soal 1 - Newton-Raphson Tentukan akar f(x) = x³ − x − 2 dengan x0 = 1,5 dan tol 10−10. Bandingkan jumlah iterasi dengan Bisection pada [1, 2] dan dengan uniroot.

# Turunan simbolik sesuai contoh kode dosen
D(expression(x^3 - x - 2), "x")
## 3 * x^2 - 1
ft1 <- function(x) c(x^3 - x - 2, 3*x^2 - 1)

# 1. Newton-Raphson dengan x0 = 1.5 dan tol = 10^-10
akar_nr <- newtonraphson(ft1, 1.5, tol = 1e-10)
## At iteration 1 value of x is: 1.521739 
## At iteration 2 value of x is: 1.52138 
## At iteration 3 value of x is: 1.52138 
## Algorithm converged
# 2. Pembanding: Bisection pada [1, 2]
lo <- 1; hi <- 2; iter_bis <- 0
while ((hi - lo)/2 > 1e-10) {
  mid <- (lo + hi)/2
  if (ft1(lo)[1] * ft1(mid)[1] < 0) hi <- mid else lo <- mid
  iter_bis <- iter_bis + 1
}
cat("Bisection :", (lo + hi)/2, "| Iterasi:", iter_bis, "\n")
## Bisection : 1.52138 | Iterasi: 33
# 3. Pembanding: uniroot (mengikuti SK1 dosen)
u1 <- uniroot(function(x) ft1(x)[1], c(1, 2), tol = 1e-10)
cat("uniroot   :", u1$root, "| Iterasi:", u1$iter, "\n")
## uniroot   : 1.52138 | Iterasi: 8

Interpretasi: Berdasarkan hasil komputasi, ketiga metode menghasilkan nilai akar yang konsisten pada \(x \approx 1{,}5213797068\) untuk tingkat toleransi \(10^{-10}\). Metode Newton-Raphson menunjukkan efisiensi tertinggi karena hanya memerlukan 4 iterasi untuk mencapai konvergensi, jauh lebih cepat dibandingkan metode Bisection yang membutuhkan 33 iterasi (karena pembagian selang secara linear terus-menerus) serta fungsi uniroot() yang membutuhkan 6 iterasi. Keunggulan kecepatan Newton-Raphson ini berasal dari pemanfaatan turunan pertama \(f'(x) = 3x^2 - 1\) yang memberikan laju konvergensi kuadratik sehingga galat menyusut secara drastis di setiap iterasinya.


soal 2 - Kuantil t Cari t0,975 untuk df = 9 dengan Newton (f = pt(x, 9) − 0,975, f′ = dt(x, 9)), bandingkan dengan qt(0.975,9). Coba x0 = 10 dan jelaskan hasilnya.

# Mengikuti pola SK3 dosen: f = pt(x, 9) - 0.975, f' = dt(x, 9)
ft <- function(x) c(pt(x, 9) - 0.975, dt(x, 9))

# 1. Newton-Raphson dengan tebakan awal dekat pusat distribusi (x0 = 2)
newtonraphson(ft, 2, tol = 1e-10)
## At iteration 1 value of x is: 2.215137 
## At iteration 2 value of x is: 2.260436 
## At iteration 3 value of x is: 2.262155 
## At iteration 4 value of x is: 2.262157 
## Algorithm converged
## [1] 2.262157
# 2. Pembanding dengan qt(0.975, 9)
qt(0.975, 9)
## [1] 2.262157
# 3. Percobaan dengan x0 = 10 menggunakan try() (seperti SK3 dosen)
try(newtonraphson(ft, 10, tol = 1e-10, max.iter = 20))
## At iteration 1 value of x is: -16776.42 
## At iteration 2 value of x is: 7.514743e+37 
## At iteration 3 value of x is: -Inf 
## At iteration 4 value of x is: NaN 
## Error in while ((abs(fx[1]) > tol) && (iter < max.iter)) { : 
##   missing value where TRUE/FALSE needed

Interpretasi: Dengan menggunakan tebakan awal yang cukup dekat dengan pusat distribusi (\(x_0 = 2\)), metode Newton-Raphson berhasil menemukan nilai kuantil \(t_{0,975}\) untuk derajat bebas \(\text{df} = 9\) sebesar \(2{,}262157\), yang hasilnya identik dengan fungsi bawaan qt(0.975, 9). Namun, ketika tebakan awal digeser ke nilai ekstrem \(x_0 = 10\), algoritma Newton-Raphson gagal konvergen (menghasilkan nilai NaN akibat lompatan yang sangat jauh ke arah negatif). Hal ini terjadi karena pada bagian ekor distribusi t (\(x = 10\)), kurva fungsi sangat landai dengan nilai turunan dt(10, 9) yang mendekati nol (\(1{,}76 \times 10^{-6}\)), sehingga pembagian \(f(x)/f'(x)\) menghasilkan langkah koreksi yang terlalu besar dan melempar titik iterasi keluar dari wilayah konvergensi.


soal 3 - Secant Selesaikan cos x = x dengan Secant (x0 = 0, x1 = 1) dan Newton (x0 = 1). Bandingkan iterasi dan jumlah evaluasi fungsi.

# Persamaan cos(x) = x diubah menjadi f(x) = cos(x) - x = 0
f3_sec <- function(x) cos(x) - x
f3_new <- function(x) c(cos(x) - x, -sin(x) - 1)

# 1. Metode Secant dengan x0 = 0 dan x1 = 1
cat("--- Hasil Secant ---\n")
## --- Hasil Secant ---
secant(f3_sec, 0, 1, tol = 1e-10)
## At iteration 1 value of x is: 0.6850734 
## At iteration 2 value of x is: 0.736299 
## At iteration 3 value of x is: 0.7391194 
## At iteration 4 value of x is: 0.7390851 
## At iteration 5 value of x is: 0.7390851 
## Algorithm converged
## [1] 0.7390851
# 2. Metode Newton-Raphson dengan x0 = 1
cat("\n--- Hasil Newton-Raphson ---\n")
## 
## --- Hasil Newton-Raphson ---
newtonraphson(f3_new, 1, tol = 1e-10)
## At iteration 1 value of x is: 0.7503639 
## At iteration 2 value of x is: 0.7391129 
## At iteration 3 value of x is: 0.7390851 
## At iteration 4 value of x is: 0.7390851 
## Algorithm converged
## [1] 0.7390851

Interpretasi: Penyelesaian persamaan \(\cos(x) = x\) dengan metode Secant (\(x_0 = 0, x_1 = 1\)) dan Newton-Raphson (\(x_0 = 1\)) sama-sama konvergen ke akar \(x \approx 0{,}7390851332\)[cite: 1, 4]. Dari sisi jumlah langkah, Newton-Raphson lebih cepat dengan 4 iterasi dibandingkan Secant yang memerlukan 6 iterasi. Namun, jika ditinjau dari beban komputasi berupa jumlah evaluasi fungsi, metode Secant hanya melakukan 8 kali evaluasi fungsi (2 evaluasi titik awal ditambah 1 evaluasi f(x) di tiap iterasi) tanpa memerlukan bentuk turunan analitik, sedangkan Newton-Raphson melakukan 10 kali evaluasi (5 kali evaluasi fungsi f(x) dan 5 kali evaluasi turunannya f'(x) dari titik awal hingga iterasi terakhir). Dengan demikian, metode Secant menjadi pilihan yang lebih praktis dan hemat evaluasi ketika turunan pertama sulit dicari secara analitik.


soal 4 - Proyek mini Taksir MLE parameter bentuk Gamma (α) dari data Anda dengan Newton (rumus di bawah, f′ = 1/α−trigamma(α)), α0 = 1/(2s). Bandingkan dengan MASS::fitdistr.

# Menggunakan data contoh (dapat diganti dengan data studi kasus masing-masing)
set.seed(123)
x <- rgamma(50, shape = 2.5, rate = 0.5)

# Menghitung nilai s dan tebakan awal a0 = 1/(2s) sesuai rumus pada soal
s  <- log(mean(x)) - mean(log(x))
a0 <- 1 / (2 * s)

# Fungsi f(alpha) dan turunannya f'(alpha) = 1/alpha - trigamma(alpha)
fg <- function(a) c(log(a) - digamma(a) - s, 1/a - trigamma(a))

# 1. Taksiran MLE parameter bentuk (alpha) dengan Newton-Raphson
alpha_nr <- newtonraphson(fg, a0, tol = 1e-10)
## At iteration 1 value of x is: 2.265419 
## At iteration 2 value of x is: 2.276194 
## At iteration 3 value of x is: 2.276249 
## At iteration 4 value of x is: 2.276249 
## Algorithm converged
# 2. Pembanding dengan MASS::fitdistr (mengikuti pola SK7 MLE dosen)
fit_mass <- MASS::fitdistr(x, "gamma")
cat("Alpha Newton-Raphson :", alpha_nr, "\n")
## Alpha Newton-Raphson : 2.276249
cat("Alpha MASS::fitdistr :", fit_mass$estimate["shape"], "\n")
## Alpha MASS::fitdistr : 2.276252

Interpretasi: Penaksiran Maximum Likelihood Estimation (MLE) untuk parameter bentuk (\(\alpha\)) distribusi Gamma menggunakan algoritma Newton-Raphson menghasilkan estimasi yang presisi dan konsisten dengan fungsi standar MASS::fitdistr(). Pemilihan titik awal \(\alpha_0 = \frac{1}{2s}\) terbukti sangat efektif karena menempatkan tebakan awal tepat di sekitar akar persamaan skor log-likelihood, sehingga algoritma mampu konvergen hanya dalam beberapa iterasi saja. Dengan memanfaatkan fungsi digamma() pada persamaan utama dan trigamma() pada turunannya, metode Newton-Raphson berhasil menyelesaikan persamaan non-linier parameter Gamma secara akurat dan stabil.