Apa Itu OCR? Cara Kerja, Manfaat, Jenis, dan Contohnya
OCR adalah teknologi yang mengubah teks pada gambar, foto, atau dokumen hasil pemindaian menjadi teks yang dapat dibaca dan diproses oleh komputer. Dengan OCR, informasi pada invoice, formulir, kuitansi, kontrak, atau dokumen identitas dapat dicari, disalin, diekstrak, divalidasi, dan dikirim ke sistem bisnis tanpa harus diketik ulang seluruhnya.
Namun, OCR bukan jaminan bahwa semua data langsung benar dan terstruktur. Akurasi dipengaruhi kualitas gambar, bahasa, jenis huruf, tulisan tangan, dan kompleksitas tata letak. Untuk proses bisnis, OCR biasanya dikombinasikan dengan ekstraksi data, aturan validasi, human review, serta integrasi ke ERP, DMS, database, atau RPA.
Ringkasan Singkat
Fungsi utama OCR: mengubah teks dalam gambar atau hasil scan menjadi data digital yang dapat dibaca mesin.
Input umum: PDF hasil pemindaian, JPEG, PNG, TIFF, foto dokumen, atau gambar formulir.
Output umum: teks, searchable PDF, JSON, CSV, atau field terstruktur yang dikirim ke aplikasi lain.
Penggunaan bisnis: invoice, purchase order, delivery order, kuitansi, formulir, kontrak, arsip, dan dokumen identitas.
Hal penting: OCR tidak selalu 100% akurat; field penting tetap memerlukan confidence threshold dan validasi.
Apa Itu Optical Character Recognition atau OCR?
Optical Character Recognition atau OCR adalah proses untuk mengenali karakter pada gambar dan mengubahnya menjadi teks yang dapat dibaca mesin. Definisi ini sejalan dengan penjelasan Amazon Web Services tentang OCR, yaitu proses mengubah gambar teks menjadi format teks yang dapat dibaca mesin.
Dokumen kertas tidak dapat langsung “dibaca” oleh OCR. Dokumen tersebut harus dipindai atau difoto terlebih dahulu sehingga menjadi file gambar atau PDF. Setelah itu, OCR mendeteksi area teks, mengenali huruf dan angka, lalu menghasilkan teks digital.
Sebagai contoh, sebuah invoice hasil scan hanya terlihat sebagai kumpulan piksel bagi komputer. OCR membantu mengenali tulisan seperti nama vendor, nomor invoice, tanggal, dan nominal. Agar informasi tersebut otomatis masuk ke kolom yang benar, perusahaan biasanya menambahkan teknologi ekstraksi dokumen atau Intelligent Document Processing (IDP).
Apa yang dapat dan tidak dapat dilakukan OCR?
OCR dapat membuat dokumen menjadi dapat dicari, menyalin teks dari gambar, dan menyediakan data dasar untuk proses otomatis. Namun, OCR saja belum tentu memahami bahwa “20/05/2024” adalah tanggal invoice atau bahwa “Rp1.250.000” adalah total tagihan.
Pemahaman terhadap jenis dokumen, posisi field, tabel, hubungan antardata, dan aturan bisnis umumnya ditangani oleh lapisan ekstraksi, machine learning, IDP, atau aplikasi khusus. Karena itu, istilah “OCR” dan “otomatisasi dokumen” tidak selalu berarti hal yang sama.
Mengapa OCR Penting bagi Perusahaan?
Banyak proses bisnis masih dimulai dari dokumen yang tidak langsung siap diproses oleh sistem: invoice PDF, formulir hasil scan, foto kuitansi, delivery order, atau arsip kontrak. Ketika data di dalamnya harus diketik ulang, perusahaan menghadapi pekerjaan repetitif, waktu proses yang panjang, dan risiko salah input.
OCR membantu menjembatani dokumen tersebut dengan sistem digital. Teknologi ini dapat digunakan untuk:
mengurangi pengetikan ulang pada proses administrasi;
mempercepat pencarian informasi dalam arsip;
menyiapkan data untuk validasi dan persetujuan;
menghubungkan dokumen dengan ERP, DMS, RPA, atau database;
meningkatkan konsistensi proses dan jejak audit; serta
memberi tim lebih banyak waktu untuk menangani pengecualian dan pekerjaan bernilai lebih tinggi.
Manfaat tersebut tidak datang hanya dengan “memasang OCR”. Hasil terbaik diperoleh ketika tipe dokumen, field yang dibutuhkan, aturan validasi, integrasi, keamanan, dan proses penanganan error dirancang sejak awal.
Cara Kerja OCR dari Dokumen hingga Data
Secara umum, proses OCR terdiri dari enam tahap berikut.
Dokumen masuk
Dokumen diterima dari scanner, email, folder bersama, aplikasi mobile, portal vendor, atau sistem lain. Input dapat berupa foto, JPEG, PNG, TIFF, atau PDF. Format yang didukung bergantung pada solusi OCR yang digunakan.
Pemeriksaan kualitas
Sistem memeriksa apakah gambar cukup tajam, tidak terpotong, tidak terlalu gelap, dan tidak tertutup pantulan cahaya. Dokumentasi Google Document AI tentang image-quality analysis menunjukkan bahwa cacat seperti blur, glare, dan bagian dokumen yang terpotong dapat diidentifikasi sebagai masalah kualitas.
Pre-processing
Gambar dibersihkan agar teks lebih mudah dikenali. Prosesnya dapat mencakup rotasi, deskew untuk meluruskan gambar, pengurangan noise, peningkatan kontras, binarisasi, dan pemisahan halaman. IBM menjelaskan tahapan OCR mulai dari akuisisi gambar, pre-processing, hingga pengenalan teks.
OCR dan deteksi tata letak
Mesin OCR mendeteksi blok teks, baris, kata, dan karakter. Solusi document OCR modern juga dapat mengenali elemen layout seperti paragraf, tabel, kotak centang, dan posisi teks. Kemampuan tersebut dijelaskan dalam dokumentasi Google Enterprise Document OCR.
Ekstraksi dan validasi
Teks yang sudah terbaca dipetakan menjadi field yang dibutuhkan, misalnya nomor invoice, tanggal, nama vendor, dan total. Sistem dapat menggunakan aturan format, pencocokan dengan master data, pemeriksaan duplikasi, serta confidence score. Data dengan confidence rendah sebaiknya dikirim ke petugas untuk ditinjau.
Output dan integrasi
Hasil dapat disimpan sebagai searchable PDF, teks, CSV, JSON, atau dikirim melalui API ke ERP, DMS, RPA, spreadsheet, dan database. Pada tahap ini, workflow lanjutan dapat menjalankan proses seperti pembuatan transaksi, pencocokan purchase order, persetujuan, atau pengarsipan.
Perbedaan OCR, ICR, OMR, IDP, RPA, dan DMS
Istilah-istilah ini saling berhubungan, tetapi fungsinya berbeda.
Teknologi | Fungsi utama | Contoh input | Hasil atau peran |
OCR | Mengenali teks pada gambar atau dokumen hasil scan | Invoice, formulir, foto dokumen | Teks yang dapat dibaca mesin |
ICR | Mengenali tulisan tangan dengan model yang dirancang untuk variasi karakter | Formulir tulisan tangan | Teks hasil pengenalan tulisan tangan |
OMR | Mendeteksi tanda atau pilihan pada posisi tertentu | Lembar jawaban, checkbox, survei | Status pilihan atau tanda |
IDP | Mengklasifikasikan dokumen, menjalankan OCR, mengekstrak field, dan memvalidasi data | Dokumen terstruktur dan semi-terstruktur | Data terstruktur siap diproses |
RPA | Menjalankan langkah proses dan memindahkan data antarsistem | Data hasil OCR/IDP, aturan bisnis | Otomatisasi tugas dan workflow |
DMS | Menyimpan, mengindeks, mencari, mengontrol versi, dan mengelola dokumen | File digital dan metadata | Arsip dokumen terkelola |
AWS menjelaskan IDP sebagai pendekatan yang menggabungkan teknologi seperti OCR, machine learning, NLP, dan otomatisasi untuk memproses dokumen. Sementara itu, RPA dapat menggunakan hasil OCR sebagai input untuk menjalankan proses pada aplikasi bisnis, dan Document Management System dapat menyimpan dokumen beserta metadata hasil ekstraksinya.
Jenis Hasil dan Kemampuan OCR
Implementasi OCR dapat memiliki target yang berbeda. Menentukan target sejak awal membantu perusahaan memilih teknologi yang tepat.
Image to text
OCR mengambil teks dari gambar dan menghasilkan teks biasa. Fungsi ini cocok untuk pencarian, penyalinan, atau digitalisasi sederhana.
Searchable PDF
Lapisan teks ditambahkan di atas dokumen hasil scan sehingga isi file dapat dicari dan disalin tanpa mengubah tampilan aslinya.
Layout-aware OCR
Sistem tidak hanya membaca karakter, tetapi juga mempertahankan informasi posisi, halaman, paragraf, tabel, dan blok teks. Kemampuan ini penting untuk dokumen dengan struktur kompleks.
Document data extraction
OCR dikombinasikan dengan template, aturan, atau machine learning untuk mengambil field tertentu. Contohnya adalah nomor invoice, tanggal jatuh tempo, total pajak, dan nama vendor. Secara teknis, tahap ini sudah lebih luas daripada OCR murni dan sering termasuk dalam IDP.
Handwriting recognition
Beberapa mesin OCR modern dapat mengenali tulisan tangan, tetapi performanya sangat bergantung pada model, bahasa, kerapian, dan kualitas gambar. Untuk kebutuhan tulisan tangan, evaluasi kemampuan ICR atau model handwriting recognition secara khusus.
Manfaat OCR untuk Bisnis
Mengurangi pekerjaan input data manual
OCR menyiapkan teks atau field awal sehingga staf tidak perlu mengetik seluruh isi dokumen. Petugas dapat berfokus pada pengecekan data dengan confidence rendah dan kasus pengecualian.
Mempercepat waktu proses
Dokumen dapat masuk ke tahap validasi, persetujuan, pencocokan, atau pengarsipan lebih cepat. Dampak riil harus diukur terhadap baseline proses perusahaan, bukan menggunakan angka akurasi atau penghematan yang bersifat universal.
Mengurangi risiko kesalahan penyalinan
OCR dapat mengurangi error akibat pengetikan ulang, tetapi tidak menghilangkan kesalahan. Kesalahan pengenalan tetap dapat terjadi, misalnya angka “0” dibaca sebagai huruf “O” atau angka “1” sebagai huruf “I”. Field kritis tetap memerlukan aturan validasi.
Membuat arsip lebih mudah dicari
Dokumen hasil scan yang sebelumnya hanya berupa gambar dapat dibuat searchable. Informasi juga dapat digunakan sebagai metadata pada sistem pengelolaan dokumen.
Menjadi fondasi otomatisasi end-to-end
Setelah data diekstrak dan divalidasi, RPA atau API dapat meneruskannya ke sistem tujuan. Kombinasi OCR, IDP, RPA, dan DMS memungkinkan otomatisasi dari penerimaan dokumen hingga penyimpanan atau transaksi.
Contoh Penerapan OCR di Berbagai Proses Bisnis
Keuangan dan akuntansi
OCR dapat membaca invoice, kuitansi, laporan, dan bukti pembayaran. Data kemudian dipetakan ke field seperti vendor, nomor invoice, tanggal, nilai pajak, dan total. Pelajari penerapan yang lebih spesifik pada artikel OCR untuk dokumen keuangan dan RPA untuk proses finance.
Procurement
Purchase order, quotation, delivery order, dan dokumen vendor dapat diproses untuk membantu pencocokan data dan pembaruan sistem. OCR menyediakan data dari dokumen, sedangkan workflow atau RPA menjalankan langkah berikutnya. Lihat juga pembahasan RPA untuk divisi procurement.
Logistik dan supply chain
OCR dapat membantu mengambil nomor pengiriman, referensi pesanan, nama penerima, tanggal, dan item dari delivery order atau dokumen transportasi. Validasi diperlukan ketika dokumen memiliki stempel, tulisan tangan, lipatan, atau foto dari lapangan.
Sumber daya manusia
Formulir karyawan, CV, sertifikat, dan dokumen administrasi dapat diubah menjadi data yang lebih mudah dicari dan diproses. Karena dokumen ini mengandung data pribadi, akses, retensi, dan keamanan harus dirancang dengan ketat.
Administrasi layanan dan kesehatan
OCR dapat membantu memproses formulir pendaftaran, rujukan, klaim, dan dokumen administratif. Penggunaan untuk data sensitif memerlukan kontrol akses, audit, enkripsi, dan validasi yang sesuai. Baca contoh konteksnya pada artikel OCR untuk administrasi rumah sakit.
Kontrak dan arsip perusahaan
Dokumen lama dapat dipindai dan dibuat searchable. Data seperti nomor kontrak, pihak terkait, dan tanggal berlaku dapat dijadikan metadata dalam DMS. Untuk perencanaan digitalisasi arsip, bandingkan juga dokumen digital dan dokumen fisik.
Faktor yang Memengaruhi Akurasi OCR
Tidak ada satu angka akurasi yang berlaku untuk semua implementasi. Hasil OCR dipengaruhi oleh kombinasi dokumen, data, dan konfigurasi berikut:
resolusi dan ketajaman gambar;
kemiringan atau rotasi dokumen;
bayangan, pantulan cahaya, noda, dan noise;
bagian dokumen yang terpotong;
ukuran, jenis, dan kontras huruf;
bahasa dan karakter yang digunakan;
tulisan tangan;
stempel atau tanda tangan yang menutupi teks;
tabel, kolom, dan layout yang kompleks;
variasi template antarvendor; serta
kualitas model dan data pelatihan.
Gunakan sampel dokumen nyata yang mewakili kondisi terbaik maupun terburuk. Dokumentasi Google tentang training document processors juga menekankan pentingnya data representatif dan label berkualitas saat mengevaluasi atau melatih model ekstraksi.
Keterbatasan dan Risiko yang Perlu Dikelola
OCR adalah alat pengenalan, bukan pengganti kontrol proses. Beberapa risiko yang perlu diperhatikan adalah:
salah baca karakter: terutama pada gambar buram, font kecil, dan teks yang saling menempel;
salah pemetaan field: teks terbaca benar tetapi dimasukkan ke kolom yang salah;
format dokumen berubah: template baru dapat menurunkan performa ekstraksi;
data sensitif: dokumen dapat memuat informasi identitas, finansial, atau kesehatan;
duplikasi dokumen: file yang sama dapat diproses lebih dari sekali; dan
otomatisasi tanpa kontrol: data dengan confidence rendah dapat masuk ke sistem tujuan tanpa pemeriksaan.
Gunakan confidence threshold, aturan validasi, pencocokan master data, deteksi duplikasi, audit log, serta human-in-the-loop untuk field penting. Untuk dokumen bernilai tinggi atau berisiko, keputusan otomatis harus mengikuti kebijakan dan toleransi risiko perusahaan.
Cara Memilih Solusi OCR yang Tepat
Sebelum memilih produk, lakukan evaluasi berdasarkan kebutuhan proses, bukan hanya demo pada satu dokumen yang bersih.
Petakan jenis dokumen. Catat format, jumlah halaman, bahasa, variasi template, dan sumber dokumen.
Tentukan field prioritas. Bedakan field wajib, field kritis, dan informasi yang hanya perlu dibuat searchable.
Uji sampel representatif. Sertakan scan buram, foto miring, dokumen terpotong, stempel, tabel, dan format vendor yang berbeda.
Ukur akurasi per field. Kesalahan pada total invoice mungkin lebih penting daripada kesalahan pada keterangan tambahan.
Tentukan alur validasi. Atur confidence threshold dan siapa yang menangani pengecualian.
Periksa integrasi. Evaluasi API, webhook, konektor, format ekspor, dan kompatibilitas dengan sistem yang digunakan.
Evaluasi keamanan. Tinjau lokasi pemrosesan, enkripsi, hak akses, retensi, audit log, dan kebutuhan kepatuhan.
Hitung biaya proses. Pertimbangkan lisensi, implementasi, validasi manual, pemeliharaan model, dan perubahan workflow.
KPI untuk Pilot OCR
Pilot sebaiknya memiliki baseline dan target yang dapat diuji. Beberapa KPI yang berguna adalah:
KPI | Cara membaca |
Field accuracy | Persentase field yang terbaca dan terpetakan dengan benar dibandingkan field yang diperiksa |
Document pass rate | Persentase dokumen yang memenuhi seluruh aturan kualitas dan validasi |
Straight-through processing rate | Persentase dokumen yang selesai tanpa koreksi manual |
Manual review rate | Persentase dokumen atau field yang harus diperiksa manusia |
Processing time | Waktu dari dokumen diterima hingga data siap digunakan |
Cost per document | Total biaya pemrosesan dibagi jumlah dokumen yang berhasil diproses |
Exception rate | Persentase dokumen yang gagal atau keluar dari alur normal |
Ukur hasil per jenis dokumen dan per field. Rata-rata keseluruhan dapat menyembunyikan field kritis yang performanya masih rendah.
Integrasi OCR dengan RPA, dan DMS
Dalam arsitektur otomatisasi dokumen, setiap teknologi memiliki tugas yang berbeda:
OCR mengubah gambar menjadi teks yang dapat dibaca mesin.
RPA atau API menjalankan proses dan memasukkan data ke aplikasi bisnis.
DMS menyimpan dokumen, metadata, versi, hak akses, dan jejak audit.
Contohnya, invoice diterima melalui email, diperiksa kualitasnya, dibaca oleh OCR, diekstrak oleh IDP, dicocokkan dengan data purchase order, lalu diteruskan ke ERP. Dokumen dan metadata akhirnya disimpan di DMS. Data ber-confidence rendah dialihkan ke petugas untuk diperiksa sebelum transaksi dibuat.
Evaluasi Solusi OCR untuk Proses Dokumen Perusahaan
Punya volume invoice, purchase order, delivery order, formulir, atau dokumen lain yang masih dientri manual? Pelajari solusi OCR untuk perusahaan dari Netmarks Indonesia atau hubungi tim Netmarks untuk mengevaluasi tipe dokumen, field prioritas, volume, integrasi, target akurasi, kebutuhan validasi, dan keamanan sebelum memulai pilot.
Pertanyaan Umum tentang OCR
Apakah OCR termasuk artificial intelligence?
OCR dapat menggunakan pendekatan pemrosesan gambar, pattern recognition, machine learning, dan deep learning. Karena teknologinya beragam, tidak semua implementasi OCR memiliki tingkat “kecerdasan” atau kemampuan yang sama.
Apakah OCR dapat membaca tulisan tangan?
Beberapa layanan OCR modern dapat mengenali tulisan tangan, tetapi hasilnya bergantung pada model, bahasa, gaya tulisan, dan kualitas gambar. Untuk kebutuhan ini, uji kemampuan ICR atau handwriting recognition menggunakan sampel nyata.
Apakah OCR dapat mengubah PDF menjadi Excel?
OCR dapat mengambil teks dari PDF hasil scan. Agar data masuk ke baris dan kolom Excel yang tepat, diperlukan deteksi tabel, pemetaan field, atau teknologi ekstraksi dokumen. Jadi, konversi PDF ke Excel biasanya lebih luas daripada OCR saja.
Apa perbedaan scanner dan OCR?
Scanner membuat salinan digital dalam bentuk gambar atau PDF. OCR mengenali teks di dalam hasil scan tersebut sehingga dapat dicari, disalin, atau diproses komputer.
Seberapa akurat OCR?
Tidak ada angka universal. Akurasi bergantung pada kualitas gambar, bahasa, font, layout, jenis dokumen, dan model yang digunakan. Akurasi harus diuji per field menggunakan dokumen yang representatif.
Apakah hasil OCR perlu diperiksa manusia?
Tidak selalu semua data, tetapi field penting dan data dengan confidence rendah sebaiknya divalidasi. Tingkat pemeriksaan ditentukan berdasarkan risiko, target akurasi, dan aturan bisnis.
Bisakah OCR diintegrasikan dengan ERP atau RPA?
Bisa. Hasil OCR atau IDP dapat dikirim melalui API, file terstruktur, atau konektor ke ERP, RPA, DMS, dan database. Ketersediaan metode integrasi bergantung pada produk yang dipilih.
Apakah OCR aman untuk dokumen sensitif?
Keamanan bergantung pada arsitektur dan penyedia solusi. Evaluasi enkripsi, kontrol akses, lokasi data, retensi, audit log, pemisahan lingkungan, dan proses penghapusan sebelum menggunakan OCR untuk data sensitif.
Comments