##1. Newton-Raphson: 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-9, max.iter = 100) {
x <- x0
fx <- ftn(x)
iter <- 0
while ((abs(fx[1]) > tol) && (iter < max.iter)) {
x <- x - fx[1] / fx[2]
fx <- ftn(x)
iter <- iter + 1
cat("At iteration", iter, "value of x is:", x, "\n")
}
if (abs(fx[1]) > tol) {
cat("Algorithm failed to converge\n")
return(NULL)
} else {
cat("Algorithm converged\n")
return(x)
}
}
#f(x) = x^3 - x - 2 dan f'(x) = 3x^2 - 1
ftn1 <- function(x) c(x^3 - x - 2, 3*x^2 - 1)
#Newton-Raphson, x0 = 1.5, tol = 1e-10
newtonraphson(ftn1, x0 = 1.5, tol = 1e-10)
## At iteration 1 value of x is: 1.521739
## At iteration 2 value of x is: 1.52138
## At iteration 3 value of x is: 1.52138
## Algorithm converged
## [1] 1.52138
#Jumlah iterasi minimal Bisection pada [1, 2] dengan tol yang sama
n_bisection <- ceiling(log2((2 - 1) / 1e-10))
cat("Iterasi minimal Bisection:", n_bisection, "\n")
## Iterasi minimal Bisection: 34
#Pembanding uniroot
uniroot(function(x) ftn1(x)[1], c(1, 2), tol = 1e-10)$root
## [1] 1.52138
Interpretasi: Berdasarkan hasil perhitungan, metode Newton-Raphson dengan tebakan awal x0 = 1,5 berhasil menemukan akar persamaan sebesar 1,5213797068 dalam 3 iterasi dengan toleransi 10^-10. Sementara itu, metode Bisection pada interval [1, 2] membutuhkan minimal 34 iterasi untuk mencapai toleransi yang sama. Perbedaan tersebut menunjukkan bahwa Newton-Raphson lebih cepat dalam menemukan akar persamaan karena menggunakan turunan fungsi untuk menentukan nilai pendekatan berikutnya, sedangkan Bisection mempersempit interval pencarian secara bertahap. Hasil perhitungan menggunakan uniroot() juga menghasilkan akar yang sama dengan Newton-Raphson. Hal ini menunjukkan bahwa hasil perhitungan kedua metode tersebut konsisten dan memberikan nilai pendekatan akar yang sesuai.
##2. Kuantil t: 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.
#f(x) = pt(x, df=9) - 0.975, f'(x) = dt(x, df=9)
ftn2 <- function(x) c(pt(x, df = 9) - 0.975, dt(x, df = 9))
#Newton dengan x0 = 2.5
newtonraphson(ftn2, x0 = 2,5, tol = 1e-10)
## At iteration 1 value of x is: 2.215137
## At iteration 2 value of x is: 2.260436
## At iteration 3 value of x is: 2.262155
## At iteration 4 value of x is: 2.262157
## Algorithm converged
## [1] 2.262157
#Pembanding qt
qt(0.975, df = 9)
## [1] 2.262157
Interpretasi: Berdasarkan hasil perhitungan, metode Newton-Raphson dengan tebakan awal x0 = 2,5 berhasil menemukan akar persamaan sebesar 2,2621571628 dalam 4 iterasi dengan toleransi 10^-10. Hasil tersebut menunjukkan bahwa metode Newton-Raphson berhasil menemukan nilai akar persamaan. Selain itu, hasil perhitungan menggunakan qt() juga menghasilkan nilai yang sama. Hal ini menunjukkan bahwa hasil perhitungan Newton-Raphson sesuai dengan hasil pembanding.
##3. Secant: Selesaikan cos x = x dengan Secant (x0 = 0, x1 = 1) dan Newton (x0 = 1). Bandingkan iterasi dan jumlah evaluasi fungsi.
secant <- function(ftn, x0, x1, tol = 1e-9, max.iter = 100) {
f0 <- ftn(x0)
f1 <- ftn(x1)
iter <- 0
while ((abs(f1) > tol) && (iter < max.iter)) {
if (f1 == f0) {
cat("error: f(x_i) = f(x_{i-1}), pembagi nol\n")
return(NULL)
}
x2 <- x1 - f1 * (x1 - x0) / (f1 - f0)
x0 <- x1; f0 <- f1
x1 <- x2; f1 <- ftn(x1)
iter <- iter + 1
cat("At iteration", iter, "value of x is:", x1, "\n")
}
if (abs(f1) > tol) {
cat("Algorithm failed to converge\n")
return(NULL)
} else {
cat("Algorithm converged\n")
return(x1)
}
}
#cos x = x → f(x) = cos(x) - x = 0
#f'(x) = -sin(x) - 1
ftn3_newton <- function(x) c(cos(x) - x, -sin(x) - 1)
ftn3_secant <- function(x) cos(x) - x
newtonraphson(ftn3_newton, x0 = 1, tol = 1e-9)
## At iteration 1 value of x is: 0.7503639
## At iteration 2 value of x is: 0.7391129
## At iteration 3 value of x is: 0.7390851
## Algorithm converged
## [1] 0.7390851
secant(ftn3_secant, x0 = 0, x1 = 1, tol = 1e-9)
## At iteration 1 value of x is: 0.6850734
## At iteration 2 value of x is: 0.736299
## At iteration 3 value of x is: 0.7391194
## At iteration 4 value of x is: 0.7390851
## At iteration 5 value of x is: 0.7390851
## Algorithm converged
## [1] 0.7390851
Interpretasi: Berdasarkan hasil perhitungan, metode Newton-Raphson dengan tebakan awal x0 = 1 berhasil menemukan akar persamaan sebesar 0,7390851 dalam 3 iterasi. Sementara itu, metode Secant dengan tebakan awal x0 = 0 dan x1 = 1 memperoleh nilai akar yang sama dalam 5 iterasi. Perbedaan tersebut menunjukkan bahwa Newton-Raphson membutuhkan iterasi lebih sedikit dibandingkan metode Secant untuk menyelesaikan persamaan tersebut. Berdasarkan jumlah pemanggilan fungsi dalam kode, Newton-Raphson melakukan 4 kali pemanggilan fungsi, sedangkan Secant melakukan 7 kali pemanggilan fungsi. Dengan demikian, Newton-Raphson membutuhkan jumlah iterasi dan pemanggilan fungsi yang lebih sedikit pada perhitungan ini, sehingga prosesnya lebih singkat dibandingkan metode Secant.
##4. Proyek mini: 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.
set.seed(123)
data_gamma <- c(12, 18, 25, 31, 42, 47, 58, 66, 79, 95)
s <- log(mean(data_gamma)) - mean(log(data_gamma))
#Persamaan MLE dan turunannya
ftn4 <- function(alpha) {
f <- log(alpha) - digamma(alpha) - s
fp <- 1/alpha - trigamma(alpha)
return(c(f, fp))
}
#Tebakan awal:
alpha0 <- 1 / (2 * s)
cat("Tebakan awal alpha_0:", alpha0, "\n\n")
## Tebakan awal alpha_0: 2.815756
#Newton-Raphson
alpha_mle <- newtonraphson(ftn4, x0 = alpha0, tol = 1e-8)
## At iteration 1 value of x is: 2.963366
## At iteration 2 value of x is: 2.971936
## At iteration 3 value of x is: 2.971962
## Algorithm converged
cat("Taksiran alpha (MLE):", alpha_mle, "\n")
## Taksiran alpha (MLE): 2.971962
#Taksiran rate
lambda_mle <- alpha_mle / mean(data_gamma)
cat("Taksiran rate (MLE):", lambda_mle, "\n\n")
## Taksiran rate (MLE): 0.06283218
#Pembanding dengan MASS::fitdistr
library(MASS)
## Warning: package 'MASS' was built under R version 4.5.3
hasil_fitdistr <- fitdistr(data_gamma, "gamma")
print(hasil_fitdistr)
## shape rate
## 2.97196831 0.06283230
## (1.26107188) (0.02903995)
Interpretasi: Berdasarkan hasil perhitungan, metode Newton-Raphson dengan tebakan awal alpha0 = 2,815756 berhasil memperoleh taksiran parameter bentuk Gamma (alpha) sebesar 2,971962 dalam 3 iterasi dengan toleransi 10^-8. Dari hasil tersebut, diperoleh taksiran parameter rate (lambda) sebesar 0,062832318. Sementara itu, hasil perhitungan menggunakan MASS::fitdistr() menghasilkan nilai shape sebesar 2,97196831 dan rate sebesar 0,06283230. Kedua hasil tersebut menunjukkan nilai yang sangat berdekatan, sehingga dapat dikatakan bahwa taksiran parameter menggunakan metode Newton-Raphson konsisten dengan hasil dari fitdistr().