Kenapa foto halaman buku gagal di-OCR (dan bagaimana kemiringan beberapa derajat saja bisa merusak akurasinya)

Kalau Anda pernah mencoba mengubah foto halaman buku menjadi teks secara online dan hasilnya berupa tumpukan tulisan berantakan, kemungkinan besar Anda menyalahkan hal yang salah. Godaan pertama adalah menyalahkan kertas yang sudah menguning atau pencahayaan yang buruk — tapi dalam pengujian, keduanya nyaris tidak berpengaruh sama sekali. Penyebab sebenarnya hampir selalu sesuatu yang tidak terlihat kasat mata dari foto itu sendiri: kemiringan kamera yang kecil.

Pengujiannya: halaman yang sama, empat kondisi

Untuk mencari tahu apa yang sebenarnya merusak OCR (pengenalan karakter optik) pada foto buku di dunia nyata, kami menjalankan blok teks yang sama melalui Tesseract — mesin OCR open-source — dalam empat kondisi: hasil pindai rata yang bersih, halaman menguning/pudar, foto dengan kemiringan sekitar 12 derajat, dan foto miring dengan tambahan sorotan silau.

Kondisi	Akurasi kata
Pindaian bersih dan rata	100%
Halaman menguning, pudar (tanpa kemiringan)	100%
Miring ~12° (tanpa perubahan warna)	67.7%
Miring ~8° + silau	71.0%

Halaman yang menguning mendapat skor identik dengan yang masih baru — nilai sempurna. Begitu kemiringan diperkenalkan, akurasi langsung anjlok sepertiga, menghasilkan persis jenis output yang pernah dilihat siapa pun yang mencoba alat “scan buku teks jadi teks”: "cokla," menggantikan “coklat”, "Bab,." menggantikan “Bab.”, "tersembuny,," menggantikan “tersembunyi”.

Kenapa kemiringan sekecil itu bisa menyebabkan kerusakan sebesar ini

Mesin OCR membaca teks dengan memindai baris-baris gambar mencari pita horizontal tinta yang konsisten — itulah mekanisme yang mereka pakai untuk membedakan satu baris teks dari baris berikutnya. Pada pindaian yang benar-benar rata, setiap baris teks berada dalam pita horizontal yang rapi, dan mesin dengan bersih memisahkan baris 1 dari baris 2 dari baris 3.

Miringkan halaman meski hanya 10 derajat, dan pita horizontal yang rapi itu berubah menjadi coretan diagonal yang membentang puluhan baris piksel. Logika segmentasi baris pada mesin mulai menggabungkan karakter dari dua baris yang seharusnya terpisah, atau memecah satu karakter menjadi seolah dua baris berbeda. Hasilnya bukan “sedikit kurang akurat” — melainkan output yang secara kategoris berbeda, karena unit dasar yang dibaca mesin (satu baris) sudah tidak lagi sesuai dengan apa yang sebenarnya ada dalam gambar.

Inilah juga sebabnya foto yang terlihat sepenuhnya bisa dibaca oleh Anda tetap bisa menghasilkan output OCR yang tidak terbaca. Sistem visual Anda mengompensasi kemiringan 10 derajat tanpa usaha sadar sama sekali — Anda bahkan tidak menyadarinya sebagai miring. Pipeline OCR yang naif tidak punya kompensasi semacam itu, dan membaca persis piksel yang diberikan padanya.

Solusinya: luruskan dulu sebelum mengenali, bukan sesudahnya

Kesimpulan praktisnya bukan “pegang ponsel Anda lebih hati-hati” — sedikit kemiringan saat memotret buku yang terbuka hampir tidak terhindarkan, karena Anda tidak menekan halaman rata ke pemindai. Solusinya bersifat otomatis: deteksi sudut kemiringan dan koreksi sebelum menjalankan pengenalan teks, bukan sesudahnya.

Salah satu cara yang andal untuk mendeteksi sudut tanpa model machine learning yang berat adalah metode profil proyeksi: putar gambar melalui rentang sudut kandidat, dan untuk masing-masing, ukur seberapa “tajam” distribusi tinta per baris. Pada sudut yang benar, baris teks sejajar menjadi pita yang tajam (variansi tinggi antar baris); pada sudut lain, tinta menyebar melintasi baris (variansi rendah). Sudut yang menghasilkan variansi tertinggi adalah sudut deskew-nya.

Menjalankan koreksi ini lebih dulu baru kemudian mengenali teks berhasil mengembalikan setiap kasus uji miring kami ke akurasi kata 100% — halaman yang sama, mesin OCR yang sama, satu-satunya perbedaan adalah meluruskannya terlebih dahulu.

Yang perlu diketahui kalau Anda mendigitalkan buku

• Jangan terlalu khawatirkan kondisi kertas. Warna menguning, pudar ringan, dan hilangnya kontras akibat penuaan kertas nyaris tidak menggeser akurasi. Buku paperback lama mendigitalkan hampir sama baiknya dengan yang baru.
• Yang perlu dikhawatirkan adalah sudutnya. Bahkan kemiringan yang tidak akan Anda sadari dengan mata telanjang bisa menjadi seluruh perbedaan antara teks yang bisa dipakai dan yang berantakan.
• Silau dari flash memang berpengaruh lebih kecil dibanding kemiringan, tapi tetap merugikan. Titik terang di kertas mengkilap bisa menghapus teks apa pun di bawahnya — koreksi sudut tidak akan memperbaiki area yang memang sudah tidak ada tinta terbaca sejak awal.
• Alat yang mengoreksi kemiringan secara otomatis menyelesaikan masalah sebenarnya. Alat book page to text kami menjalankan langkah deteksi-dan-koreksi ini persis di browser Anda sebelum mengenali teks — tanpa unggah, tanpa server, dan dibangun khusus di sekitar masalah kemiringan, bukan mengasumsikan Anda memberinya hasil pindai yang rata.

Kalau Anda pernah mencoba OCR pada foto buku sebelumnya dan menyerah karena hasilnya tidak terbaca, kemungkinan besar bukan halamannya yang bermasalah — melainkan sudut kamera yang hanya berbeda beberapa derajat.