Integrasi numerik merupakan metode untuk menghampiri nilai integral tentu. Pada tugas ini digunakan aturan Trapezoidal dan Simpson untuk menghitung integral, menentukan nilai harapan, mencari jumlah subselang minimum berdasarkan toleransi galat, serta menghitung AUC kurva ROC.
Fungsi berikut mengikuti file kode R materi Pertemuan 12.
# Aturan Trapezoidal
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)
}
# Aturan Simpson 1/3 dengan n subselang genap
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)
}
# Aturan Simpson dengan toleransi
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)
}
Hitung integral fungsi sinus pada interval 0 sampai pi dengan n = 4, 8, 16, dan 32. Nilai integral eksak adalah 2. Selanjutnya dihitung galat absolut dan rasio galat antar-n.
f1 <- function(x) sin(x)
I.eksak <- 2
n <- c(4, 8, 16, 32)
T <- sapply(n, function(i) trapezoid(f1, 0, pi, i))
S <- sapply(n, function(i) simpson_n(f1, 0, pi, i))
galat.T <- abs(T - I.eksak)
galat.S <- abs(S - I.eksak)
rasio.T <- c(NA, galat.T[-length(n)] / galat.T[-1])
rasio.S <- c(NA, galat.S[-length(n)] / galat.S[-1])
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
)
knitr::kable(hasil1, digits = 10, caption = "Hasil Trapezoidal dan Simpson")
| n | Trapezoidal | Galat_T | Rasio_T | Simpson | Galat_S | Rasio_S |
|---|---|---|---|---|---|---|
| 4 | 1.896119 | 0.103881102 | NA | 2.004560 | 0.0045597550 | NA |
| 8 | 1.974232 | 0.025768398 | 4.031337 | 2.000269 | 0.0002691699 | 16.94006 |
| 16 | 1.993570 | 0.006429656 | 4.007741 | 2.000017 | 0.0000165910 | 16.22381 |
| 32 | 1.998393 | 0.001606639 | 4.001930 | 2.000001 | 0.0000010334 | 16.05529 |
Berdasarkan hasil perhitungan, nilai pendekatan kedua metode semakin mendekati nilai integral eksak sebesar 2 ketika jumlah subselang bertambah. Rasio galat Trapezoidal cenderung mendekati 4, sedangkan rasio galat Simpson cenderung mendekati 16. Hal ini sesuai dengan orde galat Trapezoidal yang berorde h kuadrat dan Simpson yang berorde h pangkat empat. Dengan demikian, Simpson memberikan penurunan galat yang lebih cepat pada fungsi ini.
Untuk X berdistribusi Gamma dengan shape = 3 dan rate = 2, hitung
nilai harapan menggunakan Simpson pada interval [0,20] dengan toleransi
10 pangkat -8. Bandingkan dengan nilai teoritis 1,5 dan fungsi
integrate().
shape <- 3
rate <- 2
f.gamma <- function(x) dgamma(x, shape = shape, rate = rate)
g <- function(x) x * f.gamma(x)
E.simpson <- simpson(g, 0, 20, tol = 1e-8, verbose = TRUE)
## partition size 4096
E.integrate <- integrate(g, 0, 20)$value
E.teoritis <- shape / rate
hasil2 <- data.frame(
Metode = c("Simpson", "integrate()", "Teoritis"),
Nilai_Harapan = c(E.simpson, E.integrate, E.teoritis),
Galat = c(abs(E.simpson - E.teoritis),
abs(E.integrate - E.teoritis), 0)
)
knitr::kable(hasil2, digits = 10, caption = "Perbandingan nilai harapan Gamma")
| Metode | Nilai_Harapan | Galat |
|---|---|---|
| Simpson | 1.5 | 1e-10 |
| integrate() | 1.5 | 0e+00 |
| Teoritis | 1.5 | 0e+00 |
Nilai harapan teoritis distribusi Gamma dengan shape 3 dan rate 2
adalah 3/2 atau 1,5. Hasil menggunakan metode Simpson dan fungsi
integrate() diharapkan mendekati nilai teoritis tersebut.
Perbedaan kecil yang muncul disebabkan oleh pendekatan numerik dan
toleransi perhitungan.
Untuk integral fungsi 5x pangkat empat pada interval [0,1], nilai integral eksaknya adalah 1. Cari jumlah subselang minimum untuk Trapezoidal dan Simpson agar galat tidak melebihi epsilon = 2 pangkat -k, dengan k = 2 sampai 16.
f3 <- function(x) 5 * x^4
I3 <- 1
k <- 2:16
epsilon <- 2^(-k)
n.T <- numeric(length(epsilon))
n.S <- numeric(length(epsilon))
for (i in seq_along(epsilon)) {
nt <- 2
while (abs(trapezoid(f3, 0, 1, nt) - I3) > epsilon[i]) {
nt <- nt + 1
}
n.T[i] <- nt
ns <- 4
while (abs(simpson_n(f3, 0, 1, ns) - I3) > epsilon[i]) {
ns <- ns + 2
}
n.S[i] <- ns
}
hasil3 <- data.frame(
k = k,
Epsilon = epsilon,
n_Trapezoidal = n.T,
n_Simpson = n.S
)
knitr::kable(hasil3, digits = 8, caption = "Jumlah subselang minimum")
| k | Epsilon | n_Trapezoidal | n_Simpson |
|---|---|---|---|
| 2 | 0.25000000 | 3 | 4 |
| 3 | 0.12500000 | 4 | 4 |
| 4 | 0.06250000 | 6 | 4 |
| 5 | 0.03125000 | 8 | 4 |
| 6 | 0.01562500 | 11 | 4 |
| 7 | 0.00781250 | 15 | 4 |
| 8 | 0.00390625 | 21 | 4 |
| 9 | 0.00195312 | 30 | 6 |
| 10 | 0.00097656 | 42 | 6 |
| 11 | 0.00048828 | 59 | 8 |
| 12 | 0.00024414 | 83 | 8 |
| 13 | 0.00012207 | 117 | 10 |
| 14 | 0.00006104 | 166 | 12 |
| 15 | 0.00003052 | 234 | 14 |
| 16 | 0.00001526 | 331 | 16 |
Berdasarkan tabel, semakin kecil toleransi galat, semakin besar jumlah subselang yang diperlukan. Metode Trapezoidal membutuhkan jumlah subselang lebih banyak dibandingkan Simpson. Hal ini berkaitan dengan orde galat Trapezoidal yang lebih rendah, sehingga Simpson dapat mencapai ketelitian yang sama dengan jumlah subselang lebih sedikit.
urutan <- order(epsilon)
plot(epsilon[urutan], n.T[urutan],
type = "b", log = "xy", pch = 16,
xlab = "Toleransi Galat (epsilon)",
ylab = "Jumlah Subselang Minimum (n)",
main = "Perbandingan Jumlah Subselang")
lines(epsilon[urutan], n.S[urutan],
type = "b", pch = 17, lty = 2)
legend("topleft",
legend = c("Trapezoidal", "Simpson"),
pch = c(16, 17), lty = c(1, 2))
Grafik menunjukkan bahwa ketika toleransi semakin kecil, jumlah subselang yang dibutuhkan meningkat. Metode Simpson cenderung lebih efisien karena membutuhkan jumlah subselang yang lebih sedikit untuk mencapai toleransi galat yang sama.
Bangkitkan skor 100 kasus positif dari N(1,1) dan 100 kasus negatif
dari N(0,1) menggunakan set.seed(2026). Hitung AUC ROC
dengan Trapezoidal dan bandingkan dengan P(skor positif > skor
negatif).
set.seed(2026)
skor.positif <- rnorm(100, mean = 1, sd = 1)
skor.negatif <- rnorm(100, mean = 0, sd = 1)
data.roc <- data.frame(
skor = c(skor.positif, skor.negatif),
kelas = c(rep(1, 100), rep(0, 100))
)
head(data.roc)
## skor kelas
## 1 1.52058907 1
## 2 -0.07969076 1
## 3 1.13923812 1
## 4 0.91525122 1
## 5 0.33336038 1
## 6 -1.51608903 1
threshold <- c(Inf, sort(unique(data.roc$skor), decreasing = TRUE), -Inf)
TPR <- sapply(threshold, function(th) mean(skor.positif >= th))
FPR <- sapply(threshold, function(th) mean(skor.negatif >= th))
AUC.trapezoid <- sum(
diff(FPR) * (head(TPR, -1) + tail(TPR, -1)) / 2
)
P.positif <- mean(outer(skor.positif, skor.negatif, ">"))
hasil4 <- data.frame(
Metode = c("Trapezoidal AUC", "P(skor positif > skor negatif)"),
Nilai = c(AUC.trapezoid, P.positif)
)
knitr::kable(hasil4, digits = 6, caption = "Perbandingan nilai AUC")
| Metode | Nilai |
|---|---|
| Trapezoidal AUC | 0.7127 |
| P(skor positif > skor negatif) | 0.7127 |
cat("Selisih kedua hasil:", abs(AUC.trapezoid - P.positif), "\n")
## Selisih kedua hasil: 0
Nilai AUC dengan metode Trapezoidal dibandingkan dengan proporsi pasangan skor positif yang lebih besar daripada skor negatif. Kedua nilai tersebut seharusnya sama atau sangat berdekatan karena AUC secara empiris dapat diartikan sebagai probabilitas bahwa skor kasus positif lebih besar daripada skor kasus negatif. Nilai AUC yang mendekati 1 menunjukkan kemampuan pemisahan kedua kelompok yang baik, sedangkan nilai mendekati 0,5 menunjukkan kemampuan yang setara dengan tebakan acak.
plot(FPR, TPR, type = "l", lwd = 2,
xlab = "False Positive Rate (FPR)",
ylab = "True Positive Rate (TPR)",
main = "Kurva ROC")
abline(a = 0, b = 1, lty = 2, col = "red")
Berdasarkan keempat soal, metode Trapezoidal dan Simpson dapat digunakan untuk menghampiri nilai integral secara numerik. Penambahan jumlah subselang dapat memperkecil galat, dengan metode Simpson yang umumnya memiliki ketelitian lebih tinggi untuk fungsi yang halus. Perhitungan nilai harapan distribusi Gamma menghasilkan nilai yang mendekati nilai teoritis. Pada penentuan jumlah subselang, Simpson membutuhkan jumlah subselang lebih sedikit untuk mencapai toleransi galat yang sama. Pada proyek mini, AUC Trapezoidal dibandingkan dengan proporsi pasangan skor positif yang lebih besar daripada skor negatif.
Jones, O., Maillardet, R., & Robinson, A. (2014). Introduction to Scientific Programming and Simulation Using R (2nd ed.). CRC Press.
Horton, N. J., & Kleinman, K. (2015). Using R and RStudio for Data Management, Statistical Analysis, and Graphics (2nd ed.). CRC Press.
Maindonald, J., & Braun, J. (2006). Data Analysis and Graphics Using R. Cambridge University Press.
Burden, R. L., & Faires, J. D. (2011). Numerical Analysis (9th ed.). Brooks/Cole.
Press, W. H., Teukolsky, S. A., Vetterling, W. T., & Flannery, B. P. (2007). Numerical Recipes (3rd ed.). Cambridge University Press.
R Core Team. R Documentation: integrate.