OCR PDF
Ubah PDF hasil pindai menjadi dokumen yang dapat diseleksi dan dicari. 100% di peramban Anda — berkas Anda tidak pernah meninggalkan perangkat Anda.
Pilih PDF hasil pindai
atau jatuhkan PDF di sini — diproses secara lokal dengan Tesseract.js
—
Terbaik pada hasil pindai cetak bersih 300 DPI (~98% akurasi). Pindaian DPI rendah, fotokopi pudar, dan fon kecil akan kurang akurat. Tulisan tangan tidak didukung dengan andal.
Your file is ready
Processed entirely in your browser — the file never left your device.
Cara melakukan OCR pada PDF
Tiga langkah. Tanpa unggah apa pun.
Pilih PDF hasil pindai
Buka atau jatuhkan PDF Anda. Berkas tetap berada di peramban Anda.
Pilih bahasa + keluaran
Pilih bahasa dokumen dan apakah Anda ingin PDF yang dapat dicari atau hanya teksnya.
Jalankan & unduh
Tesseract.js (WebAssembly) mengenali tiap halaman di tab Anda — lalu Anda mengunduh hasilnya.
Apa itu OCR — dan apa yang berubah setelah Anda menjalankannya?
Pengenalan Karakter Optik (OCR) mengubah gambar teks menjadi karakter teks sungguhan yang bisa disalin, dicari, dan diindeks oleh komputer. PDF "hasil pindai" sebenarnya hanyalah tumpukan gambar halaman yang ditempel ke dalam wadah PDF; kata-kata yang Anda lihat adalah piksel, bukan huruf. Setelah OCR, dokumen entah memiliki lapisan teks tak terlihat yang ditempatkan di atas piksel itu (sehingga tampak identik tetapi Ctrl+F berfungsi), atau Anda telah mengekstrak teksnya ke berkas .txt polos yang bisa ditempel di tempat lain. Kedua mode ditawarkan di atas.
Cara kerja OCR di halaman ini
Kami memakai Tesseract.js — versi WebAssembly dari mesin sumber terbuka Tesseract milik Google — yang berjalan di dalam tab peramban Anda. Saat Anda mengeklik Jalankan OCR:
- Tiap halaman PDF Anda dirasterisasi ke kanvas pada 300 DPI menggunakan PDF.js.
- Piksel kanvas diteruskan ke Tesseract.js, yang mengembalikan teks yang dikenali beserta kotak pembatas per baris.
- Untuk PDF yang dapat dicari, kami menyalin halaman asli Anda ke PDF baru dan menumpangkan teks yang dikenali dengan opasitas 0 — tak terlihat oleh mata tetapi dapat diseleksi dan dicari.
- Untuk Teks saja, kami menggabungkan teks dari tiap halaman menjadi satu berkas .txt.
Tidak ada bagian dari alur ini yang memanggil server: PDF.js, Tesseract.js, dan pdf-lib semuanya berjalan di sisi klien. Satu-satunya permintaan jaringan terkait OCR adalah pengunduhan sekali model bahasa terlatih (sekitar 5–15 MB per bahasa), yang kemudian disimpan peramban Anda di cache untuk lain kali.
Ekspektasi yang jujur
- Teks cetak bersih pada 300 DPI: biasanya 95–98% akurasi karakter. Cukup baik untuk dicari dan disalin/tempel dengan sedikit koreksi.
- DPI rendah (di bawah 200) atau halaman yang difoto: akurasi turun tajam — Tesseract butuh tepi huruf yang tajam. Pindai ulang pada DPI lebih tinggi jika bisa.
- Tata letak multikolom dan tabel: teks kembali baris demi baris melintasi kolom. Kami tidak menatanya ulang ke urutan baca yang logis. Untuk tabel, pertimbangkan PDF ke Excel.
- Tulisan tangan: tidak didukung dengan andal. Tesseract dilatih pada huruf cetak; karakter tulisan tangan kebanyakan kembali kacau.
- Campuran aksara yang berat: jika satu halaman separuh Arab dan separuh Latin, pilih yang dominan. OCR multiaksara mungkin dilakukan, tetapi lebih lambat dan kurang akurat.
Privasi & keamanan
OCR adalah kategori di mana pemrosesan di peramban sangat berharga. Dokumen hasil pindai sering kali merupakan hal paling sensitif yang dimiliki orang — salinan paspor, surat pajak, kontrak, rekam medis, perjanjian sewa — dan mengirimnya ke server pihak ketiga menciptakan jejak yang tidak bisa Anda hapus. Karena setiap bita dari alur ini berjalan secara lokal, tidak ada unggahan untuk dicatat, tidak ada berkas sementara untuk disita, dan tidak ada masa penyimpanan untuk dipercaya. Mesin OCR-nya sendiri bersifat sumber terbuka dan dapat diperiksa.
Pertanyaan yang sering diajukan
Pada hasil pindai bersih 300 DPI dari dokumen cetak dalam bahasa yang didukung, perkirakan akurasi karakter sekitar 95–98%. Hasil pindai resolusi rendah (di bawah 200 DPI), fotokopi yang pudar, halaman miring, dan fon kecil menurunkan akurasi secara nyata. Tulisan tangan tidak dikenali dengan andal oleh Tesseract — untuk catatan tulisan tangan biasanya Anda butuh mesin lain (hanya berbasis cloud).
Tidak. Mesin pengenalan (Tesseract.js, dikompilasi ke WebAssembly) berjalan sepenuhnya di dalam tab peramban Anda. PDF yang Anda pilih dibaca ke memori, tiap halaman dirasterisasi ke kanvas, dan piksel kanvas diteruskan langsung ke Tesseract — tidak ada unggahan dokumen Anda lewat jaringan, tidak ada langkah di sisi server. Anda bisa membuktikannya di tab Jaringan (Network) peramban: hanya model bahasa yang diunduh (sekali, lalu disimpan di cache).
Kami sudah mencantumkan 12 bahasa yang dipakai imisspdf.com sendiri: Inggris, Spanyol, Prancis, Jerman, Portugis, Italia, Indonesia, Jepang, Korea, Mandarin (Sederhana), Arab, dan Hindi. Tesseract mendukung sekitar 100 bahasa lainnya — tempelkan kode ISO 639-3 mana pun (seperti "vie" atau "tha") ke kotak bahasa dan model yang sesuai akan diunduh sesuai kebutuhan.
Pertama kali Anda menjalankan OCR dalam suatu bahasa, Tesseract mengunduh model terlatih untuk bahasa itu (biasanya 5–15 MB) dan mesin WebAssembly (~30 MB). Setelah itu keduanya disimpan di cache peramban Anda, sehingga proses berikutnya mulai dalam satu atau dua detik. Menutup tab tidak menghapus cache.
Pilih PDF yang dapat dicari jika Anda ingin mempertahankan tampilan asli dokumen dan sekadar membuat teksnya dapat diseleksi serta dicari dengan Ctrl+F (teks OCR ditempatkan secara tak terlihat di atasnya). Pilih Teks saja jika Anda hanya butuh kata-katanya — misalnya untuk ditempel ke aplikasi catatan atau diumpankan ke alat lain.