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
#Fungsi Newton-Raphson#
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 akar
f1 <- function(x) {
c(x^3 - x - 2, 3*x^2 - 1)
}
hasil_newton <- newtonraphson(f1, 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
hasil_newton
## [1] 1.52138
#Fungsi Bisection#
bisection <- function(f, a, b, tol = 1e-10, max.iter = 1000) {
iter <- 0
if (f(a) * f(b) > 0) {
stop("Interval tidak mengurung akar")
}
repeat {
tengah <- (a + b)/2
ft <- f(tengah)
iter <- iter + 1
if (abs(ft) <= tol || iter >= max.iter) {
break
}
if (f(a) * ft < 0) {
b <- tengah
} else {
a <- tengah
}
}
return(list(
akar = tengah,
iterasi = iter
))
}
f <- function(x) {
x^3 - x - 2
}
hasil_bisection <- bisection(f, a = 1, b = 2, tol = 1e-10)
hasil_bisection
## $akar
## [1] 1.52138
##
## $iterasi
## [1] 33
#Uniroot#
hasil_uniroot <- uniroot(f, interval = c(1, 2),tol = 1e-10)
hasil_uniroot
## $root
## [1] 1.52138
##
## $f.root
## [1] -3.153033e-13
##
## $iter
## [1] 8
##
## $init.it
## [1] NA
##
## $estim.prec
## [1] 5.000067e-11
Interpretasi: Berdasarkan hasil perhitungan, metode Newton-Raphson berhasil memperoleh akar persamaan sebesar 1,521380 dalam 3 iterasi. Metode Bisection dan uniroot() juga menghasilkan akar yang hampir sama, tetapi membutuhkan jumlah iterasi yang berbeda. Jika dilihat dari hasil iterasinya, Newton-Raphson lebih cepat dalam menyelesaikan persamaan ini karena memanfaatkan turunan pertama untuk memperbarui nilai pendekatan.
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.
#Fungsi t#
ft <- function(x) {
c(pt(x, df = 9) - 0.975,dt(x, df = 9))
}
#Fungsi Newton Raphson
hasil_newton2 <- newtonraphson(ft,x0 = 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
hasil_newton2
## [1] 2.262157
#Fungsi qt()
qt(0.975, df = 9)
## [1] 2.262157
#Coba dengan X0=10
try(newtonraphson(ft, x0 = 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
Interpretasi: Berdasarkan hasil perhitungan, metode Newton-Raphson dengan tebakan awal 2 digunakan untuk memperoleh nilai kuantil t dengan derajat bebas 9. Hasilnya dibandingkan dengan fungsi qt(0.975, 9) sebagai pembanding. Kedua metode diharapkan memberikan hasil yang mendekati 2,262157. Sementara itu, penggunaan tebakan awal 10 menyebabkan metode Newton-Raphson gagal konvergen karena nilai turunannya sangat kecil sehingga proses iterasi tidak mengarah pada akar yang dicari. Hal ini menunjukkan bahwa pemilihan tebakan awal memengaruhi keberhasilan metode Newton-Raphson.
Selesaikan cos x = x dengan Secant (x0 = 0, x1 = 1) dan Newton (x0 = 1). Bandingkan iterasi dan jumlah evaluasi fungsi.
#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: 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 Persamaan Secant
f3 <- function(x) {
cos(x) - x
}
secant(f3,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
#Fungsi Newton Raphson
ftn3 <- function(x) {
c(
cos(x) - x,
-sin(x) - 1
)
}
hasil_newton3 <- newtonraphson(ftn3,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
hasil_newton3
## [1] 0.7390851
#Membandingkan iterasi
output_secant <- capture.output({
akar_secant <- secant(
f3, 0, 1, tol = 1e-9
)
})
output_newton <- capture.output({
akar_newton <- newtonraphson(
ftn3, 1, tol = 1e-9
)
})
iter_secant <- sum(
grepl("At iteration", output_secant)
)
iter_newton <- sum(
grepl("At iteration", output_newton)
)
iter_secant
## [1] 5
iter_newton
## [1] 3
Interpretasi: Berdasarkan hasil perhitungan, metode Secant dan Newton-Raphson menghasilkan akar persamaan yang mendekati 0,739085133. Kedua metode memiliki jumlah iterasi dan evaluasi fungsi yang berbeda. Metode Secant membutuhkan 5 iterasi, sedangkan Newton-Raphson membutuhkan 3 iterasi. Hal ini menunjukkan bahwa Newton-Raphson lebih cepat dalam menyelesaikan persamaan tersebut karena memanfaatkan turunan pertama. Sementara itu, metode Secant tidak memerlukan turunan karena menggunakan dua nilai pendekatan sebelumnya dalam proses pencarian akar. Dengan demikian, metode Secant dapat menjadi alternatif ketika turunan fungsi sulit diperoleh, sedangkan Newton-Raphson lebih efisien dalam jumlah iterasi apabila turunannya mudah dihitung.
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.
#Data
x <- c(1.5, 2.8, 3.4, 2.1, 4.6, 3.9, 2.5, 3.2, 4.1, 2.9)
x
## [1] 1.5 2.8 3.4 2.1 4.6 3.9 2.5 3.2 4.1 2.9
#Menghitung jumlah data
n <- length(x)
xbar <- mean(x)
s <- var(x)
n
## [1] 10
xbar
## [1] 3.1
s
## [1] 0.8933333
#alpha
alpha0 <- 1 / (2 * s)
alpha0
## [1] 0.5597015
#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)
}
hasil_newton4 <- newtonraphson(
f_gamma,
alpha0,
tol = 1e-10
)
## At iteration 1 value of x is: 1.025569
## At iteration 2 value of x is: 1.86768
## At iteration 3 value of x is: 3.32217
## At iteration 4 value of x is: 5.550053
## At iteration 5 value of x is: 8.205781
## At iteration 6 value of x is: 10.15538
## At iteration 7 value of x is: 10.74197
## At iteration 8 value of x is: 10.77841
## At iteration 9 value of x is: 10.77854
## Algorithm converged
hasil_newton4
## [1] 10.77854
#Bandingkan dengan MASS::fitdistr
library(MASS)
hasil_mle <- fitdistr(x, "gamma")
hasil_mle
## shape rate
## 10.778597 3.476967
## ( 4.747570) ( 1.567664)
Interpretasi: Berdasarkan hasil perhitungan menggunakan 10 data pengamatan, diperoleh rata-rata sebesar 3,1 dan varians sebesar 0,8933333. Dengan nilai awal alpha0 = 0,5597015, metode Newton-Raphson berhasil mengestimasi parameter bentuk distribusi Gamma sebesar 10,778536 dalam 9 iterasi. Hasil tersebut mendekati estimasi yang diperoleh menggunakan fungsi MASS::fitdistr(). Kedekatan kedua hasil tersebut menunjukkan bahwa metode Newton-Raphson mampu memberikan estimasi parameter yang konsisten dengan metode maksimum likelihood. Dengan demikian, metode Newton-Raphson dapat digunakan untuk mengestimasi parameter bentuk distribusi Gamma melalui proses iterasi hingga mencapai konvergensi.