BroadRouter
Mulai

Optical character recognition (OCR)

Diperbarui

Optical character recognition (OCR) adalah teknologi yang mendeteksi dan mengubah teks cetak atau tulisan tangan di dalam gambar, hasil scan, atau PDF menjadi karakter yang bisa dibaca mesin. OCR klasik menghasilkan teks dan posisinya di halaman; vision-language model bisa membaca teks dan langsung menjawab pertanyaan tentangnya.

Disebut juga: OCR, pengenalan karakter optik, pengenalan teks, gambar ke teks, ubah gambar jadi teks, OCR dokumen, ekstraksi teks hasil scan, optical character recognition, text recognition, image to text, document OCR, scanned text extraction

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.

Pertanyaan umum

Apa bedanya OCR dan LLM vision?

OCR mengembalikan karakter yang ditemukannya beserta letaknya. LLM vision membaca gambar dan bisa menjawab pertanyaan, seperti "berapa total invoice ini?", atau mengembalikan field bernama dalam JSON.

Apakah BroadNet punya endpoint OCR?

Tidak ada endpoint OCR terpisah yang didokumentasikan. Anda mengirim gambar ke model chat yang mendukung vision di /v1/chat/completions dan meminta teks atau field yang Anda butuhkan.

Apakah OCR klasik masih layak dipakai?

Ya, untuk halaman cetak yang bersih dalam volume besar ketika Anda hanya butuh teks dan posisinya. OCR klasik berjalan lokal tanpa biaya per panggilan. Model vision lebih baik saat Anda butuh field, tabel, atau jawaban, bukan karakter mentah.

Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity