Cara Mengonversi PDF Hasil Pindaian ke Word, dan Mengapa Hasilnya Berbeda-beda

Dua PDF dapat tampak sama persis di layar tetapi berperilaku sangat berbeda saat Anda mengonversinya ke Word. Yang satu disimpan dari pengolah kata dan berisi teks sungguhan. Yang lain dibuat dengan pemindai atau kamera ponsel, dan setiap halamannya adalah foto dari teks. Untuk mengubah jenis kedua menjadi dokumen yang dapat diedit, konverter harus membaca huruf-huruf dari gambar terlebih dahulu, lalu menebak bagaimana halaman itu ditata. Kedua langkah itu bisa keliru, dan panduan ini menjelaskan di mana, mengapa, dan apa yang dapat Anda lakukan.

Cara Mengetahui Apakah PDF Anda Hasil Pindaian

Cara tercepat adalah mencoba memilih satu kata. Jika kursor Anda membuat kotak di seluruh halaman alih-alih menyorot kata tersebut, halaman itu adalah gambar. Mencari dengan Ctrl+F (Cmd+F di Mac) adalah cara kedua: halaman hasil pindaian tidak menemukan apa pun, bahkan untuk kata yang dapat Anda lihat.

Memperbesar tampilan juga membantu. Teks sungguhan tetap tajam di tingkat zoom berapa pun, karena digambar dari font. Teks hasil pindaian menjadi kabur dan berpetak saat diperbesar, karena terbuat dari piksel.

Beberapa hasil pindaian merupakan campuran. Perangkat lunak pemindai sering kali menjalankan pengenalan teks saat menyimpan file dan menyembunyikan teks yang dikenali di balik gambar, sehingga Anda dapat memilih dan mencari. Namun, teks tersembunyi itu hanya sebaik tebakan pemindainya. Salin satu paragraf ke editor teks biasa dan Anda akan melihat persis apa yang ada di sana, termasuk salah bacanya.

Apa yang Sebenarnya Dilakukan OCR

OCR, pengenalan karakter optik, adalah proses yang mengubah gambar teks menjadi karakter. Proses ini berlangsung dalam beberapa tahap. Gambar dibersihkan terlebih dahulu: diluruskan jika miring, dan kontrasnya disesuaikan. Perangkat lunak kemudian menemukan area yang berisi teks, memecahnya menjadi baris dan kata, lalu mencocokkan setiap bentuk dengan bentuk huruf yang telah dipelajarinya, menggunakan kamus untuk bahasa tersebut guna memutuskan kasus-kasus yang meragukan.

Kamus itu penting, karena hanya dapat membantu untuk kata. Jika OCR membaca “lnformasi” dengan huruf L kecil, kamus akan mengembalikannya menjadi “informasi”. Jika OCR membaca nomor rekening sebagai 1O45, bukan 1045, tidak ada apa pun yang dapat dijadikan pembanding untuk memperbaikinya. Kekeliruan yang umum terjadi antara karakter yang tampak mirip di banyak font: 0 dan O, 1 dan l dan I, 5 dan S, 8 dan B, serta pasangan “rn”, yang dapat berubah menjadi “m”. Itulah sebabnya angka, nama, dan kode adalah tempat kesalahan OCR bersembunyi, dan mengapa semua itu perlu diperiksa paling cermat.

Mengapa Hasilnya Sangat Berbeda dari Satu Pindaian ke Pindaian Lain

Konverter yang sama dapat menghasilkan teks yang hampir sempurna dari satu hasil pindaian dan hasil yang berantakan dari yang lain. Perbedaannya hampir selalu terletak pada gambarnya:

Resolusi. 300 DPI adalah rekomendasi umum untuk memindai dokumen yang akan diproses dengan OCR. Di bawah sekitar 200 DPI, huruf kecil kehilangan detail yang membedakan huruf-huruf yang mirip. Cetakan yang sangat kecil, seperti catatan kaki dan ketentuan di balik formulir, lebih baik dipindai pada 400 DPI atau lebih.
Sudut dan lengkungan. Halaman yang difoto dari sudut miring, atau halaman buku yang melengkung ke arah punggung buku, menghasilkan baris teks yang tidak lurus. Pelurusan membantu, tetapi baris yang melengkung sering kali menghasilkan kata yang hilang atau tergabung.
Kontras dan latar belakang. Kertas berwarna, stabilo, stempel yang menimpa teks, dan salinan pudar dari salinan semuanya membuat huruf lebih sulit dipisahkan dari apa yang ada di belakangnya.
Kompresi yang berat. Hasil pindaian yang disimpan dengan kualitas JPEG rendah memiliki tepi yang kabur dan noda di sekitar setiap huruf. Gambar hitam-putih berkualitas faks memutus goresan yang tipis.
Tulisan tangan. OCR yang digunakan untuk konversi dokumen dibuat untuk teks cetak. Catatan dan tanda tangan tulisan tangan biasanya keluar dengan salah, atau dibiarkan sebagai gambar.
Bahasa dan tata letak. Pengenalan dilatih per aksara dan bahasa, sehingga aksara yang kurang umum dan halaman dengan campuran bahasa lebih sulit. Banyak kolom, tabel tanpa garis, dan teks di atas gambar membuat langkah tata letak semakin sulit.

Mengapa File Word Bisa Tampak Berbeda Meskipun Teksnya Benar

Mengenali karakter hanyalah separuh pekerjaan. Konverter juga harus membangun ulang halaman menjadi sesuatu yang dipahami Word, dan konverter menghadapi sebuah kompromi. Konverter dapat menulis teks sebagai paragraf mengalir biasa, yang mudah diedit tetapi bergeser dari tata letak aslinya. Atau konverter dapat menyematkan setiap blok teks di posisi persisnya, yang tampak benar tetapi canggung untuk diedit, karena mengetik di satu blok tidak mendorong blok berikutnya ke bawah.

Perbedaan lain berasal dari informasi yang memang tidak ada di dalam hasil pindaian. OCR tidak dapat mengetahui font mana yang digunakan, sehingga Word mendapatkan font yang mirip dan pemenggalan baris bergeser. Tabel dengan garis dapat dibangun ulang sebagai tabel Word, tetapi tabel tanpa garis mungkin masuk sebagai teks yang dipisahkan oleh tab atau spasi. Kepala halaman, kaki halaman, dan nomor halaman dapat masuk ke badan dokumen, dan logo, stempel, serta tanda tangan tetap berupa gambar.

Mengonversi Hasil Pindaian dengan PDF ke Word

Alat PDF ke Word kami menjalankan OCR secara otomatis pada halaman yang membutuhkannya, sehingga hasil pindaian kembali sebagai .docx dengan teks yang dapat diedit, dan halaman yang sudah berisi teks dikonversi secara langsung. File dikirim ke penyedia konversi dokumen, yang menyatakan bahwa mereka menghapus file dan hasilnya dalam waktu tiga jam. Tidak ada batas ukuran tetap, tetapi unggahan harus selesai dalam waktu sekitar 40 detik, jadi hasil pindaian yang sangat besar memerlukan koneksi yang cepat. PDF yang memerlukan kata sandi untuk dibuka harus dibuka kuncinya terlebih dahulu.

Ada beberapa hal yang layak dilakukan sebelum Anda mengonversi:

Putar halaman yang menyamping atau terbalik ke posisi yang benar, dan hapus halaman kosong. Pengatur File dapat melakukan keduanya tanpa mengunggah file.
Jika Anda memindai kertasnya sendiri, gunakan 300 DPI dalam skala abu-abu atau berwarna, bukan mode hitam-putih pemindai, yang dapat memecah huruf-huruf tipis bahkan sebelum OCR melihatnya.
Jika Anda hanya memerlukan beberapa halaman, konversikan halaman-halaman itu saja. Jadi lebih sedikit yang perlu diperiksa sesudahnya.

Apa yang Perlu Diperiksa Sebelum Anda Mengandalkan Hasilnya

OCR membuat kesalahan pada sebagian besar hasil pindaian nyata, dan tidak memberi peringatan saat melakukannya. Sebelum Anda mengirim atau mengarsipkan dokumen hasil konversi, periksa:

Setiap angka yang penting. Jumlah total, tanggal, nominal uang, nomor rekening dan nomor referensi, nomor telepon. Bandingkan dengan hasil pindaian, bukan dengan apa yang tampak masuk akal.
Nama dan alamat. Nama dan alamat jarang ada di kamus, jadi tidak ada yang memperbaikinya.
Kata-kata yang digarisbawahi pemeriksa ejaan. Garis bawah merah berkumpul di tempat OCR salah menebak, sehingga pemeriksa ejaan Word dapat menjadi alat kasar untuk menemukan kesalahan.
Cetakan kecil dan margin. Catatan kaki, stempel, dan catatan di margin adalah teks yang paling sering terlewat sama sekali.
Tabel. Pastikan setiap nilai berada di baris dan kolom yang benar.

Apa yang Tidak Bekerja dengan Baik

Beberapa dokumen akan mengecewakan konverter mana pun. Formulir tulisan tangan, faks, tangkapan layar dokumen pada resolusi layar, dan teks yang menjadi bagian dari foto atau diagram biasanya perlu diketik ulang di bagian yang penting.

Dua alat kami yang lain sama sekali tidak membaca hasil pindaian. PDF ke Excel hanya membaca teks yang sudah ada di dalam PDF, jadi tidak dapat mengambil tabel dari halaman hasil pindaian. Terjemahkan Dokumen menolak PDF hasil pindaian karena alasan yang sama. Dalam kedua kasus, Anda dapat mengonversi hasil pindaian dengan PDF ke Word terlebih dahulu, memeriksa teksnya, lalu bekerja dari file Word: salin tabel ke Excel, atau terjemahkan file .docx-nya.

Kesimpulan

Mengonversi PDF hasil pindaian ke Word berarti dua tebakan berturut-turut: huruf apa saja itu, dan bagaimana halaman itu disusun. Hasil pindaian 300 DPI yang tajam dan lurus membuat kedua tebakan lebih mudah, dan pemeriksaan cermat atas angka dan nama akan menangkap apa yang salah dibaca OCR. Perlakukan hasilnya sebagai draf pertama dari teks, bukan salinan dari aslinya, dan Anda akan jarang terkecoh.

Punya hasil pindaian yang ingin diubah menjadi teks? Coba konverter PDF ke Word.

← Kembali ke blog