PDF hasil pindaian adalah foto sebuah dokumen. Tampilannya seperti teks, tetapi tidak ada data teks sebenarnya di dalamnya — hanya matriks piksel. Pencarian tidak berfungsi. Salin dan tempel gagal. Pembaca PDF tidak dapat mengindeksnya. Alat ekstraksi teks menghasilkan hasil kosong. Solusinya adalah Pengenalan Karakter Optik (OCR): sebuah proses yang membaca pola piksel pada setiap halaman, mengidentifikasi karakter, dan merekonstruksi teks. LuraPDF menyematkan Tesseract — mesin OCR sumber terbuka yang paling banyak digunakan di dunia, yang dikelola oleh Google — sebagai biner WebAssembly yang berjalan langsung di dalam tab browser Anda. Mesin tersebut diunduh sekali dan kemudian memproses dokumen Anda sepenuhnya di perangkat Anda. Tidak ada unggahan file, tidak ada panggilan API server, tidak ada pemrosesan jarak jauh. Laporan pajak hasil pindaian Anda, kontrak yang ditandatangani, catatan pasien, atau dokumen historis tidak pernah meninggalkan perangkat Anda.
Privasi adalah alasan utama untuk memilih OCR berbasis browser dibandingkan alternatif berbasis server. Dokumen yang dipindai sangat sensitif: orang memindai laporan pajak, catatan medis, berkas hukum, laporan bank, dan dokumen identitas. Mengunggah dokumen-dokumen tersebut ke API OCR berbasis cloud — bahkan yang memiliki kebijakan privasi — berarti file tersebut akan melewati internet, tersimpan di server, melewati alur pemrosesan, dan disimpan sementara di luar kendali Anda. Arsitektur LuraPDF secara struktural menghilangkan risiko tersebut. Binary Tesseract WASM berjalan di dalam Web Worker yang terisolasi di dalam browser Anda. Satu-satunya data yang berpindah adalah lapisan teks hasil OCR yang ditulis kembali ke dalam PDF di memori — semuanya lokal. Outputnya adalah PDF yang dapat dicari di mana gambar halaman asli dipertahankan persis dan lapisan teks tak terlihat ditambahkan di bawahnya, disejajarkan dengan sempurna untuk mencocokkan posisi karakter yang diidentifikasi oleh Tesseract.
File PDF hasil pemindaian menumpuk di setiap industri. OCR (Optical Character Recognition) dapat mengungkap isinya. Berikut adalah alur kerja di mana OCR lokal dan pribadi adalah satu-satunya pendekatan yang dapat diterima.
Kontrak, akta, dan berkas pengadilan yang telah ditandatangani sering dipindai dan disimpan sebagai PDF gambar. Lakukan OCR (Optical Character Recognition) secara lokal agar setiap klausul dapat dicari dalam sistem manajemen dokumen tanpa perlu mengunggah dokumen hukum rahasia ke layanan cloud.
Perpustakaan, arsip, dan peneliti silsilah memindai surat kabar, surat, buku besar, dan manuskrip bersejarah. Tesseract mendukung font Latin historis dan set karakter non-standar. Jalankan OCR untuk membuat dokumen berusia seabad dapat dicari tanpa mengirimkan materi bersejarah yang rapuh ke server pihak ketiga.
Makalah akademis pra-digital, prosiding konferensi, dan hasil pemindaian jurnal tidak dapat dicari secara default. Lakukan OCR (Optical Character Recognition) pada dokumen-dokumen tersebut untuk mengaktifkan pencarian Ctrl+F, anotasi, ekstraksi kutipan, dan pengintegrasian ke dalam alat manajemen referensi.
Bukti pengeluaran dan faktur yang dipindai berisi jumlah, tanggal, dan nama vendor yang terkunci dalam piksel gambar. OCR mengubahnya menjadi teks yang dapat dicari dan dipilih — memungkinkan penyalinan dan penempelan ke perangkat lunak akuntansi atau ekstraksi data lebih lanjut.
Catatan pasien lama, surat rujukan, dan formulir klinis tiba dalam bentuk hasil pindai. Informasi kesehatan yang dilindungi terlalu sensitif untuk diunggah ke API OCR berbasis cloud. Jalankan OCR secara lokal untuk membuat catatan dapat dicari sambil tetap menyimpan PHI (Informasi Kesehatan yang Dilindungi) di perangkat praktik.
Pipeline kecerdasan dokumen yang mengekstrak entitas, mengklasifikasikan konten, atau meringkas dokumen PDF memerlukan lapisan teks agar dapat berfungsi. OCR memindai PDF secara lokal dengan Tesseract WASM untuk menghasilkan PDF yang dapat dicari atau file teks mentah yang menjadi masukan bagi model NLP tanpa mengekspos data dokumen ke API eksternal.
Tesseract WASM di peramban menggabungkan akurasi OCR tingkat penelitian dengan jaminan privasi pemrosesan lokal. Berikut adalah hasil dari kombinasi tersebut.
Saat Anda mengunggah PDF hasil pindaian, pdf.js akan merender setiap halaman ke kanvas HTML dengan resolusi target 200 DPI (dapat dikonfigurasi hingga 300 DPI untuk mode Akurasi). Data gambar kanvas ditransfer melalui SharedArrayBuffer ke Tesseract.js Web Worker yang menjalankan model bahasa LSTM yang dipilih. Tesseract melakukan analisis tata letak untuk membagi halaman menjadi wilayah teks, kemudian menerapkan jaringan saraf LSTM ke setiap wilayah untuk mengenali urutan karakter. Outputnya adalah daftar kata dengan urutan karakter Unicode yang dikenali dan koordinat kotak pembatas — posisi piksel pada halaman tempat setiap kata muncul.
Setelah Tesseract selesai memproses sebuah halaman, pdf-lib menggunakan teks dan kotak pembatas yang dikenali untuk menggambar lapisan teks tak terlihat pada halaman PDF yang sesuai. Setiap kata ditempatkan pada koordinat yang terdeteksi menggunakan `page.drawText()` dengan ukuran font yang dihitung dari tinggi kotak pembatas dan warna teks `rgb(0, 0, 0)` dengan opasitas nol — tidak terlihat secara visual, tetapi ada dalam aliran konten teks PDF. Penampil PDF modern menggunakan aliran teks ini untuk operasi pencarian, pemilihan, dan salinan . Hasilnya adalah PDF yang terlihat persis seperti hasil pemindaian asli tetapi merespons Ctrl+F, mendukung pemilihan teks, dan dapat diindeks oleh sistem manajemen dokumen dan mesin pencari.
| Fitur | LuraPDF | OCR berbasis server (ilovepdf, Smallpdf) | Adobe Acrobat |
|---|---|---|---|
| Pribadi | Hanya peramban — file tidak pernah diunggah | Dokumen hasil pindai telah diunggah ke server jarak jauh. | Lokal, tetapi memerlukan langganan berbayar. |
| Dukungan bahasa | Lebih dari 100 bahasa melalui Tesseract WASM | Bervariasi — biasanya lebih sedikit bahasa | Acrobat: banyak pilihan, tetapi multibahasa terbatas. |
| Biaya | Gratis selamanya, tanpa kuota halaman. | Freemium — batasan halaman atau sistem pembayaran berbayar | Langganan Acrobat |
| Pendaftaran diperlukan | Tidak ada — buka halaman dan jalankan OCR | Diperlukan akun untuk dokumen multi-halaman. | Diperlukan Adobe ID + langganan. |
Kualitas pemindaian adalah faktor terpenting dalam akurasi OCR. Tips ini membantu Anda mendapatkan hasil terbaik dari Tesseract WASM.
Pilih bahasa yang tepat — Akurasi Tesseract menurun secara signifikan ketika model bahasa yang salah diterapkan. Jika Anda ragu, pilih beberapa bahasa yang mungkin dan Tesseract akan melakukan voting di antara bahasa-bahasa tersebut.
Resolusi pemindaian yang lebih tinggi menghasilkan OCR yang lebih baik — pemindaian 300 DPI mencapai akurasi yang jauh lebih tinggi daripada 150 DPI atau lebih rendah, terutama untuk teks dengan ukuran font kecil dan aksara non-Latin.
Pangkas dan putar sebelum OCR — gunakan alat Pangkas PDF dan Putar PDF LuraPDF untuk menyejajarkan halaman agar tegak dan menghilangkan margin sebelum menjalankan OCR. Halaman yang miring atau terbalik akan menurunkan kualitas pengenalan.
Untuk dokumen besar multi-halaman di perangkat seluler, beralihlah ke browser desktop — Tesseract WASM membutuhkan banyak daya pemrosesan dan perangkat seluler lebih lambat. Chrome atau Firefox di tablet atau desktop memberikan kecepatan pemrosesan terbaik.
Setelah OCR, gunakan PDF to Text untuk mengekstrak teks yang dikenali sepenuhnya sebagai file biasa untuk ditempelkan ke pengolah kata, alat penerjemahan, atau alur data.
Untuk dokumen multibahasa dengan aksara campuran — kontrak hukum dengan bagian berbahasa Inggris dan Arab, atau makalah dengan teks berbahasa Inggris dan gambar berbahasa Mandarin — pilih semua bahasa yang relevan sebelum menjalankan OCR daripada memproses bagian-bagiannya secara terpisah.
Seret PDF hasil pindaian Anda ke area unggahan di atas, pilih bahasa dokumen, dan biarkan Tesseract WASM membuat setiap halaman dapat dicari — sepenuhnya di browser Anda. Tanpa unggahan, tanpa server, tanpa akun, tanpa tanda air, tanpa kuota halaman. Dokumen pajak, berkas hukum, catatan medis, dan materi arsip hasil pindaian Anda tetap berada di perangkat Anda sejak saat Anda memilihnya hingga saat PDF yang dapat dicari masuk ke folder unduhan Anda. Setelah OCR, ekstrak teks lengkap dengan PDF ke Teks, memotong dan putar hasil pindaian dengan alat Pangkas PDF dan Putar PDF, atau beri anotasi pada halaman yang baru dapat dicari dengan alat Anotasi PDF.