kapan sebaiknya tidak memakai tool online

Berkas hasil pindai sering memuat dokumen identitas, berkas kepegawaian, atau dokumen perusahaan yang belum boleh keluar dari jaringan kantor. Untuk berkas sekategori itu, aplikasi yang berjalan di komputer sendiri lebih tepat, karena berkasnya tidak perlu meninggalkan perangkat. Kalau berkasnya tetap harus diproses daring, sensor dulu bagian yang sensitif, karena data yang benar-benar harus hilang perlu penyensoran permanen, bukan sekadar ditutup dengan kotak. Keterangan perlakuan berkas di layanan ini ada di kebijakan privasi.

Pertanyaan yang sering muncul

Apakah ada OCR di layanan ini? Belum ada. Berkas pindai diperlakukan sebagai gambar, dan teksnya belum bisa dicari atau disalin. PDF ke Teks hanya bekerja pada dokumen yang sudah berlapis teks.

Apakah menambahkan lapisan teks mengubah tampilan halaman? Tidak. Lapisan teks diletakkan di belakang gambar, sehingga tampilan halamannya tetap sama dan teksnya menjadi bisa dicari.

Kalau dokumennya dipindai ulang, apakah lapisan teksnya ikut terbawa? Tidak. Pemindaian ulang menghasilkan berkas baru, dan lapisan teksnya perlu dibuat lagi dari awal.

Apakah pencarian bisa menemukan kata di dalam gambar yang ditempel ke halaman digital? Tidak. Teks yang menjadi bagian dari gambar tidak bisa dicari, meskipun halaman lain di dokumen yang sama punya lapisan teks.

Apakah hasil pengenalan karakter bisa langsung dipercaya? Perlu diperiksa. Pengenalan karakter menebak huruf dari bentuk gambar, dan angka serta nama adalah bagian yang paling sering keliru. Untuk dokumen resmi, periksa bagian pentingnya dengan mata.

Menyikapi batasnya dengan jujur

Kalau dokumennya hanya perlu dibaca, tidak ada yang perlu dicari. Membuka halamannya di pembaca PDF sudah cukup. Kalau dokumennya panjang dan akan sering dicari, mintakan versi digitalnya atau pindai ulang dengan aplikasi yang menyertakan pengenalan huruf. Untuk mengambil teks dari dokumen yang sudah berlapis teks, buka PDF ke Teks. Gambaran lengkap masalah berkas pindai ada di Masalah PDF.