#Aturan Trapezoidal dengan n subselang sama lebar
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
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)
}
#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)
}
Hitung integral berikut menggunakan metode Trapezoidal dan Simpson dengan jumlah subselang \(n = 4, 8, 16, 32\).
\[ \int_0^\pi \sin x\,dx = 2 \]
Tampilkan tabel galat dan rasio galat antar-n, kemudian amati apakah rasio galat mendekati 4 dan 16.
#Fungsi yang diintegralkan
f1 <- function(x) sin(x)
#Nilai eksak integral
eksak1 <- 2
#Jumlah subselang
n <- c(4, 8, 16, 32)
#Menghitung Trapezoidal dan Simpson
T <- sapply(n, function(i) trapezoid(f1, 0, pi, i))
S <- sapply(n, function(i) simpson_n(f1, 0, pi, i))
#Menghitung galat mutlak
galat_T <- abs(T - eksak1)
galat_S <- abs(S - eksak1)
#Menghitung rasio galat
rasio_T <- c(NA, galat_T[-length(n)] / galat_T[-1])
rasio_S <- c(NA, galat_S[-length(n)] / galat_S[-1])
#Membuat tabel hasil
hasil1 <- data.frame(
n = n,
h = pi / n,
Trapezoidal = T,
Galat_T = galat_T,
Rasio_T = rasio_T,
Simpson = S,
Galat_S = galat_S,
Rasio_S = rasio_S
)
print(hasil1, digits = 10)
## n h Trapezoidal Galat_T Rasio_T Simpson
## 1 4 0.78539816340 1.896118898 0.103881102063 NA 2.004559755
## 2 8 0.39269908170 1.974231602 0.025768398054 4.031337216 2.000269170
## 3 16 0.19634954085 1.993570344 0.006429656228 4.007741183 2.000016591
## 4 32 0.09817477042 1.998393361 0.001606639030 4.001929561 2.000001033
## Galat_S Rasio_S
## 1 4.559754984e-03 NA
## 2 2.691699484e-04 16.94005966
## 3 1.659104794e-05 16.22380632
## 4 1.033369413e-06 16.05529226
Berdasarkan hasil perhitungan, nilai integral yang diperoleh melalui metode Trapezoidal dan Simpson semakin mendekati nilai eksak sebesar 2 ketika jumlah subselang ditingkatkan. Rasio galat metode Trapezoidal cenderung mendekati 4, sedangkan metode Simpson mendekati 16, sesuai dengan teori masing-masing metode. Selain itu, metode Simpson memberikan tingkat kesalahan yang lebih kecil dibandingkan metode Trapezoidal sehingga menghasilkan perhitungan yang lebih akurat.
Untuk \(X \sim \text{Gamma}(\text{shape}=3,\text{rate}=2)\), hitung nilai harapan
\[ E(X)=\int_0^\infty x f(x)\,dx \]
dengan metode Simpson pada interval \([0,20]\) dan toleransi \(10^{-8}\). Selanjutnya, bandingkan hasilnya
dengan nilai 1,5 dan fungsi integrate().
#Fungsi integran x*f(x)
f_gamma <- function(x) {
x * dgamma(x, shape = 3, rate = 2)
}
#Menghitung nilai harapan menggunakan Simpson
hasil_simpson <- simpson(
f_gamma, 0, 20,
tol = 1e-8,
verbose = TRUE
)
## partition size 4096
#Pembanding menggunakan integrate()
hasil_integrate <- integrate(f_gamma, 0, 20)
#Nilai harapan secara teori
nilai_teori <- 3 / 2
#Membuat tabel perbandingan
hasil2 <- data.frame(
Metode = c("Simpson", "integrate()", "Teoritis"),
Nilai = c(
hasil_simpson,
hasil_integrate$value,
nilai_teori
)
)
print(hasil2, digits = 12)
## Metode Nilai
## 1 Simpson 1.49999999992
## 2 integrate() 1.50000000000
## 3 Teoritis 1.50000000000
Berdasarkan hasil perhitungan, metode Simpson memperoleh nilai harapan sebesar 1,49999999992, sementara fungsi integrate() dan perhitungan teoritis menghasilkan nilai 1,5. Ketiga hasil tersebut menunjukkan nilai yang hampir identik. Dengan demikian, metode Simpson terbukti mampu mengestimasi nilai harapan distribusi Gamma dengan tingkat ketelitian yang sangat tinggi dan mendekati nilai teoritis.
Untuk integral
\[ \int_0^1 5x^4\,dx=1 \]
cari jumlah subselang minimum \(n_T(\varepsilon)\) untuk metode Trapezoidal dan \(n_S(\varepsilon)\) untuk metode Simpson agar galat tidak melebihi
\[ \varepsilon=2^{-k}, \quad k=2,3,\ldots,16. \]
Kemudian, buat grafik hubungan jumlah subselang dan toleransi menggunakan skala logaritmik.
#Fungsi Trapezoidal
trapezoid <- function(f, a, b, n) {
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
y <- f(x)
hasil <- h * (
(y[1] + y[n + 1]) / 2 +
sum(y[2:n])
)
return(hasil)
}
#Fungsi Simpson 1/3 Komposit
simpson_n <- function(f, a, b, n) {
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
y <- f(x)
jumlah4 <- sum(y[seq(2, n, by = 2)])
jumlah2 <- if (n > 2) {
sum(y[seq(3, n - 1, by = 2)])
} else {
0
}
hasil <- (h / 3) * (
y[1] + y[n + 1] +
4 * jumlah4 + 2 * jumlah2
)
return(hasil)
}
#Fungsi yang diintegralkan
f3 <- function(x) 5 * x^4
#Nilai eksak
eksak3 <- 1
#Nilai k dan toleransi
k <- 2:16
epsilon <- 2^(-k)
#Menyiapkan penyimpanan hasil
nT <- numeric(length(k))
nS <- numeric(length(k))
galatT <- numeric(length(k))
galatS <- numeric(length(k))
#Mencari jumlah subselang minimum
for (i in seq_along(k)) {
#Trapezoidal: n minimum 2
nt <- 2
while (abs(trapezoid(f3, 0, 1, nt) - eksak3) >
epsilon[i]) {
nt <- nt + 1
}
nT[i] <- nt
galatT[i] <- abs(
trapezoid(f3, 0, 1, nt) - eksak3
)
#Simpson: n minimum 2 dan harus genap
ns <- 2
while (abs(simpson_n(f3, 0, 1, ns) - eksak3) >
epsilon[i]) {
ns <- ns + 2
}
nS[i] <- ns
galatS[i] <- abs(
simpson_n(f3, 0, 1, ns) - eksak3
)
}
#Membuat tabel hasil
hasil3 <- data.frame(
k = k,
epsilon = epsilon,
n_Trapezoidal = nT,
n_Simpson = nS,
galat_Trapezoidal = galatT,
galat_Simpson = galatS
)
#Menampilkan hasil tabel
print(hasil3, digits = 7)
## k epsilon n_Trapezoidal n_Simpson galat_Trapezoidal galat_Simpson
## 1 2 2.500000e-01 3 2 1.831276e-01 4.166667e-02
## 2 3 1.250000e-01 4 2 1.035156e-01 4.166667e-02
## 3 4 6.250000e-02 6 2 4.616770e-02 4.166667e-02
## 4 5 3.125000e-02 8 4 2.600098e-02 2.604167e-03
## 5 6 1.562500e-02 11 4 1.376272e-02 2.604167e-03
## 6 7 7.812500e-03 15 4 7.404115e-03 2.604167e-03
## 7 8 3.906250e-03 21 4 3.778433e-03 2.604167e-03
## 8 9 1.953125e-03 30 6 1.851646e-03 5.144033e-04
## 9 10 9.765625e-04 42 6 9.447688e-04 5.144033e-04
## 10 11 4.882812e-04 59 8 4.787759e-04 1.627604e-04
## 11 12 2.441406e-04 83 8 2.419281e-04 1.627604e-04
## 12 13 1.220703e-04 117 10 1.217514e-04 6.666667e-05
## 13 14 6.103516e-05 166 12 6.048268e-05 3.215021e-05
## 14 15 3.051758e-05 234 14 3.043801e-05 1.735388e-05
## 15 16 1.525879e-05 331 16 1.521221e-05 1.017253e-05
#Membuat grafik hubungan jumlah subselang dengan toleransi
plot(
epsilon, nT,
type = "b",
log = "xy",
pch = 16,
xlab = "Toleransi (epsilon)",
ylab = "Jumlah subselang minimum (n)",
main = "Perbandingan Jumlah Subselang"
)
lines(
epsilon, nS,
type = "b",
pch = 17,
lty = 2
)
legend(
"topright",
legend = c("Trapezoidal", "Simpson"),
pch = c(16, 17),
lty = c(1, 2)
)
Berdasarkan tabel, semakin kecil toleransi galat yang ditetapkan, semakin banyak subselang yang dibutuhkan untuk mencapai tingkat ketelitian tersebut. Metode Trapezoidal memerlukan jumlah subselang yang lebih besar dibandingkan metode Simpson. Hal ini terlihat pada toleransi \(2^{-16}\), ketika Trapezoidal membutuhkan 331 subselang, sedangkan Simpson hanya memerlukan 16 subselang. Grafik memperlihatkan bahwa kebutuhan subselang pada kedua metode meningkat seiring dengan semakin kecilnya toleransi. Dengan demikian, metode Simpson lebih efisien dalam mencapai tingkat ketelitian yang diharapkan.
Bangkitkan skor dari 100 kasus positif yang berdistribusi \(N(1,1)\) dan 100 kasus negatif yang
berdistribusi \(N(0,1)\) menggunakan
set.seed(2026). Hitung AUC kurva ROC dengan metode
Trapezoidal, kemudian bandingkan dengan probabilitas \(P(skor^+ > skor^-)\).
#Membangkitkan data simulasi
set.seed(2026)
#Skor kasus positif
score_pos <- rnorm(100, mean = 1, sd = 1)
#Skor kasus negatif
score_neg <- rnorm(100, mean = 0, sd = 1)
#Menggabungkan seluruh skor
score <- c(score_pos, score_neg)
#Label kelas
label <- c(rep(1, 100), rep(0, 100))
#Menentukan threshold
threshold <- c(
Inf,
sort(unique(score), decreasing = TRUE),
-Inf
)
#Menghitung TPR
TPR <- sapply(threshold, function(t) {
mean(score_pos >= t)
})
#Menghitung FPR
FPR <- sapply(threshold, function(t) {
mean(score_neg >= t)
})
#Menghitung AUC menggunakan Trapezoidal
AUC <- sum(
diff(FPR) *
(head(TPR, -1) + tail(TPR, -1)) / 2
)
#Menghitung probabilitas empiris
P_empiris <- mean(
outer(score_pos, score_neg, ">")
)
#Menghitung probabilitas teoritis
P_teori <- pnorm(1 / sqrt(2))
#Membuat tabel perbandingan
hasil4 <- data.frame(
Metode = c(
"AUC Trapezoidal",
"P(skor+ > skor-) empiris",
"P(skor+ > skor-) teoritis"
),
Nilai = c(
AUC,
P_empiris,
P_teori
)
)
print(hasil4, digits = 8)
## Metode Nilai
## 1 AUC Trapezoidal 0.71270000
## 2 P(skor+ > skor-) empiris 0.71270000
## 3 P(skor+ > skor-) teoritis 0.76024994
#Membuat kurva ROC
plot(
FPR, TPR,
type = "l",
lwd = 2,
col = "purple",
xlab = "False Positive Rate (FPR)",
ylab = "True Positive Rate (TPR)",
main = "Kurva ROC"
)
#Garis diagonal pembanding
abline(0, 1, lty = 2)
#Menampilkan nilai AUC
legend(
"bottomright",
legend = paste("AUC =", round(AUC, 4)),
bty = "n"
)
Berdasarkan hasil perhitungan, nilai AUC yang diperoleh melalui metode Trapezoidal adalah 0,7127 dan sesuai dengan probabilitas empiris, sedangkan probabilitas teoritis menghasilkan nilai sebesar 0,7602. Nilai AUC tersebut menunjukkan bahwa model memiliki kemampuan yang cukup baik dalam membedakan kelas positif dan negatif. Dengan kata lain, terdapat peluang sebesar 71,27% bahwa skor pada kasus positif lebih tinggi dibandingkan skor pada kasus negatif. Adanya perbedaan antara hasil empiris dan teoritis disebabkan oleh penggunaan data simulasi dengan jumlah pengamatan yang terbatas.