Volume 02.
No.
Juni 2026.
Hal.
13 Ae 19 e-ISSN : 3109-4163 Perbandingan Kinerja EasyOCR dan Tesseract dalam Ekstraksi Teks pada citra Digital Abyan Hanif1*.
Ardan Sahid2.
Alifia Anita F3
*1, 2, 3
Program Studi Teknologi Informasi.
Fakultas Kesehatan dan Teknologi.
Universitas Muhammadiyah Klaten.
Klaten , alifiaanita28@gmail.
Email: 1abyanhanif@gmail.
Aardansahid9@gmail.
abyanhanif79@gmail.
ABSTRACT Ai Rapid advancements in digital image processing technology have increased the demand for automatic text extraction systems from images, commonly known as OCR (Optical Character Recognitio.
In this field, there are two widely used tools: Tesseract and EasyOCR, which are two very popular open-source software packages frequently utilized by developers to meet their needs.
However, selecting the most appropriate tool often poses a unique challenge for researchers due to significant differences in the underlying architecture and performance offered by each library.
This study aims to conduct an in-depth comparative analysis between Tesseract and EasyOCR, specifically regarding character recognition accuracy and data processing speed under various image conditions.
The methodology employed in this study involves collecting a diverse dataset of images, ranging from very clean printed text to images with significant visual noise or distortion.
Both software programs will then be tested using the Python programming language to systematically and measurably extract text from the same dataset.
Performance evaluation is measured objectively using the Weighted Average Character Error Rate (CER) and Word Error Rate (WER) metrics.
KEYWORDS Ai OCR.
EasyOCR.
Tesseract.
Text Extraction.
Deep Learning.
Image Processing.
CER.
WER.
INTISARI Ai Perkembangan terhadap pengolahan teknologi citra digital yang perkembang sangat pesat telah meningkatkan kebutuhan kepada sistem ekstraksi teks otomatis dari sebuah gambar atau biasa dikenal sebagai (OCR).
Di teknologi ini terdapat dua tools yaitu Tesseract dan EasyOCR, yang merupakan dua perangkat lunak bersifat sumber terbuka yang sangat populer dan seringkali digunakan oleh para pengembang untuk memenuhi kebutuhan yang diperlukan.
Namun, pemilihan alat yang paling tepat sering kali menjadi tantangan tersendiri yang harus dihadapi oleh peneliti karena adanya perbedaan signifikan dalam arsitektur dasar serta performa yang ditawarkan oleh masing-masing pustaka tersebut.
Penelitian ini dilakukan bertujuan untuk melakukan analisis perbandingan yang mendalam antara Tesseract dan EasyOCR, khususnya dalam aspek akurasi pengenalan karakter serta kecepatan pemrosesan data pada berbagai kondisi citra.
Metodologi yang digunakan dalam penelitian ini meliputi pengumpulan dataset citra yang bervariasi, mulai dari teks cetak yang sangat bersih hingga gambar yang memiliki gangguan visual atau noise yang cukup tinggi.
Kedua perangkat lunak tersebut kemudian akan diuji menggunakan bahasa pemrograman Python untuk mengekstraksi teks dari dataset yang sama secara sistematis dan terukur.
Evaluasi kinerja diukur secara objektif menggunakan metrik Weighted Average Character Error Rate (CER) dan Word Error Rate (WER).
KATA KUNCI Ai OCR.
EasyOCR.
Tesseract.
Ekstraksi Teks.
Deep Learning.
Pengolahan Citra.
CER.
WER.
PENDAHULUAN
Perkembangan teknologi pengolahan citra digital yang pesat telah meningkatkan urgensi sistem Optical Character Recognition (OCR) dalam mendukung efisiensi operasional di berbagai sector .
Sistem Tesseract yang dikelola oleh Google telah lama menjadi standar industri dengan memanfaatkan teknologi Long Short-Term Memory (LSTM) .
Meskipun demikian, beberapa studi menunjukkan bahwa performa pengenalan karakter pada Tesseract cenderung mengalami penurunan drastis ketika dihadapkan pada objek dengan kompleksitas visual yang tinggi atau label kemasan yang tidak standar .
Oleh karena itu, diperlukan evaluasi lebih lanjut terhadap efektivitas penggunaannya dalam kondisi non-standar.
Beberapa membandingkan kinerja antar-pustaka OCR menggunakan metrik Character Error Rate (CER) dan Word Error Rate (WER) sebagai standar evaluasi tingkat akurasi.
, .
, .
, .
A Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 13 Ae 19 e-ISSN 3109Ae4163 .
Pustaka Tesseract diketahui unggul pada dokumen formal terstruktur dengan latar belakang bersih.
Sementara itu.
EasyOCR yang berbasis kerangka kerja deep learning PyTorch menawarkan ketangguhan pada scene text recognition melalui integrasi model Character Region Awareness for Text Detection (CRAFT) .
Model CRAFT ini terbukti handal dalam menangani pembentukan bounding box lokasi teks pada aksara non-Latin maupun teks dengan variasi sudut yang ekstrem .
, .
Meskipun perbandingan umum telah banyak dibahas, masih terdapat celah penelitian .
esearch ga.
terkait analisis performa mendalam saat kedua mesin ini dihadapkan pada dataset dengan degradasi kualitas citra yang ekstrem secara berdampingan.
Kebaruan .
dari penelitian ini terletak pada analisis komprehensif yang mengevaluasi tingkat akurasi sekaligus efisiensi pemrosesan pada lingkungan pengujian yang dirancang secara khusus .
Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 13 Ae 19 Penelitian ini bertujuan untuk menganalisis perbandingan objektif guna memberikan landasan data bagi praktisi dalam menentukan alat OCR yang paling sesuai dengan kebutuhan aplikasi .
Fokus pengujian mencakup aspek akurasi pada tingkat karakter dan kata serta kecepatan pemrosesan data.
Kontribusi utama dari hasil penelitian ini adalah pemberian rekomendasi teknis mengenai penggunaan mesin OCR yang optimal pada lingkungan statis maupun Dengan demikian, penelitian ini diharapkan dapat membantu menjaga integritas data digital yang dihasilkan dari proses ekstraksi teks otomatis di berbagai kondisi lingkungan.
performa Tesseract diketahui sangat sensitif terhadap kualitas tanpa prapemrosesan yang memadai seperti thresholding atau perbaikan kontras, tingkat akurasinya cenderung menurun pada citra dengan latar belakang yang II.
TINJAUAN PUSTAKA
EasyOCR memanfaatkan algoritma deep learning untuk pengenalan gambar jaringan saraf konvolusional seperti Residual Network yang dipadukan dengan recurrent neural networks, terutama jaringan LSTM (Long Short Term Memor.
dan CTC (Connectionist Temporal Classificatio.
, sebagai blok bangunan arsitekturnya.
EasyOCR juga menggunakan Algoritma Greedy Decoder sebelum melakukan post processing dan CRAFT (Character Region Awareness For Text Recognitio.
setelah melakukan pre processing.
CRAFT cukup akurat dalam pengenalan text dengan pembentukan bounding box yang membantu memberikan lokasi letak text .
, easyOCR memiliki struktur yang cukup kompleks dan karena mengandalkan algoritma neural network menyebabkan tingginya permintaan daya komputasi walaupun EasyOCR cukup baik dengan gambar dengan kualitas sedang dan rendah.
Tessaract menggunakan struktur yang lebih sederhana dibandingkan dengan EasyOCR,Tessaract hanya menggunakan LSTM (Long Short Term Memor.
dan language Model correction.
,dan karena struktur yang linear dan algoritma yang lebih sedikit menyebabkan kecepatan tinggi walaupun daya komputasi yang lebih sedikit ,namun memiliki kelemahan terhadap gambar dengan kerumitan dan kualitas yang rendah.
Gambar 1.
Arsitektur TESSERACT
ARSITEKTUR EASYOCR
EasyOCR adalah pustaka OCR modern berbasis bahasa pemrograman Python yang dibangun di atas kerangka kerja deep learning PyTorch.
Pustaka ini dikembangkan oleh Jaided AI dan dirancang untuk mempermudah implementasi ekstraksi teks pada berbagai platform.
Arsitektur EasyOCR menggunakan model Character Region Awareness for Text Detection (CRAFT) untuk mendeteksi lokasi teks pada citra dan Convolutional Recurrent Neural Network (CRNN) untuk mengenali karakter tersebut.
Berbeda dengan pendekatan tradisional.
EasyOCR dikenal lebih tangguh .
dalam menangani scene text recognition, yaitu teks yang berada di lingkungan alami dengan sudut pengambilan gambar yang beragam, pencahayaan yang tidak merata, serta gaya tulisan yang bervariasi.
OPTICAL CHARACTER RECOGNITION (OCR)
Optical Character Recognition (OCR) adalah teknologi yang berfungsi untuk mengonversi dokumen fisik dalam bentuk citra digital seperti hasil pemindaian atau foto menjadi teks yang dapat diedit dan diproses oleh mesin komputer.
Proses kerja OCR secara umum melibatkan beberapa tahap utama, yaitu prapemrosesan .
, segmentasi karakter, ekstraksi fitur, dan pengenalan karakter .
Teknologi ini telah menjadi komponen inti dalam proses digitalisasi informasi untuk kebutuhan arsip, ekstraksi data otomatis, hingga pengembangan sistem kecerdasan buatan yang mampu memahami konten Efektivitas sebuah sistem OCR sangat bergantung pada kemampuan algoritma dalam menangani variasi jenis huruf, resolusi citra, dan gangguan visual .
Gambar 2.
Arsitektur EasyOCR
PARAMETER CER & WER
Untuk mengukur kinerja dan akurasi dari sistem OCR, digunakan metrik standar berupa Character Error Rate (CER) dan Word Error Rate (WER).
CER dihitung berdasarkan jumlah operasi minimum yang diperlukan untuk mengubah teks hasil ekstraksi menjadi teks referensi .
ermasuk substitusi, penghapusan, dan penyisipan karakte.
, dibagi dengan jumlah total karakter .
Sementara itu.
WER menggunakan logika yang sama namun diterapkan pada tingkat kata.
Nilai CER dan WER yang mendekati angka 0 menunjukkan tingkat akurasi yang semakin tinggi.
Penggunaan rata-rata tertimbang (Weighted Averag.
pada kedua metrik ini sering kali dilakukan untuk memberikan gambaran yang lebih representatif terhadap performa sistem pada dataset dengan distribusi panjang teks yang berbeda .
Berikut persamaan .
untuk menghitung CER dan WER:
ARSITEKTUR TESSERACT
Tesseract merupakan salah satu mesin OCR sumber terbuka yang paling luas penggunaannya dan saat ini dikembangkan oleh Google .
Sejak peluncurannya.
Tesseract telah mengadopsi arsitektur Neural Network berbasis Long ShortTerm Memory (LSTM) untuk meningkatkan akurasi pengenalan teks yang bersifat sekuensial.
Keunggulan utama Tesseract terletak pada dukungannya terhadap lebih dari 100 bahasa dan kemampuannya yang efisien dalam mengenali teks pada dokumen dengan format standar atau terstruktur.
Namun.
Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 13 Ae 19 yayaycI = .
cI ya y.
ycAya .
cI ya y.
ycOyaycI = ycAya Keterangan variabel:
kasus ekstraksi teks berspesifikasi khusus yang membutuhkan ketelitian tinggi.
Proses pengumpulan, kriteria pemilihan, dan karakteristik dari sampel citra tersebut dijabarkan secara terperinci sebagai .
A S: Jumlah substitusi .
enggantian kata atau karakter yang sala.
A D: Jumlah penghapusan .
ata atau karakter yang hilang dari teks asl.
A I: Jumlah penyisipan .
ata atau karakter tambahan yang tidak seharusnya ad.
A NH: Jumlah total karakter pada teks referensi .
round trut.
untuk perhitungan CER.
A NK: Jumlah total kata pada teks referensi .
round trut.
untuk perhitungan WER.
Semakin rendah nilai CER, semakin baik kualitas ekstraksi yang dihasilkan.
Semakin rendah nilai WER, semakin baik kualitas ekstraksi per kata yang dihasilkan.
Selain itu.
Akurasi dihitung untuk memberikan nilai persentase seberapa tepat output OCR dibandingkan dengan teks referensi.
Berikut persamaan .
untuk menghitung akurasi:
yaycoycycycaycycn = .
Oe yayaycI)ycu 100
METODOLOGI
ALUR PENELITIAN
Penelitian ini dilakukan secara sistematis melalui beberapa tahapan utama untuk menjamin validitas data yang dihasilkan.
Tahapan pertama dimulai dengan pengumpulan dataset citra yang mengandung teks dengan variasi tingkat kesulitan.
Tahap kedua adalah perancangan dan implementasi dua program AI menggunakan bahasa pemrograman Python, di mana program pertama mengimplementasikan mesin Tesseract OCR dan program kedua mengimplementasikan pustaka EasyOCR.
Tahap ketiga adalah proses ekstraksi teks secara otomatis dari seluruh dataset menggunakan kedua program tersebut.
Tahapan terakhir adalah evaluasi hasil ekstraksi dengan membandingkan teks output terhadap teks referensi .
round trut.
untuk mendapatkan nilai akurasi berdasarkan metrik yang telah Berikut Gambar 3 merupakan contoh alur penelitian dalam bentuk diagram alir atau flowchart.
Gambar 3.
Alur penelitian DATA UJI Data uji .
est se.
yang digunakan dalam penelitian ini terdiri dari sampel citra digital yang disiapkan secara mandiri .
ynthetic datase.
oleh peneliti.
Pembatasan jumlah sampel ini sengaja dilakukan secara terukur guna memfasilitasi analisis kualitatif dan kuantitatif secara mendalam, khususnya pada studi Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 13 Ae 19 Sumber data Citra teks diproduksi secara digital oleh peneliti menggunakan perangkat lunak penyunting teks dengan variasi font standar.
Langkah ini diambil untuk memastikan bahwa teks awal memiliki struktur geometri yang ideal sebelum diberikan perlakuan gangguan visual tertentu.
Teks Referensi (Ground Trut.
Setiap sampel citra merepresentasikan representasi kata-kata spesifik yang kompleks seperti biodata kartu pramuka.
Seluruh teks asli pada citra telah dicatat secara manual sebagai ground Data ground truth ini berfungsi sebagai standar pembanding mutlak dalam evaluasi dan perhitungan nilai Character Error Rate (CER) serta Word Error Rate (WER) pada tahap Karakteristik Kluster Gangguan:
Untuk menguji batas ekstrem performa deteksi arsitektur Character Region Awareness for Text Detection (CRAFT) pada EasyOCR serta mesin berbasis LSTM pada Tesseract, sampel citra dibagi menjadi tiga kluster tingkat kesulitan berdasarkan standarisasi variasi noise pada citra digital .
, .
A Kluster I (Kontro.
: Citra teks cetak bersih tanpa gangguan visual sebagai standar performa dasar .
LINGKUNGAN PENGEMBANGAN
Prosedur pengujian dilakukan dengan menjalankan kedua program AI pada dataset yang sama secara berdampingan tanpa memberikan perlakuan prapemrosesan .
manual yang berlebihan, guna melihat performa asli .
aseline performanc.
dari masing-masing mesin.
Karakteristik visual dan visualisasi dari sampel citra teks yang diuji dalam penelitian ini diilustrasikan secara mendalam pada Gambar A.
Hasil ekstraksi teks dari Tesseract dan EasyOCR kemudian disimpan dalam format digital untuk dihitung tingkat kesalahannya.
Evaluasi akurasi dilakukan menggunakan metode perhitungan Character Error Rate (CER) dan Word Error Rate (WER) .
, .
Perhitungan ini dilakukan secara otomatis dengan membandingkan jumlah karakter atau kata yang salahAi mencakup aspek substitusi .
, penghapusan .
, atau penyisipan .
Aiterhadap total karakter atau kata pada teks referensi .
round trut.
Hasil akhir disajikan dalam bentuk rata-rata tertimbang .
eighted averag.
untuk mendapatkan kesimpulan performa yang menyeluruh .
IV.
HASIL DAN PEMBAHASAN
Gambar 4.
Contoh citra kluster I (Kontro.
HASIL Penelitian ini menggunakan data uji yang telah disiapkan dan mendapatkan hasil seperti pada Gambar 7 serta Tabel I A Kluster II (Sedan.
: Citra dengan efek pencahayaan tidak merata .
neven illuminatio.
dan latar belakang kontras rendah .
ow contras.
guna mensimulasikan gangguan optik pada pemindaian fisik.
Gambar 5.
Contoh citra kluster II (Sedan.
A Kluster i (Ekstre.
: Citra dengan tingkat derau tinggi .
igh nois.
dan resolusi rendah .
ow-resolution text di bawah 72 DPI).
Variasi ini mengacu pada tantangan nyata pengenalan karakter pada dokumen digital yang mengalami degradasi kualitas .
Gambar 6.
Contoh citra kluster i (Ekstre.
Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 13 Ae 19 Gambar 7.
Data ujicoba menggunakan struk pembelanjaan TABEL I HASIL EKSTRAK TEKS EASYOCR PADA DATA UJI COBA STRUK PEMBELANJAAN Teks Ekstrak Lnre 4a egenda Burger Klaten Ngepos.
Klaten.
Jawa
Tengah No, 192487-1
2026-05-05
Kasir
KASIR
15,07:15
Baee Cilik 1 X Rp 12.
Hasil deteksi Pada sampel citra ini.
Tesseract mengalami kegagalan total dalam mendeteksi dan mengekstraksi teks, sehingga tidak ada output teks yang dihasilkan.
Selanjutnya dilakukan juga ujicoba pada objek lain yaitu kartu pengenal seperti yang terlihat pada Gambar 8 dan Tabel II dan i untuk hasil dari pada uji coba yang dilakukan.
Namun pada Gambar 8 diberikan noise untuk menjaga privasi daripada pemilik kartu pengenal.
Gambar 8.
Data ujicoba menggunakan kartu pengenal Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 13 Ae 19
TABEL II
HASIL EKSTRAK TEKS EASYOCR PADA DATA UJI COBA KARTU PENGENAL
Teks Ekstrak
KARTU
TANDA ANGGOTA
GERAKAN PRAMUKA
PENGGALANG
Gudep
SMP NEGERI 1 JOGONALAN
Kwarran
JOGONALANIWARTIRPAFRAH
11 JAWA TENGAH
Teks Ekstrak Hasil deteksi Hasil deteksi Selain itu data yang diuji cobakan juga menggunakan variasi objek jenis teks yang berbeda dari ujicoba sebelumnya seperti yang terlihat pada gambar 10, serta Tabel VI merupakan tabel ekstrak teks.
TABEL i HASIL EKSTRAK TEKS TESSERACT PADA DATA UJI COBA KARTU PENGENAL Teks Ekstrak See Swen Seen:
Hasil deteksi Gambar 10.
Data ujicoba menggunakan foto helm
TABEL VI
HASIL EKSTRAK TEKS EASYOCR PADA DATA UJI COBA FOTO HELM
Teks Ekstrak
HELMET
OSAKHI
HELMET
OC y Selain itu data yang diuji cobakan juga menggunakan jenis teks yang berbeda dari ujicoba sebelumnya seperti yang terlihat pada Gambar 9 dibawah serta Tabel IV dan V merupakan tabel ekstrak teks.
Hasil deteksi Pada sampel citra juga ini.
Tesseract mengalami kegagalan total dalam mendeteksi dan mengekstraksi teks, sehingga tidak ada output teks yang dihasilkan.
Selain itu data yang diuji cobakan juga menggunakan variasi jenis teks yang berbeda dari ujicoba sebelumnya seperti yang terlihat pada gambar 11 dibawah serta Tabel VII DAN Vi merupakan tabel ekstrak teks.
Gambar 9.
Data ujicoba menggunakan gambar berisi tulisan TABEL IV
HASIL EKSTRAK TEKS EASYOCR PADA DATA UJI GAMBAR BERISI TULISAN
Teks Ekstrak Naga hutan Naga Lamaf Hasil deteksi Gambar 11.
Data ujicoba menggunakan gambar berisi tulisan resolusi rendah
TABEL V
HASIL EKSTRAK TEKS TESSERACT PADA DATA UJI GAMBAR BERISI TULISAN
Teks Ekstrak
Rla
Kla
Law
TABEL VII
HASIL EKSTRAK TEKS EASYOCR PADA DATA UJI GAMBAR BERISI TULISAN
Hasil deteksi Teks Ekstrak Tuchs @ohr Hasil deteksi Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 13 Ae 19
TABEL Vi
HASIL EKSTRAK TEKS TESSERACT PADA DATA UJI GAMBAR BERISI TULISAN
Teks Ekstrak Gambar 12 merepresentasikan perbandingan hasil perhitungan CER dan WER dari EasyOCR dan Tesseract menggunakan rumus .
untuk CER dan rumus .
untuk WER Nilai Weighted Average CER dan WER yang disajikan pada Tabel II diperoleh melalui proses perhitungan matematis menggunakan persamaan metrik evaluasi yang telah diuraikan pada bagian metodologi.
Secara spesifik, setiap output teks yang dihasilkan oleh EasyOCR dan Tesseract dari ke-19 sampel data uji dibandingkan secara langsung dengan teks referensi aslinya .
round trut.
Tingkat kesalahan kemudian dikalkulasi berdasarkan akumulasi jumlah substitusi (S), penghapusan (D), dan penyisipan (I), yang dibagi dengan total jumlah karakter atau kata aktual (N).
Hasil perhitungan dari seluruh sampel tersebut kemudian dirata-rata secara tertimbang .
eighted averag.
untuk merepresentasikan skor akhir performa deteksi masing-masing mesin secara objektif.
Hasil deteksi
PEMBAHASAN
Hasil penelitian ini memberikan implikasi penting bagi pengembang sistem berbasis AI.
Untuk kebutuhan ekstraksi teks pada media statis seperti dokumen pindaian yang bersih.
Tesseract masih merupakan pilihan ekonomis.
Namun, untuk aplikasi yang beroperasi di lingkungan dinamis seperti pembacaan nota transaksi melalui kamera atau pelat nomor kendaraan, penggunaan EasyOCR sangat direkomendasikan demi menjaga integritas data digital yang dihasilkan.
Penelitian yang dilakukan mendapatkan hasil ekstraksi Tesseract menunjukkan kegagalan pada kata 'hallo', 'tugas' dan angka '8' yang sama sekali tidak terdeteksi dalam output teks.
Selain itu, pada kata 'nomor'.
Tesseract menghasilkan nilai kepercayaan yang sangat tinggi, yaitu 95, jauh di diatas tiga kata Fenomena ini memperkuat temuan kuantitatif bahwa Tesseract memiliki ketergantungan yang tinggi pada kejelasan piksel dan segmentasi karakter, sehingga pada citra low-res, mesin ini cenderung melewatkan teks atau menghasilkan pembacaan yang tidak akurat.
Prosedur pengujian dilakukan dengan mengeksekusi setiap sampel citra pada kedua mesin OCR secara sistematis.
Untuk memastikan stabilitas sistem dan mengonfirmasi sifat deterministik dari arsitektur EasyOCR dan Tesseract, dilakukan pengujian replikasi sebanyak 10 kali iterasi untuk sampel citra yang sama.
Hasil eksperimen menunjukkan tingkat konsistensi sebesar 100% tanpa adanya variasi pada output teks maupun nilai kepercayaan .
onfidence scor.
di setiap iterasinya.
Setelah konsistensi performa terbukti stabil, nilai akhir performa dihitung menggunakan metode Character Error Rate (CER) dan Word Error Rate (WER).
Perbandingan akumulatif kinerja dari kedua model tersebut disajikan pada Gambar 12 dibawah.
TABEL Vi
HASIL EKSTRAK TEKS PADA DATA UJI GAMBAR BERISI TULISAN
Kluster
EasyOCR EasyOCR Tesseract Tesseract
Pengujian CER
WER
CER
WER
Kluster I 4,8192% 11,11% 16,26% 29,62% (Kontro.
Kluster II 15,602% 40,42% (Sedan.
Kluster i 18,28% 39,13% 99,20% 99,37% (Ekstre.
ANALISIS CHARACTER
BERDASARKAN KLUSTER
ERROR
RATE
(CER)
Berdasarkan data pada Tabel Vi, ditemukan tren pergeseran nilai CER yang kontras antara kedua mesin seiring meningkatnya kompleksitas degradasi citra input.
A Kluster 1: Kedua pustaka menunjukkan performa yang fungsional.
EasyOCR mencatatkan kesalahan karakter yang sangat minim, yaitu sebesar 4,82%, disusul oleh Tesseract dengan nilai CER sebesar 16,26%.
Hal ini menunjukkan bahwa pada citra teks cetak yang bersih dan memiliki kontras seimbang, arsitektur berbasis Long Short-Term Memory (LSTM) milik Tesseract mampu melakukan pemetaan karakter secara memadai.
A Kluster 2: Ketika citra mulai diinterfensi oleh gangguan pencahayaan tidak merata, nilai CER Tesseract meningkat signifikan menjadi 40,42%, sedangkan EasyOCR mampu menahan laju kesalahan pada angka 15,60%.
A Kluster 3: Pada kluster gangguan ekstrem .
igh noise dan resolusi renda.
, terjadi divergensi performa yang sangat masif.
Tesseract mengalami kelumpuhan total dengan nilai CER menyentuh 99,20%.
Skor ini mengindikasikan bahwa hampir seluruh piksel karakter gagal diidentifikasi dengan Kegagalan fatal Tesseract disebabkan oleh sensitivitas tahap binerisasi awalnya yang memaksakan piksel noise menjadi bagian dari teks, memicu insertion error yang tinggi.
Sebaliknya.
EasyOCR menunjukkan ketangguhan luar biasa Gambar 12.
Data perbandingan kinerja easyocr dan tessaract Jurnal Keilmuan Teknologi Informasi Volume 02.
No.
Juni 2026.
Hal 13 Ae 19 dengan nilai CER yang hanya berada di angka 18,28%.
Model Character Region Awareness for Text Detection (CRAFT) pada EasyOCR berhasil mempertahankan lokalisasi teks lewat prediksi heatmaps yang fleksibel, sehingga tidak mudah terkecoh oleh degradasi piksel yang ekstrem.
ANALISIS
WORD
BERDASARKAN KLUSTER
ERROR
RATE
REFERENSI