trapezoid <- function(ftn, a, b, n = 100) {
# integral numerik ftn dari a ke b (aturan trapezoidal, n subselang)
# ftn: fungsi satu peubah; a < b; n bilangan bulat >= 2
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)
}
simpson_n <- function(ftn, a, b, n = 100) {
# n dipaksa genap dan minimal 4
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 <- 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 ∫0π sin x dx = 2 dengan n = 4, 8, 16, 32. Tabelkan galat dan rasio antar-n; apakah mendekati 4 dan 16?
ftn <- function(x) return(sin(x))
#batas integral
a <- 0
b <- pi
n.vec <- c(4, 8, 16, 32)
# Menghitung integral menggunakan metode Trapezoidal
T <- sapply(n.vec, function(n) trapezoid(ftn, a, b, n))
# Menghitung integral menggunakan metode Simpson 1/3
S <- sapply(n.vec, function(n) simpson_n(ftn, a, b, n))
# Menghitung error
eT <- abs(T - 2)
eS <- abs(S - 2)
# Menghitung rasio error
rT <- c(NA, eT[-length(eT)] / eT[-1])
rS <- c(NA, eS[-length(eS)] / eS[-1])
# Membuat tabel hasil
hasil_tugas <- data.frame(
n = n.vec,
Trapezoidal = T,
Error_T = eT,
Rasio_T = rT,
Simpson = S,
Error_S = eS,
Rasio_S = rS
)
hasil_tugas
INTERPRETASI: Berdasarkan hasil perhitungan, kedua metode menunjukkan bahwa semakin besar jumlah subinterval, semakin kecil galat yang dihasilkan. Pada metode Trapezoidal, rasio error mendekati 4, sedangkan pada metode Simpson 1/3 rasio error mendekati 16. Dengan demikian, metode Simpson 1/3 memberikan hasil pendekatan yang lebih akurat dibandingkan metode Trapezoidal untuk integral yang diuji. Hal ini terlihat dari nilai galat Simpson yang jauh lebih kecil pada setiap jumlah subinterval yang digunakan.
Untuk X ~ Gamma(shape = 3, rate = 2), hitung E(X) = ∫ x f(x) dx dengan simpson() pada [0, 20] (tol 10−8), lalu bandingkan dengan 1,5 dan integrate()
# Fungsi integran
f2 <- function(x) 4*x^3*exp(-2*x)
# Menghitung menggunakan Adaptive Simpson
hasil_simpson <- simpson(f2, 0, 20, tol = 1e-8)
# Menghitung menggunakan integrate()
hasil_integrate <- integrate(f2, 0, 20)$value
# Nilai teoritis
hasil_teori <- 3/2
# Menampilkan hasil
hasil_tugas2 <- data.frame(
"Adaptive Simpson" = hasil_simpson,
"Integrate" = hasil_integrate,
"Teoritis" = hasil_teori
)
hasil_tugas2
INTERPRETASI: Berdasarkan hasil perhitungan, metode Adaptive Simpson menghasilkan nilai sekitar 1,4999999999, sedangkan fungsi integrate() menghasilkan nilai yang mendekati 1,5. Kedua hasil tersebut sangat dekat dengan nilai teoritis distribusi Gamma, yaitu 1,5.Perbedaan yang sangat kecil antara hasil numerik dan nilai teoritis terjadi karena adanya pendekatan dalam proses integrasi numerik. Dengan demikian, metode Adaptive Simpson dengan toleransi 10^-8 mampu memberikan hasil perhitungan yang sangat akurat. Berdasarkan perhitungan, dapat disimpulkan bahwa metode Adaptive Simpson dan fungsi integrate() memberikan hasil yang mendekati nilai harapan teoritis distribusi Gamma, yaitu 1,5. Hal ini menunjukkan bahwa metode integrasi numerik yang digunakan mampu menghitung nilai harapan dengan tingkat ketelitian yang baik.
Untuk ∫0 1 5x⁴ dx, cari nT(ε) dan nS(ε) terkecil agar galat ≤ ε = 2^−k, k = 2, …, 16. Plot terhadap ε (skala log).
# Fungsi integran
fungsi <- function(x) 5*x^4
#Batas integral
a3 <- 0
b3 <- 1
# Nilai k dan epsilon
k <- 2:16
epsilon <- 2^(-k)
# Menyiapkan tempat penyimpanan hasil
nT <- numeric(length(epsilon))
nS <- numeric(length(epsilon))
# Mencari n minimum metode Trapezoidal dan Simpson
for (i in seq_along(epsilon)) {
# Metode Trapezoidal
n <- 1
while (abs(trapezoid(fungsi, a3, b3, n) - 1) > epsilon[i]) {
n <- n + 1
}
nT[i] <- n
# Metode Simpson 1/3
n <- 4
while (abs(simpson_n(fungsi, a3, b3, n) - 1) > epsilon[i]) {
n <- n + 2
}
nS[i] <- n
}
# Membuat tabel hasil
hasil <- data.frame(
k = k,
epsilon = epsilon,
nT = nT,
nS = nS
)
hasil
# Membuat grafik hubungan epsilon dengan jumlah subinterval
plot(epsilon, nT, type = "b", log = "x",
col = "cyan", pch = 16,
xlab = "Epsilon",
ylab = "Jumlah Subinterval Minimum",
main = "Perbandingan Trapezoidal dan Simpson",
ylim = range(c(nT, nS)))
# Menambahkan garis metode Simpson 1/3
lines(epsilon, nS, type = "b",
col = "pink", pch = 17)
# Menambahkan legenda
legend("topleft",
legend = c("Trapezoidal", "Simpson 1/3"),
col = c("cyan", "pink"),
pch = c(16, 17),
lty = 1)
INTERPRETASI: Pada metode Trapezoidal, jumlah subinterval meningkat dari
3 menjadi 331 ketika nilai toleransi berubah dari 0,25 menjadi sekitar
0,000015. Sementara itu, metode Simpson 1/3 hanya membutuhkan
peningkatan jumlah subinterval dari 4 menjadi 16. Berdasarkan hasil
perhitungan, metode Simpson 1/3 lebih efisien dibandingkan metode
Trapezoidal karena mampu memenuhi batas error dengan jumlah subinterval
yang lebih sedikit. Dengan demikian, metode Simpson 1/3 memberikan
tingkat ketelitian yang lebih baik untuk integral yang diuji.
Bangkitkan skor 100 kasus positif N(1, 1) dan 100 negatif N(0, 1) (set.seed(2026)). Hitung AUC kurva ROC dengan Trapezoidal dan bandingkan dengan P(skor⁺ > skor⁻).
# Membuat data simulasi
set.seed(2026)
score_pos <- rnorm(100, mean = 1, sd = 1)
score_neg <- rnorm(100, mean = 0, sd = 1)
# Menentukan threshold
threshold <- c(Inf, sort(unique(c(score_pos, score_neg)),
decreasing = TRUE), -Inf)
# Menghitung TPR dan FPR
TPR <- sapply(threshold, function(t) {
mean(score_pos >= t)
})
FPR <- sapply(threshold, function(t) {
mean(score_neg >= t)
})
# Membuat tabel ROC
roc_data <- data.frame(FPR, TPR)
# Menghitung AUC menggunakan metode Trapezoidal
AUC_trapezoid <- sum(
diff(FPR) * (head(TPR, -1) + tail(TPR, -1)) / 2
)
# Menghitung probabilitas score positif > score negatif
probabilitas <- mean(outer(score_pos, score_neg, ">"))
# Menampilkan hasil
AUC_trapezoid
## [1] 0.7127
probabilitas
## [1] 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))
# Menambahkan garis diagonal
abline(0, 1, lty = 2, col = "red")
INTERPRETASI: Berdasarkan simulasi, data positif dibangkitkan dari
distribusi normal dengan rata-rata 1, sedangkan data negatif memiliki
rata-rata 0. Karena rata-rata kelompok positif lebih tinggi, skor
positif cenderung memiliki nilai yang lebih besar dibandingkan skor
negatif. Metode Trapezoidal dapat digunakan untuk menghitung nilai AUC
berdasarkan kurva ROC. Hasilnya dapat dibandingkan dengan probabilitas
bahwa skor positif lebih besar daripada skor negatif. Kedua pendekatan
tersebut secara teori menghasilkan nilai yang sama untuk data kontinu
tanpa ties.