Soal 1

Tentukan akar f(x) = x^3 - 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-10, max.iter = 100) {
  x <- x0
  fx <- ftn(x)
  iter <- 0
  
  while ((abs(fx[1]) > tol) && (iter < max.iter)) {
    if (!is.finite(fx[2]) || fx[2] == 0) {
      stop("Turunan tidak valid atau bernilai nol.")
    }
    
    x <- x - fx[1] / fx[2]
    fx <- ftn(x)
    iter <- iter + 1
  }
  
  if (!is.finite(fx[1]) || abs(fx[1]) > tol) {
    stop("Algoritma tidak konvergen.")
  }
  
  list(root = x, iter = iter, f.root = fx[1])
}

# Mendefinisikan fungsi dan turunannya
f <- function(x) x^3 - x - 2
df <- function(x) 3*x^2 - 1

ftn <- function(x) {
  c(f(x), df(x))
}

# Newton-Raphson
hasil_NR <- newtonraphson(ftn, x0 = 1.5, tol = 1e-10)
hasil_NR
## $root
## [1] 1.52138
## 
## $iter
## [1] 3
## 
## $f.root
## [1] 4.52971e-14
# Metode Bisection
bisection <- function(f, a, b, tol = 1e-10, max.iter = 1000) {
  if (f(a) * f(b) > 0) {
    stop("Nilai fungsi pada kedua ujung harus berlainan tanda.")
  }
  
  iter <- 0
  
  repeat {
    tengah <- (a + b) / 2
    iter <- iter + 1
    
    if (abs(f(tengah)) <= tol || abs(b - a) <= tol ||
        iter >= max.iter) {
      break
    }
    
    if (f(a) * f(tengah) < 0) {
      b <- tengah
    } else {
      a <- tengah
    }
  }
  
  list(root = tengah, iter = iter, f.root = f(tengah))
}

hasil_bis <- bisection(f, a = 1, b = 2, tol = 1e-10)
hasil_bis
## $root
## [1] 1.52138
## 
## $iter
## [1] 33
## 
## $f.root
## [1] -3.277956e-11
# Menggunakan 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
## 
## $estim.prec
## [1] 5.000067e-11
# Perbandingan hasil
data.frame(
  Metode = c("Newton-Raphson", "Bisection", "uniroot"),
  Akar = c(
    hasil_NR$root,
    hasil_bis$root,
    hasil_uniroot$root
  ),
  Iterasi = c(
    hasil_NR$iter,
    hasil_bis$iter,
    hasil_uniroot$iter
  )
)
##           Metode    Akar Iterasi
## 1 Newton-Raphson 1.52138       3
## 2      Bisection 1.52138      33
## 3        uniroot 1.52138       8

Interpretasi

Berdasarkan hasil perhitungan, metode Newton-Raphson digunakan untuk mencari akar persamaan \(f(x)=x^3-x-2\) dengan nilai awal \(x_0=1,5\) dan toleransi \(10^{-10}\). Iterasi dilakukan menggunakan rumus \(x_{i+1}=x_i-\frac{f(x_i)}{f'(x_i)}\), dengan turunan \(f'(x)=3x^2-1\). Pada iterasi pertama diperoleh:

\[ x_1=1,5-\frac{-0,125}{5,75}=1,52173913 \]

Hasil akhirnya menunjukkan akar sebesar 1,5213797068 dengan 3 iterasi. Sementara itu, metode Bisection membutuhkan 33 iterasi dan uniroot() menghasilkan akar yang hampir sama. Dengan demikian, Newton-Raphson lebih efisien dalam jumlah iterasi dibandingkan Bisection pada permasalahan ini.

Soal 2

Cari \(t{0,975}\) untuk \(df = 9\) dengan Newton \(f = pt(x, 9) - 0,975\), \(f'(x) = dt(x, 9)\), bandingkan dengan qt(0.975,9). Coba \(x0 = 10\) dan jelaskan hasilnya.

# Fungsi dan turunan distribusi-t
ftn_t <- function(x) {
  c(
    pt(x, df = 9) - 0.975,
    dt(x, df = 9)
  )
}

# Newton-Raphson dengan nilai awal x0 = 2
hasil_t <- newtonraphson(
  ftn_t,
  x0 = 2,
  tol = 1e-10
)

hasil_t
## $root
## [1] 2.262157
## 
## $iter
## [1] 4
## 
## $f.root
## [1] -1.83964e-13
# Membandingkan dengan qt()
nilai_qt <- qt(0.975, df = 9)
nilai_qt
## [1] 2.262157
# Percobaan menggunakan nilai awal x0 = 10
hasil_x0_10 <- tryCatch(
  newtonraphson(ftn_t, x0 = 10, tol = 1e-10),
  error = function(e) paste("Tidak berhasil:", conditionMessage(e))
)

hasil_x0_10
## [1] "Tidak berhasil: Turunan tidak valid atau bernilai nol."

Interpretasi

Metode Newton-Raphson digunakan untuk mencari kuantil distribusi-t dengan \(df=9\) dan probabilitas 0,975. Persamaan yang digunakan adalah \(f(x)=pt(x,9)-0,975\), dengan turunan \(f'(x)=dt(x,9)\). Menggunakan nilai awal \(x_0=2\), diperoleh nilai kuantil sebesar 2,2621571628 dengan 4 iterasi, yang sesuai dengan hasil fungsi qt(0.975,9). Namun, ketika menggunakan nilai awal \(x_0=10\), algoritma mengalami kegagalan karena nilai turunan pada ekor distribusi sangat kecil sehingga menghasilkan langkah iterasi yang terlalu besar. Hal ini menunjukkan bahwa pemilihan nilai awal berpengaruh terhadap keberhasilan konvergensi Newton-Raphson.

Soal 3

Selesaikan \(\cos x = x\) dengan Secant \(x0 = 0\), \(x1 = 1\) dan Newton \(x0 = 1\). Bandingkan iterasi dan jumlah evaluasi fungsi.

# Soal 3
# Mendefinisikan fungsi dan turunannya
g <- function(x) cos(x) - x
dg <- function(x) -sin(x) - 1

# Menghitung evaluasi fungsi Secant
jumlah_f_secant <- 0

g_hitung <- function(x) {
  jumlah_f_secant <<- jumlah_f_secant + 1
  g(x)
}

# Fungsi Secant
secant <- function(ftn, x0, x1, tol = 1e-10, max.iter = 100) {
  f0 <- ftn(x0)
  f1 <- ftn(x1)
  iter <- 0
  
  while (abs(f1) > tol && iter < max.iter) {
    if (!is.finite(f1) || !is.finite(f0) || f1 == f0) {
      stop("Metode Secant tidak dapat dilanjutkan.")
    }
    
    x2 <- x1 - f1 * (x1 - x0) / (f1 - f0)
    
    x0 <- x1
    f0 <- f1
    x1 <- x2
    f1 <- ftn(x1)
    
    iter <- iter + 1
  }
  
  if (!is.finite(f1) || abs(f1) > tol) {
    stop("Metode Secant tidak konvergen.")
  }
  
  list(root = x1, iter = iter)
}

# Menjalankan metode Secant
hasil_secant <- secant(
  g_hitung,
  x0 = 0,
  x1 = 1,
  tol = 1e-10
)

evaluasi_secant <- jumlah_f_secant

hasil_secant
## $root
## [1] 0.7390851
## 
## $iter
## [1] 5
evaluasi_secant
## [1] 7
# Menghitung evaluasi Newton-Raphson
jumlah_g <- 0
jumlah_dg <- 0

ftn_g <- function(x) {
  jumlah_g <<- jumlah_g + 1
  jumlah_dg <<- jumlah_dg + 1
  
  c(g(x), dg(x))
}

hasil_newton <- newtonraphson(
  ftn_g,
  x0 = 1,
  tol = 1e-10
)

evaluasi_g <- jumlah_g
evaluasi_dg <- jumlah_dg

hasil_newton
## $root
## [1] 0.7390851
## 
## $iter
## [1] 4
## 
## $f.root
## [1] 0
evaluasi_g
## [1] 5
evaluasi_dg
## [1] 5
# Perbandingan metode
data.frame(
  Metode = c("Secant", "Newton-Raphson"),
  Akar = c(
    hasil_secant$root,
    hasil_newton$root
  ),
  Iterasi = c(
    hasil_secant$iter,
    hasil_newton$iter
  ),
  Evaluasi_f = c(
    evaluasi_secant,
    evaluasi_g
  ),
  Evaluasi_turunan = c(
    0,
    evaluasi_dg
  )
)
##           Metode      Akar Iterasi Evaluasi_f Evaluasi_turunan
## 1         Secant 0.7390851       5          7                0
## 2 Newton-Raphson 0.7390851       4          5                5

Interpretasi

Metode Secant dan Newton-Raphson digunakan untuk menyelesaikan persamaan \(\cos(x)=x\), atau \(f(x)=\cos(x)-x\), dengan turunan \(f'(x)=-\sin(x)-1\). Metode Secant menggunakan rumus \(x_{i+1}=x_i-\frac{f(x_i)(x_i-x_{i-1})}{f(x_i)-f(x_{i-1})}\), sedangkan Newton-Raphson menggunakan \(x_{i+1}=x_i-\frac{f(x_i)}{f'(x_i)}\). Hasilnya, Secant memperoleh akar sekitar 0,7390851332 dengan 5 iterasi, sedangkan Newton-Raphson memperoleh akar yang hampir sama dengan 4 iterasi. Jumlah evaluasi fungsi masing-masing adalah 7 kali untuk Secant dan 5 kali untuk Newton-Raphson, dengan tambahan 5 evaluasi turunan pada Newton. Dengan demikian, Newton-Raphson lebih sedikit iterasi, sedangkan Secant memiliki kelebihan karena tidak memerlukan turunan fungsi.

Soal 4

Taksir MLE parameter bentuk Gamma (\(\alpha\)) dari data Anda dengan Newton (rumus di bawah, \(f'(\alpha)=1/\alpha-\operatorname{trigamma}(\alpha)\), \(\alpha_0=1/(2s)\). Bandingkan dengan MASS::fitdistr().

# Memanggil package MASS
library(MASS)

# Memasukkan data pengamatan
# Ganti dengan data yang digunakan
data_gamma <- c(12, 15, 18, 20, 22, 25, 28, 30, 35, 40)

# Menghitung nilai s dan nilai awal alpha
s <- log(mean(data_gamma)) - mean(log(data_gamma))

alpha0 <- 1 / (2 * s)

# Fungsi score dan turunannya
ftn_gamma <- function(alpha) {
  c(
    log(alpha) - digamma(alpha) - s,
    1 / alpha - trigamma(alpha)
  )
}

# Estimasi alpha menggunakan Newton-Raphson
hasil_gamma <- newtonraphson(
  ftn_gamma,
  x0 = alpha0,
  tol = 1e-10
)

alpha_NR <- hasil_gamma$root
alpha_NR
## [1] 8.226044
# Estimasi menggunakan fitdistr()
hasil_fit <- fitdistr(data_gamma, densfun = "gamma")
hasil_fit
##      shape       rate   
##   8.2260554   0.3357574 
##  (3.6064797) (0.1517856)
# Perbandingan estimasi parameter shape
data.frame(
  Metode = c("Newton-Raphson", "MASS::fitdistr"),
  Estimasi_shape = c(
    alpha_NR,
    hasil_fit$estimate["shape"]
  )
)
##               Metode Estimasi_shape
##       Newton-Raphson       8.226044
## shape MASS::fitdistr       8.226055

Interpretasi

Estimasi parameter bentuk (\(\alpha\)) distribusi Gamma dilakukan menggunakan metode Newton-Raphson berdasarkan persamaan:

\[ f(\alpha)=\ln\alpha-\psi(\alpha)- \left[\ln\bar{x}-\frac{1}{n}\sum_{i=1}^{n}\ln x_i\right]=0 \]

Dengan turunan \(f'(\alpha)=\frac{1}{\alpha}-\psi_1(\alpha)\) dan nilai awal \(\alpha_0=\frac{1}{2s}\), diperoleh nilai \(s\approx0,06201226\) dan \(\alpha_0\approx8,06292165\). Berdasarkan data contoh, metode Newton-Raphson menghasilkan estimasi parameter bentuk sebesar 8,22604359. Hasil tersebut kemudian dibandingkan dengan fungsi MASS::fitdistr() yang memberikan estimasi hampir sama. Dengan demikian, Newton-Raphson berhasil digunakan untuk mengestimasi parameter bentuk distribusi Gamma dan memberikan hasil yang konsisten dengan metode MLE.