Panduan Teknis Tesseract OCR

Tesseract OCR adalah mesin pengenalan karakter optik open source paling andal di dunia. Dibangun di atas neural network LSTM, Tesseract mendukung pengenalan lebih dari 100 bahasa dunia.

Standar Terkini: Dokumentasi ini disusun berdasarkan rilis Tesseract 5.5 dengan mesin pembelajaran mendalam LSTM terintegrasi.

Apa itu Tesseract?

Tesseract adalah mesin OCR yang mengubah piksel gambar menjadi teks terstruktur yang dapat dicari. Berawal di Hewlett-Packard pada 1985, kini dikelola oleh komunitas open source dan mendukung lebih dari 100 bahasa melalui jaringan saraf LSTM.

Panduan developer

Selain referensi ini, kami menerbitkan panduan lengkap dan teruji untuk setiap tugas pengembangan Tesseract:

Panduan instalasi — Windows, macOS, Linux, Docker, dan tessdata.
Panduan Python (pytesseract) — dari gambar ke teks, PDF, keyakinan, dan PSM/OEM.
Pustaka & pembungkus — Python, JS, C++, Java, Go, dan .NET.
Panduan PDF — OCR PDF, PDF yang dapat dicari, OCRmyPDF, dan Python.
Panduan pelatihan — tesstrain, ground truth, dan fine-tuning.
Panduan API & layanan — REST self-hosted dengan FastAPI dan Docker.

Instalasi

Langkah-langkah pemasangan sesuai sistem operasi Anda:

macOS (Homebrew)

brew install tesseract
brew install tesseract-lang  # Pasang semua model bahasa

Ubuntu / Debian

sudo apt update
sudo apt install tesseract-ocr tesseract-ocr-ind tesseract-ocr-eng

Windows

winget install UB-Mannheim.TesseractOCR
# atau via Scoop:
scoop install tesseract

CLI Panduan Cepat

Contoh perintah dasar pengenalan teks:

# Ekstrak teks Bahasa Indonesia ke terminal stdout
tesseract input.png stdout -l ind

# Simpan hasil ke file teks (output.txt)
tesseract scan.jpg output -l ind+eng

# Buat PDF yang dapat dicari (searchable PDF)
tesseract dokumen.tif output_searchable -l ind pdf

Mode Segmentasi Halaman (PSM)

Gunakan opsi --psm <N> untuk menentukan strategi segmentasi halaman:

PSM	Deskripsi Mode	Kasus Penggunaan
`0`	Deteksi orientasi dan aksara saja (OSD)	Koreksi rotasi halaman dan deteksi bahasa
`1`	Segmentasi otomatis + OSD	Pindaian kompleks multi-bahasa
`3`	Segmentasi otomatis penuh (Default)	Dokumen standar multi-paragraf
`6`	Blok teks seragam tunggal	Kwitansi, faktur, satu blok teks teratur
`7`	Satu baris teks	Plat nomor kendaraan, teks label tunggal
`8`	Satu kata tunggal	Kode CAPTCHA, teks logo

Mode Mesin OCR (OEM)

OEM berfungsi untuk beralih antara mesin pencocokan pola lama dan jaringan saraf LSTM modern. Atur dengan parameter --oem.

Intinya: Di Tesseract 5, OEM 1 (LSTM) adalah bawaan dengan akurasi tertinggi. OEM 0 (lama) hanya disarankan untuk font tertentu yang lebih tua dari model jaringan saraf.

0: Hanya mesin lama (analisis gambar klasik).
1: Hanya mesin jaringan saraf LSTM (cepat dan akurat).
2: Gabungan mesin lama dan LSTM.
3: Bawaan, sesuai isi model .traineddata yang tersedia.

Kompatibilitas: Tidak semua paket bahasa mendukung mesin lama (OEM 0). Model "fast" hanya berisi data LSTM (OEM 1).

Format Keluaran (PDF, hOCR)

Gunakan keluaran pdf untuk mengubah gambar menjadi PDF yang dapat dicari; pilih hOCR/TSV/ALTO jika memerlukan koordinat per kata.

# PDF yang dapat dicari
tesseract document.tif output pdf
# Data koordinat (hOCR)
tesseract input.png out hocr

→ Panduan lengkap PDF Tesseract OCR — PDF yang dapat dicari, OCRmyPDF, Python, dan pemecahan masalah.

Integrasi Python (pytesseract)

Pasang mesin, lalu pip install pytesseract pillow. Panduan lengkap mencakup image_to_string, prapemrosesan gambar, PDF, keyakinan, konfigurasi PSM/OEM, dan pemecahan masalah.

→ Panduan Python

Node.js & Browser (tesseract.js)

tesseract.js digunakan di peramban atau Node melalui WebAssembly. Ia mengenali gambar dan tidak mendukung PDF. Lihat referensi pustaka untuk semua wrapper dan trade-off.

→ Pustaka & Wrapper Tesseract OCR

Pelatihan & Fine-Tuning Model (tesstrain)

Tesseract 5 melakukan fine-tuning dan melatih model LSTM dengan proyek tesstrain. Pelatihan tidak tersedia melalui installer biner: Anda memerlukan build dari sumber (atau WSL2), serta make, pembuatan ground truth, dan repositori tesstrain.

→ Panduan lengkap pelatihan Tesseract (tesstrain, fine-tuning, penerapan)

Mesin AI Dokumen & Deep Learning Terkait

Tesseract adalah standar open source untuk ekstraksi teks, tetapi alur dokumen modern sering memadukannya dengan mesin saraf khusus:

PaddleOCR: Mesin OCR deep learning berakurasi tinggi (PP-OCR) dengan pengenalan tabel, analisis tata letak, dan dukungan multibahasa. (panduan)
Docling: Parser dokumen open source untuk GenAI & RAG yang mengubah PDF, gambar, dan dokumen Office menjadi Markdown dan JSON terstruktur. (panduan)
Pillow (PIL): Pustaka pengolahan gambar dasar di Python untuk penyesuaian kontras, thresholding, pemotongan, dan konversi format sebelum OCR. (panduan)