#1. Trapezoidal dan Simpson: Hitung ∫0π sin x dx = 2 dengan n = 4, 8, 16, 32. Tabelkan galat dan rasio antar-n; apakah mendekati 4 dan 16?

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)
}

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)
}

ftn_sin <- function(x) sin(x)
I_eksak <- 2

cat("n | Trap | Galat_T | Rasio_T | Simp | Galat_S | Rasio_S\n")
## n | Trap | Galat_T | Rasio_T | Simp | Galat_S | Rasio_S
galat_T_lama <- NA; galat_S_lama <- NA
for (n in c(4, 8, 16, 32)) {
  T <- trapezoid(ftn_sin, 0, pi, n)
  S <- simpson_n(ftn_sin, 0, pi, n)
  gT <- abs(T - I_eksak)
  gS <- abs(S - I_eksak)
  rasio_T <- ifelse(is.na(galat_T_lama), "-", round(galat_T_lama / gT, 1))
  rasio_S <- ifelse(is.na(galat_S_lama), "-", round(galat_S_lama / gS, 1))
  cat(n, "|", round(T, 8), "|", format(gT, scientific = TRUE, digits = 3),
      "|", rasio_T, "|", round(S, 8), "|", format(gS, scientific = TRUE, digits = 3),
      "|", rasio_S, "\n")
  galat_T_lama <- gT; galat_S_lama <- gS
}
## 4 | 1.896119 | 1.04e-01 | - | 2.00456 | 4.56e-03 | - 
## 8 | 1.974232 | 2.58e-02 | 4 | 2.000269 | 2.69e-04 | 16.9 
## 16 | 1.99357 | 6.43e-03 | 4 | 2.000017 | 1.66e-05 | 16.2 
## 32 | 1.998393 | 1.61e-03 | 4 | 2.000001 | 1.03e-06 | 16.1

Interpretasi: Berdasarkan hasil perhitungan, metode Trapesium dan Simpson digunakan untuk menghitung nilai integral fungsi \(f(x)=\sin(x)\) pada interval \([0,\pi]\), dengan nilai integral eksak sebesar 2. Hasil perhitungan menunjukkan bahwa kedua metode menghasilkan nilai yang semakin mendekati nilai eksak ketika jumlah pembagian interval ditingkatkan dari 4 menjadi 32. Namun, metode Simpson memberikan hasil yang lebih akurat dibandingkan metode Trapesium karena memiliki nilai galat yang lebih kecil. Hal ini terlihat dari rasio galat, yaitu sekitar 4 pada metode Trapesium dan sekitar 16 pada metode Simpson setiap jumlah interval digandakan. Dengan demikian, metode Simpson memiliki tingkat ketelitian yang lebih tinggi dibandingkan metode Trapesium pada perhitungan integral tersebut.

##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().

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)
}

ftn_ex <- function(x) x * dgamma(x, shape = 3, rate = 2)
hasil_simpson <- simpson(ftn_ex, 0, 20, tol = 1e-8, verbose = TRUE)
## partition size 4096
cat("E(X) dengan simpson() :", hasil_simpson, "\n")
## E(X) dengan simpson() : 1.5
cat("Nilai eksak (3/2)      :", 1.5, "\n")
## Nilai eksak (3/2)      : 1.5
# Pembanding integrate()
hasil_integrate <- integrate(ftn_ex, 0, 20)$value
cat("E(X) dengan integrate():", hasil_integrate, "\n")
## E(X) dengan integrate(): 1.5

Interpretasi: Berdasarkan hasil perhitungan, metode Simpson digunakan untuk mengestimasi nilai harapan \(E(X)\) dari distribusi Gamma dengan parameter bentuk (shape) 3 dan parameter laju (rate) 2 pada interval \([0,20]\). Hasil perhitungan menunjukkan bahwa metode Simpson memperoleh nilai sebesar 1,5 dengan ukuran partisi akhir sebanyak 4096. Nilai tersebut sesuai dengan nilai eksak \(E(X)=\frac{3}{2}=1,5\). Selain itu, perhitungan menggunakan fungsi integrate() juga menghasilkan nilai sebesar 1,5. Kesesuaian ketiga hasil tersebut menunjukkan bahwa metode Simpson mampu memberikan estimasi integral yang akurat dan konsisten dengan nilai pembanding pada perhitungan ini.

##3. Memilih n: Untuk ∫01 5x⁴ dx, cari nT(ε) dan nS(ε) terkecil agar galat ≤ ε = 2−k, k = 2, …, 16. Plot terhadap ε (skala log).

ftn_5x4 <- function(x) 5 * x^4
I_eksak3 <- 1
n_trapezoid <- c(); n_simpson <- c(); eps_vec <- c()

for (k in 2:16) {
  eps <- 2^(-k)
  eps_vec <- c(eps_vec, eps)

  #n_T terkecil untuk Trapezoidal
  n <- 2
  while (abs(trapezoid(ftn_5x4, 0, 1, n) - I_eksak3) > eps) n <- n + 2
  n_trapezoid <- c(n_trapezoid, n)

  #cari n_S terkecil untuk Simpson
  n <- 4
  while (abs(simpson_n(ftn_5x4, 0, 1, n) - I_eksak3) > eps) n <- n + 2
  n_simpson <- c(n_simpson, n)
}

cat("eps | n_Trap | n_Simp\n")
## eps | n_Trap | n_Simp
for (i in 1:length(eps_vec)) {
  cat(format(eps_vec[i], scientific = TRUE, digits = 2), "|",
      n_trapezoid[i], "|", n_simpson[i], "\n")
}
## 2.5e-01 | 4 | 4 
## 1.2e-01 | 4 | 4 
## 6.2e-02 | 6 | 4 
## 3.1e-02 | 8 | 4 
## 1.6e-02 | 12 | 4 
## 7.8e-03 | 16 | 4 
## 3.9e-03 | 22 | 4 
## 2e-03 | 30 | 6 
## 9.8e-04 | 42 | 6 
## 4.9e-04 | 60 | 8 
## 2.4e-04 | 84 | 8 
## 1.2e-04 | 118 | 10 
## 6.1e-05 | 166 | 12 
## 3.1e-05 | 234 | 14 
## 1.5e-05 | 332 | 16
plot(eps_vec, n_trapezoid, log = "xy", type = "b", col = "maroon",
     xlab = "epsilon", ylab = "n terkecil", main = "n terkecil vs toleransi")
lines(eps_vec, n_simpson, type = "b", col = "darkgreen")
legend("topright", legend = c("Trapezoidal", "Simpson"), col = c("maroon", "darkgreen"), lty = 1)

Interpretasi: Berdasarkan hasil perhitungan, pemilihan jumlah partisi minimum dilakukan pada metode Trapesium dan Simpson untuk menghitung integral fungsi \(f(x)=5x^4\) pada interval \([0,1]\), dengan nilai integral eksak sebesar 1. Hasil menunjukkan bahwa semakin kecil nilai toleransi galat (\(\varepsilon\)), semakin besar jumlah partisi yang dibutuhkan oleh kedua metode untuk memenuhi batas galat yang ditentukan. Pada metode Trapesium, jumlah partisi meningkat dari 4 hingga 332, sedangkan pada metode Simpson meningkat dari 4 hingga 16. Hal ini juga terlihat pada grafik hubungan antara toleransi galat dan jumlah partisi dengan skala logaritmik, di mana kedua metode menunjukkan kecenderungan peningkatan jumlah partisi seiring dengan semakin kecilnya toleransi galat. Garis metode Trapesium berada lebih tinggi dibandingkan garis metode Simpson pada sebagian besar nilai toleransi, yang menunjukkan bahwa metode Trapesium membutuhkan lebih banyak partisi untuk mencapai batas galat yang sama. Dengan demikian, metode Simpson lebih efisien dibandingkan metode Trapesium karena mampu mencapai tingkat ketelitian yang diinginkan dengan jumlah partisi yang lebih sedikit.

##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⁻).

set.seed(2026)

skor_pos <- rnorm(100, mean = 1, sd = 1)
skor_neg <- rnorm(100, mean = 0, sd = 1)

ambang <- sort(c(skor_pos, skor_neg), decreasing = TRUE)

tpr <- sapply(ambang, function(t) mean(skor_pos >= t))
fpr <- sapply(ambang, function(t) mean(skor_neg >= t))

fpr_full <- c(0, fpr, 1)
tpr_full <- c(0, tpr, 1)

#AUC dengan metode Trapesium
auc_trap <- sum(
  diff(fpr_full) *
    (head(tpr_full, -1) + tail(tpr_full, -1)) / 2
)

cat("AUC Trapezoidal:", auc_trap, "\n")
## AUC Trapezoidal: 0.7127
#Pembanding P(skor positif > skor negatif)
p_teoritis <- mean(outer(skor_pos, skor_neg, ">"))

cat("P(skor+ > skor-):", p_teoritis, "\n")
## P(skor+ > skor-): 0.7127
#Plot kurva ROC
plot(
  fpr_full, tpr_full,
  type = "l",
  col = "steelblue",
  xlab = "FPR (1 - Specificity)",
  ylab = "TPR (Sensitivity)",
  main = paste("Kurva ROC | AUC =", round(auc_trap, 4))
)
abline(0, 1, lty = 2, col = "black")

Interpretasi: Berdasarkan hasil perhitungan, pembangkitan 100 skor kasus positif dari distribusi normal \(N(1,1)\) dan 100 skor kasus negatif dari distribusi normal \(N(0,1)\) menghasilkan nilai AUC sebesar 0,7127 menggunakan metode Trapesium. Hasil tersebut sama dengan nilai \(P(\text{skor}^+>\text{skor}^-)\) sebesar 0,7127. Kesamaan kedua nilai tersebut menunjukkan bahwa perhitungan luas di bawah kurva ROC menggunakan metode Trapesium konsisten dengan pendekatan perbandingan seluruh pasangan skor positif dan negatif. Pada grafik ROC, kurva berada di atas garis diagonal yang merepresentasikan klasifikasi acak. Hal ini menunjukkan bahwa skor yang dihasilkan memiliki kemampuan membedakan kasus positif dan negatif yang cukup baik, dengan peluang sebesar 71,27% bahwa skor suatu kasus positif lebih besar daripada skor suatu kasus negatif yang dipilih secara acak.