Cara membuat PDF hasil scan bisa dicari—dan memastikan hasilnya benar
PDF yang bisa dicari biasanya tetap menyimpan gambar halaman aslinya, lalu menambahkan teks hasil pengenalan di belakangnya. Dengan begitu, teks bisa dicari, disalin, diindeks, dan dibaca alat bantu. Tapi lapisan teks tersembunyi itu tetap perlu diperiksa.
Cek apakah PDF-nya sudah bisa dicari
Buka file di pembaca PDF biasa, lalu cari satu kata khas yang ada di halaman itu. Coba seleksi satu kalimat dan tempel ke kolom teks polos. Kalau seleksinya mengikuti kata satu per satu dan teks yang ditempel sudah akurat, berarti dokumennya memang sudah punya lapisan teks.
Sebagian hasil scan hanya punya OCR setengah jadi: judulnya bisa dicari tapi isi paragrafnya tidak, atau posisi lapisan teksnya meleset dari kata yang terlihat. Jadi, jangan uji halaman pertama saja, dan sertakan angka, tanda baca, serta huruf beraksen.
Apa yang ditambahkan OCR ke halaman hasil scan
OCR menganalisis piksel halaman, lalu menebak karakter, kata, dan kadang urutan bacanya. Di PDF yang bisa dicari, gambar aslinya tetap terlihat, sementara teks hasil tebakan disimpan tanpa terlihat di posisi yang kira-kira sama. Karena itu, halamannya bisa terlihat sempurna padahal teks yang disalin masih ada salahnya.
Bisa dicari bukan berarti bisa diedit atau mudah diakses. Dokumen yang benar-benar aksesibel juga butuh urutan baca tepat, penanda bahasa, struktur judul, struktur tabel, dan deskripsi di bagian yang memerlukannya. Sementara dokumen yang benar-benar bisa diedit butuh objek tata letak digital, bukan sekadar lapisan teks tak terlihat.
Perbaiki dulu sumbernya sebelum OCR dijalankan
Pengenalan teks bekerja paling baik kalau tulisannya tajam dan tegak, resolusinya memadai, dan kontrasnya merata. Putar halaman yang posisinya menyamping, potong tepi kosong yang lebar, dan luruskan distorsi perspektif kalau jelas terlihat. Hati-hati dengan thresholding yang terlalu kuat: cetakan gelap memang jadi lebih jelas, tapi goresan pensil tipis, tanda baca, atau garis tabel yang halus bisa ikut hilang.
Pilih bahasa pengenalan yang tepat, dan ingat kemungkinan dokumennya memuat lebih dari satu bahasa. Nama orang, kode, singkatan yang jarang dipakai, dan cetakan lama sering perlu dikoreksi manual, walaupun teks biasa sudah terbaca dengan baik.
Periksa lapisan teks yang tersembunyi
Cari beberapa kata di setiap jenis dokumen, lalu salin paragraf, angka, dan sel tabel yang mewakili. Pastikan seleksi teks mengikuti baris yang terlihat, bukan meloncat antarkolom. Urutan yang dibaca pembaca layar atau hasil ekstraksi teks juga harus melewati judul, isi, catatan kaki, dan kolom dalam urutan yang masuk akal.
Untuk dokumen yang menyangkut hak, uang, identitas, atau kepatuhan, bandingkan setiap nilai penting dengan gambar aslinya. Skor pengenalan yang tinggi memang berguna, tapi itu bukan bukti bahwa isinya sudah benar.
- Nama, tanggal, nominal, dan nomor referensi sama persis dengan halamannya.
- Kata yang terpenggal tanda hubung di ujung baris tidak rusak saat disalin.
- Teks berkolom banyak terekstrak sesuai urutan baca.
- Teks tak terlihat ikut terhapus saat isinya disensor permanen.
- Hasilnya bisa dibuka dan dicari di pembaca PDF lain.
Kendalikan ukuran file dan kualitas tampilannya
Teks OCR biasanya hanya menambah sedikit ukuran dibanding gambar halamannya. Ukuran file paling banyak ditentukan oleh resolusi gambar, warna, dan kompresi. Perkecil ukuran secukupnya saja, sampai batas teks penting yang paling kecil masih terbaca. Mengubah PDF jadi gambar berulang kali bisa menghilangkan tautan, formulir, tag, dan teks digital yang sudah ada.
Simpan salinan arsip atau salinan berkualitas sumber terpisah dari salinan kecil untuk dibagikan. PDF yang ringan memang praktis, tapi jangan sampai jadi satu-satunya versi yang tersisa kalau kompresinya sudah menghapus bukti penting.
Simpan versi yang tepat
Simpan hasil scan yang masih utuh sebagai salinan sumber. Simpan versi yang bisa dicari dengan nama file yang jelas, lalu buka di pembaca PDF lain untuk memastikan pencarian dan seleksi teks masih berfungsi. Kalau butuh salinan kecil untuk dibagikan, buat dari versi yang sudah diperiksa itu, jangan mengulang OCR dari awal.
Untuk arsip jangka panjang, catat kapan salinan yang bisa dicari itu dibuat dan halaman mana saja yang sudah diperiksa. Catatan kecil ini memudahkan koreksi di kemudian hari dan mencegah file kerja yang praktis dikira sebagai file aslinya.