##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 ## Penyelesaian Diketahui fungsi: \[ f(x)=x^3-x-2 \] Turunan pertama:
\[ f'(x)=3x^2-1 \] ## Implementasi R
f <- function(x) x^3-x-2
df <- function(x) 3*x^2-1
newton <- function(x0, tol=1e-10) {
x <- x0
iter <- 0
while(abs(f(x)) > tol && iter < 100) {
x <- x-f(x)/df(x)
iter <- iter+1
}
cat("Akar:", x, "\n")
cat("Iterasi:", iter, "\n")
}
newton(1.5)
## Akar: 1.52138
## Iterasi: 3
bisection <- function(a, b, tol = 1e-10) { iter <- 0 repeat { tengah <- (a+b)/2 if (abs(f(tengah)) < tol) break
# Metode Bisection
bisection <- function(a, b, tol = 1e-10) {
iter <- 0
repeat {
tengah <- (a+b)/2
if (abs(f(tengah)) < tol) break
if (f(a)*f(tengah) < 0) {
b <- tengah
} else {
a <- tengah
}
iter <- iter + 1
}
cat("Akar Bisection:", tengah, "\n")
cat("Jumlah iterasi:", iter+1, "\n")
return(tengah)
}
bisection
## function (a, b, tol = 1e-10)
## {
## iter <- 0
## repeat {
## tengah <- (a + b)/2
## if (abs(f(tengah)) < tol)
## break
## if (f(a) * f(tengah) < 0) {
## b <- tengah
## }
## else {
## a <- tengah
## }
## iter <- iter + 1
## }
## cat("Akar Bisection:", tengah, "\n")
## cat("Jumlah iterasi:", iter + 1, "\n")
## return(tengah)
## }
hasil_bisection <- bisection(1, 2)
## Akar Bisection: 1.52138
## Jumlah iterasi: 33
hasil_bisection
## [1] 1.52138
# Metode 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
Berdasarkan hasil perhitungan, metode Newton-Raphson menghasilkan akar persamaan sebesar 1,5213797068 dengan nilai awal X0=1,5. Proses perhitungan mencapai konvergensi dalam 3 iterasi dengan toleransi sebesar 10^-10. Metode Bisection dan fungsi uniroot() juga digunakan sebagai pembanding dan menghasilkan nilai akar yang hampir sama. Hal ini menunjukkan bahwa metode Newton-Raphson mampu menemukan akar persamaan dengan cepat. Dibandingkan dengan metode Bisection, Newton-Raphson membutuhkan jumlah iterasi yang lebih sedikit karena memanfaatkan turunan pertama fungsi.
##Cari t0,975 untuk df = 9 dengan Newton (f = pt(x, 9) − 0,975, f′ = dt(x, 9)), bandingkan dengan qt(0.975,9). Coba x0 = 10 dan jelaskan hasilnya. ## Penyelesaian Diketahui: - Derajat bebas (df) = 9 - Probabilitas = 0,975 - Toleransi = 10^-10 Persamaan yang digunakan: \[ f(x)=pt(x,9)-0,975 \] Turunan pertama: \[ f'(x)=dt(x,9) \] ## Implementasi R
ft <- function(x) pt(x, df = 9) - 0.975
dft <- function(x) dt(x, df = 9)
# Newton-Raphson
newton_t <- function(x0, tol = 1e-10) {
x <- x0
iter <- 0
while (abs(ft(x)) > tol && iter < 100) {
xbaru <- x - ft(x)/dft(x)
if (!is.finite(xbaru)) {
cat("Gagal konvergen\n")
return(NULL)
}
x <- xbaru
iter <- iter + 1
cat("Iterasi:", iter, "Nilai x:", x, "\n")
}
if (abs(ft(x)) <= tol) {
cat("Akar:", x, "\n")
cat("Jumlah iterasi:", iter, "\n")
return(x)
}
}
newton_t
## function (x0, tol = 1e-10)
## {
## x <- x0
## iter <- 0
## while (abs(ft(x)) > tol && iter < 100) {
## xbaru <- x - ft(x)/dft(x)
## if (!is.finite(xbaru)) {
## cat("Gagal konvergen\n")
## return(NULL)
## }
## x <- xbaru
## iter <- iter + 1
## cat("Iterasi:", iter, "Nilai x:", x, "\n")
## }
## if (abs(ft(x)) <= tol) {
## cat("Akar:", x, "\n")
## cat("Jumlah iterasi:", iter, "\n")
## return(x)
## }
## }
# Menggunakan tebakan awal 1
hasil1 <- newton_t(1)
## Iterasi: 1 Nilai x: 1.640325
## Iterasi: 2 Nilai x: 2.047073
## Iterasi: 3 Nilai x: 2.229612
## Iterasi: 4 Nilai x: 2.261325
## Iterasi: 5 Nilai x: 2.262157
## Iterasi: 6 Nilai x: 2.262157
## Akar: 2.262157
## Jumlah iterasi: 6
# Menggunakan tebakan awal 10
hasil2 <- newton_t(10)
## Iterasi: 1 Nilai x: -16776.42
## Iterasi: 2 Nilai x: 7.514743e+37
## Gagal konvergen
# Pembanding dari fungsi bawaan R
qt(0.975, df = 9)
## [1] 2.262157
##Interpretasi dan Kesimpulan: Berdasarkan hasil perhitungan, metode Newton-Raphson digunakan untuk mencari nilai kuantil distribusi t dengan derajat bebas 9 dan probabilitas 0,975. Penggunaan tebakan awal X0=1 dapat menghasilkan nilai yang dibandingkan dengan fungsi bawaan R, yaitu qt(0.975, df = 9), sebesar 2,262157163. Sementara itu, penggunaan tebakan awal X0=10 dapat mengalami kegagalan konvergensi karena posisi tebakan awal yang kurang sesuai. Hal ini menunjukkan bahwa pemilihan nilai awal sangat berpengaruh terhadap keberhasilan metode Newton-Raphson dalam memperoleh nilai kuantil.
##Selesaikan cos x = x dengan Secant (x0 = 0, x1 = 1) dan Newton (x0 = 1). Bandingkan iterasi dan jumlah evaluasi fungsi. ## Penyelesaian
Diketahui persamaan:
\[ f(x)=\cos(x)-x \]
Turunan pertama:
\[ f'(x)=-\sin(x)-1 \]
Rumus Newton-Raphson:
\[ x_{i+1}=x_i-\frac{f(x_i)}{f'(x_i)} \]
Rumus Secant: \[ x_{i+1}=x_i- \frac{f(x_i)(x_i-x_{i-1})} {f(x_i)-f(x_{i-1})} \]
f <- function(x) cos(x) - x
df <- function(x) -sin(x) - 1
# Newton-Raphson
newton <- function(x0, tol = 1e-10) {
x <- x0
iter <- 0
while (abs(f(x)) > tol && iter < 100) {
xbaru <- x - f(x)/df(x)
x <- xbaru
iter <- iter + 1
cat("Iterasi:", iter, "Nilai x:", x, "\n")
}
cat("Akar Newton:", x, "\n")
cat("Jumlah iterasi:", iter, "\n")
return(x)
}
# Secant
secant <- function(x0, x1, tol = 1e-10) {
iter <- 0
f0 <- f(x0)
f1 <- f(x1)
while (abs(f1) > tol && iter < 100) {
if (f1 == f0) stop("Pembagi nol")
x2 <- x1 - f1*(x1-x0)/(f1-f0)
x0 <- x1
f0 <- f1
x1 <- x2
f1 <- f(x1)
iter <- iter + 1
cat("Iterasi:", iter, "Nilai x:", x1, "\n")
}
cat("Akar Secant:", x1, "\n")
cat("Jumlah iterasi:", iter, "\n")
return(x1)
}
hasil_newton <- newton(1)
## Iterasi: 1 Nilai x: 0.7503639
## Iterasi: 2 Nilai x: 0.7391129
## Iterasi: 3 Nilai x: 0.7390851
## Iterasi: 4 Nilai x: 0.7390851
## Akar Newton: 0.7390851
## Jumlah iterasi: 4
hasil_secant <- secant(0, 1)
## Iterasi: 1 Nilai x: 0.6850734
## Iterasi: 2 Nilai x: 0.736299
## Iterasi: 3 Nilai x: 0.7391194
## Iterasi: 4 Nilai x: 0.7390851
## Iterasi: 5 Nilai x: 0.7390851
## Akar Secant: 0.7390851
## Jumlah iterasi: 5
##Interpretasi dan Kesimpulan: Berdasarkan hasil perhitungan, metode Newton-Raphson dan Secant digunakan untuk mencari akar persamaan f(x)=cos(x) - x. Kedua metode menghasilkan nilai akar yang mendekati 0,7390851332. Metode Newton-Raphson membutuhkan sekitar 4 iterasi, sedangkan metode Secant membutuhkan sekitar 5 iterasi untuk mencapai toleransi yang ditentukan. Hal ini menunjukkan bahwa Newton-Raphson memiliki proses konvergensi yang lebih cepat pada perhitungan ini. Namun, metode Secant memiliki kelebihan karena tidak memerlukan turunan pertama fungsi, melainkan menggunakan dua nilai tebakan awal. Dengan demikian, kedua metode dapat digunakan untuk menyelesaikan persamaan nonlinear dengan karakteristik yang berbeda.
##Taksir MLE parameter bentuk Gamma (α) dari data Anda dengan Newton (rumus di bawah, f′ = 1/α − trigamma(α)), α0 = 1/(2s). Bandingkan dengan MASS::fitdistr. ## Penyelesaian Maximum Likelihood Estimation (MLE) merupakan metode yang digunakan untuk memperoleh estimasi parameter berdasarkan data pengamatan. Persamaan MLE: \[ f(\alpha)=\ln\alpha-\psi(\alpha) -\ln\bar{x}-\frac{1}{n}\sum_{i=1}^{n}\ln x_i \] Turunan pertama: \[ f'(\alpha)=\frac{1}{\alpha} -\operatorname{trigamma}(\alpha) \] Nilai awal parameter: \[ \alpha_0=\frac{1}{2s} \] Keterangan: - α = parameter bentuk distribusi Gamma. - ψ(α) = fungsi digamma. - n = jumlah pengamatan. - x̄ = rata-rata data. - s = simpangan baku data.
data <- c(12, 15, 18, 20, 22, 25, 28, 30, 32, 35)
# Statistik deskriptif
n <- length(data)
n
## [1] 10
xbar <- mean(data)
xbar
## [1] 23.7
s <- sd(data)
s
## [1] 7.58727
# Nilai awal alpha
alpha0 <- 1/(2*s)
# Fungsi MLE Gamma
f <- function(alpha) {
log(alpha) - digamma(alpha) -
log(xbar) - mean(log(data))
}
f
## function (alpha)
## {
## log(alpha) - digamma(alpha) - log(xbar) - mean(log(data))
## }
# Turunan fungsi
df <- function(alpha) {
1/alpha - trigamma(alpha)
}
df
## function (alpha)
## {
## 1/alpha - trigamma(alpha)
## }
# Newton-Raphson
newton_gamma <- function(alpha0, tol = 1e-10,
max.iter = 100) {
alpha <- alpha0
iter <- 0
while (abs(f(alpha)) > tol && iter < max.iter) {
alpha_baru <- alpha - f(alpha)/df(alpha)
if (!is.finite(alpha_baru) || alpha_baru <= 0) {
stop("Iterasi gagal atau alpha tidak valid")
}
alpha <- alpha_baru
iter <- iter + 1
cat("Iterasi:", iter,
"Alpha:", alpha, "\n")
}
cat("Estimasi alpha:", alpha, "\n")
cat("Jumlah iterasi:", iter, "\n")
return(alpha)
}
newton_gamma
## function (alpha0, tol = 1e-10, max.iter = 100)
## {
## alpha <- alpha0
## iter <- 0
## while (abs(f(alpha)) > tol && iter < max.iter) {
## alpha_baru <- alpha - f(alpha)/df(alpha)
## if (!is.finite(alpha_baru) || alpha_baru <= 0) {
## stop("Iterasi gagal atau alpha tidak valid")
## }
## alpha <- alpha_baru
## iter <- iter + 1
## cat("Iterasi:", iter, "Alpha:", alpha, "\n")
## }
## cat("Estimasi alpha:", alpha, "\n")
## cat("Jumlah iterasi:", iter, "\n")
## return(alpha)
## }
# Menjalankan Newton-Raphson
alpha_hat <- newton_gamma(alpha0)
## Iterasi: 1 Alpha: 0.09659745
## Iterasi: 2 Alpha: 0.11862
## Iterasi: 3 Alpha: 0.1251163
## Iterasi: 4 Alpha: 0.1255102
## Iterasi: 5 Alpha: 0.1255115
## Iterasi: 6 Alpha: 0.1255115
## Estimasi alpha: 0.1255115
## Jumlah iterasi: 6
alpha_hat
## [1] 0.1255115
# Membandingkan dengan MASS::fitdistr
library(MASS)
hasil_mle <- fitdistr(data, "gamma")
hasil_mle
## shape rate
## 9.9430912 0.4195397
## (4.3739290) (0.1892881)
##Interpetasi dan Kesimpulan: Metode Maximum Likelihood Estimation (MLE) digunakan untuk memperoleh estimasi parameter bentuk distribusi Gamma berdasarkan data pengamatan. Proses estimasi dilakukan menggunakan metode Newton-Raphson dengan menentukan nilai awal parameter, kemudian memperbaruinya secara berulang hingga mencapai batas toleransi yang ditentukan. Hasil estimasi parameter selanjutnya dibandingkan dengan fungsi fitdistr() dari package MASS. Perbandingan tersebut bertujuan untuk mengetahui kesesuaian hasil estimasi yang diperoleh melalui kedua pendekatan. Dengan demikian, metode Newton-Raphson dapat diterapkan dalam proses estimasi parameter distribusi Gamma melalui penyelesaian persamaan MLE.