METODOLOGI PENELITIAN KUANTITATIF REVIEW ARTIKEL 14-PERTEMUAN 11

 METODOLOGI PENELITIAN KUANTITATIF

REVIEW ARTIKEL 14-PERTEMUAN 11

Allysa Hafsah Hafidhah | 250321826598 | Offering A25

Topik : Statistik 4. Uji Beda Grup (Uji Prasyarat, T-Test, dan Non Parametrik yang Relevan²⁾

Judul Artikel: Cluster Permutation Analysis for EEG Series Based on Non-Parametric Wilcoxon–Mann–Whitney Statistical Tests

Penulis : Diego Candia-Rivera dan Gaetano Valenza

(DOI: https://doi.org/10.1016/j.softx.2022.101170)  

Tahun Terbit : 2022

A. Tujuan Penelitian

Penelitian ini bertujuan untuk mengembangkan dan memperkenalkan perangkat lunak baru untuk analisis cluster permutation pada data EEG (electroencephalography) dengan menggunakan uji statistik non-parametrik Wilcoxon–Mann–Whitney, sebagai alternatif dari uji parametrik klasik seperti t-test. Tujuannya adalah untuk mengatasi keterbatasan asumsi normalitas dan homogenitas varians yang sering tidak terpenuhi dalam data EEG atau ERP (Event-Related Potentials). Dengan perangkat lunak ini, peneliti ingin menunjukkan bahwa metode non-parametrik dapat memberikan hasil yang lebih andal dan sensitif terhadap efek tersembunyi dalam data EEG yang kompleks dan bersifat non-normal.

B. Metode Penelitian

Metode penelitian melibatkan pengembangan algoritma dan perangkat lunak baru untuk analisis cluster permutation berbasis Wilcoxon–Mann–Whitney test. Penulis membandingkan hasil metode baru ini dengan versi konvensional yang menggunakan t-test parametrik.

Langkah-langkah utama:

1. Mask Definition – Membentuk “mask” awal berdasarkan hasil uji statistik univariat untuk setiap titik data (p < α, biasanya 0.05).

2. Cluster Identification – Mengidentifikasi kelompok (cluster) titik data yang saling berdekatan di dimensi waktu, ruang, atau frekuensi.

3. Cluster Statistics dan Permutation Testing – Menggunakan metode Monte Carlo dengan ≥800 permutasi acak untuk menghitung p-value empiris dan menentukan signifikansi efek cluster.

Perangkat lunak ditulis dalam MATLAB dan dapat digunakan tanpa perlu menginstal toolbox Fieldtrip. Dua dataset EEG publik digunakan untuk pengujian:

• Dataset ERP (Brain Invaders P300) – EEG dari 41 partisipan dengan stimulus visual.

• Dataset Spektrogram (MAHNOB-HCI) – EEG dari 26 partisipan selama penayangan klip film emosional berdurasi 80 detik.

Analisis dilakukan pada dua versi metode (parametrik dan non-parametrik) untuk melihat perbedaan hasil dan kinerja.

C. Hasil Penelitian

Hasil menunjukkan bahwa uji non-parametrik Wilcoxon menghasilkan deteksi efek yang lebih sensitif dan konsisten dibanding t-test dalam kondisi tertentu:

• Pada data ERP, kedua metode (Wilcoxon dan t-test) menemukan cluster efek yang serupa, dengan sedikit perbedaan pada waktu latensi (Wilcoxon mendeteksi efek lebih awal).

• Pada data spektral EEG, t-test gagal mendeteksi cluster efek yang signifikan, sedangkan Wilcoxon berhasil menemukan empat cluster penting.

• Secara umum, Wilcoxon lebih andal terhadap data yang tidak terdistribusi normal atau memiliki skewness tinggi, sedangkan t-test sensitif terhadap pelanggaran asumsi tersebut.

Penulis menekankan bahwa meskipun hasil keduanya bisa serupa dalam kondisi ideal, metode non-parametrik lebih stabil pada data neurofisiologis nyata, yang sering kali heterogen dan kompleks.

D. Implikasi dan Rekomendasi Penelitian Lanjutan

Penelitian ini memiliki implikasi besar di bidang neurosains, psikofisiologi, dan pengembangan biomarker otak, terutama untuk:

• Analisis data EEG dan ERP dalam penelitian kognitif dan klinis, seperti brain-computer interface atau diagnosis gangguan kesadaran.

• Peningkatan keandalan inferensi statistik pada data neural yang tidak memenuhi asumsi parametrik.

Peneliti merekomendasikan:

• Penggunaan metode non-parametrik secara rutin dalam analisis EEG/ERP untuk menghindari kesimpulan salah akibat asumsi distribusi yang keliru.

• Pengembangan standar interpretasi hasil cluster permutation yang memperhatikan ambang signifikansi dan parameter analisis.

• Penelitian lanjutan yang menguji performa perangkat lunak ini pada dataset yang lebih besar dan variatif, termasuk data multimodal (EEG-fMRI atau EEG-EMG).

E. Novelty

Kebaruan penelitian ini terletak pada:

• Pengembangan perangkat lunak pertama yang mengimplementasikan analisis cluster permutation berbasis non-parametrik Wilcoxon–Mann–Whitney untuk data EEG dan ERP.

• Sebelumnya, metode cluster permutation hampir selalu menggunakan uji parametrik t-test yang mengasumsikan distribusi normal dan variansi sama.

• Penelitian ini memperkenalkan versi non-parametrik yang tidak memerlukan asumsi tersebut, sekaligus menyediakan kode sumber terbuka (open-source) di GitHub agar dapat digunakan dan dimodifikasi oleh peneliti lain.

• Dengan demikian, penelitian ini bukan hanya melakukan analisis data, tetapi menyumbang inovasi metodologis berupa alat baru untuk komunitas riset EEG global.