1 Pendahuluan

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.

2 Fungsi Dasar

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)
}

3 1. Trapezoidal dan Simpson

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")
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.

4 2. Nilai Harapan

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")
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.

5 3. Memilih Jumlah Subselang (n)

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")
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.

6 4. Proyek Mini: AUC ROC

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")
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")

7 Kesimpulan

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.

8 Referensi

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.