#Tugas 1 : Trapezoidal dan Simpson
# Fungsi Trapezoidal
trapezoid <- function(ftn, a, b, n) {
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
fx <- sapply(x, ftn)
hasil <- h * (fx[1] / 2 +
sum(fx[2:n]) +
fx[n + 1] / 2)
return(hasil)
}
# Fungsi Simpson 1/3
simpson_n <- function(ftn, a, b, n) {
if (n %% 2 != 0) {
stop("Jumlah subselang n harus genap")
}
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
fx <- sapply(x, ftn)
hasil <- h / 3 * (
fx[1] + fx[n + 1] +
4 * sum(fx[seq(2, n, by = 2)]) +
2 * sum(fx[seq(3, n - 1, by = 2)])
)
return(hasil)
}
# Fungsi yang diintegralkan
f <- function(x) sin(x)
# Nilai eksak
nilai_eksak <- 2
# Nilai n
n_values <- c(4, 8, 16, 32)
# Perhitungan
hasil_T <- sapply(n_values, function(n)
trapezoid(f, 0, pi, n))
hasil_S <- sapply(n_values, function(n)
simpson_n(f, 0, pi, n))
# Galat mutlak
galat_T <- abs(hasil_T - nilai_eksak)
galat_S <- abs(hasil_S - nilai_eksak)
# Rasio galat
rasio_T <- c(NA, galat_T[-length(galat_T)] /
galat_T[-1])
rasio_S <- c(NA, galat_S[-length(galat_S)] /
galat_S[-1])
# Tabel hasil
tabel <- data.frame(
n = n_values,
Trapezoidal = hasil_T,
Galat_T = galat_T,
Rasio_T = rasio_T,
Simpson = hasil_S,
Galat_S = galat_S,
Rasio_S = rasio_S
)
print(tabel)
## n Trapezoidal Galat_T Rasio_T Simpson Galat_S Rasio_S
## 1 4 1.896119 0.103881102 NA 2.004560 4.559755e-03 NA
## 2 8 1.974232 0.025768398 4.031337 2.000269 2.691699e-04 16.94006
## 3 16 1.993570 0.006429656 4.007741 2.000017 1.659105e-05 16.22381
## 4 32 1.998393 0.001606639 4.001930 2.000001 1.033369e-06 16.05529
interpretasi : Berdasarkan hasil perhitungan, semakin banyak subselang yang digunakan, semakin akurat nilai pendekatan karena mendekati nilai eksak, yaitu 2. Metode Trapezoidal mengalami penurunan galat dengan rasio sekitar 4, sedangkan Simpson sekitar 16 saat jumlah subselang digandakan. Dengan demikian, metode Simpson memberikan hasil yang lebih akurat dibandingkan metode Trapezoidal pada fungsi tersebut.
#Tugas 2 : Nilai harapan
# Fungsi Simpson dengan toleransi
simpson <- function(ftn, a, b, tol = 1e-8) {
n <- 4
hitung_simpson <- function(n) {
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
fx <- sapply(x, ftn)
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_lama <- hitung_simpson(n)
repeat {
n <- 2 * n
S_baru <- hitung_simpson(n)
if (abs(S_baru - S_lama) <= tol) {
break
}
S_lama <- S_baru
}
return(list(
hasil = S_baru,
n = n,
selisih = abs(S_baru - S_lama)
))
}
# Fungsi kepadatan Gamma
f_gamma <- function(x) {
x * dgamma(x, shape = 3, rate = 2)
}
# Metode Simpson
hasil_simpson <- simpson(f_gamma, 0, 20, tol = 1e-8)
# Metode integrate()
hasil_integrate <- integrate(f_gamma, 0, 20)
# Nilai harapan teoritis
nilai_teoritis <- 3 / 2
# Menampilkan hasil
cat("Hasil Simpson:", hasil_simpson$hasil, "\n")
## Hasil Simpson: 1.5
cat("Jumlah subselang:", hasil_simpson$n, "\n")
## Jumlah subselang: 4096
cat("Hasil integrate():", hasil_integrate$value, "\n")
## Hasil integrate(): 1.5
cat("Nilai teoritis:", nilai_teoritis, "\n")
## Nilai teoritis: 1.5
interpretasi : Hasil perhitungan menunjukkan bahwa metode Simpson dan fungsi integrate() memberikan nilai harapan yang mendekati 1,5. Hasil ini sesuai dengan nilai teoritis distribusi Gamma, yaitu 1,5. Dengan demikian, metode Simpson mampu memberikan pendekatan nilai harapan yang cukup akurat melalui integrasi numerik.
#Tugas 3 : Memilih jumlah subselang berdasarkan toleransi
# Fungsi yang diintegralkan
f <- function(x) 5 * x^4
# Nilai eksak integral
nilai_eksak <- 1
# Metode Trapezoidal
trapezoid <- function(f, a, b, n) {
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
hasil <- (h / 2) * (
f(a) + f(b) + 2 * sum(f(x[2:n]))
)
return(hasil)
}
# Metode Simpson 1/3
simpson_n <- function(f, a, b, n) {
if (n %% 2 != 0) {
stop("Jumlah subselang harus genap")
}
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
jumlah_ganjil <- sum(f(x[seq(2, n, by = 2)]))
jumlah_genap <- if (n >= 4) {
sum(f(x[seq(3, n - 1, by = 2)]))
} else {
0
}
hasil <- (h / 3) * (
f(a) + f(b) +
4 * jumlah_ganjil +
2 * jumlah_genap
)
return(hasil)
}
# Mencari n terkecil untuk Trapezoidal
cari_n_T <- function(epsilon) {
n <- 2
repeat {
hasil <- trapezoid(f, 0, 1, n)
if (abs(hasil - nilai_eksak) <= epsilon) {
return(n)
}
n <- n + 1
}
}
# Mencari n terkecil untuk Simpson
cari_n_S <- function(epsilon) {
n <- 2
repeat {
hasil <- simpson_n(f, 0, 1, n)
if (abs(hasil - nilai_eksak) <= epsilon) {
return(n)
}
n <- n + 2
}
}
# Nilai toleransi
k <- 2:16
epsilon <- 2^(-k)
# Mencari jumlah subselang terkecil
n_T <- sapply(epsilon, cari_n_T)
n_S <- sapply(epsilon, cari_n_S)
# Tabel hasil
tabel_n <- data.frame(
k = k,
Epsilon = epsilon,
n_Trapezoidal = n_T,
n_Simpson = n_S
)
print(tabel_n)
## k Epsilon n_Trapezoidal n_Simpson
## 1 2 2.500000e-01 3 2
## 2 3 1.250000e-01 4 2
## 3 4 6.250000e-02 6 2
## 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
# Plot hubungan n dengan epsilon
plot(
epsilon, n_T,
type = "b",
log = "xy",
xlab = "Toleransi (epsilon)",
ylab = "Jumlah subselang (n)",
main = "Perbandingan Jumlah Subselang"
)
lines(
epsilon, n_S,
type = "b",
lty = 2
)
legend(
"topright",
legend = c("Trapezoidal", "Simpson"),
lty = c(1, 2),
pch = 1
)
interpretasi : Hasil perhitungan menunjukkan bahwa semakin kecil nilai toleransi, semakin banyak jumlah subselang yang diperlukan oleh kedua metode untuk memperoleh hasil yang lebih akurat. Metode Trapezoidal membutuhkan jumlah subselang lebih banyak dibandingkan Simpson. Hal ini karena Simpson memiliki tingkat ketelitian yang lebih tinggi, sehingga dapat mencapai batas galat yang sama dengan jumlah subselang yang lebih sedikit. Perbedaan tersebut terlihat pada grafik, ketika jumlah subselang Simpson cenderung lebih rendah daripada Trapezoidal untuk setiap nilai toleransi.
#Tugas 4 : Proyek mini: AUC ROC
# Membangkitkan data
set.seed(2026)
positif <- rnorm(100, mean = 1, sd = 1)
negatif <- rnorm(100, mean = 0, sd = 1)
# Menggabungkan skor dan label
skor <- c(positif, negatif)
label <- c(rep(1, 100), rep(0, 100))
# Mengurutkan skor dari terbesar ke terkecil
urutan <- order(-skor)
skor_urut <- skor[urutan]
label_urut <- label[urutan]
# Menghitung jumlah positif dan negatif kumulatif
TP <- cumsum(label_urut)
FP <- cumsum(1 - label_urut)
# Mengambil titik terakhir pada setiap skor unik
indeks <- c(which(diff(skor_urut) != 0), length(skor_urut))
TP <- c(0, TP[indeks])
FP <- c(0, FP[indeks])
# Menghitung TPR dan FPR
TPR <- TP / sum(label == 1)
FPR <- FP / sum(label == 0)
# Menghitung AUC dengan Trapezoidal
auc_trapezoid <- sum(
diff(FPR) *
(head(TPR, -1) + tail(TPR, -1)) / 2
)
# Menghitung P(skor positif > skor negatif)
perbandingan <- outer(positif, negatif, ">")
sama <- outer(positif, negatif, "==")
probabilitas <- (
sum(perbandingan) + 0.5 * sum(sama)
) / (length(positif) * length(negatif))
# Menampilkan hasil
cat("AUC Trapezoidal:", auc_trapezoid, "\n")
## AUC Trapezoidal: 0.7127
cat("P(skor positif > skor negatif):", probabilitas, "\n")
## P(skor positif > skor negatif): 0.7127
# Membuat kurva ROC
plot(
FPR, TPR,
type = "l",
xlab = "False Positive Rate (FPR)",
ylab = "True Positive Rate (TPR)",
main = "Kurva ROC",
xlim = c(0, 1),
ylim = c(0, 1)
)
abline(0, 1, lty = 2)
interpretasi : Berdasarkan hasil perhitungan, nilai AUC metode Trapezoidal mendekati nilai probabilitas bahwa skor kasus positif lebih tinggi daripada skor kasus negatif. Hal ini sesuai karena AUC menggambarkan kemampuan model dalam membedakan kedua kelompok. Semakin besar nilai AUC, semakin baik kemampuan model dalam mengklasifikasikan kasus positif dan negatif.