Neuromorphic Computing: Ketika Mesin Belajar Meniru Otak Manusia 

(courtesy of freepik) 

 

Kalian pasti sering dengar kan kalimat-kalimat kayak ‘komputer dan AI itu dibuat supaya mirip cara kerja otak manusia’. Of course, dari jaringan saraf tiruan, deep learning, sampai algoritma yang belajar sendiri. Tapi, tahu nggak sebenarnya ada satu bidang yang secara literal mencoba membangun mesin dengan arsitektur yang benar-benar meniru otak, bukan cuma meniru konsep matematisnya aja? Namanya neuromorphic computing. Yuk kita bahas! 

Get to know: Neuromorphic Computing 

Neuromorphic computing adalah pendekatan rekayasa perangkat keras dan lunak yang meniru struktur dan fungsi otak, terutama jaringan neuron dan sinapsis. Istilah ini diperkenalkan oleh Carver Mead pada tahun 1980-an sebagai upaya untuk melewati batas arsitektur von Neumann yang memisahkan memori dan prosesor. Pada otak, keduanya terintegrasi, dimana neuron memproses informasi sekaligus menyimpan ‘jejak’ pengalaman melalui sinapsis. 

Neuromorphic computing mencoba mereplikasi prinsip ini dengan menciptakan chip berisi ‘neuron’ elektronik yang dapat mengirim sinyal (spike), beraktivitas paralel, dan beradaptasi seperti sel saraf. Sistem ini berbasis pada spiking neural networks (SNN) yang memproses informasi secara event-driven, mirip dengan mekanisme neurologis manusia. Tidak hanya meniru struktur, tetapi juga sifat dinamis otak seperti plasticity dan konsumsi daya yang sangat efisien.  

How it works? 

1. Spiking Neural Networks (SNNs) 

Model AI yang digunakan pada chip neuromorphic biasanya adalah Spiking Neural Networks, di mana informasi dikirim sebagai spike atau impuls mirip sinyal neuron. SNN jauh lebih hemat energi karena hanya aktif saat ada ‘kejadian’ (event-driven), memakai sinyal diskrit, dan memodelkan waktu (temporal dynamics). 

2. Neurons dan Synapses Elektronik 

Neuromorphic chips menggunakan elemen elektronik yang merepresentasikan neuron dan sinapsis. Sinapsis dapat diimplementasikan dengan memristor, perangkat yang mengingat resistansi berdasarkan sinyal yang dilewati, mirip plasticity pada otak. 

3. Parallel and Distributed Processing 

Setiap neuron pada chip dapat aktif secara bersamaan, seperti di otak, sehingga komputasinya sangat cepat untuk tugas tertentu seperti pengenalan pola atau pengolahan sensor real-time. 

 

SpiNNaker (sumber: https://blog.scienceandindustrymuseum.org.uk/spinnaker/) 

 

Examples 

• IBM TrueNorth, salah satu pionir neuromorphic chip. Berisi 1 juta neuron dan 256 juta sinapsis, serta mengonsumsi daya hanya sekitar 70 mW. 
• Intel Loihi dan Loihi 2, chip neuromorphic generasi lanjut yang mendukung pembelajaran on-chip dan mendekati perilaku plasticity neuron biologis. 
• SpiNNaker (University of Manchester), neuromorphic superkomputer dengan 1 juta core ARM yang didesain untuk mensimulasikan otak skala besar secara real-time. 
• BrainChip Akida, chip neuromorphic yang digunakan dalam aplikasi edge computing seperti perangkat IoT, kamera pintar, dan sensor industri. 

Pengaplikasian 

Neuromorphic computing memiliki aplikasi luas di bidang: 

• Artificial intelligence, khususnya machine learning untuk pengenalan pola suara, citra, dan bahasa.​ 
• Robotika dan autonomi, mempercepat proses pengambilan keputusan secara real-time pada perangkat mobile dan sensor robot.​ 
• Edge AI untuk perangkat IoT, wearables, dan drone dengan konsumsi daya rendah dan respons cepat.​ 
• Penelitian neuroscience, memungkinkan simulasi dan analisis lebih realistis tentang fungsi otak serta potensi diagnosis gangguan neurologis. 

Tantangan  

Walaupun menjanjikan, tantangan dalam neuromorphic computing masih ada. Integrasi skala besar, antarmuka perangkat keras yang kompleks, skala produksi chip masih terbatas dan mahal. Namun, perkembangan pesat hardware dan algoritma baru membuat masa depan neuromorphic semakin menjanjikan. Masa depan bidang ini menitikberatkan pada pengembangan material baru, algoritma hybrid ANN-SNN, serta peningkatan efisiensi integrasi multi-modal untuk berbagai aplikasi dunia nyata.​. 

Kesimpulan 

Neuromorphic computing adalah upaya membawa komputasi ke era baru dengan meniru struktur dan mekanisme otak manusia secara langsung. Dengan efisiensi energi tinggi, pemrosesan paralel, dan arsitektur yang melewati batas komputer tradisional, teknologi ini berpotensi menjadi landasan AI generasi berikutnya terutama untuk sistem yang membutuhkan respons cepat, adaptif, dan hemat daya. Walaupun masih menghadapi tantangan teknis, arah pengembangannya sangat menjanjikan dan terus menjadi topik riset yang penting. 

 

Penulis 

Felicia Natania Lingga, S.Kom. — FDP Scholar 

 

Referensi 

Calabllar, R. D. What is neuromorphic computing? IBM. Retrieved from: https://www.ibm.com/think/topics/neuromorphic-computing on 4 December 2025  

Neuromorphic computing. Wikipedia. Retrieved from: https://en.wikipedia.org/wiki/Neuromorphic_computing on 4 December 2025 

Neuromorphic computing. Human Brain Project. Retrieved from: https://www.humanbrainproject.eu/en/science-development/focus-areas/neuromorphic-computing/ on 4 December 2025 

Enuganti, P. K., Bhattacharya, B. S. 2025. Neuromorphic Computing and Applications: A Topical Review. WIREs Data Mining and Knowledge Discovery, 15(2). https://doi.org/10.1002/widm.70014  

Xiao, Y., Gao, C., Jin, J., Sun, W., Wang, B., Bao, Y., Liu, C., Huang, W., Zeng, H., Yu, H. 2024. Recent Progress in Neuromorphic Computing from Memristive Devices to Neuromorphic Chips. Adv Devices Instrum, 5. https://doi.org/10.34133/adi.0044  

Chowdhury, S.S., Sharma, D., Kosta, A. et al. Neuromorphic computing for robotic vision: algorithms to hardware advances. Commun Eng 4, 152 (2025). https://doi.org/10.1038/s44172-025-00492-5  

Priyadarshi, K. November 7, 2023. 5 Major Applications of Neuromorphic Chips. Techovedas. Retrieved from: https://techovedas.com/5-major-applications-of-neuromorphic-chips/ on 4 December 2025 

Mehonic, A., Ielmini, D., Roy, K., Mutlu, O., Kvatinsky, S., Serrano-Gotarredona, T., … & Waser, R. (2024). Roadmap to neuromorphic computing with emerging technologies. APL Materials, 12(10). https://doi.org/10.1063/5.0179424