Ekstraksi Teks PDF vs. OCR: Pilih Jalur yang Tepat Sebelum Penerjemahan

Gunakan ekstraksi teks jika PDF sudah memuat teks terbaca mesin yang akurat. Gunakan OCR jika halaman tersebut hanya berisi gambar teks. Namun, jika halaman memiliki lapisan teks yang keliru, kedua aturan tersebut belum cukup: Anda perlu membandingkan kata-kata hasil ekstraksi dengan tampilan halaman sebelum memutuskan apakah harus mempertahankan, mengganti, atau membuat ulang lapisan teks tersebut.

Keputusan itu harus diambil sebelum proses penerjemahan. Mesin penerjemah tidak dapat memulihkan angka, nama, atau kalimat yang sudah salah sejak awal masuk ke dalam alur kerja. Alat tersebut hanya bisa menerjemahkan teks sumber yang diterimanya.

Tabel panduan cepat

Periksa halaman demi halaman, jangan hanya file secara keseluruhan. Satu file PDF bisa saja memadukan halaman judul digital, bab-bab hasil pindaian, dan lampiran dengan teks OCR usang.

Bisa menyeleksi kata hanyalah bukti bahwa objek teks memang ada. Hal itu tidak membuktikan bahwa teks tersebut cocok dengan yang ada di halaman. Sebaliknya, tes salin yang gagal tidak membuktikan bahwa seluruh PDF hanya berisi gambar.

Uji coba PDF campuran empat halaman kami

Kami membuat PDF empat halaman yang dapat diunduh dengan konten yang telah diketahui. Dokumen ini tidak memuat konten privat atau pihak ketiga:

1. halaman digital asli (born-digital);
2. halaman yang hanya berisi gambar;
3. halaman tampak pindaian dengan lapisan teks tersembunyi yang benar;
4. halaman tampak pindaian dengan lapisan teks tersembunyi yang sengaja dibuat menyesatkan.

Untuk setiap halaman, kami menjalankan Poppler pdftotext terhadap data PDF yang ada. Secara terpisah, kami merender halaman pada resolusi 300 dpi dan menjalankan Tesseract pada gambar tersebut. Referensi visual telah dipastikan sebelum kedua pengujian dilakukan.

Poin utamanya bukan bahwa Tesseract selalu unggul. Alat ini memang unggul pada sampel uji bahasa Inggris yang bersih ini karena kami sengaja merancang halamannya untuk mengisolasi keputusan tersebut. Pada hasil pindaian yang buram, aksara yang tidak biasa, tabel, tulisan tangan, atau tata letak yang rumit, OCR baru dapat gagal dengan cara yang berbeda.

Adapun hasil per halaman, lembar keputusan, catatan reproduksi, serta generator tersedia bersama fixture tersebut. Pada tanggal 21 September 2026, versi yang tercatat adalah Poppler pdftotext 26.08.0 dan Tesseract 5.5.3.

Hal yang dibuktikan oleh pengujian ini—dan hal yang tidak dibuktikannya

Pengujian ini membuktikan bahwa empat halaman yang tampak terbaca secara visual dapat memerlukan tiga jalur pra-penerjemahan yang berbeda. Ini juga membuktikan bahwa teks yang dapat dicari bisa saja berbeda dari halaman aslinya meski tetap terlihat masuk akal.

Pengujian ini tidak mengukur akurasi OCR secara umum, aksesibilitas pembaca, pemulihan tabel, pengenalan multibahasa, atau perilaku unggahan BookTranslator. Halaman-halaman tersebut sederhana dan kesalahan pada halaman empat sengaja disisipkan; Tesseract tidak menghasilkannya sendiri.

Mengapa ekstraksi dan OCR merupakan operasi yang berbeda

Ekstraksi teks membaca objek teks yang sudah tersimpan di dalam PDF. OCR mengenali karakter dari piksel gambar. Panduan ekstraksi pypdf saat ini menarik batasan yang sama: pypdf dapat membaca lapisan teks yang sudah ada, tetapi tidak dapat mengenali kata-kata di dalam gambar.

Perbedaan tersebut penting karena PDF digital dapat memuat informasi yang akan terbuang atau lebih sulit dipulihkan jika dirasterisasi: pengodean karakter, informasi font, tautan, grafik vektor, dan objek dokumen lainnya. pypdf secara tegas menyarankan untuk tidak memperlakukan OCR sebagai jalur universal bagi berkas yang dibuat secara digital (born-digital). Panduan tersebut juga menjelaskan batasan lain: PDF biasanya menyimpan teks untuk penempatan visual, bukan sebagai paragraf semantik, tabel, atau judul.

Maka dari itu, ada dua pertanyaan independen yang perlu dipastikan dalam tahap preflight:

1. Apakah karakternya sudah benar? Bandingkan nama, angka, tanda baca, dan istilah asing hasil ekstraksi dengan tampilan halaman aslinya.
2. Apakah strukturnya dapat digunakan? Bacalah satu paragraf utuh, lalu periksa kolom, catatan kaki, tabel, keterangan gambar, dan batas halaman.

Karakter yang benar dalam urutan yang salah tetap menjadi sumber yang cacat untuk penerjemahan.

Pemeriksaan preflight tingkat halaman sebelum penerjemahan

1. Simpan dokumen asli

Simpan berkas sumber yang belum diubah dan catat hash-nya jika dokumen tersebut penting. Lakukan eksperimen pada salinannya. Mengganti lapisan teks yang tidak sempurna dapat meratakan konten vektor atau membuang informasi yang nantinya Anda perlukan.

2. Buat inventaris jenis halaman

Jangan mengambil keputusan hanya dari halaman pertama. Ambil sampel dari halaman judul, halaman isi biasa, lampiran, tabel, ilustrasi, sisipan, dan halaman mana pun yang terlihat seperti hasil foto atau fotokopi.

Untuk dokumen yang panjang, catat rentang halamannya:

CSV yang dapat diunduh menggunakan pola yang sama untuk data uji kami.

3. Bandingkan token yang sulit, bukan hanya prosa yang mudah

Kalimat yang tampak lancar merupakan bahan pemeriksaan yang lemah. Sertakan:

• nama seseorang;
• tanggal dan jumlah;
• pengidentifikasi yang menggabungkan huruf dan angka;
• teks beraksen atau non-Latin;
• kalimat yang terpotong oleh perpindahan baris;
• bagian teks di dekat catatan kaki, gambar, atau kolom kedua.

Halaman empat pada sampel uji kami akan terlihat layak pakai jika pemeriksaan berhenti pada kata-kata umum. Kesalahan justru terkonsentrasi pada O/0, 58/53, dan 7.5/7.8—tepatnya jenis token yang dapat merusak referensi dan fakta setelah diterjemahkan.

4. Klasifikasikan ketidakpastian secara jujur

Gunakan empat hasil: sampel lulus, sampel gagal, tidak ada teks yang dapat diekstrak, atau belum diuji. “Dapat dipilih” bukanlah sebuah hasil. Begitu pula dengan “OCR telah selesai.”

Pengambilan sampel memiliki keterbatasan. Lulus pada tiga halaman tidak menjamin buku setebal 400 halaman, terutama ketika berkas tersebut berisi hasil pindaian atau tata letak yang berbeda. Tingkatkan cakupan pengujian pada bagian sumber yang berubah.

Pilih mode OCRmyPDF hanya setelah diagnosis

Dokumentasi OCRmyPDF saat ini menjelaskan beberapa perilaku untuk halaman yang sudah berisi teks. Ini adalah pilihan perutean alur kerja, bukan jaminan kualitas.

• Perilaku bawaan (default) berhenti ketika suatu halaman sudah berisi teks yang dapat dicetak atau lapisan OCR tersembunyi karena sistem tidak dapat memastikan jenis mana yang ditemukannya secara andal.
• Lewati teks (Skip text) menyalin halaman yang memuat teks tanpa modifikasi dan menerapkan OCR pada halaman lainnya. Opsi ini berguna untuk berkas campuran hanya jika teks yang ada memang dapat dipercaya.
• Ulangi OCR (Redo OCR) menghapus teks OCR tersembunyi (non-cetak) yang sudah ada dan mengenali halaman tersebut kembali, sembari mengecualikan teks vektor yang dapat dicetak. Opsi ini cocok untuk campuran halaman digital dan halaman yang sebelumnya sudah di-OCR, namun tidak dapat mengidentifikasi setiap susunan historis berkas.
• Paksa OCR (Force OCR) merasterisasi konten vektor dan menerapkan OCR pada gambar yang dihasilkan. Opsi ini dapat menggantikan lapisan teks yang rusak, tetapi mengorbankan ketajaman informasi serta dapat meratakan konten interaktif.

Semantik tersebut merujuk pada OCRmyPDF 17.12.1 di bagian dokumentasi kesalahan teks yang ada (existing-text error). Baca dokumentasi untuk versi yang terpasang sebelum menjalankan pemrosesan batch. Nama sebuah flag bukanlah bukti bahwa berkas keluaran tetap mempertahankan bookmark, tag, tautan, formulir, atau struktur aksesibilitas.

Pada sampel uji kami, mode skip-text akan mempertahankan teks tersembunyi halaman empat yang sengaja dibuat salah. Itulah sebabnya gerbang salin-dan-bandingkan harus dilakukan sebelum memilih mode batch.

Kekeliruan umum yang sering terjadi

“Jika teks dapat dipilih, lewati OCR”

Halaman empat mematahkan aturan tersebut. Kemampuan memilih teks hanya mendeteksi keberadaan teks, bukan keakuratannya.

“Terapkan OCR ke seluruh PDF demi keamanan”

Hal itu dapat menurunkan kualitas halaman digital yang bersih dan membuang objek PDF yang berguna. Langkah tersebut juga memperluas cakupan peninjauan tanpa memperbaiki urutan baca semantik secara otomatis.

“Gunakan keluaran mana pun yang terlihat lebih lancar”

Kelancaran bahasa bisa mengecoh dalam situasi ini. Bandingkan dengan halaman visualnya. Jangan biarkan model bahasa memperbaiki pengenal atau kuantitas secara diam-diam lalu menganggap hasilnya sebagai bukti sumber yang akurat.

“Satu halaman bersih mewakili seluruh file”

PDF campuran sangat umum dijumpai: sampul digital dapat mengawali bab-bab hasil pemindaian, atau buku yang dapat dicari teksnya bisa memuat sisipan yang hanya berupa gambar. Catat keputusan berdasarkan rentang halaman.

Kriteria kesiapan rilis untuk PDF siap terjemah

Sebelum mengirimkan file ke alur kerja penerjemahan, pastikan semua hal berikut terpenuhi:

1. Setiap rentang halaman diklasifikasikan sebagai digital, khusus gambar, atau OCR bawaan.
2. Lapisan teks bawaan yang gagal memiliki rencana penggantian yang terdokumentasi.
3. Nama, angka, pengenal, dan istilah asing lolos perbandingan dengan sumber pada halaman-halaman sampel.
4. Urutan paragraf dan kolom dapat dibaca secara logis pada sumber yang diekstraksi.
5. Tabel, gambar, catatan kaki, dan persamaan telah diverifikasi atau secara eksplisit dilacak sebagai aset terpisah.
6. PDF asli tetap tersedia untuk perbandingan pascaterjemahan.

Gunakan panduan diagnosis salin-tempel terpisah saat PDF berisi teks sudah mengalami kegagalan. Gunakan alur kerja PDF hasil pemindaian saat halaman hanya berupa gambar, dan panduan OCR multibahasa saat pemilihan bahasa menjadi bagian dari masalah kegagalan.

Terjemahkan sumber yang telah diverifikasi, lalu tinjau hasilnya

Jika tujuan akhirnya adalah membaca seluruh dokumen dalam bahasa lain, unggah PDF yang telah diverifikasi ke Penerjemah PDF. Untuk halaman hasil pemindaian atau yang memuat banyak gambar, Mode OCR BookTranslator akan mengekstrak konten yang dapat dikenali dan menyusun kembali PDF terjemahan yang rapi; mode ini tidak menjamin pelestarian tata letak halaman, font, atau ukuran yang persis sama dengan aslinya, ataupun memperbaiki setiap lapisan teks tersembunyi yang sudah ada.

Simpan inventaris halaman dan berkas asli Anda. Setelah penerjemahan, ulangi pemeriksaan berisiko tinggi pada teks target: nama, jumlah, pengenal, cakupan halaman, urutan paragraf, dan struktur apa pun yang menjadi tumpuan Anda. Daftar periksa QA terjemahan PDF mencakup tahap persetujuan akhir tersebut.

Aturan utamanya sederhana: ekstrak apa yang sudah andal, gunakan OCR hanya pada bagian yang memerlukan pengenalan teks, dan ganti lapisan teks hanya setelah Anda membuktikan bahwa lapisan tersebut salah.