Hitung integral \(\int_0^\pi \sin(x)\,dx=2\) dengan \(n=4,8,16,32\). Tabelkan galat dan rasio antar-n; apakah mendekati 4 dan 16?
# Fungsi yang akan diintegralkan
f <- function(x) {
sin(x)
}
# Nilai integral eksak
nilai_eksak <- 2
# Fungsi Trapezoidal
trapezoid <- function(ftn, a, b, n = 100) {
h <- (b - a) / n
x.vec <- seq(a, b, by = h)
f.vec <- sapply(x.vec, ftn)
T <- h * (f.vec[1] / 2 + sum(f.vec[2:n]) +
f.vec[n + 1] / 2)
return(T)
}
# Fungsi Simpson 1/3
simpson_n <- function(ftn, a, b, n = 100) {
n <- max(c(2 * (n %/% 2), 4))
h <- (b - a) / n
x.vec1 <- seq(a + h, b - h, by = 2 * h)
x.vec2 <- seq(a + 2 * h, b - 2 * h, by = 2 * h)
f.vec1 <- sapply(x.vec1, ftn)
f.vec2 <- sapply(x.vec2, ftn)
S <- h / 3 * (ftn(a) + ftn(b) +
4 * sum(f.vec1) +
2 * sum(f.vec2))
return(S)
}
# Jumlah subselang
n_values <- c(4, 8, 16, 32)
# Menghitung hasil Trapezoidal
hasil_trap <- sapply(n_values, function(n) {
trapezoid(f, 0, pi, n)
})
# Menghitung hasil Simpson
hasil_simp <- sapply(n_values, function(n) {
simpson_n(f, 0, pi, n)
})
# Menghitung galat absolut
galat_trap <- abs(nilai_eksak - hasil_trap)
galat_simp <- abs(nilai_eksak - hasil_simp)
# Menghitung rasio galat
rasio_trap <- c(
NA,
galat_trap[-length(galat_trap)] / galat_trap[-1]
)
rasio_simp <- c(
NA,
galat_simp[-length(galat_simp)] / galat_simp[-1]
)
# Membuat tabel hasil
tabel_hasil <- data.frame(
n = n_values,
Trapezoidal = hasil_trap,
Galat_Trapezoidal = galat_trap,
Rasio_Trapezoidal = rasio_trap,
Simpson = hasil_simp,
Galat_Simpson = galat_simp,
Rasio_Simpson = rasio_simp
)
print(tabel_hasil)
## n Trapezoidal Galat_Trapezoidal Rasio_Trapezoidal Simpson Galat_Simpson
## 1 4 1.896119 0.103881102 NA 2.004560 4.559755e-03
## 2 8 1.974232 0.025768398 4.031337 2.000269 2.691699e-04
## 3 16 1.993570 0.006429656 4.007741 2.000017 1.659105e-05
## 4 32 1.998393 0.001606639 4.001930 2.000001 1.033369e-06
## Rasio_Simpson
## 1 NA
## 2 16.94006
## 3 16.22381
## 4 16.05529
Berdasarkan hasil perhitungan, metode Trapezoidal dan Simpson menghasilkan pendekatan nilai integral yang semakin mendekati nilai eksak, yaitu 2, seiring bertambahnya jumlah subinterval. Galat pada metode Trapezoidal mengalami penurunan dengan rasio yang mendekati 4, sedangkan metode Simpson mengalami penurunan galat dengan rasio yang mendekati 16. Hal ini menunjukkan bahwa metode Trapezoidal memiliki orde konvergensi 2, sementara metode Simpson memiliki orde konvergensi 4. Dengan demikian, metode Simpson memberikan tingkat ketelitian yang lebih tinggi dibandingkan metode Trapezoidal untuk jumlah subinterval yang sama.
Untuk \(X\sim Gamma(shape=3, rate=2)\), hitung \(E(X)=\int_0^{20}x f(x)\,dx\) dengan Simpson() pada \([0,20]\) \(10^{-8}\), lalu bandingkan dengan 1,5 dan integrate().
# Fungsi Simpson dengan toleransi
simpson <- function(ftn, a, b, tol = 1e-8, verbose = FALSE) {
n <- 4
h <- (b - a) / 4
fx <- sapply(seq(a, b, by = h), ftn)
S <- sum(fx * c(1, 4, 2, 4, 1)) * h / 3
S.diff <- tol + 1
while (S.diff > tol) {
S.old <- S
n <- 2 * n
h <- h / 2
fx[seq(1, n + 1, by = 2)] <- fx
fx[seq(2, n, by = 2)] <-
sapply(seq(a + h, b - h, by = 2 * h), ftn)
S <- h / 3 * (
fx[1] + fx[n + 1] +
4 * sum(fx[seq(2, n, by = 2)]) +
2 * sum(fx[seq(3, n - 1, by = 2)])
)
S.diff <- abs(S - S.old)
}
if (verbose) {
cat("partition size", n, "\n")
}
return(S)
}
# Parameter distribusi Gamma
shape <- 3
rate <- 2
# Fungsi integran untuk menghitung E(X)
f_gamma <- function(x) {
x * dgamma(x, shape = shape, rate = rate)
}
# Menghitung ekspektasi dengan Simpson
hasil_simpson <- simpson(
f_gamma,
0,
20,
tol = 1e-8,
verbose = TRUE
)
## partition size 4096
# Nilai ekspektasi teoretis
hasil_teori <- shape / rate
# Menghitung dengan integrate()
hasil_integrate <- integrate(
f_gamma,
lower = 0,
upper = 20
)$value
# Membuat tabel perbandingan
tabel_gamma <- data.frame(
Metode = c("Simpson", "Teoretis", "integrate()"),
Hasil = c(
hasil_simpson,
hasil_teori,
hasil_integrate
)
)
print(tabel_gamma)
## Metode Hasil
## 1 Simpson 1.5
## 2 Teoretis 1.5
## 3 integrate() 1.5
Berdasarkan hasil perhitungan, nilai harapan distribusi Gamma dengan parameter shape 3 dan rate 2 dihitung menggunakan metode Simpson pada interval [0,20] dengan toleransi \(10^{-8}\). Hasil pendekatan tersebut dibandingkan dengan nilai harapan teoritis sebesar 1,5 dan hasil perhitungan menggunakan fungsi integrate(). Ketiga hasil tersebut diharapkan memberikan nilai yang sangat berdekatan. Hal ini menunjukkan bahwa metode Simpson mampu memberikan pendekatan numerik terhadap nilai harapan distribusi Gamma dengan tingkat ketelitian sesuai toleransi yang ditentukan.
Untuk integral \(\int_0^1 5x^4\,dx\), cari \(n_T(\varepsilon)\) dan \(n_S(\varepsilon)\) terkecil agar galat \(\varepsilon=2^{-k}\),\(k=2,\ldots,16\). Plot terhadap \(\varepsilon\) (skala log).
# Fungsi yang diintegralkan
f <- function(x) {
5 * x^4
}
# Nilai integral eksak
nilai_eksak <- 1
# Nilai epsilon
k <- 2:16
epsilon <- 2^(-k)
# Mencari n minimum Trapezoidal
cari_n_trap <- function(eps) {
n <- 2
repeat {
hasil <- trapezoid(f, 0, 1, n)
galat <- abs(nilai_eksak - hasil)
if (galat <= eps) {
return(n)
}
n <- n + 1
}
}
# Mencari n minimum Simpson
cari_n_simp <- function(eps) {
n <- 4
repeat {
hasil <- simpson_n(f, 0, 1, n)
galat <- abs(nilai_eksak - hasil)
if (galat <= eps) {
return(n)
}
n <- n + 2
}
}
# Menghitung n minimum setiap epsilon
n_trap <- sapply(epsilon, cari_n_trap)
n_simp <- sapply(epsilon, cari_n_simp)
# Membuat tabel hasil
tabel_n <- data.frame(
Epsilon = epsilon,
n_Trapezoidal = n_trap,
n_Simpson = n_simp
)
print(tabel_n)
## Epsilon n_Trapezoidal n_Simpson
## 1 2.500000e-01 3 4
## 2 1.250000e-01 4 4
## 3 6.250000e-02 6 4
## 4 3.125000e-02 8 4
## 5 1.562500e-02 11 4
## 6 7.812500e-03 15 4
## 7 3.906250e-03 21 4
## 8 1.953125e-03 30 6
## 9 9.765625e-04 42 6
## 10 4.882812e-04 59 8
## 11 2.441406e-04 83 8
## 12 1.220703e-04 117 10
## 13 6.103516e-05 166 12
## 14 3.051758e-05 234 14
## 15 1.525879e-05 331 16
# Membuat grafik
plot(
epsilon,
n_trap,
type = "b",
log = "xy",
pch = 16,
xlab = "Epsilon",
ylab = "Jumlah Subselang (n)",
main = "Perbandingan n Minimum Trapezoidal dan Simpson"
)
lines(
epsilon,
n_simp,
type = "b",
pch = 17
)
legend(
"topleft",
legend = c("Trapezoidal", "Simpson"),
pch = c(16, 17),
lty = 1
)
# Interpretasi Berdasarkan hasil perhitungan, jumlah subinterval
minimum pada metode Trapezoidal dan Simpson berbeda untuk setiap nilai
toleransi. Ketika nilai epsilon semakin kecil, jumlah subinterval yang
dibutuhkan juga semakin besar karena metode numerik harus menghasilkan
pendekatan dengan galat yang lebih kecil. Metode Simpson umumnya
membutuhkan jumlah subinterval yang lebih sedikit dibandingkan metode
Trapezoidal untuk mencapai tingkat ketelitian yang sama. Hal ini
berkaitan dengan orde konvergensi Simpson yang lebih tinggi. Grafik
dengan skala logaritmik memperlihatkan hubungan antara nilai toleransi
dan jumlah subinterval minimum pada kedua metode.
Bangkitkan skor 100 kasus positif \(N(1,1)\) dan 100 negatif \(N(0,1)\)set.seed(2026). Hitung
AUC kurva ROC dengan Trapezoidal dan bandingkan dengan \(P(score^+>score^-)\).
# Mengatur seed
set.seed(2026)
# Membangkitkan data skor
positif <- rnorm(100, mean = 1, sd = 1)
negatif <- rnorm(100, mean = 0, sd = 1)
# Menggabungkan data
skor <- c(positif, negatif)
label <- c(
rep(1, 100),
rep(0, 100)
)
# Menentukan threshold
threshold <- c(
Inf,
sort(unique(skor), decreasing = TRUE),
-Inf
)
# Menghitung TPR dan FPR
TPR <- numeric(length(threshold))
FPR <- numeric(length(threshold))
for (i in seq_along(threshold)) {
prediksi <- as.integer(skor >= threshold[i])
TP <- sum(prediksi == 1 & label == 1)
FP <- sum(prediksi == 1 & label == 0)
FN <- sum(prediksi == 0 & label == 1)
TN <- sum(prediksi == 0 & label == 0)
TPR[i] <- TP / (TP + FN)
FPR[i] <- FP / (FP + TN)
}
# Mengurutkan FPR
urutan <- order(FPR, TPR)
FPR <- FPR[urutan]
TPR <- TPR[urutan]
# Menghitung AUC dengan Trapezoidal
AUC_trap <- sum(
diff(FPR) *
(TPR[-1] + TPR[-length(TPR)]) / 2
)
AUC_trap
## [1] 0.7127
# Menghitung probabilitas skor positif > skor negatif
AUC_empiris <- mean(
outer(positif, negatif, ">") +
0.5 * outer(positif, negatif, "==")
)
AUC_empiris
## [1] 0.7127
# Membandingkan kedua hasil
data.frame(
Metode = c(
"Trapezoidal ROC",
"Probabilitas Empiris"
),
AUC = c(
AUC_trap,
AUC_empiris
)
)
## Metode AUC
## 1 Trapezoidal ROC 0.7127
## 2 Probabilitas Empiris 0.7127
# Membuat grafik ROC
plot(
FPR,
TPR,
type = "l",
xlim = c(0, 1),
ylim = c(0, 1),
xlab = "False Positive Rate",
ylab = "True Positive Rate",
main = "Kurva ROC"
)
abline(0, 1, lty = 2)
# Interpretasi Berdasarkan simulasi yang dilakukan dengan
set.seed(2026), dibangkitkan 100 skor kasus positif dari distribusi
normal dengan rata-rata 1 dan simpangan baku 1, serta 100 skor kasus
negatif dari distribusi normal dengan rata-rata 0 dan simpangan baku 1.
Nilai AUC dihitung menggunakan metode Trapezoidal berdasarkan kurva ROC,
kemudian dibandingkan dengan probabilitas empiris bahwa skor positif
lebih besar daripada skor negatif. Kedua metode diharapkan menghasilkan
nilai AUC yang sama atau sangat berdekatan karena keduanya mengukur
kemampuan skor dalam membedakan kelompok positif dan negatif.