Memahami cara hewan, terutama tikus, mengambil keputusan dalam lingkungan yang kompleks telah menjadi topik penting dalam ilmu kognitif, psikologi perilaku, dan neuroinformatika. Salah satu pendekatan eksperimental paling klasik dalam bidang ini adalah penggunaan labirin berbentuk huruf “T” (T-maze). Meskipun desainnya sederhana, T-maze menyediakan cukup tempat untuk mengamati dan menganalisis bagaimana hewan belajar dari pengalaman, mengingat lokasi hadiah, dan merespons sinyal lingkungan. Studi terbaru ini mengembangkan pendekatan gabungan antara metode stokastik dan jaringan saraf dalam untuk memodelkan perilaku pengambilan keputusan tikus dalam T-maze, dengan tujuan memahami mekanisme kognitif yang mendasarinya.
Eksperimen dilakukan dalam kondisi terkontrol di mana tikus harus memilih salah satu dari dua arah (kiri atau kanan) berdasarkan petunjuk berupa cahaya. Dalam beberapa kondisi, cahaya menyala untuk mengisyaratkan lokasi makanan, sedangkan dalam kondisi lainnya, tidak ada petunjuk sama sekali. Respons tikus terhadap situasi ini dimodelkan menggunakan teori peluang dan diperkuat dengan pembelajaran berbasis pengalaman sebelumnya. Untuk memastikan bahwa model matematika ini memiliki fondasi yang kuat, digunakan teorema titik tetap untuk menunjukkan keberadaan dan keunikan solusi dari persamaan fungsional yang menggambarkan perilaku tersebut. Artinya, sistem model tidak hanya dapat dirumuskan secara matematis, tetapi juga konsisten dan stabil. Lebih lanjut, perilaku asimtotik dari sistem yakni bagaimana probabilitas keputusan tikus berubah dalam jangka panjang juga dianalisis untuk memahami konvergensi perilaku dari waktu ke waktu.
Data empiris diperoleh dari rekaman lintasan pergerakan tikus di dalam T-maze, yang kemudian diproses menggunakan metode statistik dan teknik augmentasi data untuk mengatasi ketidakseimbangan kelas. Representasi visual dari data ini dibuat menggunakan teknik t-SNE (t-distributed Stochastic Neighbor Embedding) untuk melihat pola perilaku yang dapat dibedakan. Di tahap selanjutnya, representasi ini digunakan sebagai input untuk melatih model jaringan saraf dalam, khususnya arsitektur gabungan CNN-LSTM (Convolutional Neural Network dan Long Short-Term Memory), yang dirancang untuk menangani data spasial dan urutan waktu secara bersamaan.
Model deep learning ini menunjukkan akurasi klasifikasi sebesar 82,24% dalam memprediksi pilihan tikus, lebih tinggi dibandingkan model pembelajaran mesin konvensional seperti support vector machine dan random forest. Selain memprediksi keputusan diskrit (misalnya memilih kiri atau kanan), jaringan saraf ini juga mampu merekonstruksi lintasan pergerakan tikus secara kontinu. Ini menunjukkan potensi besar model dalam memahami rangkaian perilaku lengkap berdasarkan informasi parsial, sebuah langkah penting menuju model kognitif yang mendekati kenyataan.
Keunggulan utama pendekatan ini adalah kemampuannya untuk menggabungkan teori pembelajaran klasik dengan teknik komputasi modern. Model ini juga sangat relevan dengan pemahaman tentang sistem otak yang terlibat dalam navigasi dan pembelajaran spasial, khususnya sistem hippocampus dan entorhinal. Studi-studi sebelumnya telah menunjukkan bahwa neuron dalam sistem ini membentuk peta kognitif yang memungkinkan hewan memahami dan mengingat lingkungan mereka. Temuan terbaru bahkan menunjukkan bahwa arsitektur jaringan transformer dalam kecerdasan buatan, jika dimodifikasi dengan cara tertentu, dapat mengembangkan representasi spasial yang menyerupai hippocampus mamalia. Dengan demikian, riset ini tidak hanya membantu memahami perilaku tikus, tetapi juga berkontribusi terhadap pengembangan model kecerdasan buatan yang lebih terinspirasi secara biologis.
Dengan memodelkan proses pengambilan keputusan secara mendalam, para peneliti tidak hanya berhasil mereplikasi perilaku tikus dalam T-maze, tetapi juga memberikan kontribusi terhadap pengembangan model kognisi yang lebih umum. Dalam jangka panjang, pendekatan ini dapat diterapkan tidak hanya pada studi perilaku hewan, tetapi juga untuk memahami proses kognitif manusia, pengembangan sistem robotik yang mampu belajar dari pengalaman, dan bahkan perancangan algoritma kecerdasan buatan yang lebih adaptif dan fleksibel.
Penulis: Cicik Alfiniyah, M.Si., Ph.D
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
Authors: Ali Turab, Josue-Antonio, Farhan Ullah, Andreas Montoyo, Cicik Alfiniyah*, Wuthipol Sintunavarat, Doaa Rizk, Shujaat Ali Zaidi.
Title: Deep neural networks and stochastic methods for cognitive modeling of rat behavioral dynamics in t-mazes
