1. Trapezoidal dan Simpson

Hitung ∫ batas atas : π, batas bawah : 0 sin (x) dx = 2 dengan n = 4, 8, 16, 32. Tabelkan galat dan rasio antar-n; apakah mendekati 4 dan 16? #Diketahui : - Fungsi yang akan diintegralkan: f(x) = sin x - Batas bawah integral:a = 0 - Batas atas integral: b = π - Nilai integral eksak:∫ batas atas : π, batas bawah : 0 sin (x) dx = 2 - Jumlah subselang:n=4,8,16,32.

#Penyelesaian : Perhitungan dilakukan dengan menggunakan metode Trapezoidal dan Simpson untuk memperoleh pendekatan nilai integral. Selanjutnya, hasil setiap metode dibandingkan dengan nilai eksak, yaitu 2, untuk memperoleh nilai galat. - Rumus galat yang digunakan: E=|I_eksak-I_numerik| - Rasio galat dihitung dengan membandingkan galat pada jumlah subselang sebelumnya dengan galat pada jumlah subselang berikutnya: R = En/ E2n Pada metode Trapezoidal, rasio galat secara teori mendekati 4, sedangkan pada metode Simpson mendekati 16 ketika jumlah subselang semakin besar.

#Implementasi R: #Fungsi Trapezoidal

trapezoid <- function(ftn, a, b, n) {
  h <- (b-a)/n
  x <- seq(a, b, length.out = n+1)
  y <- sapply(x, ftn)
  
  T <- h * (y[1]/2 + sum(y[2:n]) + y[n+1]/2)
  return(T)
}

#Fungsi Simpson

simpson <- function(ftn, a, b, n) {
  if (n %% 2 != 0) {
    stop("n harus genap")
  }
  h <- (b-a)/n
  x <- seq(a, b, length.out = n+1)
  y <- sapply(x, ftn)
  S <- h/3 * (
    y[1] + y[n+1] +
      4*sum(y[seq(2, n, by=2)]) +
      2*sum(y[seq(3, n-1, by=2)])
  )
  return(S)
}
# Fungsi yang diintegralkan
f <- function(x) sin(x)
# Nilai eksak
eksak <- 2
# Nilai n
n <- c(4, 8, 16, 32)
# Perhitungan
T <- sapply(n, function(i) trapezoid(f, 0, pi, i))
T
## [1] 1.896119 1.974232 1.993570 1.998393
S <- sapply(n, function(i) simpson(f, 0, pi, i))
S
## [1] 2.004560 2.000269 2.000017 2.000001
# Galat
galat_T <- abs(T - eksak)
galat_T
## [1] 0.103881102 0.025768398 0.006429656 0.001606639
galat_S <- abs(S - eksak)
galat_S
## [1] 4.559755e-03 2.691699e-04 1.659105e-05 1.033369e-06
# Rasio galat
rasio_T <- c(NA, galat_T[-length(n)] / galat_T[-1])
rasio_T 
## [1]       NA 4.031337 4.007741 4.001930
rasio_S <- c(NA, galat_S[-length(n)] / galat_S[-1])
rasio_S
## [1]       NA 16.94006 16.22381 16.05529
# Tabel hasil
hasil1 <- data.frame(
  n = n,
  Trapezoidal = T,
  Galat_T = galat_T,
  Rasio_T = rasio_T,
  Simpson = S,
  Galat_S = galat_S,
  Rasio_S = rasio_S)
hasil1
##    n Trapezoidal     Galat_T  Rasio_T  Simpson      Galat_S  Rasio_S
## 1  4    1.896119 0.103881102       NA 2.004560 4.559755e-03       NA
## 2  8    1.974232 0.025768398 4.031337 2.000269 2.691699e-04 16.94006
## 3 16    1.993570 0.006429656 4.007741 2.000017 1.659105e-05 16.22381
## 4 32    1.998393 0.001606639 4.001930 2.000001 1.033369e-06 16.05529

#Interpretasi dan Kesimpulan : Berdasarkan hasil perhitungan menggunakan metode Trapezoidal dan Simpson, dapat diketahui bahwa semakin banyak jumlah subselang (n) yang digunakan, semakin kecil galat yang dihasilkan. Hal ini menunjukkan bahwa hasil pendekatan kedua metode semakin mendekati nilai integral eksak, yaitu 2.

Pada metode Trapezoidal, rasio galat antara dua jumlah subselang berturut-turut cenderung mendekati 4. Sementara itu, pada metode Simpson, rasio galat cenderung mendekati 16. Hasil tersebut sesuai dengan teori bahwa metode Trapezoidal memiliki orde galat O(h^2), sedangkan metode Simpson memiliki orde galat O(h^4).

Dengan demikian, metode Simpson memiliki tingkat ketelitian yang lebih tinggi dibandingkan metode Trapezoidal untuk perhitungan integral pada soal ini. Keduanya menunjukkan hasil yang semakin akurat ketika jumlah subselang diperbesar.

2. Nilai harapan

Untuk X ~ Gamma(shape = 3, rate = 2), hitung E(X) = ∫ x f(x) dx dengan simpson() pada [0, 20] (tol 10−8), lalu bandingkan dengan 1,5 dan integrate(). #Diketahui : - Variabel acak (X) berdistribusi Gamma. - Parameter bentuk (shape) = 3. - Parameter laju (rate) = 2. - Batas bawah integral: (a=0). - Batas atas integral: (b=20). - Toleransi galat: (10^{-8}). - Nilai harapan teoritis distribusi Gamma: E(x) = α / β E(x) = 3 / 2 = 1.5 #Penyelesaian : Nilai harapan atau expected value dihitung menggunakan rumus: \[ E(X)=\int_0^\infty x f(x)\,dx \]

Karena perhitungan numerik menggunakan batas atas 20, maka integral didekati menjadi:

\[ E(X)\approx\int_0^{20}x f(x)\,dx \]

Fungsi kepadatan probabilitas distribusi Gamma dirumuskan sebagai berikut:

\[ f(x)=\frac{\beta^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\beta x} \]

Dengan diketahui \(\alpha=3\) dan \(\beta=2\), maka:

\[ f(x)=\frac{2^3}{\Gamma(3)}x^{3-1}e^{-2x} \]

Karena nilai \(\Gamma(3)=2\), diperoleh:

\[ f(x)=\frac{8}{2}x^2e^{-2x} \]

\[ f(x)=4x^2e^{-2x} \]

Selanjutnya, fungsi kepadatan tersebut dimasukkan ke dalam rumus nilai harapan:

\[ E(X)\approx\int_0^{20}x(4x^2e^{-2x})\,dx \]

Sehingga diperoleh:

\[ E(X)\approx\int_0^{20}4x^3e^{-2x}\,dx \]

Nilai integral tersebut kemudian dihitung menggunakan metode Simpson dengan toleransi galat sebesar \(10^{-8}\). Hasilnya akan dibandingkan dengan nilai harapan teoritis sebesar 1,5 dan hasil perhitungan menggunakan fungsi integrate() pada R.

#Implementasi R : #Fungsi Simpson

simpson <- function(ftn, a, b, n) {
  if (n %% 2 != 0 || n < 2) {
    stop("n harus genap dan minimal 2")
  }
  h <- (b-a)/n
  x <- seq(a, b, length.out=n+1)
  y <- sapply(x, ftn)
  # Titik dengan bobot 4
  ganjil <- sum(y[seq(2, n, by=2)])
  # Titik dengan bobot 2
  genap <- 0
  if (n >= 4) {
    genap <- sum(y[seq(3, n-1, by=2)])
  }
  S <- h/3 * (
    y[1] + y[n+1] + 4*ganjil + 2*genap
  )
  return(S)
}
# Fungsi kepadatan Gamma
f <- function(x) {
  x * dgamma(x, shape=3, rate=2)
}
# Nilai eksak
eksak <- 1.5
# Mencari n hingga estimasi galat <= 1e-8
n <- 2
galat <- Inf
while (galat > 1e-8) {
  S_lama <- simpson(f, 0, 20, n)
  n <- n*2
  S_baru <- simpson(f, 0, 20, n)
  galat <- abs(S_baru - S_lama)/15
}
galat
## [1] 1.210348e-09
# Hasil Simpson
cat("Nilai Simpson =", S_baru, "\n")
## Nilai Simpson = 1.5
cat("Jumlah subselang =", n, "\n")
## Jumlah subselang = 2048
cat("Estimasi galat =", galat, "\n")
## Estimasi galat = 1.210348e-09
# Menggunakan integrate()
hasil_integrate <- integrate(f, 0, 20)
cat("Hasil integrate() =", hasil_integrate$value, "\n")
## Hasil integrate() = 1.5
# Perbandingan dengan nilai eksak
cat("Nilai eksak =", eksak, "\n")
## Nilai eksak = 1.5
cat("Galat Simpson =", abs(S_baru-eksak), "\n")
## Galat Simpson = 1.212182e-09
cat("Galat integrate =", abs(hasil_integrate$value-eksak), "\n")
## Galat integrate = 7.327472e-14

#Interpretasi dan Kesimpulan : Berdasarkan hasil perhitungan, metode Simpson digunakan untuk mendekati nilai harapan distribusi Gamma dengan parameter shape sebesar 3 dan rate sebesar 2 pada interval [0,20]. Hasil pendekatan tersebut kemudian dibandingkan dengan nilai harapan teoritis sebesar 1,5 dan hasil perhitungan menggunakan fungsi integrate() pada R. Hasil perhitungan Simpson diharapkan mendekati kedua nilai pembanding tersebut dengan toleransi galat sebesar \(10^{-8}\). Hal ini menunjukkan bahwa metode Simpson dapat digunakan untuk menghitung pendekatan nilai harapan secara numerik dengan tingkat ketelitian yang tinggi. Dengan demikian, hasil perhitungan numerik dapat digunakan untuk mendekati nilai harapan distribusi Gamma.

3. Memilih n

Untuk menghitung nilai integral \[ \int_0^1 5x^4\,dx \] ditentukan jumlah subselang terkecil, yaitu \(n_T(\varepsilon)\) untuk metode Trapezoidal dan \(n_S(\varepsilon)\) untuk metode Simpson, sehingga galat perhitungan tidak melebihi toleransi yang ditentukan, yaitu: \[ \varepsilon=2^{-k}, \quad k=2,3,\ldots,16 \] Selanjutnya, hasil perhitungan \(n_T(\varepsilon)\) dan \(n_S(\varepsilon)\) disajikan dalam bentuk plot dengan menggunakan skala logaritmik pada sumbu \(\varepsilon\). #Diketahui : - Diberikan fungsi integral: [ _0^1 5x^4,dx] Dengan ketentuan sebagai berikut: - Batas bawah integral ((a)) = 0 - Batas atas integral ((b)) = 1 - Fungsi yang diintegralkan adalah (f(x)=5x^4). - Toleransi galat ditentukan dengan rumus: [ ^{-k}, k=2,3,,16] #Penyelesaian : Pertama, ditentukan nilai integral eksak sebagai pembanding untuk menghitung galat. [ I=_0^1 5x^4,dx]

[ I=_0^1]

[ I=15-05=1]

Jadi, nilai integral eksaknya adalah 1.

Selanjutnya, dicari jumlah subselang terkecil ((n)) pada masing-masing metode, yaitu Trapezoidal dan Simpson, sehingga nilai galat yang diperoleh tidak melebihi toleransi ().

Toleransi galat dihitung berdasarkan:

[ ^{-k}]

dengan (k=2,3,,16).

Galat dihitung menggunakan selisih absolut antara hasil pendekatan numerik dan nilai integral eksak, yaitu:

[ =|I-I_n|]

Untuk metode Trapezoidal, dicari nilai (n_T()) terkecil yang memenuhi:

[ |I-T_n|]

Sedangkan untuk metode Simpson, dicari nilai (n_S()) terkecil yang memenuhi:

[ |I-S_n|]

Nilai (n) yang memenuhi ketentuan tersebut kemudian dicatat untuk setiap nilai toleransi. Hasilnya disajikan dalam bentuk tabel dan plot dengan skala logaritmik terhadap ().

#Implementasi R :

#Fungsi Trapezoidal
trapezoid <- function(ftn, a, b, n) {
  h <- (b - a) / n
  x <- seq(a, b, length.out = n + 1)
  y <- sapply(x, ftn)
  T <- h * (y[1] / 2 + sum(y[2:n]) + y[n + 1] / 2)
  return(T)
}
#Fungsi Simpson
simpson <- function(ftn, a, b, n) {
  if (n < 2 || n %% 2 != 0) {
    stop("n harus genap dan minimal 2")
  }
  h <- (b - a) / n
  x <- seq(a, b, length.out = n + 1)
  y <- sapply(x, ftn)
  ganjil <- sum(y[seq(2, n, by = 2)])
  genap <- 0
  if (n >= 4) {
    genap <- sum(y[seq(3, n - 1, by = 2)])
  }
  S <- h / 3 * (y[1] + y[n + 1] +
                  4 * ganjil + 2 * genap)
  return(S)
}
#Fungsi yang diintegralkan
f <- function(x) 5 * x^4
f
## function (x) 
## 5 * x^4
# Nilai integral eksak
nilai_eksak <- 1
nilai_eksak
## [1] 1
#Menentukan epsilon
k <- 2:16
k
##  [1]  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16
epsilon <- 2^(-k)
epsilon
##  [1] 2.500000e-01 1.250000e-01 6.250000e-02 3.125000e-02 1.562500e-02
##  [6] 7.812500e-03 3.906250e-03 1.953125e-03 9.765625e-04 4.882812e-04
## [11] 2.441406e-04 1.220703e-04 6.103516e-05 3.051758e-05 1.525879e-05
# Menyimpan hasil
nT <- numeric(length(epsilon))
nT
##  [1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
nS <- numeric(length(epsilon))
nS
##  [1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
#Mencari n terkecil
for (i in seq_along(epsilon)) {
  # Metode Trapezoidal
  nt <- 1
  galatT <- abs(trapezoid(f, 0, 1, nt) - nilai_eksak)
  while (galatT > epsilon[i]) {
    nt <- nt + 1
    galatT <- abs(trapezoid(f, 0, 1, nt) - nilai_eksak)
  }
  nT[i] <- nt
  # Metode Simpson
  ns <- 2
  galatS <- abs(simpson(f, 0, 1, ns) - nilai_eksak)
  while (galatS > epsilon[i]) {
    ns <- ns + 2
    galatS <- abs(simpson(f, 0, 1, ns) - nilai_eksak)
  }
  nS[i] <- ns
}
#Membuat tabel hasil
hasil <- data.frame(
  k = k,
  Epsilon = epsilon,
  nT = nT,
  nS = nS
)
hasil
##     k      Epsilon  nT nS
## 1   2 2.500000e-01   3  2
## 2   3 1.250000e-01   4  2
## 3   4 6.250000e-02   6  2
## 4   5 3.125000e-02   8  4
## 5   6 1.562500e-02  11  4
## 6   7 7.812500e-03  15  4
## 7   8 3.906250e-03  21  4
## 8   9 1.953125e-03  30  6
## 9  10 9.765625e-04  42  6
## 10 11 4.882812e-04  59  8
## 11 12 2.441406e-04  83  8
## 12 13 1.220703e-04 117 10
## 13 14 6.103516e-05 166 12
## 14 15 3.051758e-05 234 14
## 15 16 1.525879e-05 331 16
#Membuat grafik
plot(epsilon, nT,
     type = "b",
     log = "xy",
     col = "pink",
     pch = 16,
     xlab = "Epsilon (Skala Log)",
     ylab = "Jumlah Subselang (n)",
     main = "Perbandingan Trapezoidal dan Simpson")

lines(epsilon, nS,
      type = "b",
      col = "darkblue",
      pch = 17)

legend("topleft",
       legend = c("Trapezoidal", "Simpson"),
       col = c("pink", "darkblue"),
       pch = c(16, 17),
       lty = 1)

#Interpretasi dan Kesimpulan : Berdasarkan hasil perhitungan, jumlah subselang yang dibutuhkan oleh metode Trapezoidal dan Simpson bergantung pada besarnya toleransi galat yang ditentukan. Semakin kecil nilai toleransi galat, semakin banyak subselang yang diperlukan agar hasil pendekatan numerik semakin mendekati nilai integral eksak.

Metode Simpson umumnya membutuhkan jumlah subselang yang lebih sedikit dibandingkan metode Trapezoidal untuk mencapai tingkat ketelitian yang sama. Hal ini karena metode Simpson memiliki tingkat ketelitian yang lebih tinggi, yaitu dengan orde galat (O(h^4)), sedangkan metode Trapezoidal memiliki orde galat (O(h^2)).

Dengan demikian, metode Simpson lebih efisien dalam mencapai toleransi galat yang kecil dibandingkan metode Trapezoidal. Hal ini dapat diamati melalui perbandingan nilai (n_T()) dan (n_S()) serta grafik yang dihasilkan.

4. Proyek mini : AUC ROC

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(skor⁺ > skor⁻). #Diketahui : Pada soal ini dilakukan simulasi untuk menghitung nilai AUC (Area Under the Curve) menggunakan kurva ROC (Receiver Operating Characteristic). Data yang digunakan memiliki ketentuan sebagai berikut: - Jumlah data positif = 100. - Jumlah data negatif = 100.

Skor data positif dibangkitkan dari distribusi normal dengan rata-rata 1 dan standar deviasi 1. Skor data negatif dibangkitkan dari distribusi normal dengan rata-rata 0 dan standar deviasi 1.

Seed yang digunakan adalah 2026. Secara matematis, pembangkitan data dilakukan dengan:

[ X_+ N(1,1)]

[ X_- N(0,1)]

Nilai AUC yang diperoleh menggunakan metode Trapezoidal kemudian dibandingkan dengan peluang empiris bahwa skor positif lebih besar daripada skor negatif. #Penyelesaian : Langkah pertama adalah membangkitkan 100 data positif dan 100 data negatif berdasarkan distribusi normal yang telah ditentukan. Selanjutnya, dibuat beberapa nilai threshold untuk menentukan nilai True Positive Rate (TPR) dan False Positive Rate (FPR).

TPR merupakan proporsi data positif yang berhasil diklasifikasikan sebagai positif, sedangkan FPR merupakan proporsi data negatif yang salah diklasifikasikan sebagai positif.

Nilai AUC dihitung menggunakan metode Trapezoidal dengan rumus:

[ AUC={i=1}^{m-1} (FPR{i+1}-FPR_i) ]

Selain itu, dilakukan perhitungan peluang empiris dengan membandingkan seluruh pasangan skor positif dan negatif menggunakan rumus:

[ P(X_+>X_-)]

Hasil kedua perhitungan tersebut kemudian dibandingkan untuk mengetahui kesesuaian nilai AUC dengan peluang empiris.

#Implementasi R :

#Membangkitkan data
set.seed(2026)
positif <- rnorm(100, mean = 1, sd = 1)
positif
##   [1]  1.520589073 -0.079690762  1.139238115  0.915251215  0.333360385
##   [6] -1.516089032  0.264853203 -0.020122263  1.113554441  0.526209018
##  [11]  0.591785296  0.269566721  0.778563401  0.774183476 -1.546881446
##  [16]  2.347001499  1.616408146  1.217564338  0.195281170  1.689746778
##  [21]  0.671327986  0.835318423 -0.392028880  2.465824761  1.048206808
##  [26]  2.908083835  2.730944527  1.058145837  1.645328162  2.725628987
##  [31]  0.471033083  1.166392026  0.745276425  1.332782359  1.182432813
##  [36]  2.164593750  1.593492851  0.108220271  1.577253310  0.175094419
##  [41] -0.157253858  1.777998774 -0.204221786  1.306714102  0.166341459
##  [46]  2.418141164  1.711786118  0.597502277  1.799362219  1.426484436
##  [51] -0.169898670  0.793799840  0.069389691  1.449397566  0.355193545
##  [56]  0.768577310 -0.236368011  0.039044702  1.133956282  0.000947277
##  [61]  0.858529309  1.167329900  0.801211387  0.708792812 -0.734397034
##  [66]  0.727271668 -0.799929482  2.152740977 -0.003319486  1.148210044
##  [71]  1.519496681  1.005436294  2.347020835  0.152966583  1.443398017
##  [76]  0.022850532  3.124491136  1.687698961  0.656631780  1.785169473
##  [81] -0.155577461  2.508916346 -0.155496160 -0.556811810  0.944752075
##  [86]  1.849193163  0.988903277  0.239686168  2.175799252  3.414449709
##  [91] -0.958512768  2.473589893  0.525116039  1.981170984 -0.824355220
##  [96]  0.739389183  0.041154687  0.509704290 -0.077296714  1.369425911
negatif <- rnorm(100, mean = 0, sd = 1)
negatif
##   [1]  1.216266481 -0.493843236 -0.227784721 -1.111648887  0.995833089
##   [6]  0.561828891 -1.564278557  1.481077019 -1.169205150 -1.052013537
##  [11] -1.471845525 -1.193436921 -0.347979425  0.532822543 -0.710988576
##  [16] -0.198989138 -0.281373324  1.170926275  2.288733186 -1.068856614
##  [21]  1.906204189  2.131797718  0.231456363  0.896945738 -1.738792712
##  [26]  0.468847940 -0.544147673 -0.165414154  0.552166563  1.033330212
##  [31] -0.046178805  2.638707313  0.589005749 -0.202377334  0.441560138
##  [36] -0.100257702 -1.093403992  0.503247339  0.949240091  0.382802056
##  [41]  0.371578211  0.157216402  0.847939890 -1.283392657  1.158278608
##  [46] -0.909106213  0.334990705  0.775854082  0.237140152 -1.559870135
##  [51]  0.024326751  0.334635189  0.989410999  0.500375114  0.576907865
##  [56]  1.142690940 -0.707447814 -0.618559641 -0.008314196  0.338919734
##  [61]  1.405406299 -0.865269852 -0.873953957  0.774318201 -0.401890242
##  [66] -0.215137831  0.605256131 -0.614567684 -0.724422931 -0.256942637
##  [71] -0.392072736 -0.686701962  0.875840340 -0.481057986  0.068357591
##  [76]  0.137024893 -1.858768519  0.346276571  1.501633820 -0.013738120
##  [81] -0.775245198  1.311158136  0.260524557  1.014017008  0.215594208
##  [86]  0.613404626  1.445988481  0.658085901  0.375234496 -0.674688276
##  [91]  0.580480573 -0.414229332  2.180503985  0.342857644 -0.798024662
##  [96]  1.641036166 -0.460005112 -1.586470989 -1.044915674  0.041653666
#Menentukan threshold
threshold <- c(Inf, sort(unique(c(positif, negatif)),
                         decreasing = TRUE), -Inf)
threshold 
##   [1]          Inf  3.414449709  3.124491136  2.908083835  2.730944527
##   [6]  2.725628987  2.638707313  2.508916346  2.473589893  2.465824761
##  [11]  2.418141164  2.347020835  2.347001499  2.288733186  2.180503985
##  [16]  2.175799252  2.164593750  2.152740977  2.131797718  1.981170984
##  [21]  1.906204189  1.849193163  1.799362219  1.785169473  1.777998774
##  [26]  1.711786118  1.689746778  1.687698961  1.645328162  1.641036166
##  [31]  1.616408146  1.593492851  1.577253310  1.520589073  1.519496681
##  [36]  1.501633820  1.481077019  1.449397566  1.445988481  1.443398017
##  [41]  1.426484436  1.405406299  1.369425911  1.332782359  1.311158136
##  [46]  1.306714102  1.217564338  1.216266481  1.182432813  1.170926275
##  [51]  1.167329900  1.166392026  1.158278608  1.148210044  1.142690940
##  [56]  1.139238115  1.133956282  1.113554441  1.058145837  1.048206808
##  [61]  1.033330212  1.014017008  1.005436294  0.995833089  0.989410999
##  [66]  0.988903277  0.949240091  0.944752075  0.915251215  0.896945738
##  [71]  0.875840340  0.858529309  0.847939890  0.835318423  0.801211387
##  [76]  0.793799840  0.778563401  0.775854082  0.774318201  0.774183476
##  [81]  0.768577310  0.745276425  0.739389183  0.727271668  0.708792812
##  [86]  0.671327986  0.658085901  0.656631780  0.613404626  0.605256131
##  [91]  0.597502277  0.591785296  0.589005749  0.580480573  0.576907865
##  [96]  0.561828891  0.552166563  0.532822543  0.526209018  0.525116039
## [101]  0.509704290  0.503247339  0.500375114  0.471033083  0.468847940
## [106]  0.441560138  0.382802056  0.375234496  0.371578211  0.355193545
## [111]  0.346276571  0.342857644  0.338919734  0.334990705  0.334635189
## [116]  0.333360385  0.269566721  0.264853203  0.260524557  0.239686168
## [121]  0.237140152  0.231456363  0.215594208  0.195281170  0.175094419
## [126]  0.166341459  0.157216402  0.152966583  0.137024893  0.108220271
## [131]  0.069389691  0.068357591  0.041653666  0.041154687  0.039044702
## [136]  0.024326751  0.022850532  0.000947277 -0.003319486 -0.008314196
## [141] -0.013738120 -0.020122263 -0.046178805 -0.077296714 -0.079690762
## [146] -0.100257702 -0.155496160 -0.155577461 -0.157253858 -0.165414154
## [151] -0.169898670 -0.198989138 -0.202377334 -0.204221786 -0.215137831
## [156] -0.227784721 -0.236368011 -0.256942637 -0.281373324 -0.347979425
## [161] -0.392028880 -0.392072736 -0.401890242 -0.414229332 -0.460005112
## [166] -0.481057986 -0.493843236 -0.544147673 -0.556811810 -0.614567684
## [171] -0.618559641 -0.674688276 -0.686701962 -0.707447814 -0.710988576
## [176] -0.724422931 -0.734397034 -0.775245198 -0.798024662 -0.799929482
## [181] -0.824355220 -0.865269852 -0.873953957 -0.909106213 -0.958512768
## [186] -1.044915674 -1.052013537 -1.068856614 -1.093403992 -1.111648887
## [191] -1.169205150 -1.193436921 -1.283392657 -1.471845525 -1.516089032
## [196] -1.546881446 -1.559870135 -1.564278557 -1.586470989 -1.738792712
## [201] -1.858768519         -Inf
#Menghitung TPR dan FPR
TPR <- sapply(threshold, function(t) {
  mean(positif >= t)
})
TPR
##   [1] 0.00 0.01 0.02 0.03 0.04 0.05 0.05 0.06 0.07 0.08 0.09 0.10 0.11 0.11 0.11
##  [16] 0.12 0.13 0.14 0.14 0.15 0.15 0.16 0.17 0.18 0.19 0.20 0.21 0.22 0.23 0.23
##  [31] 0.24 0.25 0.26 0.27 0.28 0.28 0.28 0.29 0.29 0.30 0.31 0.31 0.32 0.33 0.33
##  [46] 0.34 0.35 0.35 0.36 0.36 0.37 0.38 0.38 0.39 0.39 0.40 0.41 0.42 0.43 0.44
##  [61] 0.44 0.44 0.45 0.45 0.45 0.46 0.46 0.47 0.48 0.48 0.48 0.49 0.49 0.50 0.51
##  [76] 0.52 0.53 0.53 0.53 0.54 0.55 0.56 0.57 0.58 0.59 0.60 0.60 0.61 0.61 0.61
##  [91] 0.62 0.63 0.63 0.63 0.63 0.63 0.63 0.63 0.64 0.65 0.66 0.66 0.66 0.67 0.67
## [106] 0.67 0.67 0.67 0.67 0.68 0.68 0.68 0.68 0.68 0.68 0.69 0.70 0.71 0.71 0.72
## [121] 0.72 0.72 0.72 0.73 0.74 0.75 0.75 0.76 0.76 0.77 0.78 0.78 0.78 0.79 0.80
## [136] 0.80 0.81 0.82 0.83 0.83 0.83 0.84 0.84 0.85 0.86 0.86 0.87 0.88 0.89 0.89
## [151] 0.90 0.90 0.90 0.91 0.91 0.91 0.92 0.92 0.92 0.92 0.93 0.93 0.93 0.93 0.93
## [166] 0.93 0.93 0.93 0.94 0.94 0.94 0.94 0.94 0.94 0.94 0.94 0.95 0.95 0.95 0.96
## [181] 0.97 0.97 0.97 0.97 0.98 0.98 0.98 0.98 0.98 0.98 0.98 0.98 0.98 0.98 0.99
## [196] 1.00 1.00 1.00 1.00 1.00 1.00 1.00
FPR <- sapply(threshold, function(t) {
  mean(negatif >= t)
})
FPR
##   [1] 0.00 0.00 0.00 0.00 0.00 0.00 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.02 0.03
##  [16] 0.03 0.03 0.03 0.04 0.04 0.05 0.05 0.05 0.05 0.05 0.05 0.05 0.05 0.05 0.06
##  [31] 0.06 0.06 0.06 0.06 0.06 0.07 0.08 0.08 0.09 0.09 0.09 0.10 0.10 0.10 0.11
##  [46] 0.11 0.11 0.12 0.12 0.13 0.13 0.13 0.14 0.14 0.15 0.15 0.15 0.15 0.15 0.15
##  [61] 0.16 0.17 0.17 0.18 0.19 0.19 0.20 0.20 0.20 0.21 0.22 0.22 0.23 0.23 0.23
##  [76] 0.23 0.23 0.24 0.25 0.25 0.25 0.25 0.25 0.25 0.25 0.25 0.26 0.26 0.27 0.28
##  [91] 0.28 0.28 0.29 0.30 0.31 0.32 0.33 0.34 0.34 0.34 0.34 0.35 0.36 0.36 0.37
## [106] 0.38 0.39 0.40 0.41 0.41 0.42 0.43 0.44 0.45 0.46 0.46 0.46 0.46 0.47 0.47
## [121] 0.48 0.49 0.50 0.50 0.50 0.50 0.51 0.51 0.52 0.52 0.52 0.53 0.54 0.54 0.54
## [136] 0.55 0.55 0.55 0.55 0.56 0.57 0.57 0.58 0.58 0.58 0.59 0.59 0.59 0.59 0.60
## [151] 0.60 0.61 0.62 0.62 0.63 0.64 0.64 0.65 0.66 0.67 0.67 0.68 0.69 0.70 0.71
## [166] 0.72 0.73 0.74 0.74 0.75 0.76 0.77 0.78 0.79 0.80 0.81 0.81 0.82 0.83 0.83
## [181] 0.83 0.84 0.85 0.86 0.86 0.87 0.88 0.89 0.90 0.91 0.92 0.93 0.94 0.95 0.95
## [196] 0.95 0.96 0.97 0.98 0.99 1.00 1.00
#Menghitung AUC dengan metode Trapezoidal
AUC <- sum(diff(FPR) *
             (head(TPR, -1) + tail(TPR, -1)) / 2)
AUC
## [1] 0.7127
cat("AUC Trapezoidal =", AUC, "\n")
## AUC Trapezoidal = 0.7127
#Menghitung P(skor positif > skor negatif)
P <- mean(outer(positif, negatif, ">") +
            0.5 * outer(positif, negatif, "=="))
P
## [1] 0.7127
cat("P(skor positif > skor negatif) =", P, "\n")
## P(skor positif > skor negatif) = 0.7127
#Membuat grafik ROC
plot(FPR, TPR,
     type = "l",
     col = "brown",
     lwd = 2,
     xlab = "False Positive Rate (FPR)",
     ylab = "True Positive Rate (TPR)",
     main = "Kurva ROC")

abline(0, 1, lty = 2, col = "violet")

legend("bottomright",
       legend = c("Kurva ROC", "Garis diagonal"),
       col = c("brown", "violet"),
       lty = c(1, 2),
       lwd = 2)

#Interpretasi dan Kesimpulan : Berdasarkan simulasi yang dilakukan, nilai AUC diperoleh melalui perhitungan luas daerah di bawah kurva ROC menggunakan metode Trapezoidal. Sementara itu, peluang empiris dihitung berdasarkan perbandingan seluruh pasangan skor positif dan negatif.

Kedua nilai tersebut diharapkan menghasilkan angka yang sama atau sangat berdekatan. Hal ini karena AUC dapat diinterpretasikan sebagai peluang bahwa skor dari suatu data positif lebih besar daripada skor dari suatu data negatif yang dipilih secara acak.

Dengan demikian, perhitungan AUC menggunakan metode Trapezoidal dapat digunakan untuk mengukur kemampuan model dalam membedakan data positif dan negatif. Semakin mendekati 1 nilai AUC, semakin baik kemampuan model dalam membedakan kedua kelompok tersebut.