OCR Teks Fraktur: Pertahankan Aslinya Sebelum Memodernisasikannya

Untuk melakukan OCR pada cetakan Fraktur, pilihlah model yang mendukung aksara tersebut, uji bagian pendek dengan membandingkannya terhadap halaman aslinya, lalu tentukan apakah transkrip Anda perlu mempertahankan s panjang, ſ, atau menormalisasikannya menjadi s. Pisahkan transkrip sumber yang telah diperiksa dari segala bentuk modernisasi atau terjemahan. Kata yang terlihat lebih familier belum tentu merupakan pembacaan yang lebih akurat dari teks aslinya.

Kami menguji dua kutipan singkat berbahasa Jerman sintetis dalam fon Fraktur serta satu kontrol fon modern. Bahkan pada gambar yang bersih ini, model Fraktur mengubah iſt menjadi ift pada salah satu kutipan dan menjadi if pada kutipan lainnya. Hasil bermanfaat yang didapat bukanlah peringkat alat terbaik, melainkan sebuah pembuktian bahwa mengenali karakter, menentukan konvensi transkripsi, dan memodernisasi bahasa adalah tiga tugas yang berbeda.

Panduan ini ditujukan untuk halaman cetak, bukan alur kerja untuk naskah tulisan tangan Kurrent atau Sütterlin, manuskrip yang rusak, ataupun seluruh koleksi arsip bersejarah.

Tentukan apa yang dianggap benar sebelum menjalankan OCR

Tuliskan kebijakan transkripsi dalam satu kalimat sebelum membandingkan berbagai alat. Contohnya: “Pertahankan ejaan sumber dan s panjang; tandai kata-kata yang tidak dapat saya verifikasi.” Jika tidak, Anda bisa saja menganggap normalisasi yang disengaja sebagai kesalahan—atau justru menerima penulisan ulang yang tidak diinginkan hanya karena tampak luwes.

OCR-D memberikan contoh nyata dari perbedaan ini. Panduan Tingkat 1 -nya merepresentasikan s panjang dan s bundar sebagai s; Tingkat 2 dan 3 membedakannya. Ini merupakan konvensi transkripsi, bukan instruksi untuk mengubah setiap ejaan lama menjadi padanan modernnya. Lihat aturan resmi aturan s Tingkat 1 dan aturan s Tingkat 2/3.

Untuk proyek membaca pribadi, pisahkan hasil-hasil berikut:

Baris kedua hanya mengubah ſ menjadi s; ini tidak menerapkan semua aturan OCR-D Tingkat 1. Baris ketiga juga mengubah ejaan sumber. Tak satu pun dari turunan ini boleh menggantikan transkrip berbasis sumber secara diam-diam.

Secara khusus, jangan mengganti huruf f dengan ssecara global. Output OCR kami yang gagal mengandung ift, tetapi huruf f yang asli juga dapat muncul pada sumber. Perbaiki kata tersebut berdasarkan gambar, bukan berdasarkan aturan substitusi menyeluruh.

Apa yang terjadi dalam eksperimen delapan panggilan kami

Pada 11 September 2026, kami merender dua kutipan pembelajaran asli sepanjang tiga baris dalam font UnifrakturMaguntia dan Noto Sans. Setiap gambar dikenali dengan dua model Tesseract tetap: model aksara Fraktur tessdata_best dan model bahasa Inggrisnya. Konfigurasi bahasa Inggris ini berfungsi sebagai pembanding, bukan baseline bahasa Jerman modern.

Kedelapan panggilan tersebut menggunakan Tesseract 5.5.3, mode LSTM (--oem 1), satu blok teks (--psm 6), dan 300 dpi. Kami tidak mengubah setelan, mengecualikan hasil, ataupun mengulang rekognisi dalam eksperimen awal. Pemutaran ulang paket pada 12 September terhadap delapan citra yang sama mereproduksi bita output yang tersimpan secara identik.

Citra-citra tersebut dibentuk secara autentik menggunakan Apple CoreText dengan ligatur yang diaktifkan, bukan digambar sebagai kotak karakter mentah. Citra-citra ini menggunakan teks 64 piksel pada kanvas putih berukuran 2200 × 460. Citra, pemeriksaan jumlah glif, lisensi fon, hash model, dan output mentah tersedia dalam petunjuk paket eksperimen.

Model khusus pun masih memerlukan koreksi

Baris sumber pertama berbunyi:

Das Waſſer iſt klar.

Pada citra fon Fraktur, model Fraktur menghasilkan:

Das Waſſer ift klar.

Sebagian besar baris berhasil dipertahankan, tetapi ſ pada iſt berubah menjadi f. Pada kutipan kedua, Das Thal iſt weit. berubah menjadi Das Thal if weit.: rekognisi mengubah satu karakter dan menghilangkan karakter lainnya. Menilai output hanya berdasarkan bahasa Jerman yang tampak masuk akal tidak dapat menggantikan pemeriksaan terhadap teks asli.

Kegagalan berbeda terjadi pada kontrol fon modern. Model Fraktur berhasil mempertahankan kata-kata pada kutipan pertama, tetapi mengubah dua titik koma pada Buch 12; Seite 27; Nummer 105. menjadi titik dua. Hanya memeriksa s panjang akan melewatkan perubahan tanda baca tersebut.

Target mengubah skor evaluasi

Kami memberi skor pada setiap output mentah terhadap dua target yang ditetapkan sebelum rekognisi: teks sumber yang persis sama, dan teks sumber dengan hanya ſ → s. Kedua perbandingan menormalisasi Unicode ke NFC dan merapatkan spasi; huruf besar/kecil serta tanda baca tetap dipertahankan. Kami tidak mengubah bentuk output mentah sebelum memberinya skor.

Angka-angka di bawah ini adalah jarak edit karakter—penyisipan, penghapusan, dan substitusi—bukan persentase akurasi.

Angka nol dalam satu baris menunjukkan kecocokan persis untuk satu input pendek tersebut. Hal ini tidak mencerminkan apa pun tentang halaman berikutnya pada buku yang sebenarnya. Sebaliknya, model yang mempertahankan ſ dengan benar justru akan menghasilkan perbedaan tambahan saat dibandingkan dengan target yang mewajibkan s. Perbedaan tersebut mencerminkan ketidaksesuaian kebijakan aturan, bukan berarti salah mengenali karakter.

Periksa semua output asli dan skornya, teks sumber tetap dan kebijakan penilaian, atau skrip verifikasi. Paket ini mencatat hash SHA-256 agar model, gambar, dan output dapat dicocokkan ke setiap hasil.

Hal-hal yang tidak dapat diungkap oleh eksperimen ini

Ini hanyalah dua cuplikan sintetis yang bersih dan berhuruf besar—bukan hasil pindaian dari edisi kuno. Kami tidak menguji tinta yang memudar, cetakan kecil, margin dalam (gutter), format kolom, kertas yang rusak, tulisan tangan, maupun transkripsi manusia independen. Kami juga tidak menguji model bahasa Jerman modern, alat OCR komersial, atau output OCR maupun terjemahan BookTranslator.

Jadikan contoh-contoh ini sebagai alasan untuk memeriksa materi Anda sendiri, bukan sebagai estimasi tingkat kesalahan untuk keseluruhan buku. Kami sendiri tidak akan memilih layanan OCR untuk koleksi historis hanya berdasarkan tabel ini.

Jalankan pengujian terbatas pada halaman yang benar-benar Anda butuhkan

Jika Anda menggunakan Tesseract secara lokal, catat versi mesin dan file model pastinya sebelum membandingkan output. Nama model saja tidak cukup untuk mengidentifikasi file yang diunduh. Catatan asal-usul kami menautkan sumber publik untuk model dan font yang di-pin; file model berukuran besar tidak disertakan langsung dalam artikel ini.

Untuk gambar sampel blok tunggalkami, dengan model aksara Fraktur yang disimpan secara lokal sebagai models/Fraktur.traineddata, perintah yang digunakan adalah:

tesseract samples/long-s-fraktur.png stdout --tessdata-dir ./models -l Fraktur --oem 1 --psm 6 --dpi 300

Dokumentasi command-line Tesseract menjelaskan mode LSTM dan asumsi blok seragam tunggal pada PSM 6. Asumsi tersebut cocok untuk gambar tiga baris kami. Ini bukanlah rekomendasi untuk memproses setiap halaman buku multikolom dengan PSM 6.

Untuk buku Anda sendiri, mulailah dengan bagian yang dapat Anda transkripsikan dengan yakin serta satu halaman yang lebih sulit yang mewakili materi yang Anda butuhkan. Sertakan nama atau istilah yang tidak lazim, angka, dan jenis huruf apa pun yang berubah. Jika sebuah buku berganti-ganti aksara atau bahasa, gunakan panduan terpisah untuk OCR PDF multibahasa daripada berasumsi bahwa satu paragraf Fraktur yang bersih berlaku untuk keseluruhan dokumen.

Pertahankan pindaian apa adanya. Simpan OCR mentah secara terpisah dari hasil koreksi, dan catat pengidentifikasi halaman atau gambar untuk setiap bagian yang diperiksa. Jika hasilnya tidak terbaca, periksa kembali gambar halaman dan segmentasinya sebelum memperluas pekerjaan ke ratusan halaman.

Koreksi transkrip tanpa mengarang kata yang hilang

Gunakan log koreksi ringkas dengan empat kolom: lokasi sumber, OCR mentah, pembacaan yang telah diperiksa, dan alasan. Bagian alasan harus membedakan kesalahan karakter yang terlihat dari transformasi editorial.

Jika teks sudah bisa dipilih dalam PDF yang diunduh, bandingkan teks yang disalin dengan gambar sebelum memulai dari awal. Panduan diagnosis salin-tempel PDF menjelaskan mengapa halaman yang terlihat bisa tampak benar padahal teks tersembunyi atau hasil pemetaannya salah. Ini adalah masalah yang berbeda dari memilih model pengenalan Fraktur.

Berhentilah setelah menghasilkan teks sumber yang andal jika pencarian, pemeriksaan kutipan, atau membaca bahasa Jerman adalah satu-satunya tujuan Anda. Terjemahan bukanlah langkah pembersihan yang wajib dilakukan.

Terjemahkan hanya jika bahasa masih menjadi kendala

Bagi pembaca yang membutuhkan bahasa lain, teks sumber yang telah diperiksa adalah titik di mana penerjemahan mulai berguna. Pastikan pindaian, transkripsi yang telah ditinjau, dan hasil terjemahan tetap dapat dibedakan agar Anda dapat mengetahui apakah bagian yang janggal berasal dari proses pengenalan atau penerjemahan. Alur kerja penerjemahan PDF hasil pindaian memberikan panduan serah terima yang lebih luas.

Jika Anda memilih Penerjemah PDF BookTranslator, evaluasi bagian yang representatif dari dokumen Anda sendiri sebelum mengandalkan hasil keseluruhannya. Eksperimen kami tidak memverifikasi penanganan Fraktur historis oleh BookTranslator. Mode OCR miliknya menyusun ulang dokumen yang bersih dan dapat mengubah tata letak halaman asli, fon, serta ukuran fon; jangan perlakukan hasil tersebut sebagai faksimili atau berasumsi referensi halaman asli tetap bertahan tanpa perubahan.

Urutan praktisnya sederhana: tetapkan pembacaan teks sumber, beri label pada normalisasi apa pun, lalu terjemahkan jika diperlukan. Kelancaran berbahasa berada di akhir proses tersebut—bukan menggantikan bukti di awal.