AI BOQ Extraction — Otomasi BOQ dari PDF dalam 5 Menit

Mengekstrak Bill of Quantities (BOQ) dari dokumen tender PDF secara manual adalah pekerjaan yang memakan 1–3 hari kerja penuh untuk satu paket pengadaan. Bayangkan jika Anda mengikuti 10 tender dalam sebulan: 10–30 hari hanya untuk ekstraksi BOQ.

Bidtara AI menyelesaikan tugas yang sama dalam 2–5 menit dengan akurasi 98%+.

Mengapa Ekstraksi Manual Begitu Lambat

Dokumen tender pemerintah biasanya berisi:

PDF berlapis (scan + native PDF dengan teks)

Tabel kompleks dengan merge cells dan multi-baris

Notasi non-standar (1.1.a, 1.A.1, Pekerjaan A.1.1)

Bahasa campuran Indonesia-teknis

Satuan yang inkonsisten (m², m2, M2, m^2)

Format halaman yang berubah-ubah

Estimator manusia harus:

Membaca setiap halaman PDF

Mengetik ulang setiap baris BOQ

Memvalidasi kode dan satuan

Menyalin ke spreadsheet

Cek ulang setiap angka

Untuk dokumen 50 halaman dengan 200+ item BOQ, ini setara 8–24 jam kerja.

Teknologi di Balik Bidtara AI

Stack Teknologi

``
Dokumen PDF
↓
[1] OCR (Optical Character Recognition)
Tesseract + Google Cloud Vision fallback
↓
[2] Layout Analysis
LayoutLM (Microsoft) — deteksi tabel, header, kolom
↓
[3] Table Extraction
PaddleOCR + custom heuristics
↓
[4] Semantic Understanding
Claude Sonnet 4.5 — pahami konteks per baris
↓
[5] Schema Mapping
Mapping ke format BOQ standar PUPR
↓
[6] Validation & Enrichment
HSPK lookup + cross-reference + price suggestion
↓
BOQ JSON Final
`

Komponen 1: OCR Multi-Engine

Untuk PDF scan, Bidtara menggunakan Tesseract sebagai engine utama, dengan fallback ke Google Cloud Vision untuk dokumen sulit (resolusi rendah, font dekoratif).

Akurasi OCR per kategori:

PDF native (teks): 99,8%

PDF scan resolusi tinggi: 98,2%

PDF scan resolusi rendah: 92,4%

PDF dengan watermark: 95,1%

Komponen 2: Layout Analysis

Setelah teks dikenali, sistem perlu memahami struktur tabel. Bidtara menggunakan model LayoutLM yang sudah dilatih khusus untuk dokumen pengadaan Indonesia.

Tantangan utama:

Tabel BOQ multi-page (tabel terpotong di akhir halaman)

Header tabel berulang di setiap halaman

Sub-total dan total per kelompok pekerjaan

Footer dengan tanda tangan

Komponen 3: Table Extraction

PaddleOCR diintegrasikan dengan heuristik khusus BOQ untuk:

Mendeteksi merge cells

Memahami "kelanjutan dari atas"

Mendeteksi numbering hierarchy (1.1, 1.1.1, 1.1.1.a)

Memisahkan kolom yang berdempetan

Komponen 4: Semantic Understanding (AI Inti)

Di sinilah Claude Sonnet 4.5 melakukan magic. Model AI:

Membaca tiap baris BOQ

Mengidentifikasi:

- Kategori pekerjaan (struktur, finishing, MEP) - Material utama yang terlibat - Standar yang dirujuk (SNI, PUPR)

Memvalidasi konsistensi:

- Apakah satuan match dengan jenis pekerjaan? - Apakah volume masuk akal vs ukuran proyek?

Komponen 5: Schema Mapping

Setiap BOQ memiliki format yang berbeda. Bidtara me-mapping ke format standar:

`json
{
"item_code": "1.1.1",
"category": "Pekerjaan Persiapan",
"subcategory": "Mobilisasi",
"description": "Mobilisasi peralatan dan tenaga kerja",
"volume": 1.00,
"unit": "ls",
"unit_price": null,
"total_price": null,
"specification": "Termasuk demobilisasi",
"ahs_reference": "PUPR-2024-1.1.1"
}
`

Komponen 6: Validation & Enrichment

Setelah BOQ ter-ekstrak, Bidtara secara otomatis:

Lookup harga satuan dari HSPK 2024/2025 (provinsi sesuai lokasi)

Cross-reference dengan AHS resmi

Hitung estimasi total RAB

Flag inkonsistensi untuk review manual

Akurasi 98%+ — Bagaimana Kami Mengukurnya

Bidtara melakukan benchmark dengan dataset 500 dokumen tender real dari berbagai instansi:

| Kategori Item BOQ | Akurasi |
|------------------|---------|
| Deskripsi pekerjaan | 99,2% |
| Volume | 98,1% |
| Satuan | 98,8% |
| Kategorisasi otomatis | 96,4% |
| Mapping HSPK | 97,9% |
| Average | 98,1% |

2% kesalahan biasanya terjadi pada:

Item BOQ yang sangat custom (jarang ada di HSPK)

Tabel dengan format yang sangat tidak standar

Spesifikasi material impor tertentu

Workflow Pengguna Bidtara

`
• Login Bidtara
↓
• Buat Tender Baru
↓
• Upload PDF dokumen tender
↓
• Bidtara AI bekerja (2–5 menit)
↓
• Review BOQ otomatis (interface mirip Excel)
↓
• Edit jika perlu (sangat jarang)
↓
• Generate RAB lengkap
↓
• Export ke Excel/PDF siap submit
``

Studi Kasus: PT Citra Bangun Persada

PT Citra Bangun Persada (kontraktor menengah, kelas M2) sebelumnya menghabiskan rata-rata 18 jam per tender untuk ekstraksi BOQ + RAB.

Setelah pakai Bidtara:

Waktu per tender: 40 menit (review + finalisasi)

Volume tender per bulan: dari 6 → 18 tender

Win rate: dari 22% → 31% (lebih banyak sample, harga lebih kompetitif)

Direktur: "Estimator kami sekarang fokus ke strategi, bukan ngetik."

Mulai Gratis 30 Hari

Coba Bidtara untuk tender pertama Anda — gratis 30 hari, tidak perlu kartu kredit, setup kurang dari 5 menit.

Coba AI BOQ Extraction →