Jurnal Infortech Volume 7 No.
2 Desember 2025
E-ISSN: 2715-8160
Pengembangan Aplikasi Check Font Dengan Algoritma Distribusi Font Pada Dokumen PDF Menggunakan Python Mugi Raharjo1.
Firmansyah2.
Rian Septian Anwar3.
Tommi Alfian Armawan Sandi4 Informatika.
Universitas Nusa Mandiri e-mail: 1mugi.
mou@nusamandiri.
Informatika.
Universitas Bina Sarana Informatika e-mail: 2firmansyah.
fmy@bsi.
id,3rian.
ptn@bsi.
Informatika.
Universitas Bina Sarana Informatika PSDKU Kabupaten Karawang e-mail: 4tommi.
taf@bsi.
Diterima 24-09-2025 Direvisi 11-10-2025 Disetujui 22-12-2025 Abstrak - Penggunaan font yang konsisten pada dokumen akademik, seperti skripsi, tesis, dan laporan penelitian, merupakan salah satu persyaratan penting dalam standar penulisan ilmiah.
Namun, proses pengecekan font secara manual masih memerlukan waktu yang lama dan berpotensi menimbulkan kesalahan.
Penelitian ini bertujuan untuk mengimplementasikan algoritma analisis distribusi font pada pembuatan aplikasi deteksi font otomatis berbasis Python dan Streamlit.
Metode yang digunakan mencakup ekstraksi teks dan informasi font dari dokumen PDF, normalisasi nama font untuk menyatukan variasi tipografi tertentu seperti Times New Roman regular, bold, itali.
, perhitungan distribusi font menggunakan analisis frekuensi, serta visualisasi hasil dalam bentuk grafik Aplikasi ini juga dilengkapi dengan fitur anotasi otomatis berupa highlight pada teks yang tidak sesuai dengan font standar yang ditentukan.
Implementasi dilakukan dengan memanfaatkan pustaka PyMuPDF .
untuk pemrosesan PDF.
Matplotlib untuk visualisasi, serta Streamlit sebagai antarmuka berbasis web.
Hasil pengujian menunjukkan bahwa aplikasi dapat mendeteksi font dengan akurasi tinggi, menyajikan ringkasan distribusi font dalam bentuk persentase, serta memberikan anotasi pada teks yang tidak sesuai secara otomatis.
Dengan demikian, aplikasi ini dapat membantu mempercepat proses validasi dokumen akademik dan mengurangi risiko kesalahan format penulisan.
Kata Kunci: Analisis Distribusi Font.
Deteksi Font Otomatis.
Dokumen PDF.
Python.
Streamlit Abstract - The consistent use of fonts in academic documents such as theses, dissertations, and research reports is an essential requirement in scientific writing standards.
However, manual font checking remains timeconsuming and prone to errors.
This study aims to implement a font distribution analysis algorithm in the development of an automatic font detection application using Python and Streamlit.
The proposed method includes text and font extraction from PDF documents, font name normalization to unify typographic variations .
Times New Roman regular, bold, itali.
, frequency-based distribution analysis, and visualization in the form of bar The application is also equipped with an automatic annotation feature by highlighting text that does not conform to the predefined standard font.
The implementation utilizes the PyMuPDF .
library for PDF processing.
Matplotlib for visualization, and Streamlit as a web-based interface.
The experimental results demonstrate that the application can accurately detect fonts, present font distribution summaries in percentage form, and provide automatic annotations on non-standard fonts.
Therefore, this application can assist in accelerating academic document validation processes and minimizing formatting errors.
Keywords: Font Distribution Analysis.
Automatic Font Detection.
PDF Document.
Python.
Streamlit
PENDAHULUAN
Dalam penulisan dokumen akademik dan administratif, konsistensi font menjadi aspek penting yang memengaruhi standar format, estetika, dan keterbacaan dokumen.
Gaya tipografi atau font sering dikaitkan dengan impresi tertentu, seperti berat, http://ejournal.
id/ejurnal/index.
php/infortech kontemporer, atau elegan.
Hal ini menunjukkan adanya korelasi tertentu antara bentuk font dan impresinya(Kang.
Haraguchi.
Matsuda.
Kimura, & Uchida, 2.
Verifikasi manual terhadap penggunaan font sangat rentan terhadap kesalahan dan memakan waktu, terutama dalam dokumen yang panjang dengan ragam tipe font.
Font merupakan Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
salah satu konsep desain paling dasar dan inti.
Banyak kasus penggunaan yang dapat diuntungkan dari pemahaman mendalam tentang Font seperti Kustomisasi Teks yang dapat mengubah teks dalam gambar sambil mempertahankan atribut Font seperti gaya, warna, dan ukuran.
Saat ini, solusi pengenalan Teks dapat mengelompokkan teks yang dikenali berdasarkan jeda baris atau jeda paragraf (Rakshith S.
Rishabh Khurana.
Vibhav Agarwal.
Jayesh Rajkumar Vachhani, n.
) .
Oleh karena itu, penelitian di bidang pengolahan dokumen digital dan pengenalan teks semakin menekankan pentingnya otomatisasi ekstraksi teks, normalisasi atribut teks/font, dan analisis distribusi penggunaan font untuk mendukung validasi format dokumen secara Beberapa penelitian nasional sudah melakukan eksplorasi terkait OCR (Optical Character Recognitio.
untuk meningkatkan akurasi dan efisiensi penginputan data.
Misalnya, penelitian oleh (Amelia Marshanda.
Harijanto, & Rahmad, 2.
menunjukkan bahwa penerapan OCR di Posyandu berhasil meningkatkan akurasi input data dan mengurangi waktu proses dibandingkan cara Selain itu, (Darpito.
Kartika Firdausy, & Abdul Fadlil, 2.
membandingkan performa library OCR (Tesseract dan EasyOCR) pada dokumen digital dengan variatif ukuran dan format huruf, menemukan trade-off antara kecepatan dan akurasi ekstraksi teks.
Teknik pra-pemrosesan citra juga sering digunakan untuk memperkuat hasil OCR, seperti penghapusan latar belakang, blur, atau filter, agar teks yang dihasilkan lebih bersih dan dapat dikenali dengan baik (Penulis.
Nisha, & Wahyuni, 2.
Demikian pula penelitian (I Nyoman Purnama & Ni Nengah Widya Utami, 2.
menggunakan model transformer untuk tugas ringkasan dokumen teks bahasa Indonesia, menunjukkan bahwa model advanced juga dapat digunakan dalam tugas analisis teks luas.
Lebih jauh, pengenalan teks dan klasifikasi teks menggunakan metode deep learning dan algoritma klasik seperti SVM.
KNN, serta ekstraksi fitur seperti FastText atau CNN-LSTM, telah banyak dieksplorasi dalam konteks teks berita maupun teks digital lainnya (Yudi Widhiyasana.
Transmissia Semiawan.
Ilham Gibran Achmad Mudzakir, & Muhammad Randi Noor, 2.
Teknik-teknik tersebut menyediakan landasan metodologis yang penting untuk analisis distribusi font: setelah teks/font-name diekstrak, norma alias font dan distribusi frekuensi dapat dianalisis, divisualisasikan, dan diverifikasi terhadap standar.
Selain itu, penelitian lain juga memperlihatkan implementasi OCR dalam konteks domain spesifik, misalnya untuk pengklasifikasian obat di apotek menggunakan CNN (Ii Munadhif.
Widya Primaswari Putri1.
Khoirul Hasin.
Noorman Rinanto, & Ryan Yudha Adhitya, 2.
, deteksi plat nomor kendaraan (Ridwan et al.
, 2.
, serta ekstraksi teks dari e-KTP berbasis web (Rizal Toha & Triayudi, 2.
http://ejournal.
id/ejurnal/index.
php/infortech Implementasi tersebut menegaskan bahwa Teknik seperti OCR dapat diadaptasi secara fleksibel ke berbagai kebutuhan praktis.
Namun demikian, meskipun penelitian terkait dan klasifikasi teks sudah cukup banyak, penelitian yang spesifik menangani analisis distribusi font, normalisasi nama font, dan highlight teks yang tidak sesuai font standar dalam dokumen Karena PDF adalah format dokumen yang sangat populer, kemampuan mengekstrak data darinya menjadi kunci untuk banyak tugas teknologi bahasa (NLP), misalnya untuk klasifikasi dokumen atau pencarian informasi.
Kebutuhan ini menjadi lebih penting lagi dengan adanya teknologi baru seperti RAG (Retrieval Augmented Generatio.
Walaupun sudah ada banyak alat untuk melakukannya, belum banyak penelitian yang menguji seberapa baik alat-alat tersebut bekerja pada jenis dokumen yang berbeda, terutama untuk dokumen di luar dunia akademik (Adhikari & Agarwal, 2.
Penelitian ini bertujuan mengisi celah tersebut dengan mengimplementasikan algoritma distribusi font dalam aplikasi deteksi font berbasis Python dan Streamlit, yang melakukan ekstraksi teks dan metadata font dari PDF, normalisasi alias font, penghitungan distribusi, visualisasi, dan penandaan otomatis teks yang tidak sesuai format.
METODE PENELITIAN
Penelitian ini menggunakan metode Research and Development (R&D) pengembangan aplikasi berbasis Python yang mampu mendeteksi serta memvisualisasikan distribusi font dalam dokumen PDF.
Tahapan penelitian dijelaskan sebagai berikut:
Studi Literatur mengkaji penelitian terkait deteksi font, analisis dokumen digital, serta penggunaan pustaka Python .
isalnya PyMuPDF.
Matplotli.
dalam pengolahan dokumen.
Analisis Kebutuhan mengidentifikasi kebutuhan pengguna, yaitu aplikasi yang dapat mendeteksi jenis font dalam dokumen PDF, menampilkan distribusi font, dan menandai teks yang tidak sesuai standar.
Perancangan Sistem mendesain alur kerja aplikasi yang mencakup input dokumen PDF, ekstraksi teks dan metadata font, proses analisis distribusi, serta pembuatan output berupa PDF baru yang telah diberi ringkasan analisis, grafik, dan Implementasi menggunakan bahasa pemrograman Python dengan pustaka utama PyMuPDF untuk ekstraksi teks dan metadata font, serta Matplotlib untuk visualisasi distribusi font.
Pengujian Melakukan pengujian aplikasi terhadap beberapa dokumen PDF dengan variasi penggunaan font untuk menilai ketepatan deteksi, kejelasan visualisasi, dan efektivitas highlight.
Evaluasi Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
berdasarkan akurasi deteksi font dan keterbacaan output, kemudian memberikan rekomendasi perbaikan untuk pengembangan lebih lanjut.
Sumber : Penelitian .
Gambar 1.
Tahapan Penelitian HASIL DAN PEMBAHASAN Pengembangan aplikasi Check Font App berhasil menghasilkan sebuah sistem yang mampu mendeteksi, menganalisis, dan menandai penggunaan font pada dokumen PDF.
Proses analisis dilakukan dengan membaca setiap elemen teks dalam dokumen, kemudian mencatat jenis font yang digunakan.
Selanjutnya, sistem menghitung distribusi font menggunakan algoritma berbasis frequency counting yang diimplementasikan dengan struktur data Counter dari Python.
dari Jupyter Notebook yang digunakan sebagai lingkungan pengembangan untuk menulis, menguji, dan menyempurnakan kode program berbasis Python.
Setelah kode siap, implementasi selanjutnya dilakukan dengan menggunakan Python Flask sebagai kerangka kerja yang memungkinkan integrasi dan pengemasan kode agar lebih terstruktur dan dapat dijalankan sebagai aplikasi.
Tahap berikutnya adalah melakukan unggah .
ke GitHub, yang berfungsi sebagai repositori penyimpanan kode serta media kolaborasi dan versioning.
Dari GitHub, aplikasi kemudian dapat dihubungkan dengan Streamlit Cloud untuk proses deploy sehingga aplikasi dapat diakses secara online melalui antarmuka web yang interaktif.
Dengan alur ini, proses pengembangan, pengelolaan kode, hingga publikasi aplikasi dapat dilakukan secara sistematis, terintegrasi, dan mudah diakses oleh pengguna.
Hasil analisis ditampilkan dalam bentuk ringkasan teks, persentase distribusi font, serta visualisasi grafik batang.
Visualisasi ini membantu pengguna untuk memahami dominasi jenis font yang digunakan pada dokumen.
Sebagai contoh, apabila dokumen sepenuhnya menggunakan Times New Roman, sistem akan memberikan notifikasi bahwa dokumen telah sesuai standar.
Sebaliknya, jika terdapat variasi font lain, sistem akan menandainya dengan Selain ringkasan dan grafik, aplikasi juga menghasilkan dokumen keluaran berupa PDF baru yang terdiri dari tiga bagian: halaman sampul .
over pag.
, halaman ringkasan analisis, serta dokumen asli dengan tambahan highlight.
Teks yang menggunakan font selain Times New Roman diberi tanda sorot .
berwarna kuning dan disertai anotasi informasi mengenai jenis font yang digunakan.
Dengan demikian, pengguna dapat langsung mengidentifikasi bagian teks yang tidak sesuai standar penulisan akademik.
Sumber : Penelitian .
Gambar 3.
Install PyMuPdf Sumber : Penelitian .
library Python untuk bekerja dengan file PDF.
XPS.
EPUB.
CBZ, dan dokumen berbasis teks/gambar Gambar 2.
Tools Pembuatan Aplikasi Gambar di atas menjelaskan alur pengembangan dan implementasi aplikasi Check Font App.
Proses dimulai http://ejournal.
id/ejurnal/index.
php/infortech Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
Semua nama font dikumpulkan, lalu dihitung frekuensinya dengan Counter.
Sumber : Penelitian .
Gambar 4.
Install PyMuPdf import fitz mengimpor PyMuPDF dengan alias fitz.
Nanti dipakai untuk membuka file PDF dan menganalisis teks/font di dalamnya from collections import Counter Counter adalah class dari modul collections untuk menghitung frekuensi elemen .
isalnya berapa kali suatu font muncu.
Sangat berguna untuk analisis distribusi font.
pyplot as plt Mengimpor library matplotlib .
agian pyplo.
untuk membuat visualisasi seperti grafik, diagram batang, atau pie chart.
Biasanya digunakan untuk mem-plot hasil perhitungan Counter agar lebih mudah dipahami.
ALIAS_TIMES = [.
] Ini adalah daftar alias / variasi nama font Times New Roman.
Dalam file PDF, font Times New Roman bisa muncul dengan berbagai nama tergantung encoding/embedding, misalnya "times new roman", "timesnewromanpsmt", "timesnewromanps-boldmt" Dengan daftar alias ini, program bisa mengenali semua variasi nama sebagai Times New Roman.
Tujuannya supaya analisis distribusi font lebih akurat, tidak salah hitung .
arena kalau tidak, "TimesNewRomanPSMT" dan "Times New Roman" dianggap dua font berbed.
Pengujian terhadap dokumen uji menunjukkan bahwa aplikasi mampu membedakan antara variasi Times New Roman .
isalnya bold, itali.
dengan font lain seperti Arial atau Calibri.
Hal ini dimungkinkan melalui proses normalisasi font yang menyatukan berbagai alias Times New Roman menjadi satu Dengan pendekatan ini, aplikasi memiliki akurasi yang lebih tinggi dalam mendeteksi penyimpangan penggunaan font.
Sumber : Penelitian .
Gambar 6.
Fungsi Library File .
Pada program ini digunakan beberapa library yang memiliki peran penting dalam proses analisis dokumen PDF.
Library Streamlit berfungsi sebagai antarmuka aplikasi berbasis web sehingga pengguna dapat dengan mudah mengunggah file, melihat hasil analisis, dan mengunduh laporan akhir.
Selanjutnya.
PyMuPDF .
dimanfaatkan untuk membuka dan membaca PDF, mengekstraksi teks beserta informasi font yang Untuk menghitung jumlah kemunculan setiap jenis font, digunakan Counter dari modul collections yang efektif dalam melakukan perhitungan frekuensi data.
Hasil perhitungan tersebut kemudian divisualisasikan menggunakan Matplotlib .
agar distribusi penggunaan font dapat dipahami secara lebih jelas dalam bentuk grafik.
Sementara itu, library io digunakan untuk mengelola file hasil analisis secara langsung di memori tanpa perlu menyimpannya ke dalam penyimpanan fisik.
Dengan kombinasi kelima library tersebut, aplikasi dapat berjalan secara interaktif, efisien, dan memberikan output yang informatif bagi pengguna.
Sumber : Penelitian .
Gambar 7.
Import File Github Sumber : Penelitian .
Setelah pengujian pada notebook selesai dan pembuatan file .
py selesai.
Selanjutnya Adalah memasukkan file pada github sebagai repository yang nantinya akan diakses oleh streamlit.
Gambar 5.
Ekstraksi & Analisis Font Menggunakan fitz untuk ambil teks dalam format dictionary .
upaya tahu detail font, ukuran, posisi http://ejournal.
id/ejurnal/index.
php/infortech Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
penggunaan font sesuai standar yang berlaku dalam penulisan akademik.
Integrasi fitur analisis, visualisasi, dan anotasi dalam satu aplikasi menjadikannya sebagai solusi komprehensif dalam pemeriksaan format
KESIMPULAN
Sumber : Penelitian .
Gambar 8.
Tampilan Aplikasi Pada tampilan aplikasi pengguna dapat mengupload pdf maksimal 200mb kemudian setelah file berhasil di upload, sistem akan memproses deteksi dan langsung memberikan file hasil yang bisa di download oleh pengguna.
Aplikasi Check Font App yang dibangun berbasis Python dengan bantuan pustaka PyMuPDF .
dan Matplotlib berhasil dikembangkan untuk mendeteksi, menganalisis, serta memvisualisasikan distribusi font dalam dokumen PDF.
Aplikasi ini mampu melakukan normalisasi font, menampilkan ringkasan hasil analisis dalam bentuk teks, serta memberikan visualisasi grafik distribusi penggunaan font.
Selain itu, fitur highlight juga berfungsi optimal dalam menandai teks yang tidak menggunakan font utama, yaitu Times New Roman.
Berdasarkan pengujian terhadap dokumen uji, aplikasi ini menunjukkan tingkat keberhasilan 100% dalam mendeteksi font yang digunakan pada setiap teks dalam dokumen.
Hal ini membuktikan bahwa diimplementasikan telah berjalan dengan baik dan sesuai dengan tujuan penelitian.
Dengan demikian, aplikasi ini dapat dijadikan sebagai alat bantu yang efektif dalam proses validasi standar penulisan dokumen akademik, khususnya dalam memastikan konsistensi penggunaan font.
REFERENSI