# Fungsi
f <- function(x) {
x^3 - x - 2
}
# Turunan pertama
df <- function(x) {
3*x^2 - 1
}
# Fungsi Newton-Raphson
newton <- function(f, df, x0, tol = 1e-10,
max.iter = 100) {
x <- x0
iter <- 0
while (abs(f(x)) > tol && iter < max.iter) {
x <- x - f(x)/df(x)
iter <- iter + 1
}
cat("Metode Newton-Raphson\n")
cat("Akar:", x, "\n")
cat("Jumlah iterasi:", iter, "\n\n")
return(x)
}
# Menjalankan Newton-Raphson
hasil_newton <- newton(f, df, x0 = 1.5)
## Metode Newton-Raphson
## Akar: 1.52138
## Jumlah iterasi: 3
# TUGAS 1: BISECTION
bisection <- function(f, a, b, tol = 1e-10,
max.iter = 100) {
iter <- 0
while (iter < max.iter) {
c <- (a + b)/2
iter <- iter + 1
if (abs(f(c)) <= tol) {
break
}
if (f(a)*f(c) < 0) {
b <- c
} else {
a <- c
}
}
cat("Metode Bisection\n")
cat("Akar:", c, "\n")
cat("Jumlah iterasi:", iter, "\n\n")
return(c)
}
# Menjalankan Bisection
hasil_bisection <- bisection(f, a = 1, b = 2)
## Metode Bisection
## Akar: 1.52138
## Jumlah iterasi: 33
# TUGAS 1: UN IROOT
hasil_uniroot <- uniroot(
f,
interval = c(1, 2),
tol = 1e-10
)
cat("Metode uniroot()\n")
## Metode uniroot()
cat("Akar:", hasil_uniroot$root, "\n")
## Akar: 1.52138
cat("Jumlah iterasi:", hasil_uniroot$iter, "\n\n")
## Jumlah iterasi: 8
# PERBANDINGAN HASIL
perbandingan <- data.frame(
Metode = c("Newton-Raphson", "Bisection", "uniroot"),
Akar = c(
hasil_newton,
hasil_bisection,
hasil_uniroot$root
),
Iterasi = c(
NA,
NA,
hasil_uniroot$iter
)
)
print(perbandingan)
## Metode Akar Iterasi
## 1 Newton-Raphson 1.52138 NA
## 2 Bisection 1.52138 NA
## 3 uniroot 1.52138 8
interpretasi : Hasil perhitungan menunjukkan bahwa Newton-Raphson memperoleh akar 1,521379707 dengan 3 iterasi, sedangkan Bisection membutuhkan 33 iterasi. Kedua metode menghasilkan akar yang hampir sama, tetapi Newton-Raphson lebih cepat mencapai hasil. Fungsi uniroot() digunakan sebagai pembanding untuk memastikan kesesuaian hasil akar.
#Tugas 2 : Kuantil t
# Fungsi dan turunan
f_t <- function(x) {
pt(x, df = 9) - 0.975
}
df_t <- function(x) {
dt(x, df = 9)
}
# Metode Newton-Raphson
newton_t <- function(x0, tol = 1e-10, maxiter = 100) {
x <- x0
iter <- 0
status <- "Konvergen"
repeat {
# Menghitung nilai fungsi
nilai_f <- f_t(x)
# Memeriksa konvergensi
if (!is.finite(nilai_f)) {
status <- "Gagal: nilai fungsi tidak valid"
break
}
if (abs(nilai_f) < tol) {
break
}
# Menghitung turunan
turunan <- df_t(x)
# Memeriksa nilai turunan
if (!is.finite(turunan) || abs(turunan) < 1e-14) {
status <- "Gagal: turunan terlalu kecil"
break
}
# Iterasi Newton-Raphson
xbaru <- x - f_t(x)/turunan
# Memeriksa hasil iterasi
if (!is.finite(xbaru)) {
status <- "Gagal: nilai iterasi tidak valid"
break
}
iter <- iter + 1
# Memeriksa konvergensi
if (abs(xbaru - x) < tol &&
abs(f_t(xbaru)) < tol) {
x <- xbaru
break
}
x <- xbaru
# Batas maksimum iterasi
if (iter >= maxiter) {
status <- "Gagal: iterasi maksimum tercapai"
break
}
}
list(
hasil = x,
iterasi = iter,
nilai_f = f_t(x),
status = status
)
}
# Newton-Raphson dengan x0 = 1
hasil_x1 <- newton_t(1)
cat("Hasil Newton-Raphson x0 = 1:\n")
## Hasil Newton-Raphson x0 = 1:
print(hasil_x1)
## $hasil
## [1] 2.262157
##
## $iterasi
## [1] 6
##
## $nilai_f
## [1] -1.010303e-14
##
## $status
## [1] "Konvergen"
# Newton-Raphson dengan x0 = 10
hasil_x10 <- newton_t(10)
cat("\nHasil Newton-Raphson x0 = 10:\n")
##
## Hasil Newton-Raphson x0 = 10:
print(hasil_x10)
## $hasil
## [1] -16776.42
##
## $iterasi
## [1] 1
##
## $nilai_f
## [1] -0.975
##
## $status
## [1] "Gagal: turunan terlalu kecil"
# Menghitung menggunakan fungsi qt()
hasil_qt <- qt(0.975, df = 9)
cat("\nHasil menggunakan qt():\n")
##
## Hasil menggunakan qt():
print(hasil_qt)
## [1] 2.262157
# Membandingkan hasil
perbandingan <- data.frame(
Metode = c(
"Newton-Raphson (x0=1)",
"Newton-Raphson (x0=10)",
"Fungsi qt()"
),
Hasil = c(
hasil_x1$hasil,
hasil_x10$hasil,
hasil_qt
),
Iterasi = c(
hasil_x1$iterasi,
hasil_x10$iterasi,
NA
),
Status = c(
hasil_x1$status,
hasil_x10$status,
"Berhasil"
)
)
print(perbandingan)
## Metode Hasil Iterasi Status
## 1 Newton-Raphson (x0=1) 2.262157 6 Konvergen
## 2 Newton-Raphson (x0=10) -16776.419496 1 Gagal: turunan terlalu kecil
## 3 Fungsi qt() 2.262157 NA Berhasil
interpretasi : Metode Newton-Raphson dengan tebakan awal (x0=1) berhasil memperoleh hasil yang sesuai dengan fungsi qt(), yaitu 2,262157. Sementara itu, penggunaan (x0=10) menyebabkan algoritma gagal konvergen karena nilai turunannya terlalu kecil. Hal ini menunjukkan bahwa pemilihan nilai awal berpengaruh terhadap keberhasilan metode Newton-Raphson.
#Tugas 3 : Secant
# Fungsi
f <- function(x) {
cos(x) - x
}
# Turunan fungsi
df <- function(x) {
-sin(x) - 1
}
# Metode Secant
secant <- function(x0, x1, tol = 1e-10,
maxiter = 100) {
iter <- 0
evaluasi <- 2
f0 <- f(x0)
f1 <- f(x1)
repeat {
if (!is.finite(f0) || !is.finite(f1) ||
abs(f1 - f0) < 1e-15) {
status <- "Gagal konvergen"
break
}
x2 <- x1 - f1 * (x1 - x0)/(f1 - f0)
iter <- iter + 1
f2 <- f(x2)
evaluasi <- evaluasi + 1
if (!is.finite(x2) || !is.finite(f2)) {
status <- "Gagal konvergen"
break
}
if (abs(x2 - x1) < tol && abs(f2) < tol) {
status <- "Konvergen"
break
}
if (iter >= maxiter) {
status <- "Gagal konvergen"
break
}
x0 <- x1
x1 <- x2
f0 <- f1
f1 <- f2
}
list(
akar = x2,
iterasi = iter,
evaluasi = evaluasi,
status = status
)
}
# Metode Newton-Raphson
newton_cos <- function(x0, tol = 1e-10,
maxiter = 100) {
iter <- 0
evaluasi_f <- 1
evaluasi_df <- 0
x <- x0
repeat {
fx <- f(x)
dfx <- df(x)
evaluasi_f <- evaluasi_f + 1
evaluasi_df <- evaluasi_df + 1
if (!is.finite(fx) || !is.finite(dfx) ||
abs(dfx) < 1e-15) {
status <- "Gagal konvergen"
break
}
xbaru <- x - fx/dfx
iter <- iter + 1
if (!is.finite(xbaru)) {
status <- "Gagal konvergen"
break
}
if (abs(xbaru - x) < tol &&
abs(f(xbaru)) < tol) {
evaluasi_f <- evaluasi_f + 1
x <- xbaru
status <- "Konvergen"
break
}
if (iter >= maxiter) {
status <- "Gagal konvergen"
break
}
x <- xbaru
}
list(
akar = x,
iterasi = iter,
evaluasi_fungsi = evaluasi_f,
evaluasi_turunan = evaluasi_df,
status = status
)
}
# Menjalankan kedua metode
hasil_secant <- secant(0, 1)
hasil_newton_cos <- newton_cos(1)
# Menampilkan hasil
cat("Hasil Metode Secant:\n")
## Hasil Metode Secant:
print(hasil_secant)
## $akar
## [1] 0.7390851
##
## $iterasi
## [1] 6
##
## $evaluasi
## [1] 8
##
## $status
## [1] "Konvergen"
cat("\nHasil Metode Newton-Raphson:\n")
##
## Hasil Metode Newton-Raphson:
print(hasil_newton_cos)
## $akar
## [1] 0.7390851
##
## $iterasi
## [1] 5
##
## $evaluasi_fungsi
## [1] 7
##
## $evaluasi_turunan
## [1] 5
##
## $status
## [1] "Konvergen"
# Tabel perbandingan
perbandingan <- data.frame(
Metode = c("Secant", "Newton-Raphson"),
Akar = c(
hasil_secant$akar,
hasil_newton_cos$akar
),
Iterasi = c(
hasil_secant$iterasi,
hasil_newton_cos$iterasi
),
Evaluasi_Fungsi = c(
hasil_secant$evaluasi,
hasil_newton_cos$evaluasi_fungsi
),
Evaluasi_Turunan = c(
NA,
hasil_newton_cos$evaluasi_turunan
),
Status = c(
hasil_secant$status,
hasil_newton_cos$status
)
)
print(perbandingan)
## Metode Akar Iterasi Evaluasi_Fungsi Evaluasi_Turunan Status
## 1 Secant 0.7390851 6 8 NA Konvergen
## 2 Newton-Raphson 0.7390851 5 7 5 Konvergen
interpretasi : Metode Secant memperoleh akar sekitar 0,7390851332 dengan 6 iterasi, sedangkan Newton-Raphson memperoleh akar yang sama dengan 5 iterasi. Newton-Raphson membutuhkan iterasi lebih sedikit, tetapi Secant tidak memerlukan perhitungan turunan sehingga lebih sederhana dalam penggunaannya.
#Tugas 4 : Proyek mini
# Memanggil package
library(MASS)
## Warning: package 'MASS' was built under R version 4.5.3
# Data pengamatan
x <- c(2, 3, 4, 5, 6, 7, 8, 9, 10, 12)
# Menghitung konstanta
n <- length(x)
xbar <- mean(x)
s <- log(xbar) - mean(log(x))
# Nilai awal alpha
alpha0 <- 1/(2*s)
# Fungsi MLE
f <- function(alpha) {
log(alpha) - digamma(alpha) - s
}
# Turunan fungsi
df <- function(alpha) {
1/alpha - trigamma(alpha)
}
# Metode Newton-Raphson
newton_gamma <- function(alpha0, tol = 1e-10,
maxiter = 100) {
alpha <- alpha0
iter <- 0
status <- "Konvergen"
repeat {
# Memeriksa nilai fungsi dan turunan
if (!is.finite(f(alpha)) ||
!is.finite(df(alpha)) ||
abs(df(alpha)) < 1e-14) {
status <- "Gagal: turunan tidak valid"
break
}
# Iterasi Newton-Raphson
alpha_baru <- alpha - f(alpha)/df(alpha)
# Memeriksa nilai alpha
if (!is.finite(alpha_baru) || alpha_baru <= 0) {
status <- "Gagal: nilai alpha tidak valid"
break
}
iter <- iter + 1
# Memeriksa konvergensi
if (abs(alpha_baru - alpha) < tol &&
abs(f(alpha_baru)) < tol) {
alpha <- alpha_baru
break
}
alpha <- alpha_baru
# Batas maksimum iterasi
if (iter >= maxiter) {
status <- "Gagal: iterasi maksimum tercapai"
break
}
}
list(
alpha = alpha,
iterasi = iter,
nilai_f = f(alpha),
status = status
)
}
# Menjalankan estimasi Newton-Raphson
hasil_gamma <- newton_gamma(alpha0)
cat("Hasil Newton-Raphson:\n")
## Hasil Newton-Raphson:
print(hasil_gamma)
## $alpha
## [1] 4.061241
##
## $iterasi
## [1] 4
##
## $nilai_f
## [1] 4.440892e-16
##
## $status
## [1] "Konvergen"
# Estimasi menggunakan MASS::fitdistr
hasil_fit <- MASS::fitdistr(
x,
densfun = "gamma"
)
cat("\nHasil MASS::fitdistr:\n")
##
## Hasil MASS::fitdistr:
print(hasil_fit)
## shape rate
## 4.0612575 0.6153421
## (1.7467640) (0.2817241)
# Perbandingan hasil
perbandingan <- data.frame(
Metode = c("Newton-Raphson", "MASS::fitdistr"),
Alpha = c(
hasil_gamma$alpha,
hasil_fit$estimate["shape"]
),
Iterasi = c(
hasil_gamma$iterasi,
NA
),
Status = c(
hasil_gamma$status,
"Berhasil"
)
)
cat("\nTabel Perbandingan:\n")
##
## Tabel Perbandingan:
print(perbandingan)
## Metode Alpha Iterasi Status
## Newton-Raphson 4.061241 4 Konvergen
## shape MASS::fitdistr 4.061258 NA Berhasil
interpretasi : Hasil perhitungan menunjukkan bahwa metode Newton-Raphson memperoleh estimasi parameter bentuk Gamma sebesar 4,061241. Nilai tersebut mendekati hasil dari fungsi MASS::fitdistr. Hal ini menunjukkan bahwa kedua metode memberikan hasil estimasi yang konsisten dalam menentukan parameter bentuk distribusi Gamma.