OCR adalah langkah yang mengubah foto struk menjadi teks yang bisa dicari, disimpan, atau dicek oleh program.
Cara kerjanya
Mesin OCR klasik menemukan area teks di halaman, memecahnya menjadi baris, lalu mengenali karakter di setiap baris. Tesseract, mesin open-source paling terkenal, menambahkan jaringan saraf LSTM di versi 4 yang mengenali satu baris utuh, dan langsung bisa “recognize more than 100 languages” (terjemahan: mengenali lebih dari 100 bahasa). Output-nya tersedia sebagai teks biasa, hOCR (HTML), PDF, PDF dengan teks tak terlihat, TSV, ALTO, atau PAGE, sehingga Anda juga mendapat posisi kata.
OCR klasik berhenti di karakter. Untuk tahu angka mana yang merupakan total atau baris mana yang berisi nama pemasok, Anda menambahkan aturan atau model kedua.
Vision-language model menempuh jalan lain. Halaman task image-text-to-text dari Hugging Face menggambarkan tanya jawab dokumen sebagai “an OCR-free approach” (terjemahan: pendekatan tanpa OCR): gambar dokumen langsung masuk ke vision-language model, yang membacanya lalu menjawab. Anda bisa langsung meminta field tertentu dan menerimanya kembali sebagai output terstruktur.
| OCR klasik (mis. Tesseract) | LLM vision | |
|---|---|---|
| Output | karakter plus posisi | jawaban, ringkasan, atau field JSON |
| Pemahaman tata letak | terbatas, perlu aturan | membaca tabel dan label sesuai konteks |
| Berjalan di | lokal, tanpa biaya per panggilan | biasanya API, ditagih per token |
| Risiko | karakter salah baca | karakter salah baca dan nilai yang dikarang |
Mengapa penting
- Biaya. Gambar yang dikirim ke API LLM ditagih sebagai token input. OCR lokal tidak punya biaya per panggilan, tetapi butuh server dan pemeliharaan.
- Pengecekan akurasi. Model vision bisa mengembalikan total yang masuk akal tetapi tidak ada di halaman. Minta model mengutip teks sumbernya dan cek penjumlahan dengan kode.
- Bahasa Arab. Teks kanan-ke-kiri, bentuk huruf yang bersambung, dan campuran angka Arab dan Latin menambah kesulitan. Uji mesin atau model apa pun dengan hasil scan Anda sendiri.
Di BroadNet Inference
BroadNet tidak mendokumentasikan endpoint OCR terpisah. Dokumentasinya menunjukkan cara membaca invoice dengan mengirim gambar sebagai URL data: ke model chat yang baris modelnya mencantumkan gambar atau vision, seperti DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B atau Qwen3.8 27B. Pada kunci bayar sesuai pemakaian, gambar dihitung sebagai token input dengan harga input model ($0.10 per 1M di Gemma), dan gambar yang lebih besar memakai lebih banyak token. Ikuti langkahnya di panduan invoice berbahasa Arab, dan lihat OCR bahasa Arab dengan LLM vision untuk kapan OCR klasik masih menjadi alat yang lebih tepat.