Hitung integral \(\int_0^\pi \sin(x)\,dx=2\) dengan \(n=4,8,16,32\). Tabelkan galat dan rasio antar-n; apakah mendekati 4 dan 16?
#soal 1
# Mendefinisikan fungsi
f <- function(x) sin(x)
# Metode Trapesium Komposit
trapezoid <- function(f, a, b, n) {
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
y <- f(x)
h * (
y[1] / 2 +
sum(y[2:n]) +
y[n + 1] / 2
)
}
# Metode Simpson Komposit
simpson_comp <- function(f, a, b, n) {
if (n %% 2 != 0) {
stop("n harus genap untuk metode Simpson.")
}
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
y <- f(x)
h / 3 * (
y[1] + y[n + 1] +
4 * sum(y[seq(2, n, by = 2)]) +
2 * sum(y[seq(3, n - 1, by = 2)])
)
}
# Nilai integral eksak
nilai_eksak <- 2
# Jumlah subinterval
n <- c(4, 8, 16, 32)
# Menghitung hasil integrasi
hasil_trap <- sapply(
n,
function(k) trapezoid(f, 0, pi, k)
)
hasil_simp <- sapply(
n,
function(k) simpson_comp(f, 0, pi, k)
)
# Menghitung galat
galat_trap <- abs(hasil_trap - nilai_eksak)
galat_simp <- abs(hasil_simp - nilai_eksak)
# Menghitung rasio galat
rasio_trap <- c(
NA,
galat_trap[-length(galat_trap)] / galat_trap[-1]
)
rasio_simp <- c(
NA,
galat_simp[-length(galat_simp)] / galat_simp[-1]
)
# Membuat tabel hasil
data.frame(
n = n,
Trapesium = hasil_trap,
Galat_Trapesium = galat_trap,
Rasio_Galat_Trapesium = rasio_trap,
Simpson = hasil_simp,
Galat_Simpson = galat_simp,
Rasio_Galat_Simpson = rasio_simp
)
## n Trapesium Galat_Trapesium Rasio_Galat_Trapesium Simpson Galat_Simpson
## 1 4 1.896119 0.103881102 NA 2.004560 4.559755e-03
## 2 8 1.974232 0.025768398 4.031337 2.000269 2.691699e-04
## 3 16 1.993570 0.006429656 4.007741 2.000017 1.659105e-05
## 4 32 1.998393 0.001606639 4.001930 2.000001 1.033369e-06
## Rasio_Galat_Simpson
## 1 NA
## 2 16.94006
## 3 16.22381
## 4 16.05529
Berdasarkan hasil perhitungan integral \(\int_0^\pi \sin(x)\,dx=2\), metode Trapezoidal dan Simpson digunakan dengan jumlah subinterval \(n=4,8,16,32\). Hasil metode Trapezoidal dihitung menggunakan rumus \(T=\frac{h}{2}[f(x_0)+2\sum_{i=1}^{n-1}f(x_i)+f(x_n)]\), sedangkan Simpson menggunakan \(S=\frac{h}{3}[f(x_0)+4\sum_{\text{ganjil}}f(x_i)+2\sum_{\text{genap}}f(x_i)+f(x_n)]\), dengan \(h=\frac{\pi}{n}\). Hasil menunjukkan bahwa semakin besar nilai \(n\), semakin kecil galat kedua metode. Rasio galat Trapezoidal mendekati 4, sedangkan Simpson mendekati 16. Hal ini sesuai dengan teori bahwa galat Trapezoidal berorde \(O(n^{-2})\), sedangkan Simpson berorde \(O(n^{-4})\). Dengan demikian, metode Simpson memiliki tingkat ketelitian lebih tinggi dibandingkan Trapezoidal untuk jumlah subinterval yang sama.
# soal 2
# Fungsi kepadatan Gamma
f_gamma <- function(x) {
dgamma(x, shape = 3, rate = 2)
}
# Fungsi integran untuk menghitung E(X)
integran <- function(x) {
x * f_gamma(x)
}
# Fungsi Simpson adaptif
simpson_comp <- function(f, a, b, n) {
if (n %% 2 != 0) {
stop("n harus genap untuk metode Simpson.")
}
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
y <- f(x)
# Indeks titik ganjil dan genap bagian dalam
ganjil <- seq(2, n, by = 2)
genap <- if (n >= 4) {
seq(3, n - 1, by = 2)
} else {
integer(0)
}
h / 3 * (
y[1] + y[n + 1] +
4 * sum(y[ganjil]) +
2 * sum(y[genap])
)
}
# Fungsi Simpson dengan toleransi
simpson <- function(f, a, b, tol = 1e-8, max.iter = 20) {
n <- 2
S_lama <- simpson_comp(f, a, b, n)
for (iter in 1:max.iter) {
n <- 2 * n
S_baru <- simpson_comp(f, a, b, n)
galat <- abs(S_baru - S_lama) / 15
if (galat < tol) {
return(list(
integral = S_baru,
galat = galat,
n = n,
iterasi = iter
))
}
S_lama <- S_baru
}
warning("Toleransi belum tercapai.")
list(
integral = S_baru,
galat = galat,
n = n,
iterasi = max.iter
)
}
# Menghitung integral pada interval [0, 20]
hasil_simpson <- simpson(
integran,
a = 0,
b = 20,
tol = 1e-8
)
hasil_simpson
## $integral
## [1] 1.5
##
## $galat
## [1] 1.210348e-09
##
## $n
## [1] 2048
##
## $iterasi
## [1] 10
# Menggunakan integrate()
hasil_integrate <- integrate(
integran,
lower = 0,
upper = 20
)
hasil_integrate
## 1.5 with absolute error < 6.3e-10
# Nilai teoritis E(X)
nilai_teoritis <- 3 / 2
nilai_teoritis
## [1] 1.5
# Perbandingan hasil
data.frame(
Metode = c("Simpson", "integrate()", "Teoritis"),
Nilai_E_X = c(
hasil_simpson$integral,
hasil_integrate$value,
nilai_teoritis
)
)
## Metode Nilai_E_X
## 1 Simpson 1.5
## 2 integrate() 1.5
## 3 Teoritis 1.5
Untuk \(X\sim Gamma(shape=3, rate=2)\), hitung \(E(X)=\int_0^{20}x f(x)\,dx\) dengan Simpson() pada \([0,20]\) \(10^{-8}\), lalu bandingkan dengan 1,5 dan integrate().
Pada soal kedua, dilakukan perhitungan nilai harapan distribusi Gamma
dengan parameter shape \(=3\) dan rate
\(=2\) menggunakan integrasi Simpson
pada interval \([0,20]\). Nilai harapan
dihitung melalui persamaan \(E(X)=\int_0^{20}x
f(x)\,dx\), dengan fungsi kepadatan \(f(x)=\frac{2^3}{\Gamma(3)}x^{3-1}e^{-2x}\).
Hasil metode Simpson dengan toleransi \(10^{-8}\) menghasilkan nilai sekitar
1,4999999988, sedangkan fungsi integrate()
menghasilkan nilai sekitar 1,5. Hasil tersebut juga sesuai dengan nilai
teoritis \(E(X)=\frac{\text{shape}}{\text{rate}}=\frac{3}{2}=1,5\).
Dengan demikian, metode Simpson berhasil menghitung nilai harapan dengan
hasil yang sangat mendekati nilai teoritis.
# soal 3
# Fungsi dan nilai integral eksak
f <- function(x) 5 * x^4
nilai_eksak <- 1
# Mencari n minimum metode Trapesium
cari_n_trap <- function(epsilon, max_n = 1000000) {
n <- 1
while (n <= max_n) {
galat <- abs(
trapezoid(f, 0, 1, n) - nilai_eksak
)
if (galat <= epsilon) {
return(n)
}
n <- n + 1
}
NA
}
# Mencari n minimum metode Simpson
cari_n_simp <- function(epsilon, max_n = 1000000) {
n <- 2
while (n <= max_n) {
galat <- abs(
simpson_comp(f, 0, 1, n) - nilai_eksak
)
if (galat <= epsilon) {
return(n)
}
n <- n + 2
}
NA
}
# Menentukan nilai epsilon
k <- 2:16
epsilon <- 2^(-k)
# Menghitung jumlah subinterval minimum
n_trap <- sapply(epsilon, cari_n_trap)
n_simp <- sapply(epsilon, cari_n_simp)
# Tabel hasil
hasil_n <- data.frame(
k = k,
epsilon = epsilon,
n_Trapesium = n_trap,
n_Simpson = n_simp
)
hasil_n
## k epsilon n_Trapesium 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
# Membuat grafik
plot(
epsilon,
n_trap,
type = "b",
log = "xy",
xlab = expression(epsilon),
ylab = "Jumlah subinterval minimum (n)",
main = "Perbandingan Jumlah Subinterval Minimum"
)
lines(
epsilon,
n_simp,
type = "b",
lty = 2
)
legend(
"topleft",
legend = c("Trapesium", "Simpson"),
lty = c(1, 2),
pch = 1
)
Untuk integral \(\int_0^1 5x^4\,dx\), cari \(n_T(\varepsilon)\) dan \(n_S(\varepsilon)\) terkecil agar galat \(\varepsilon=2^{-k}\),\(k=2,\ldots,16\). Plot terhadap \(\varepsilon\) (skala log).
Pada soal ketiga, dilakukan pencarian jumlah subinterval minimum untuk menghitung integral \(\int_0^1 5x^4\,dx=1\) menggunakan metode Trapezoidal dan Simpson dengan toleransi \(\varepsilon=2^{-k}\), untuk \(k=2,\ldots,16\). Nilai minimum \(n\) ditentukan berdasarkan kriteria galat \(|I-\hat{I}|\leq\varepsilon\). Hasil menunjukkan bahwa metode Trapezoidal membutuhkan lebih banyak subinterval dibandingkan Simpson. Sebagai contoh, ketika \(\varepsilon=2^{-16}\), metode Trapezoidal membutuhkan \(n=331\), sedangkan Simpson hanya membutuhkan \(n=16\). Hal ini terjadi karena galat Trapezoidal berorde \(O(n^{-2})\), sedangkan Simpson berorde \(O(n^{-4})\). Dengan demikian, Simpson lebih efisien karena mampu mencapai tingkat ketelitian yang sama dengan jumlah subinterval lebih sedikit.
#soal 4
# Membangkitkan data skor
set.seed(2026)
skor_positif <- rnorm(100, mean = 1, sd = 1)
skor_negatif <- rnorm(100, mean = 0, sd = 1)
# Menentukan threshold
threshold <- c(
Inf,
sort(
unique(c(skor_positif, skor_negatif)),
decreasing = TRUE
),
-Inf
)
# Menghitung True Positive Rate
TPR <- sapply(
threshold,
function(t) mean(skor_positif >= t)
)
# Menghitung False Positive Rate
FPR <- sapply(
threshold,
function(t) mean(skor_negatif >= t)
)
# Mengurutkan FPR
urutan <- order(FPR)
FPR <- FPR[urutan]
TPR <- TPR[urutan]
# Menghitung AUC menggunakan metode Trapesium
AUC_trapesium <- sum(
diff(FPR) *
(TPR[-1] + TPR[-length(TPR)]) / 2
)
AUC_trapesium
## [1] 0.7127
# Menghitung peluang empiris P(score+ > score-)
prob_empiris <- mean(
outer(skor_positif, skor_negatif, ">")
)
prob_empiris
## [1] 0.7127
# Membandingkan kedua hasil
data.frame(
Metode = c("AUC Trapesium", "Peluang empiris"),
Nilai = c(
AUC_trapesium,
prob_empiris
)
)
## Metode Nilai
## 1 AUC Trapesium 0.7127
## 2 Peluang empiris 0.7127
# Membuat kurva ROC
plot(
FPR,
TPR,
type = "l",
xlab = "False Positive Rate",
ylab = "True Positive Rate",
main = "Kurva ROC"
)
abline(0, 1, lty = 2)
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 \(P(score^+>score^-)\).
Pada soal keempat, dilakukan simulasi data berupa 100 skor positif
dari distribusi normal \(N(1,1)\) dan
100 skor negatif dari distribusi normal \(N(0,1)\) menggunakan
set.seed(2026). Selanjutnya, nilai AUC dihitung menggunakan
metode Trapezoidal berdasarkan luas di bawah kurva ROC dengan rumus
\(AUC=\sum_{i=1}^{m-1}\frac{(FPR_{i+1}-FPR_i)(TPR_{i+1}+TPR_i)}{2}\).
Nilai tersebut kemudian dibandingkan dengan peluang empiris \(P(\text{skor positif}>\text{skor
negatif})\), yang dihitung berdasarkan seluruh pasangan skor
positif dan negatif. Kedua hasil diharapkan memiliki nilai yang
berdekatan karena AUC menggambarkan kemampuan model dalam membedakan
kelompok positif dan negatif. Semakin mendekati 1 nilai AUC, semakin
baik kemampuan pemisahan kedua kelompok, sedangkan nilai mendekati 0,5
menunjukkan kemampuan yang setara dengan tebakan acak. Dengan demikian,
perhitungan ini menunjukkan bahwa metode Trapezoidal dapat digunakan
untuk mengestimasi luas kurva ROC.