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
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.
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."
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.
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
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.
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
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.