Cara Memperbaiki Jeda Baris dan Pemenggalan Kata OCR Sebelum Penerjemahan
Perbaiki teks OCR yang terpotong baris tanpa menghapus tanda hubung asli, paragraf, daftar, atau bait. Gunakan alur kerja yang dapat dibatalkan beserta dua belas contoh pembersihan yang dapat diunduh.
Untuk memperbaiki jeda baris OCR, pertama-tama identifikasi teks yang termasuk dalam satu paragraf. Ganti hanya pemisah baris yang tidak diinginkan dengan spasi. Untuk kata yang terputus di antara baris, tentukan secara terpisah apakah tanda hubung harus dihapus atau dipertahankan: trans- yang diikuti oleh lation menjadi translation, tetapi well- yang diikuti oleh known menjadi well-known. Simpan log perubahan dan bandingkan penggabungan yang meragukan dengan halaman aslinya.
Jangan menjalankan “hapus semua jeda baris” atau “hapus semua tanda hubung” pada seluruh buku. Hasil ekstraksi yang dibersihkan mungkin tampak lebih lancar, tetapi berisiko kehilangan paragraf, menggabungkan dua butir daftar, atau mengubah pengidentifikasi teknis. Tujuannya adalah menghasilkan salinan bacaan atau terjemahan yang andal—bukan jumlah karakter baris baru yang paling sedikit.
Panduan ini dimulai setelah pengenalan teks. Jika menyalin PDF menghasilkan huruf atau angka yang salah, diagnosis lapisan teksnyaterlebih dahulu. Mengubah jeda baris tidak dapat mengubah teks yang salah dikenali sebagai B-2O4 menjadi teks yang diinginkan yaitu B-204.
Tentukan fungsi dari setiap jeda baris
Biarkan pindaian asli dan hasil ekstraksi mentah tidak berubah. Pada salinan kerja, aktifkan tampilan spasi atau tanda paragraf di editor. Ubah ukuran jendela editor: baris yang mengalir ulang tanpa karakter baris baru yang tersimpan hanyalah pemotongan tampilan di layar; tidak ada yang perlu dihapus.
Karakter baris baru yang tersimpan membutuhkan pemeriksaan berbeda. Bandingkan satu paragraf bersambung, judul, daftar, dan tata letak halaman yang berbeda dengan gambar halaman aslinya. Jangan menyimpulkan struktur seluruh dokumen hanya dari halaman judulnya.
| Fungsi jeda baris | Tindakan yang tepat | Bukti yang diperlukan |
|---|---|---|
| Pemisahan visual antar-kata di dalam satu paragraf | Ganti jeda baris yang tersimpan dengan satu spasi | Kedua baris termasuk dalam paragraf yang sama pada sumber |
| Pemisahan di dalam satu kata | Gabungkan potongan kata, biasanya dengan menghapus tanda hubung tata letak | Ejaan yang dimaksud, konteks sumber, dan aturan khusus bahasa apa pun |
| Pemisahan baris setelah tanda hubung kata majemuk asli | Hapus jeda baris, pertahankan tanda hubung | Kata tersebut tetap mempertahankan tanda hubung di luar pemformatan ujung baris |
| Batas paragraf, judul, butir daftar, atau bait puisi | Pertahankan batas tersebut | Struktur sumber, bukan hanya tanda baca kalimat |
| Peralihan kolom atau halaman dengan urutan yang belum pasti | Biarkan belum terselesaikan dan periksa halamannya | Kelanjutan teks, urutan kolom, keterangan gambar, dan catatan kaki |
Baris kosong dan indentasi dapat membantu menemukan paragraf, tetapi keduanya hanyalah petunjuk dan bukan jaminan. Sebuah judul mungkin tidak memiliki baris kosong setelahnya. Baris yang menjorok bisa jadi merupakan kelanjutan daftar, bukan paragraf baru. Baris pendek yang diakhiri titik bisa berupa baris terakhir paragraf atau kalimat di tengah-tengah paragraf.
Jika ekspor OCR menyediakan informasi tata letak atau blok, pertahankan saat memeriksa teks. Ekspor teks biasa saja dapat membuang bukti yang Anda perlukan untuk merekonstruksi batas-batas tersebut.
Pisahkan kata yang terpenggal dari tanda hubung asli
Tiga kasus yang tampak serupa memerlukan penanganan yang berbeda:
trans- → translation
lation
well- → well-known
known
trans\u00ADlation → translation in a verified reading copy
Baris terakhir menggunakan \u00AD untuk memperjelas karakter yang biasanya sulit dilihat. Unicode membedakan U+00AD SOFT HYPHEN, yaitu penanda pemenggalan diskresioner di dalam kata, dari tanda hubung yang terlihat seperti U+2010 HYPHEN. Karakter-karakter ini tidak dapat saling dipertukarkan. Spesifikasi pemenggalan baris Unicode juga menguraikan perubahan ejaan bergantung bahasa pada posisi pemenggalan; menghapus tanda hubung yang terlihat lalu menggabungkan huruf-hurufnya tidak selalu memadai.
Untuk prosa biasa, menghapus penanda diskresioner yang telah diverifikasi dapat menghasilkan salinan bacaan yang praktis. Untuk transkripsi arsip, simpan teks asli secara terpisah: menghapus penanda akan mengubah pengodean teks meskipun kata tersebut tampak tidak berubah.
Gunakan kamus dalam bahasa sumber untuk memeriksa kandidat ejaan, lalu kembalilah memeriksa bagian teks tersebut. Entri kamus hanyalah bukti pendukung, bukan izin untuk menimpa nama, pengidentifikasi, atau ejaan historis. Kemunculan berulang dalam dokumen juga dapat membantu, tetapi kesalahan OCR pun bisa berulang secara konsisten.
Sebagai contoh, sampel bahasa Jerman kami adalah:
Die Auf-
gabe ist klar.
Kata yang dimaksud dalam contoh buatan ini adalah Aufgabe; Entri Duden mencantumkan pemenggalannya sebagai Auf|ga|be. Menggabungkan Auf- dan gabe memang tepat di sini. Contoh tunggal ini bukanlah aturan umum penghapusan tanda hubung dalam bahasa Jerman, dan ejaan kamus modern sebaiknya tidak diam-diam menggantikan ortografi edisi lama.
Perlakukan URL, kode katalog, nama senyawa kimia, nilai negatif, dan token teknis lainnya sebagai kasus peninjauan tersendiri. Dipertahankannya tanda pisah atau tanda hubung harus mengikuti sumber asli serta makna token tersebut, bukan heuristik kata bahasa Inggris.
Apa yang ditunjukkan oleh dua belas contoh terkontrol
Kami membuat demonstrasi pembersihan yang dapat diunduh yang memuat dua belas string asli. Kata serta struktur yang dimaksud telah ditentukan saat kami menyusunnya; kami kemudian menyisipkan jeda baris dan artefak pemenggalan kata pilihan. Ini merupakan contoh teks sintetis, bukan hasil mentah mesin OCR ataupun pindaian buku fisik.
Metode acuan kasar yang sengaja kami gunakan menjalankan tiga penggantian: menghapus tanda hubung plus baris baru, mengganti baris baru yang tersisa dengan spasi, dan menghapus soft hyphen. Jalur kedua hanya menerapkan perubahan yang disetujui satu per satu pada teks yang tepat. Jalur ini sama sekali tidak berusaha mengenali paragraf atau menentukan ejaan kata secara otomatis.
| Sampel | Acuan kasar | Keputusan yang disetujui |
|---|---|---|
| Patahan baris prosa bahasa Inggris | Menyambungkan kedua baris dengan benar | Ganti pemenggalan baris yang terverifikasi dengan spasi |
trans- / lation | Menghasilkan dengan benar translation | Hapus tanda hubung dan jeda baris yang disisipkan |
well- / known | Menghasilkan wellknown | Pertahankan tanda hubung aslinya |
Bahasa Jerman Auf- / gabe | Menghasilkan dengan benar Aufgabe | Gabungkan hanya ejaan terverifikasi ini |
| U+00AD yang disematkan | Menghapus penanda diskresioner | Hapus penanda ini pada salinan bacaan hasil penulisan |
| Elipsis bahasa Prancis, lalu paragraf baru | Menggabungkan paragraf-paragraf tersebut | Pertahankan batas yang ditentukan penulis |
| Daftar bernomor, bait puisi, kode, dan judul | Meratakan struktur yang berbeda | Pertahankan baris barunya |
| Dua paragraf tanpa baris kosong | Menggabungkannya menjadi satu | Pertahankan paragraf yang ditentukan penulis |
| Penanda halaman yang belum ditinjau | Meratakan transisi halaman | Biarkan tanpa diubah sampai urutannya diperiksa |
Pada tanggal 3 Oktober 2026, pengujian fixture menggunakan Node.js 25.2.1 menghasilkan teks yang sesuai dengan referensi untuk 4 dari 12 contoh pada baseline kasar. Alur yang disetujui cocok dengan seluruh dua belas referensi dan berhasil mengembalikan seluruh dua belas input melalui pembatalan (undo). Alur ini juga menolak input usang, kecocokan yang tidak unik, serta kecocokan yang hilang.
Hasil tersebut menguji penerapan patch yang presisi terhadap referensi buatan yang sudah diketahui. Hasil ini tidak mencerminkan estimasi akurasi di dunia nyata: keputusan yang disetujui sudah memuat jawabannya, dan korpus tersebut sengaja dipilih untuk mengungkap kasus-kasus kegagalan. Kami tidak menguji cleaner komersial, mesin OCR, model terjemahan, ataupun unggahan BookTranslator. Tidak ada pengujian ulang atau sampel yang dikecualikan.
Unduh log input/output aktual dan patch serta instruksi reproduksi. Skrip JavaScript berjalan secara lokal tanpa dependensi atau panggilan jaringan dan langsung menampilkan hasilnya; skrip ini tidak menulis ulang file Anda. Pemeriksaannya mencegah editan yang disetujui diterapkan pada teks yang berbeda. Pemeriksaan tersebut tidak dapat memastikan apakah suatu editan benar secara linguistik.
Bersihkan satu blok terverifikasi dalam satu waktu
Mulailah dengan blok prosa pendek yang urutan baca dan batas paragrafnya sudah bisa Anda tentukan. Jangan memulai dengan satu bab penuh yang berisi takarir, kutipan, daftar, dan catatan kaki.
- Simpan salinan mentah dan catat lokasi sumbernya. Sertakan nama file, nomor halaman, paragraf atau blok, serta bahasa pada setiap kutipan yang ditinjau.
- Tandai batas-batas struktural terlebih dahulu. Pisahkan judul, butir daftar, bait puisi, tabel, dan kode dari prosa biasa. Pertahankan referensi halaman di luar teks bacaan jika Anda nantinya menghapus penandanya.
- Gabungkan pemisah antarkata biasa di dalam blok tersebut. Ganti setiap jeda baris yang terkonfirmasi dengan spasi. Pastikan kata-kata tidak saling menempel tanpa spasi dan spasi yang sudah ada tidak berubah menjadi spasi ganda yang mengganggu.
- Tinjau kata-kata yang terpenggal secara terpisah. Tampilkan token lengkap beserta kalimat di sekitarnya. Catat “hapus tanda hubung tata letak”, “pertahankan tanda hubung asli”, atau “belum terselesaikan”. Jangan memperlakukan kandidat yang belum terselesaikan sebagai perubahan yang disetujui.
- Periksa diff sebelum menerimanya. Bandingkan setiap pemisah baris atau tanda hubung yang dihapus dengan sumber aslinya. Simpan versi yang telah dibersihkan dengan nama berkas baru, beserta catatan perubahannya.
- Buka kembali dan salin dari hasil yang tersimpan. Periksa berkas sebenarnya yang akan Anda gunakan, bukan sekadar pratinjau di editor.
Untuk kutipan singkat, penyuntingan manual dengan pelacakan perubahan (tracked changes) atau perbandingan sebelum/sesudah mungkin sudah cukup. Untuk teks yang lebih panjang, daftar perbaikan (patch list) sebaiknya mencatat substring asli secara tepat, teks pengganti, lokasi, alasan, serta pemeriksanya. Checksum sumber membantu mencegah penerapan persetujuan lama setelah teks masukan berubah.
Jika editor Anda menyediakan mode pembersihan yang mempertahankan paragraf, uji mode tersebut pada blok-blok yang rumit—bukan hanya pada teks narasi yang mengalir lancar. Mempertahankan baris baru ganda tidak akan memulihkan batas paragraf yang oleh OCR hanya direpresentasikan dengan satu baris baru. Jangan menghapus inden atau menggabungkan semua spasi sebelum memeriksa tabel dan kode.
Ketahui kapan harus merujuk kembali ke citra halaman
Tanda baca bahasa Prancis menggambarkan mengapa deteksi akhir kalimat tidak sama dengan deteksi paragraf. Dalam contoh yang kami susun, Il attend… dan Le lendemain, il part. berada pada paragraf yang terpisah. Tanda elipsis saja tidak serta-merta menetapkan batas tersebut. Panduan Office québécois de la langue française tentang points de suspension menjelaskan berbagai penggunaannya, termasuk interupsi atau gagasan yang belum selesai; gunakan struktur halaman untuk menentukan apakah baris berikutnya perlu digabungkan.
Wajibkan pemeriksaan citra sumber untuk kasus-kasus berikut:
| Kasus | Mengapa teks saja tidak cukup | Hal yang perlu dibandingkan |
|---|---|---|
| Judul yang langsung diikuti oleh teks isi | Tidak ada baris kosong yang tersisa dari proses ekstraksi | Rupa huruf, perataan, spasi, dan peran bagian teks |
| Bagian teks yang terpotong halaman atau kolom | Header, takarir (caption), atau catatan kaki mungkin menyela teks tersebut | Baris sumber terakhir, kelanjutan teks, dan urutan baca |
| Nama, kode, jumlah, atau istilah yang tidak lazim | Penggabungan yang tampak masuk akal tetap bisa mengubah makna atau nilai | Setiap karakter, termasuk jenis tanda pisah dan digit angka |
| Pemisahan kata pada bahasa historis | Ejaan pada pemisah baris cetak mungkin berbeda dari kata aslinya | Edisi, ejaan sumber, dan referensi bahasa yang sesuai |
| Bait puisi, daftar, tabel, atau kode | Akhir baris dapat memuat makna atau struktur | Tata letak baris, batas butir, sel, dan indentasi |
| Elipsis, singkatan, atau baris terakhir yang pendek | Tanda baca tidak selalu membuktikan posisi paragraf | Paragraf lengkap beserta blok-blok di sekitarnya |
Jika beberapa halaman menunjukkan masalah yang sama, cari pola tersebut di seluruh dokumen dan tinjau kecocokannya. Jika huruf teks sumber, urutan membaca, atau seluruh bagian teks keliru, hentikan normalisasi dan periksa kembali pengenalan atau ekstraksinya. Untuk pengenalan pada dokumen multibahasa, gunakan alur kerja OCR PDF multibahasa.
Verifikasi teks sumber yang sudah dibersihkan sebelum menerjemahkannya
Bandingkan blok yang telah diedit dengan halaman asli, lalu periksa blok lain serta setiap jenis struktur berbeda yang ada dalam hasil ekstraksi. Tetapkan kegagalan yang diketahui ke dalam daftar tinjauan. Pengambilan sampel hanya memberikan gambaran tentang bagian yang diperiksa; hal ini tidak menjamin bagian buku lainnya sudah benar.
- Pastikan nama, angka, tanggal, dan kode tetap cocok dengan sumber.
- Periksa setiap tanda hubung yang dihapus dan ejaan apa pun yang disusun ulang di sepanjang pemisah baris.
- Bandingkan batas paragraf, judul, butir daftar, dan baris puisi.
- Pastikan baris pertama dan terakhir tidak hilang saat transisi halaman.
- Cari bagian bermasalah yang belum terselesaikan dan catat tetap terlihat dalam log tinjauan.
- Pastikan versi tersimpan final adalah versi yang diterima oleh alur kerja Anda berikutnya.
Jika Anda hanya memerlukan teks atau catatan yang dapat dicari, hasil ekstraksi terverifikasi ini mungkin sudah menjadi tujuan akhir Anda. Anda tidak perlu melakukan penerjemahan hanya untuk memperbaikinya.
Jika Anda membutuhkan dokumen dalam bahasa lain, siapkan konten yang telah diverifikasi dalam format dokumen yang didukung dan gunakan alur kerja penerjemahan dokumen lengkap. Mode OCR BookTranslator menyusun ulang PDF hasil terjemahan dari konten yang dikenali alih-alih mereproduksi tata letak halaman asli; fitur ini bukanlah editor pembersih teks eksternal atau bukti bahwa setiap pemisah baris sumber diinterpretasikan dengan benar. Panduan PDF pindaian menjelaskan kapan pengenalan teks diperlukan.
Simpan halaman asli dan log pembersihan untuk tahap QA akhir terjemahan PDF. Kalimat target yang terdengar lancar tidak dapat memberi tahu Anda bahwa teks sumber sebenarnya memuat tanda hubung asli—atau bahwa dua kalimat yang tampak menyambung sebenarnya adalah paragraf terpisah.
Artikel Terkait
