Para peneliti dari University of Bristol, Inggris, berhasil menunjukkan kemampuan organoid otak manusia dalam memproses pola huruf Braille melalui eksperimen komputasi biohibrida. Penelitian yang dipublikasikan pada 16 Oktober 2026 dalam jurnal Frontiers in Artificial Intelligence ini menggabungkan jaringan saraf biologis, sensor sentuhan, dan sistem pembelajaran mesin. Hasil pengujian menunjukkan bahwa penggunaan satu organoid menghasilkan akurasi klasifikasi 61 persen, sedangkan kombinasi tiga organoid meningkat menjadi 83 persen. Temuan tersebut membuka peluang pengembangan teknologi komputer biologis yang berpotensi lebih hemat energi, meskipun kemampuan pembelajaran organoid dalam eksperimen ini belum terbukti.
Terobosan Teknologi Organoid Otak dalam Mengenali Pola Braille
Kemajuan sistem kecerdasan buatan semakin mendorong kebutuhan terhadap metode pengolahan data yang efisien. Pada sebagian besar perangkat elektronik, proses pengolahan informasi menggunakan rangkaian semikonduktor. Namun demikian, kebutuhan energi komputasi mendorong pencarian solusi baru. Menanggapi tantangan tersebut, ilmuwan University of Bristol menguji penggunaan organoid otak sebagai bagian dari sistem komputasi biohibrida. Pendekatan ini menghubungkan organoid hidup dengan perangkat komputasi untuk menguji potensi pemrosesan berbasis jaringan saraf.
Pada studi yang dipublikasikan, tim ilmuwan menggunakan organoid yang ditumbuhkan menggunakan teknik laboratorium untuk menerima rangsangan listrik. Organoid tersebut tidak memiliki seluruh kemampuan otak manusia. Meski memiliki dimensi kurang dari satu milimeter, organoid mengandung ribuan neuron. Dalam pengujian berikutnya, ilmuwan memberikan pola stimulasi yang mewakili huruf Braille. Sinyal yang dihasilkan jaringan saraf dievaluasi dengan metode pembelajaran mesin untuk mengidentifikasi pola huruf. Eksperimen ini memberikan dasar pengembangan sistem komputasi biohibrida.
Cara Kerja Organoid Otak dalam Memproses Pola Huruf Braille
Sebagai langkah awal penelitian, ilmuwan memanfaatkan perangkat pendeteksi taktil untuk mengumpulkan informasi huruf Braille. Sistem tulisan Braille mengandalkan susunan titik tertentu yang digunakan sebagai media komunikasi taktil. Pada tahap pengumpulan data, peneliti mengambil informasi dari 26 huruf alfabet Braille. Sinyal sentuhan yang direkam kemudian diubah menjadi pola stimulasi listrik. Tahapan konversi ini menjadi penghubung utama antara sensor mekanis dan jaringan saraf.
Sesudah data taktil diubah menjadi sinyal listrik, peneliti menggunakan susunan mikroelektroda untuk memberikan stimulasi. Multielectrode array atau MEA merupakan susunan elektroda yang memungkinkan interaksi dengan sel biologis. Dalam rancangan pengujian, organoid diberikan rangsangan yang mewakili informasi Braille. Jaringan saraf kemudian, organoid menghasilkan aktivitas listrik yang dapat direkam dan dianalisis. Berkat rangkaian proses ini, data taktil dapat diteruskan melalui jaringan neuron hidup. Namun, proses tersebut tidak membuktikan adanya pemahaman simbol secara sadar.
Peran Support Vector Machine dalam Klasifikasi Huruf Braille
Ketika aktivitas neuron berhasil direkam, peneliti memanfaatkan metode machine learning untuk membedakan respons terhadap setiap huruf. Pendekatan klasifikasi tersebut adalah support vector machine atau SVM, yaitu teknik pembelajaran mesin untuk mengelompokkan data. Pada proses analisis, sistem mempelajari hubungan antara aktivitas saraf dan stimulus Braille. Pada tahap klasifikasi, algoritma menentukan kategori sinyal yang diterima. Melalui kombinasi biologis dan digital, jaringan saraf hidup menjadi bagian dari jalur pemrosesan informasi.
Peran pembelajaran mesin penting dibedakan dari kemampuan organoid. Dalam penelitian tersebut, organoid tidak memberikan jawaban berupa huruf secara langsung. Sebaliknya, respons saraf dikumpulkan lalu ditafsirkan oleh algoritma komputer. Hasil klasifikasi tersebut membuktikan adanya pola sinyal yang dapat dibedakan. Walaupun memperlihatkan potensi besar, hasilnya belum dapat digunakan untuk menyimpulkan adanya pembelajaran biologis jangka panjang. Pembedaan tersebut membantu menempatkan hasil penelitian secara proporsional.
Tiga Organoid Otak Tingkatkan Akurasi Pengenalan Braille Menjadi 83 Persen
Pencapaian penting dalam penelitian adalah perbedaan akurasi antara penggunaan satu dan tiga organoid. Ketika sistem hanya memanfaatkan satu jaringan mini, algoritma menghasilkan ketepatan pengenalan sekitar 61 persen. Sementara itu, penggunaan tiga organoid memberikan hasil pengenalan pola sebesar 83 persen. Perbedaan hasil ini menunjukkan manfaat penggabungan respons biologis. Dalam konteks eksperimen, persentase tersebut menggambarkan keberhasilan decoder, bukan kemampuan organoid mengenali tulisan seperti manusia.
Eksperimen tersebut memperlihatkan bahwa kombinasi tiga organoid memiliki ketahanan lebih baik terhadap gangguan sinyal. Untuk mengevaluasi ketahanan sistem, ilmuwan menambahkan gangguan buatan pada sinyal Braille. Pada tahap analisis berikutnya, peneliti mengukur perbedaan pengenalan pola dengan dan tanpa pemrosesan biologis. Hasilnya, respons gabungan organoid lebih tahan terhadap sejumlah gangguan. Kendati menunjukkan ketahanan terhadap noise, alasan biologis peningkatan performa belum sepenuhnya dipahami.
Potensi Komputasi Biohibrida untuk Mengembangkan Komputer Hemat Energi
Eksperimen pengolahan sinyal biologis memunculkan peluang menarik bagi komputasi hemat energi. Otak manusia dikenal memiliki efisiensi energi yang tinggi. Karena karakteristik tersebut, ilmuwan menguji kemungkinan integrasi sel biologis sebagai bagian dari sistem komputasi. Apabila teknologi ini terus berkembang, organoid mungkin membantu pengembangan perangkat komputasi baru. Meski konsepnya menjanjikan, belum ada bukti bahwa sistem eksperimen ini lebih hemat energi secara keseluruhan.
Untuk mencapai penggunaan praktis, berbagai tantangan teknis masih perlu diatasi. Organoid merupakan jaringan hidup sehingga memerlukan lingkungan pemeliharaan khusus. Tantangan lainnya, aktivitas neuron tidak selalu identik antarsampel karena hubungan antarneuron dapat bervariasi. Variasi respons ini menantang proses pengembangan sistem yang konsisten. Tidak hanya berkaitan dengan performa, pemanfaatan sel manusia dalam perangkat komputasi juga memerlukan tata kelola penelitian yang bertanggung jawab, termasuk pengawasan penggunaan material biologis.
Masa Depan Teknologi Komputasi Biohibrida Berbasis Jaringan Saraf
Penelitian dari University of Bristol memberikan hasil yang menjanjikan dalam penelitian komputasi generasi baru. Dengan memanfaatkan sensor sentuhan, sistem elektroda berukuran kecil, serta metode klasifikasi digital, peneliti berhasil mengidentifikasi pola huruf dari respons organoid. Keunggulan konfigurasi multi-organoid menjadi indikasi potensi penggabungan jaringan biologis. Meskipun demikian, penelitian belum menunjukkan kemampuan berpikir atau membaca secara sadar. Ke depan, eksperimen dengan tekstur dan pola berbeda mungkin memberikan informasi mengenai pemrosesan saraf yang lebih mendalam. Menurut pandangan Anda, apakah teknologi komputer yang memanfaatkan jaringan saraf hidup dapat membuka peluang inovasi komputasi hemat energi? Sampaikan pandangan Anda mengenai potensi komputer biologis.
