Kalau kamu meminta AI mengambil angka dari PDF, tabel yang rapi belum tentu berisi bacaan yang benar. Satu berkas bisa memuat teks, gambar hasil pindai, tabel, grafik, dan catatan kaki. Perintah “ambil semua angka” bisa membuat model salah membaca satuan atau memasangkan angka ke kolom yang keliru.
Dokumentasi PDF Claude menjelaskan pembacaan teks dan bagian visual. Kemampuannya bergantung juga pada model serta jalur pemanggilan lewat program, atau API. Panduan pembacaan gambar menjelaskan bahwa gambar punya bentuk masukan tersendiri.
Kita akan memakai laporan fiktif untuk menyusun alur pengambilan data, atau ekstraksi, yang bisa diperiksa. Pembahasan ini tidak mengukur ketepatan produk tertentu dalam mengenali teks dari gambar. Proses pengenalan itu biasa disebut OCR.
Kenali isi halaman sebelum mengambil datanya
Kelompokkan halaman sebagai teks digital, hasil pindai, tabel padat, grafik, atau campuran. Catat arah halaman, jumlah kolom, bahasa, dan kebutuhan ketajaman gambar. Meski teksnya bisa langsung diambil, urutan baca tetap perlu diperiksa karena PDF dua kolom dapat menghasilkan paragraf yang bercampur.
Saat memecah dokumen, bawa juga nomor halaman sumbernya. Nomor dalam berkas bisa berbeda dari nomor yang tercetak karena sampul dan daftar isi. Simpan keduanya bila ada, supaya editor bisa menemukan sel yang dimaksud tanpa menebak halaman.
Untuk data sensitif, pilih dulu halaman dan bagian yang benar-benar dibutuhkan sebelum mengirimnya ke layanan. Gambar pratinjau kecil, nama berkas, dan keterangan tambahan dokumen juga bisa membawa informasi. Menghapus nama dari hasil bacaan teks belum membersihkan berkas aslinya.
Simpan angka bersama tempat asalnya
Setiap nilai perlu membawa data dan catatan asal-usulnya, atau provenance. Dengan begitu, kamu tahu ke mana harus kembali saat ingin memeriksa bukti. Bentuk berikut adalah rancangan contoh, bukan format resmi penyedia layanan:
{
"document_id": "report-demo",
"revision": "r1",
"page_index": 3,
"printed_page": "2",
"table_id": "T01",
"field": "revenue",
"raw_text": "1.234,50",
"normalized": "1234.50",
"unit": "juta rupiah",
"period": "2026-Q3",
"bbox_normalized": [0.12, 0.31, 0.44, 0.38]
}Titik lokasi pada contoh memakai rentang 0–1 terhadap halaman yang arahnya sudah diperbaiki. Ini aturan aplikasi contoh, sehingga format lokasi dari penyedia lain belum tentu sama. Jika halaman dipotong atau diputar, simpan perubahan posisinya agar kotak bukti bisa ditemukan kembali di gambar sumber.
Angka 1234.50 kehilangan arti tanpa satuan. Membaca “juta rupiah” sebagai “rupiah” menghasilkan kesalahan besar meski semua digitnya tepat. Periode dan tanda negatif juga bagian dari fakta yang harus ikut disimpan.
Rapikan format angka dengan aturan yang jelas
Pemisah ribuan dan desimal bisa berbeda antardokumen. Menyeragamkan format ini disebut normalisasi. Kode berikut hanya menerima pola Indonesia tertentu dan menolak bentuk yang belum dikenali, sehingga tidak perlu menebak:
import re
from decimal import Decimal
def parse_id_number(raw):
pattern = r"-?(?:\d{1,3}(?:\.\d{3})+|\d+)(?:,\d+)?"
value = raw.strip()
if not re.fullmatch(pattern, value):
raise ValueError("Format angka Indonesia tidak dikenali")
return Decimal(value.replace(".", "").replace(",", "."))
print(parse_id_number("1.234,50"))
print(parse_id_number("-25,75"))Fungsi tadi belum membaca tanda kurung sebagai bilangan negatif, persen, mata uang, atau penulisan angka berpangkat yang disebut notasi ilmiah. Tambahkan aturan tersendiri setelah format sumbernya diketahui. Simpan teks asli dalam raw_text agar program pembaca format, atau parser, bisa diuji ulang tanpa mengambil data dari awal.
Pakai jenis bilangan desimal saat penghitungan membutuhkan ketepatan desimal. Jangan menerapkan penggantian karakter yang sama ke semua dokumen. Sumber berbahasa Inggris, misalnya, bisa memakai titik sebagai pemisah desimal.
Baca angka tabel bersama judul kolom dan barisnya
Sebuah sel bisa mendapat tahun dari judul kolom di atas, kategori dari kolom kiri, dan satuan dari judul tabel. Judul kolom atau baris ini sering disebut header. Kalau gambar dipotong sampai hanya angkanya yang tersisa, model kehilangan bahan untuk memberi label yang tepat.
Pisahkan pengenalan susunan tabel dari penafsiran isinya. Kenali baris, kolom, header bertingkat, dan sel gabungan lebih dulu, lalu hubungkan nilainya dengan kebutuhan aplikasi. Biarkan sel kosong tetap kosong, kecuali sumber memang memakai aturan mengambil nilai dari baris sebelumnya.
Setelah itu, cocokkan hasil penghitungan dengan total yang tercantum. Jika tiga komponen seharusnya membentuk total, hitung selisihnya dan tentukan batas selisih dari aturan pembulatan sumber. Perbedaan belum tentu berasal dari OCR; sumbernya bisa membulatkan komponen atau memberi catatan penyesuaian.
Periksa skala sebelum mengambil angka dari grafik
Batang yang terlihat dua kali lebih tinggi belum tentu bernilai dua kali lipat. Sumbu yang dipotong atau skala logaritmik, yang jaraknya mengikuti perbandingan berlipat, bisa memberi tampilan seperti itu. Baca label, keterangan simbol, rentang sumbu, dan catatan sebelum menarik kesimpulan tentang tren.
Kalau angka hanya diperkirakan dari gambar, tandai sebagai perkiraan dan sebutkan batas ketelitiannya. Bedakan angka itu dari nilai pasti dalam tabel. Bila ada tabel data pendamping, utamakan tabel untuk penghitungan dan pakai grafik untuk memeriksa konteks.
Berikut beberapa kesalahan yang perlu kamu cari. Masing-masing membutuhkan penanganan yang berbeda:
| Masalah | Cara memeriksa | Langkah berikutnya |
|---|---|---|
| Digit terbaca salah | Cocokkan dengan potongan gambar sumber | Periksa ulang nilainya |
| Kolom tahun tertukar | Baca judul kolom secara lengkap | Ambil ulang susunan tabel |
| Satuan terlewat | Baca judul dan catatan sumber | Tunda penghitungan |
| Angka grafik dianggap terlalu pasti | Periksa skala dan data pendamping | Tandai sebagai perkiraan |
| Catatan tidak ikut terbaca | Periksa bagian bawah halaman | Tambahkan konteks yang kurang |
Nilai ketepatan setiap bagian dan halaman
Siapkan bahan uji dari PDF digital, pindai berkualitas rendah, tabel berjudul kolom bertingkat, dan angka negatif. Jawaban rujukannya perlu memuat nilai, satuan, periode, serta lokasi bukti. Kesamaan teks saja bisa melewatkan angka yang terhubung ke kolom yang salah.
Ukur ketepatan tiap bagian data, atau field accuracy, kesalahan satuan, sel yang hilang, dan bagian halaman yang perlu pemeriksaan manusia. Catat juga biaya dan waktu pemeriksaan per halaman yang diterima. Hasilnya membantu kamu memilih kapan pembacaan otomatis berguna dan kapan pembacaan manual lebih hemat waktu serta biaya.
Sebelum angka dijadikan slide atau video, hubungkan ke daftar klaim dan sumber, atau manifest. Alur pemeriksaan Gemini Notebook memberi contoh pemeriksaan dari satu format ke format lain. Dengan hubungan yang tercatat, koreksi satu sel bisa ditelusuri ke artikel, grafik, dan ringkasan yang memakainya.
