1 Pendahuluan

Tugas ini membahas penyelesaian persamaan nonlinear menggunakan metode Newton-Raphson dan Secant serta estimasi parameter distribusi Gamma.

2 Tugas 1 - Metode Newton-Raphson

2.1 Tujuan

Menentukan akar persamaan menggunakan metode Newton-Raphson dan membandingkan hasilnya dengan metode Bisection serta fungsi uniroot().

2.2 Syntax R

#Menjalankan kode newtonraphson
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)
  }
}
# Fungsi dan turunan pertama
f1 <- function(x) {
  c(x^3 - x - 2, 3*x^2 - 1)
}

# Metode Newton-Raphson
newtonraphson(f1, 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
# Fungsi Bisection
f <- function(x) {
  x^3 - x - 2
}

bisection <- function(f, a, b, tol = 1e-10) {
  iter <- 0
  
  while ((b - a)/2 > tol) {
    tengah <- (a + b)/2
    
    if (f(a) * f(tengah) < 0) {
      b <- tengah
    } else {
      a <- tengah
    }
    
    iter <- iter + 1
  }
  
  akar <- (a + b)/2
  
  cat("Akar:", akar, "\n")
  cat("Jumlah iterasi:", iter, "\n")
}

bisection(f, 1, 2, tol = 1e-10)
## Akar: 1.52138 
## Jumlah iterasi: 33
# Metode uniroot
hasil <- uniroot(f, c(1, 2), tol = 1e-10)

hasil$root
## [1] 1.52138
hasil$iter
## [1] 8

2.3 Interpretasi

Berdasarkan hasil perhitungan menggunakan metode Newton-Raphson, diperoleh akar persamaan \(f(x)=x^3-x-2=0\) sebesar 1,521380 dengan tebakan awal \(x_0=1,5\) dan toleransi sebesar \(10^{-10}\). Metode Newton-Raphson mencapai konvergensi dalam 3 iterasi. Hasil tersebut menunjukkan bahwa metode Newton-Raphson mampu menemukan akar persamaan dengan cepat.

Selanjutnya, hasil dibandingkan dengan metode Bisection dan fungsi uniroot() pada interval [1,2]. Ketiga pendekatan digunakan untuk mencari akar persamaan yang sama. Perbedaan jumlah iterasi dapat terjadi karena masing-masing metode memiliki proses perhitungan dan kriteria penghentian yang berbeda. Hasil akar yang diperoleh seharusnya saling berdekatan.

3 Tugas 2 - Kuantil Distribusi t

3.1 Tujuan

Menentukan nilai kuantil distribusi t dengan derajat bebas 9 menggunakan metode Newton-Raphson.

3.2 Syntax R

#Tugas 2 Kuantil t
# Fungsi kuantil t dan turunannya
ft <- function(x) {
  c(pt(x, 9) - 0.975, dt(x, 9))
}

# Metode Newton-Raphson
newtonraphson(ft, 2, 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
# Menghitung kuantil t menggunakan qt
qt(0.975, 9)
## [1] 2.262157
# Percobaan dengan tebakan awal 10
try(newtonraphson(ft, 10, tol = 1e-10))
## At iteration 1 value of x is: -16776.42 
## At iteration 2 value of x is: 7.514743e+37 
## At iteration 3 value of x is: -Inf 
## At iteration 4 value of x is: NaN 
## Error in while ((abs(fx[1]) > tol) && (iter < max.iter)) { : 
##   missing value where TRUE/FALSE needed

3.3 Interpretasi

Berdasarkan hasil perhitungan menggunakan metode Newton-Raphson, diperoleh nilai kuantil distribusi t dengan derajat bebas 9 pada probabilitas 0,975 sebesar kurang lebih 2,262157. Hasil tersebut sesuai dengan nilai yang diperoleh menggunakan fungsi qt(0.975, 9) pada R.

Pada percobaan dengan tebakan awal \(x_0=10\), metode Newton-Raphson tidak berhasil mencapai konvergensi. Hal ini ditunjukkan oleh nilai iterasi yang semakin tidak stabil hingga menghasilkan nilai Inf dan NaN. Kondisi tersebut terjadi karena pemilihan tebakan awal yang kurang tepat sehingga proses iterasi tidak mengarah pada akar persamaan. Dengan demikian, pemilihan tebakan awal sangat memengaruhi keberhasilan metode Newton-Raphson.

4 Tugas 3 - Metode Secant dan Newton-Raphson

4.1 Tujuan

Menyelesaikan persamaan cos(x) = x menggunakan metode Secant dan Newton-Raphson.

4.2 Syntax R

#Tugas 3 secant
#menjalankan fungsi secant
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)
  }
}
#fungsi secant
f <- function(x) {
  cos(x) - x
}

secant(f, 0, 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
#Metode Newton-Raphson
fn <- function(x) {
  c(cos(x) - x, -sin(x) - 1)
}

newtonraphson(fn, 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

4.3 Interpretasi

Berdasarkan hasil perhitungan untuk persamaan \(\cos(x)-x=0\), diperoleh akar persamaan sebesar kurang lebih 0,739085. Metode Secant dengan tebakan awal \(x_0=0\) dan \(x_1=1\) mencapai konvergensi dalam 5 iterasi. Sementara itu, metode Newton-Raphson dengan tebakan awal \(x_0=1\) mencapai konvergensi dalam 3 iterasi.

Berdasarkan jumlah iterasi, metode Newton-Raphson membutuhkan iterasi yang lebih sedikit dibandingkan metode Secant pada kasus ini. Jika dihitung berdasarkan implementasi fungsi pada modul, metode Secant melakukan 7 evaluasi fungsi, sedangkan Newton-Raphson melakukan 4 pemanggilan fungsi yang menghitung nilai fungsi dan turunannya. Hasil kedua metode menunjukkan akar yang hampir sama, sehingga keduanya berhasil menyelesaikan persamaan tersebut.

5 Tugas 4 - Estimasi Parameter Distribusi Gamma

5.1 Tujuan

Mengestimasi parameter distribusi Gamma menggunakan metode Newton-Raphson dan membandingkannya dengan fungsi fitdistr() dari package MASS.

5.2 Syntax R

#Tugas 4 Estimasi Parameter Distribusi Gamma
#data
x <- c(2.6, 3.2, 1.6, 2.9, 4.3,
       3.6, 2.6, 1.4, 3.7, 2.4)

# Menghitung jumlah data
n <- length(x)

# Menghitung rata-rata
xbar <- mean(x)

# Menghitung varians
s <- var(x)

# print hasil
n
## [1] 10
xbar
## [1] 2.83
s
## [1] 0.8334444
#alpha
alpha0 <- 1 / (2 * s)

alpha0
## [1] 0.59992
# Fungsi MLE Gamma
f_gamma <- function(alpha) {
  f <- log(alpha) - digamma(alpha) -
    log(mean(x)) + mean(log(x))
  
  df <- 1/alpha - trigamma(alpha)
  
  c(f, df)
}
# Estimasi parameter alpha
hasil_newton <- newtonraphson(
  f_gamma,
  alpha0,
  tol = 1e-10
)
## At iteration 1 value of x is: 1.095599 
## At iteration 2 value of x is: 1.980589 
## At iteration 3 value of x is: 3.466003 
## At iteration 4 value of x is: 5.611141 
## At iteration 5 value of x is: 7.890896 
## At iteration 6 value of x is: 9.240621 
## At iteration 7 value of x is: 9.517243 
## At iteration 8 value of x is: 9.525923 
## At iteration 9 value of x is: 9.525932 
## Algorithm converged
hasil_newton
## [1] 9.525932
# Memanggil package MASS
library(MASS)

# Estimasi menggunakan fitdistr
hasil_mle <- fitdistr(x, "gamma")

# Menampilkan hasil
hasil_mle
##     shape       rate  
##   9.525929   3.366054 
##  (4.187616) (1.519381)

5.3 Interpretasi

Berdasarkan hasil estimasi menggunakan metode Newton-Raphson, diperoleh parameter bentuk (shape) distribusi Gamma sebesar 9,525932. Estimasi tersebut menggunakan 10 data pengamatan, dengan nilai rata-rata sebesar 2,83, varians sebesar 0,8334444, dan tebakan awal sebesar 0,599920. Proses iterasi berlangsung sebanyak 9 kali hingga algoritma dinyatakan konvergen.

Selanjutnya, hasil estimasi dibandingkan dengan fungsi fitdistr() dari package MASS. Fungsi tersebut menghasilkan parameter shape sebesar 9,525929 dan rate sebesar 3,366054. Nilai shape dari kedua metode memiliki selisih yang sangat kecil, yaitu sekitar 0,000003. Hal ini menunjukkan bahwa metode Newton-Raphson berhasil digunakan untuk mengestimasi parameter distribusi Gamma dan memberikan hasil yang konsisten dengan estimasi menggunakan fungsi fitdistr().

6 Kesimpulan

7 Kesimpulan

Berdasarkan seluruh pengerjaan, metode Newton-Raphson dan Secant dapat digunakan untuk menyelesaikan persamaan nonlinear. Metode Newton-Raphson mampu memperoleh akar persamaan dengan jumlah iterasi yang relatif sedikit, tetapi keberhasilannya dipengaruhi oleh pemilihan tebakan awal. Hal tersebut terlihat pada percobaan Tugas 2 dengan tebakan awal 10 yang tidak berhasil mencapai konvergensi.

Pada Tugas 3, metode Newton-Raphson membutuhkan 3 iterasi, sedangkan metode Secant membutuhkan 5 iterasi untuk memperoleh akar persamaan yang hampir sama. Selain itu, pada estimasi parameter distribusi Gamma, metode Newton-Raphson menghasilkan nilai shape sebesar 9,525932 yang mendekati hasil fungsi fitdistr() sebesar 9,525929. Dengan demikian, metode numerik yang dipelajari dapat diterapkan untuk menyelesaikan persamaan nonlinear maupun mengestimasi parameter distribusi.