1 Pendahuluan

Tugas ini membahas metode Trapezoidal dan Simpson untuk menghitung integral numerik, menentukan nilai harapan distribusi Gamma, mencari jumlah partisi minimum berdasarkan toleransi galat, serta menghitung AUC ROC.

2 Persiapan

2.1 Fungsi Metode 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)
}

2.2 Fungsi Metode Simpson Komposit

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)
}

2.3 Fungsi Adaptive Simpson

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 Tugas 1 - Metode Trapezoidal dan Simpson

3.1 Tujuan

Menghitung integral fungsi sinus menggunakan metode Trapezoidal dan Simpson dengan jumlah partisi 4, 8, 16, dan 32. Selanjutnya, membandingkan galat absolut dan rasio galat dari kedua metode.

3.2 Syntax R

# Fungsi yang akan diintegralkan
f <- function(x) {
  sin(x)
}

# Batas integral
a <- 0
b <- pi

# Nilai eksak
nilai_eksak <- 2

# Jumlah partisi
n.vec <- c(4, 8, 16, 32)

# Menghitung metode Trapezoidal
hasil_T <- sapply(n.vec, function(n) {
  trapezoid(f, a, b, n)
})

# Menghitung metode Simpson
hasil_S <- sapply(n.vec, function(n) {
  simpson_n(f, a, b, n)
})

# Menghitung galat absolut
error_T <- abs(hasil_T - nilai_eksak)
error_S <- abs(hasil_S - nilai_eksak)

# Menghitung rasio galat
rasio_T <- c(NA, error_T[-length(error_T)] / error_T[-1])
rasio_S <- c(NA, error_S[-length(error_S)] / error_S[-1])

# Membuat tabel hasil
hasil_tugas1 <- data.frame(
  n = n.vec,
  Trapezoidal = hasil_T,
  Galat_T = error_T,
  Rasio_T = rasio_T,
  Simpson = hasil_S,
  Galat_S = error_S,
  Rasio_S = rasio_S
)

print(hasil_tugas1, digits = 10)
##    n Trapezoidal        Galat_T     Rasio_T     Simpson         Galat_S
## 1  4 1.896118898 0.103881102063          NA 2.004559755 4.559754984e-03
## 2  8 1.974231602 0.025768398054 4.031337216 2.000269170 2.691699484e-04
## 3 16 1.993570344 0.006429656228 4.007741183 2.000016591 1.659104794e-05
## 4 32 1.998393361 0.001606639030 4.001929561 2.000001033 1.033369413e-06
##       Rasio_S
## 1          NA
## 2 16.94005966
## 3 16.22380632
## 4 16.05529226

3.3 Interpretasi

Berdasarkan hasil perhitungan, metode Trapezoidal dan Simpson digunakan untuk menghampiri nilai eksak integral sebesar 2. Galat absolut menunjukkan selisih hasil pendekatan dengan nilai eksak. Semakin kecil galat yang diperoleh, semakin tinggi ketelitian metode tersebut.

Rasio galat digunakan untuk melihat perubahan galat ketika jumlah partisi diperbesar. Rasio galat metode Trapezoidal diharapkan mendekati 4, sedangkan metode Simpson diharapkan mendekati 16. Hal ini menunjukkan bahwa metode Simpson memiliki tingkat ketelitian yang lebih tinggi pada fungsi yang digunakan.

4 Tugas 2 - Nilai Harapan Distribusi Gamma

4.1 Tujuan

Menghitung nilai harapan variabel acak yang berdistribusi Gamma dengan parameter shape = 3 dan rate = 2 menggunakan metode Adaptive Simpson. Hasilnya dibandingkan dengan fungsi integrate() dan nilai teoritis sebesar 1,5.

4.2 Syntax R

# Fungsi integran distribusi Gamma
f_gamma <- function(x) {
  x * dgamma(x, shape = 3, rate = 2)
}

# Menghitung dengan Adaptive Simpson
hasil_simpson <- simpson(
  f_gamma,
  0,
  20,
  tol = 1e-8,
  verbose = TRUE
)
## partition size 4096
# Menghitung dengan integrate()
hasil_integrate <- integrate(
  f_gamma,
  0,
  20
)$value

# Nilai teoritis
nilai_teoritis <- 3 / 2

# Membuat tabel perbandingan
hasil_tugas2 <- data.frame(
  Metode = c("Adaptive Simpson", "Integrate", "Teoritis"),
  Hasil = c(
    hasil_simpson,
    hasil_integrate,
    nilai_teoritis
  )
)

print(hasil_tugas2, digits = 12)
##             Metode         Hasil
## 1 Adaptive Simpson 1.49999999992
## 2        Integrate 1.50000000000
## 3         Teoritis 1.50000000000

4.3 Interpretasi

Berdasarkan hasil perhitungan, nilai harapan distribusi Gamma dihitung menggunakan metode Adaptive Simpson dan fungsi integrate(). Kedua hasil tersebut dibandingkan dengan nilai teoritis sebesar 1,5. Hasil yang mendekati nilai teoritis menunjukkan bahwa metode integrasi numerik mampu menghampiri nilai harapan distribusi Gamma dengan baik.

5 Tugas 3 - Menentukan Jumlah Partisi Minimum

5.1 Tujuan

Menentukan jumlah partisi minimum pada metode Trapezoidal dan Simpson untuk integral berikut:

\[ \int_0^1 5x^4\,dx \]

Nilai eksak integral adalah 1. Jumlah partisi ditentukan berdasarkan toleransi galat \(\varepsilon = 2^{-k}\), dengan \(k=2,\ldots,16\).

5.2 Syntax R

# Fungsi integran
f3 <- function(x) {
  5 * x^4
}

# Batas integral
a3 <- 0
b3 <- 1

# Nilai eksak
nilai_eksak3 <- 1

# Nilai k dan epsilon
k <- 2:16
epsilon <- 2^(-k)

# Menyimpan jumlah partisi minimum
nT <- numeric(length(epsilon))
nS <- numeric(length(epsilon))

# Mencari jumlah partisi minimum
for (i in seq_along(epsilon)) {

  # Metode Trapezoidal
  n <- 1

  repeat {
    hasil <- trapezoid(f3, a3, b3, n)
    galat <- abs(hasil - nilai_eksak3)

    if (galat <= epsilon[i]) {
      nT[i] <- n
      break
    }

    n <- n + 1
  }

  # Metode Simpson
  n <- 4

  repeat {
    hasil <- simpson_n(f3, a3, b3, n)
    galat <- abs(hasil - nilai_eksak3)

    if (galat <= epsilon[i]) {
      nS[i] <- n
      break
    }

    n <- n + 2
  }
}

# Membuat tabel hasil
hasil_tugas3 <- data.frame(
  k = k,
  Epsilon = epsilon,
  nT = nT,
  nS = nS
)

print(hasil_tugas3)
##     k      Epsilon  nT nS
## 1   2 2.500000e-01   3  4
## 2   3 1.250000e-01   4  4
## 3   4 6.250000e-02   6  4
## 4   5 3.125000e-02   8  4
## 5   6 1.562500e-02  11  4
## 6   7 7.812500e-03  15  4
## 7   8 3.906250e-03  21  4
## 8   9 1.953125e-03  30  6
## 9  10 9.765625e-04  42  6
## 10 11 4.882812e-04  59  8
## 11 12 2.441406e-04  83  8
## 12 13 1.220703e-04 117 10
## 13 14 6.103516e-05 166 12
## 14 15 3.051758e-05 234 14
## 15 16 1.525879e-05 331 16

5.3 Grafik Hubungan Epsilon dengan Jumlah Partisi

# Membuat grafik
plot(
  epsilon,
  nT,
  type = "b",
  log = "x",
  col = "blue",
  pch = 16,
  lwd = 2,
  xlab = "Nilai Toleransi (Epsilon)",
  ylab = "Jumlah Partisi Minimum",
  main = "Perbandingan Jumlah Partisi Trapezoidal dan Simpson"
)

lines(
  epsilon,
  nS,
  type = "b",
  col = "red",
  pch = 17,
  lwd = 2
)

legend(
  "topleft",
  legend = c("Trapezoidal", "Simpson"),
  col = c("blue", "red"),
  pch = c(16, 17),
  lty = 1,
  lwd = 2
)

5.4 Interpretasi

Berdasarkan hasil perhitungan, jumlah partisi minimum ditentukan agar galat absolut tidak melebihi nilai toleransi yang diberikan. Semakin kecil nilai toleransi, semakin tinggi ketelitian yang dibutuhkan sehingga jumlah partisi dapat meningkat. Hasil kedua metode dibandingkan untuk mengetahui metode yang membutuhkan jumlah partisi lebih sedikit dalam mencapai toleransi galat tertentu.

6 Tugas 4 - Mini-Project AUC ROC

6.1 Tujuan

Menghitung nilai Area Under the Curve (AUC) dari kurva Receiver Operating Characteristic (ROC) menggunakan metode Trapezoidal. Hasilnya dibandingkan dengan peluang empiris bahwa skor positif lebih besar daripada skor negatif.

6.2 Syntax R

# Menentukan seed
set.seed(2026)

# Membuat data positif
score_positif <- rnorm(100, mean = 1, sd = 1)

# Membuat data negatif
score_negatif <- rnorm(100, mean = 0, sd = 1)

# Menggabungkan data
score <- c(score_positif, score_negatif)

# Membuat label kelas
label <- c(rep(1, 100), rep(0, 100))

# Membuat threshold
threshold <- sort(unique(score), decreasing = TRUE)

# Menambahkan threshold awal dan akhir
threshold <- c(Inf, threshold, -Inf)

# Menghitung TPR dan FPR
TPR <- numeric(length(threshold))
FPR <- numeric(length(threshold))

for (i in seq_along(threshold)) {

  prediksi <- ifelse(score >= threshold[i], 1, 0)

  TP <- sum(prediksi == 1 & label == 1)
  FP <- sum(prediksi == 1 & label == 0)
  FN <- sum(prediksi == 0 & label == 1)
  TN <- sum(prediksi == 0 & label == 0)

  TPR[i] <- TP / (TP + FN)
  FPR[i] <- FP / (FP + TN)
}

# Menghitung AUC Trapezoidal
AUC_trapezoid <- sum(
  diff(FPR) *
    (head(TPR, -1) + tail(TPR, -1)) / 2
)

# Menampilkan hasil AUC
AUC_trapezoid
## [1] 0.7127
# Membuat grafik ROC
plot(
  FPR,
  TPR,
  type = "l",
  col = "blue",
  lwd = 2,
  xlab = "False Positive Rate (FPR)",
  ylab = "True Positive Rate (TPR)",
  main = "Kurva ROC"
)

abline(
  a = 0,
  b = 1,
  lty = 2,
  col = "red"
)

# Menghitung peluang empiris
perbandingan <- outer(
  score_positif,
  score_negatif,
  FUN = ">"
)

P_empiris <- mean(perbandingan)

# Membandingkan hasil
hasil_tugas4 <- data.frame(
  Metode = c(
    "AUC Trapezoidal",
    "P(score positif > score negatif)"
  ),
  Nilai = c(
    AUC_trapezoid,
    P_empiris
  )
)

print(hasil_tugas4, digits = 6)
##                             Metode  Nilai
## 1                  AUC Trapezoidal 0.7127
## 2 P(score positif > score negatif) 0.7127

6.3 Interpretasi

Berdasarkan hasil perhitungan, nilai AUC diperoleh menggunakan metode Trapezoidal dan dibandingkan dengan peluang empiris bahwa skor positif lebih besar daripada skor negatif. Kedua nilai tersebut diharapkan sama atau sangat mendekati satu sama lain. Kurva ROC yang berada di atas garis diagonal menunjukkan bahwa model memiliki kemampuan membedakan data positif dan negatif lebih baik dibandingkan klasifikasi acak.

7 Kesimpulan

Berdasarkan seluruh pengerjaan, metode Trapezoidal dan Simpson dapat digunakan untuk menghampiri nilai integral tentu. Ketelitian metode dipengaruhi oleh jumlah partisi dan toleransi galat yang digunakan. Metode Adaptive Simpson juga dapat digunakan untuk menghitung nilai harapan distribusi Gamma. Selain itu, metode Trapezoidal dapat diterapkan untuk menghitung AUC ROC dan dibandingkan dengan peluang empiris skor positif lebih besar daripada skor negatif.