Pertemuan 11

Soal 1

Tentukan akar f(x) = x³ - x - 2 dengan x0 = 1,5 dan tol 10-10. Bandingkan jumlah iterasi dengan Bisection pada [1, 2] dan dengan uniroot.

newtonraphson <- function(ftn, x0, tol = 1e-10, max.iter = 100) {
  x <- x0
  fx <- ftn(x)
  iter <- 0
  
  while ((abs(fx[1]) > tol) && (iter < max.iter)) {
    if (!is.finite(fx[2]) || fx[2] == 0) {
      stop("Turunan tidak valid atau bernilai nol.")
    }
    
    x <- x - fx[1] / fx[2]
    fx <- ftn(x)
    iter <- iter + 1
  }
  
  if (!is.finite(fx[1]) || abs(fx[1]) > tol) {
    stop("Algoritma tidak konvergen.")
  }
  
  list(root = x, iter = iter, f.root = fx[1])
}

# Mendefinisikan fungsi dan turunannya
f <- function(x) x^3 - x - 2
df <- function(x) 3*x^2 - 1

ftn <- function(x) {
  c(f(x), df(x))
}

# Newton-Raphson
hasil_NR <- newtonraphson(ftn, x0 = 1.5, tol = 1e-10)
hasil_NR
## $root
## [1] 1.52138
## 
## $iter
## [1] 3
## 
## $f.root
## [1] 4.52971e-14
# Metode Bisection
bisection <- function(f, a, b, tol = 1e-10, max.iter = 1000) {
  if (f(a) * f(b) > 0) {
    stop("Nilai fungsi pada kedua ujung harus berlainan tanda.")
  }
  
  iter <- 0
  
  repeat {
    tengah <- (a + b) / 2
    iter <- iter + 1
    
    if (abs(f(tengah)) <= tol || abs(b - a) <= tol ||
        iter >= max.iter) {
      break
    }
    
    if (f(a) * f(tengah) < 0) {
      b <- tengah
    } else {
      a <- tengah
    }
  }
  
  list(root = tengah, iter = iter, f.root = f(tengah))
}

hasil_bis <- bisection(f, a = 1, b = 2, tol = 1e-10)
hasil_bis
## $root
## [1] 1.52138
## 
## $iter
## [1] 33
## 
## $f.root
## [1] -3.277956e-11
# Menggunakan uniroot()
hasil_uniroot <- uniroot(f, interval = c(1, 2), tol = 1e-10)
hasil_uniroot
## $root
## [1] 1.52138
## 
## $f.root
## [1] -3.153033e-13
## 
## $iter
## [1] 8
## 
## $init.it
## [1] NA
## 
## $estim.prec
## [1] 5.000067e-11
# Perbandingan hasil
data.frame(
  Metode = c("Newton-Raphson", "Bisection", "uniroot"),
  Akar = c(
    hasil_NR$root,
    hasil_bis$root,
    hasil_uniroot$root
  ),
  Iterasi = c(
    hasil_NR$iter,
    hasil_bis$iter,
    hasil_uniroot$iter
  )
)
##           Metode    Akar Iterasi
## 1 Newton-Raphson 1.52138       3
## 2      Bisection 1.52138      33
## 3        uniroot 1.52138       8

Interpretasi

Berdasarkan hasil perhitungan, metode Newton-Raphson memperoleh akar persamaan sebesar 1,5213797068 dengan 3 iterasi. Metode Bisection menghasilkan akar yang hampir sama, yaitu 1,5213797068, tetapi membutuhkan 33 iterasi. Sementara itu, metode uniroot() juga menghasilkan nilai akar yang mendekati kedua metode tersebut. Hasil ini menunjukkan bahwa ketiga metode berhasil menemukan akar persamaan \(f(x)=x^3-x-2\) pada interval [1, 2]. Namun, Newton-Raphson membutuhkan iterasi lebih sedikit dibandingkan Bisection karena menggunakan nilai turunan untuk menentukan pendekatan akar berikutnya. Dengan demikian, untuk kasus ini Newton-Raphson lebih cepat mencapai toleransi yang ditentukan.

Soal 2

Cari \(t{0,975}\) untuk \(df = 9\) dengan Newton \(f = pt(x, 9) - 0,975\), \(f'(x) = dt(x, 9)\), bandingkan dengan qt(0.975,9). Coba \(x0 = 10\) dan jelaskan hasilnya.

# Fungsi dan turunan distribusi-t
ftn_t <- function(x) {
  c(
    pt(x, df = 9) - 0.975,
    dt(x, df = 9)
  )
}

# Newton-Raphson dengan nilai awal x0 = 2
hasil_t <- newtonraphson(
  ftn_t,
  x0 = 2,
  tol = 1e-10
)

hasil_t
## $root
## [1] 2.262157
## 
## $iter
## [1] 4
## 
## $f.root
## [1] -1.83964e-13
# Membandingkan dengan qt()
nilai_qt <- qt(0.975, df = 9)
nilai_qt
## [1] 2.262157
# Percobaan menggunakan nilai awal x0 = 10
hasil_x0_10 <- tryCatch(
  newtonraphson(ftn_t, x0 = 10, tol = 1e-10),
  error = function(e) paste("Tidak berhasil:", conditionMessage(e))
)

hasil_x0_10
## [1] "Tidak berhasil: Turunan tidak valid atau bernilai nol."

Interpretasi

Berdasarkan hasil perhitungan dengan nilai awal \(x_0=2\), metode Newton-Raphson memperoleh nilai kuantil sebesar 2,2621571628 dengan 4 iterasi. Hasil tersebut sesuai dengan nilai yang diperoleh menggunakan fungsi qt(0.975, df = 9), sehingga dapat dikatakan bahwa metode Newton-Raphson berhasil menemukan nilai kuantil distribusi-t untuk derajat bebas 9. Namun, ketika nilai awal diubah menjadi \(x_0=10\), proses perhitungan tidak berhasil mencapai konvergensi. Hal ini terjadi karena nilai awal terlalu jauh dari akar yang dicari. Pada daerah tersebut, nilai fungsi kepadatan dt(x, df = 9) sangat kecil sehingga langkah perhitungan Newton-Raphson menjadi tidak stabil. Dari percobaan ini dapat diketahui bahwa pemilihan nilai awal berpengaruh terhadap keberhasilan metode Newton-Raphson.

Soal 3

Selesaikan \(\cos x = x\) dengan Secant \(x0 = 0\), \(x1 = 1\) dan Newton \(x0 = 1\). Bandingkan iterasi dan jumlah evaluasi fungsi.

# Mendefinisikan fungsi dan turunannya
g <- function(x) cos(x) - x
dg <- function(x) -sin(x) - 1

# Menghitung evaluasi fungsi Secant
jumlah_f_secant <- 0

g_hitung <- function(x) {
  jumlah_f_secant <<- jumlah_f_secant + 1
  g(x)
}

# Fungsi Secant
secant <- function(ftn, x0, x1, tol = 1e-10, max.iter = 100) {
  f0 <- ftn(x0)
  f1 <- ftn(x1)
  iter <- 0
  
while (abs(f1) > tol && iter < max.iter) {
  if (!is.finite(f1) || !is.finite(f0) || f1 == f0) {
    stop("Metode Secant tidak dapat dilanjutkan.")
}
x2 <- x1 - f1 * (x1 - x0) / (f1 - f0)
    
x0 <- x1
f0 <- f1
x1 <- x2
f1 <- ftn(x1)
    
iter <- iter + 1
}
if (!is.finite(f1) || abs(f1) > tol) {
stop("Metode Secant tidak konvergen.")
}
list(root = x1, iter = iter)
}

# Menjalankan metode Secant
hasil_secant <- secant(
  g_hitung,
  x0 = 0,
  x1 = 1,
  tol = 1e-10
)
evaluasi_secant <- jumlah_f_secant

hasil_secant
## $root
## [1] 0.7390851
## 
## $iter
## [1] 5
evaluasi_secant
## [1] 7
# Menghitung evaluasi Newton-Raphson
jumlah_g <- 0
jumlah_dg <- 0

ftn_g <- function(x) {
  jumlah_g <<- jumlah_g + 1
  jumlah_dg <<- jumlah_dg + 1
  
  c(g(x), dg(x))
}

hasil_newton <- newtonraphson(
  ftn_g,
  x0 = 1,
  tol = 1e-10
)

evaluasi_g <- jumlah_g
evaluasi_dg <- jumlah_dg

hasil_newton
## $root
## [1] 0.7390851
## 
## $iter
## [1] 4
## 
## $f.root
## [1] 0
evaluasi_g
## [1] 5
evaluasi_dg
## [1] 5
# Perbandingan metode
data.frame(
  Metode = c("Secant", "Newton-Raphson"),
  Akar = c(
    hasil_secant$root,
    hasil_newton$root
  ),
  Iterasi = c(
    hasil_secant$iter,
    hasil_newton$iter
  ),
  Evaluasi_f = c(
    evaluasi_secant,
    evaluasi_g
  ),
  Evaluasi_turunan = c(
    0,
    evaluasi_dg
  )
)
##           Metode      Akar Iterasi Evaluasi_f Evaluasi_turunan
## 1         Secant 0.7390851       5          7                0
## 2 Newton-Raphson 0.7390851       4          5                5

Interpretasi

Berdasarkan hasil perhitungan, metode Secant memperoleh akar sebesar 0,7390851332 dengan 5 iterasi dan 7 kali evaluasi fungsi. Sementara itu, metode Newton-Raphson memperoleh akar yang hampir sama, yaitu 0,7390851332 dengan 4 iterasi. Pada metode Newton-Raphson, fungsi dan turunannya masing-masing dievaluasi sebanyak 5 kali. Kedua metode berhasil menemukan akar persamaan \(\cos x=x\) dengan hasil yang hampir sama. Newton-Raphson membutuhkan iterasi lebih sedikit karena memanfaatkan turunan fungsi, sedangkan Secant menggunakan dua nilai awal untuk memperkirakan kemiringan garis. Meskipun demikian, Secant tidak memerlukan perhitungan turunan secara langsung. Jadi, kedua metode memiliki kelebihan masing-masing dalam menyelesaikan persamaan tersebut.

Soal 4

Taksir MLE parameter bentuk Gamma (\(\alpha\)) dari data Anda dengan Newton (rumus di bawah, \(f'(\alpha)=1/\alpha-\operatorname{trigamma}(\alpha)\), \(\alpha_0=1/(2s)\). Bandingkan dengan MASS::fitdistr().

# Memanggil package MASS
library(MASS)

# Memasukkan data pengamatan
# Ganti dengan data yang digunakan
data_gamma <- c(12, 15, 18, 20, 22, 25, 28, 30, 35, 40)

# Menghitung nilai s dan nilai awal alpha
s <- log(mean(data_gamma)) - mean(log(data_gamma))

alpha0 <- 1 / (2 * s)

# Fungsi score dan turunannya
ftn_gamma <- function(alpha) {
  c(
    log(alpha) - digamma(alpha) - s,
    1 / alpha - trigamma(alpha)
  )
}

# Estimasi alpha menggunakan Newton-Raphson
hasil_gamma <- newtonraphson(
  ftn_gamma,
  x0 = alpha0,
  tol = 1e-10
)

alpha_NR <- hasil_gamma$root
alpha_NR
## [1] 8.226044
# Estimasi menggunakan fitdistr()
hasil_fit <- fitdistr(data_gamma, densfun = "gamma")
hasil_fit
##      shape       rate   
##   8.2260554   0.3357574 
##  (3.6064797) (0.1517856)
# Perbandingan estimasi parameter shape
data.frame(
  Metode = c("Newton-Raphson", "MASS::fitdistr"),
  Estimasi_shape = c(
    alpha_NR,
    hasil_fit$estimate["shape"]
  )
)
##               Metode Estimasi_shape
##       Newton-Raphson       8.226044
## shape MASS::fitdistr       8.226055

Interpretasi

Berdasarkan data pengamatan yang digunakan, yaitu 10 data dengan nilai antara 12 sampai 40, diperoleh nilai awal parameter bentuk Gamma sebesar 8,0629. Setelah dilakukan perhitungan menggunakan metode Newton-Raphson, diperoleh estimasi parameter bentuk \(\alpha\) sebesar 8,2260 dengan 3 iterasi. Selanjutnya, hasil tersebut dibandingkan dengan estimasi menggunakan fungsi fitdistr() dari package MASS. Nilai estimasi parameter shape yang dihasilkan kedua metode seharusnya mendekati satu sama lain karena keduanya digunakan untuk memperoleh estimasi parameter bentuk distribusi Gamma dengan metode Maximum Likelihood Estimation (MLE). Perbedaan kecil yang mungkin muncul dapat disebabkan oleh proses dan ketelitian perhitungan numerik yang digunakan. Dengan demikian, metode Newton-Raphson dapat digunakan untuk memperoleh estimasi parameter bentuk distribusi Gamma.