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
Perkembangan teknologi komputasi modern semakin mendorong kebutuhan terhadap pendekatan pemrosesan informasi alternatif. Dalam sistem komputer konvensional, aktivitas komputasi digital bergantung pada komponen elektronik. Meski teknologi tersebut terus berkembang, konsumsi listrik sistem pemrosesan memerlukan pendekatan yang lebih efisien. Sebagai bagian dari penelitian alternatif, ilmuwan University of Bristol meneliti penggunaan organoid otak sebagai bagian dari sistem komputasi biohibrida. Rancangan penelitian ini menggabungkan jaringan biologis dan perangkat elektronik untuk menguji potensi pemrosesan berbasis jaringan saraf.
Dalam penelitian tersebut, tim ilmuwan memanfaatkan organoid yang dibentuk melalui kultur sel manusia untuk merespons sinyal elektronik. Jaringan biologis mini ini hanya merepresentasikan sebagian karakteristik jaringan otak. Walaupun ukurannya sangat kecil, organoid mengandung ribuan neuron. Dalam pengujian berikutnya, ilmuwan menyampaikan informasi Braille melalui elektroda. Sinyal yang dihasilkan jaringan saraf dievaluasi dengan metode pembelajaran mesin untuk membedakan informasi yang diberikan. Pendekatan penelitian tersebut memberikan dasar pengembangan sistem komputasi biohibrida.
Mekanisme Sensor Sentuhan dan Elektroda pada Komputasi Biohibrida
Dalam merancang pengujian, ilmuwan menggunakan sensor sentuhan untuk mengumpulkan informasi huruf Braille. Sistem tulisan Braille menggunakan kombinasi titik timbul yang memiliki konfigurasi berbeda untuk setiap huruf. Pada tahap pengumpulan data, peneliti merekam pola yang mewakili 26 huruf. Data hasil pembacaan sensor kemudian diubah menjadi pola stimulasi listrik. Mekanisme pengodean tersebut menjadi penghubung utama antara informasi fisik dan organoid otak.
Ketika pola stimulasi telah disiapkan, peneliti menggunakan susunan mikroelektroda untuk memberikan stimulasi. Multielectrode array atau MEA merupakan susunan elektroda yang memungkinkan interaksi dengan sel biologis. Melalui perangkat tersebut, organoid merespons impuls elektronik yang sudah dikodekan. Setelah menerima rangsangan, organoid menghasilkan aktivitas listrik yang dipantau menggunakan perangkat elektronik. Berkat rangkaian proses ini, data taktil dapat diteruskan melalui jaringan neuron hidup. Meski demikian, proses tersebut belum menunjukkan kemampuan membaca seperti manusia.
Peran Support Vector Machine dalam Klasifikasi Huruf Braille
Sesudah sinyal biologis dikumpulkan, peneliti memanfaatkan metode machine learning untuk menentukan kategori rangsangan yang diterima. Pendekatan klasifikasi tersebut adalah support vector machine atau SVM, yaitu teknik pembelajaran mesin untuk mengelompokkan data. Pada proses analisis, sistem mengidentifikasi karakteristik respons dari setiap pola huruf. Pada tahap klasifikasi, algoritma mengidentifikasi rangsangan berdasarkan respons organoid. Melalui kombinasi biologis dan digital, jaringan saraf hidup menjadi bagian dari jalur pemrosesan informasi.
Fungsi algoritma SVM tidak boleh disamakan dengan kecerdasan biologis mandiri. Dalam penelitian tersebut, organoid bukan pihak yang menentukan label alfabet secara mandiri. Sementara itu, sinyal biologis diukur lalu ditafsirkan oleh algoritma komputer. Pencapaian sistem biohibrida menunjukkan bahwa informasi tertentu bertahan dalam respons organoid. Walaupun memperlihatkan potensi besar, hasilnya belum dapat digunakan untuk menyimpulkan adanya pembelajaran biologis jangka panjang. Pembedaan tersebut membantu menempatkan hasil penelitian secara proporsional.
Pengujian Multi-Organoid Menunjukkan Klasifikasi Huruf Lebih Akurat
Hasil paling menonjol adalah peningkatan kemampuan klasifikasi ketika beberapa organoid digabungkan. Dalam pengujian menggunakan satu organoid, algoritma mampu mengklasifikasikan huruf dengan akurasi rata-rata 61 persen. Pada konfigurasi berikutnya, penggunaan tiga organoid memberikan hasil pengenalan pola sebesar 83 persen. Perbedaan hasil ini mengindikasikan informasi tambahan dari sejumlah organoid dapat membantu klasifikasi. Pada pengujian laboratorium ini, persentase tersebut menggambarkan keberhasilan decoder, bukan kemampuan membaca dokumen Braille secara mandiri.
Eksperimen tersebut memperlihatkan bahwa penggabungan respons biologis meningkatkan ketahanan klasifikasi terhadap gangguan tertentu. Sebagai bagian dari pengukuran performa, ilmuwan memodifikasi data masukan menggunakan noise sintetis. Kemudian, peneliti mengukur perbedaan pengenalan pola dengan dan tanpa pemrosesan biologis. Dalam kondisi yang diuji, respons gabungan organoid lebih tahan terhadap sejumlah gangguan. Walaupun hasil tersebut positif, alasan biologis peningkatan performa belum sepenuhnya dipahami.
Potensi Komputasi Biohibrida untuk Mengembangkan Komputer Hemat Energi
Penelitian organoid otak memberikan arah pengembangan alternatif bagi komputasi hemat energi. Jaringan neuron alami mampu menjalankan pemrosesan kompleks dengan konsumsi daya relatif rendah. Karena karakteristik tersebut, ilmuwan menguji kemungkinan integrasi sel biologis sebagai bagian dari sistem komputasi. Ketika sistem biologis dapat dikendalikan lebih baik, organoid mungkin membantu pengembangan perangkat komputasi baru. Meski konsepnya menjanjikan, hasil pengujian belum cukup untuk menyatakan penghematan energi sistem.
Untuk mencapai penggunaan praktis, berbagai tantangan teknis masih perlu diatasi. Komponen saraf yang digunakan masih membutuhkan kondisi biologis sesuai sehingga membutuhkan pengaturan suhu dan nutrisi. Tantangan lainnya, aktivitas neuron tidak selalu identik antarsampel karena struktur jaringan dan kondisi perkembangan tidak seragam. Perbedaan tersebut membuat standardisasi menjadi sulit. Di samping aspek teknis, penggunaan jaringan biologis manusia juga harus memperhatikan prinsip penelitian biologis, termasuk pengawasan penggunaan material biologis.
Masa Depan Teknologi Komputasi Biohibrida Berbasis Jaringan Saraf
Eksperimen komputasi biohibrida yang dilakukan ilmuwan Inggris menunjukkan perkembangan penting dalam pengembangan antarmuka jaringan saraf dan perangkat elektronik. Melalui penggunaan perangkat pendeteksi taktil, antarmuka elektronik jaringan biologis, serta teknologi machine learning, peneliti menunjukkan bahwa jaringan saraf menghasilkan informasi yang dapat diklasifikasikan. Perbaikan hasil melalui penggunaan tiga organoid memberikan dasar penelitian sistem biohibrida yang lebih kompleks. Meskipun demikian, hasilnya tidak berarti jaringan biologis telah memahami bahasa. Pada tahap pengembangan selanjutnya, pengujian rangsangan sentuhan yang lebih kompleks mungkin memberikan informasi mengenai pemrosesan saraf yang lebih mendalam. Bagaimana menurut Anda, apakah teknologi komputer yang memanfaatkan jaringan saraf hidup mampu menghadirkan pendekatan baru yang bermanfaat? Sampaikan pandangan Anda mengenai masa depan penelitian organoid otak.
