Fungsi diambil dari kode R materi Pertemuan 12:
trapezoid() (Trapezoidal dengan \(n\) subselang), simpson_n()
(Simpson 1/3, \(n\) genap, minimal 4),
dan simpson() (Simpson dengan toleransi).
# Aturan Trapezoidal dengan n subselang sama lebar
trapezoid <- function(ftn, a, b, n = 100) {
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)
}
# Aturan Simpson 1/3 dengan n subselang (n genap, minimal 4)
simpson_n <- function(ftn, a, b, n = 100) {
n <- max(c(2 * (n %/% 2), 4))
h <- (b - a) / n
x.vec1 <- seq(a + h, b - h, by = 2 * h) # titik ganjil (bobot 4)
x.vec2 <- seq(a + 2 * h, b - 2 * h, by = 2 * h) # titik genap dalam (bobot 2)
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 dengan toleransi: n digandakan sampai |S(2n) - S(n)| <= tol
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 \(\int_0^{\pi} \sin x\,dx = 2\) dengan \(n = 4, 8, 16, 32\). Tabelkan galat dan rasio antar-\(n\); apakah mendekati 4 (Trapezoidal) dan 16 (Simpson)?
n.vec <- c(4, 8, 16, 32)
eksak <- 2
T.val <- sapply(n.vec, function(n) trapezoid(sin, 0, pi, n))
S.val <- sapply(n.vec, function(n) simpson_n(sin, 0, pi, n))
eT <- abs(T.val - eksak)
eS <- abs(S.val - eksak)
rasioT <- c(NA, eT[-length(eT)] / eT[-1]) # galat(n/2) / galat(n)
rasioS <- c(NA, eS[-length(eS)] / eS[-1])
tab1 <- data.frame(
n = n.vec,
Trapezoidal = format(T.val, digits = 8),
Galat_T = format(eT, scientific = TRUE, digits = 4),
Rasio_T = ifelse(is.na(rasioT), "-", format(round(rasioT, 3), nsmall = 3)),
Simpson = format(S.val, digits = 8),
Galat_S = format(eS, scientific = TRUE, digits = 4),
Rasio_S = ifelse(is.na(rasioS), "-", format(round(rasioS, 3), nsmall = 3))
)
knitr::kable(tab1, align = "r",
caption = "Hasil, galat mutlak, dan rasio galat (n sebelumnya / n sekarang)")
| n | Trapezoidal | Galat_T | Rasio_T | Simpson | Galat_S | Rasio_S |
|---|---|---|---|---|---|---|
| 4 | 1.8961189 | 1.039e-01 | - | 2.0045598 | 4.560e-03 | - |
| 8 | 1.9742316 | 2.577e-02 | 4.031 | 2.0002692 | 2.692e-04 | 16.940 |
| 16 | 1.9935703 | 6.430e-03 | 4.008 | 2.0000166 | 1.659e-05 | 16.224 |
| 32 | 1.9983934 | 1.607e-03 | 4.002 | 2.0000010 | 1.033e-06 | 16.055 |
Galat Trapezoidal turun dari 0.104 (n = 4) menjadi 0.00161 (n = 32), sedangkan Simpson dari 0.00456 menjadi 1.03e-06. Pada n = 32, galat Simpson sekitar 1555 kali lebih kecil. Rasio galat Trapezoidal (4.031; 4.008; 4.002) mendekati 4 dan rasio Simpson (16.94; 16.224; 16.055) mendekati 16, sesuai orde \(O(n^{-2})\) dan \(O(n^{-4})\): menggandakan \(n\) membagi galat dengan \(2^2\) dan \(2^4\). Pada \(n\) kecil rasio masih sedikit menyimpang, lalu makin dekat ke nilai teori ketika \(n\) membesar.
Untuk \(X \sim \text{Gamma}(\text{shape}=3,
\text{rate}=2)\), hitung \(E(X)=\int_0^\infty x f(x)\,dx\) dengan
simpson() pada \([0, 20]\)
(tol \(10^{-8}\)), lalu bandingkan
dengan 1,5 dan integrate().
fx <- function(x) x * dgamma(x, shape = 3, rate = 2)
out.simpson <- capture.output(EX.simpson <- simpson(fx, 0, 20, tol = 1e-8, verbose = TRUE))
n.partisi <- as.numeric(gsub("\\D", "", out.simpson))
EX.integrate <- integrate(fx, 0, 20)
EX.integrate.inf <- integrate(fx, 0, Inf)
EX.teori <- 3 / 2
# sisa ekor: integral dari 20 sampai tak hingga dari x f(x) dx = 1.5 * P(Gamma(4, 2) > 20)
tail.mass <- 1.5 * pgamma(20, shape = 4, rate = 2, lower.tail = FALSE)
tab2 <- data.frame(
Metode = c("simpson() [0, 20], tol 1e-8", "integrate() [0, 20]",
"integrate() [0, Inf]", "Teoretis (shape/rate)"),
Nilai = c(format(EX.simpson, digits = 12), format(EX.integrate$value, digits = 12),
format(EX.integrate.inf$value, digits = 12), format(EX.teori, digits = 12)),
Selisih_thd_1.5 = format(c(EX.simpson, EX.integrate$value, EX.integrate.inf$value, EX.teori) - 1.5,
scientific = TRUE, digits = 3)
)
knitr::kable(tab2, align = "lrr", caption = "Perbandingan nilai E(X)")
| Metode | Nilai | Selisih_thd_1.5 |
|---|---|---|
| simpson() [0, 20], tol 1e-8 | 1.49999999992 | -7.59e-11 |
| integrate() [0, 20] | 1.5 | -7.33e-14 |
| integrate() [0, Inf] | 1.50000000318 | 3.18e-09 |
| Teoretis (shape/rate) | 1.5 | 0.00e+00 |
cat("Ukuran partisi akhir simpson():", n.partisi, "\n")
## Ukuran partisi akhir simpson(): 4096
cat("Sisa ekor di atas 20:", format(tail.mass, scientific = TRUE, digits = 3), "\n")
## Sisa ekor di atas 20: 7.33e-14
simpson() menghasilkan \(E(X)
\approx\) 1.5 dengan partisi akhir \(n
=\) 4096, berselisih 7.59e-11 dari nilai teoretis 1,5.
integrate() pada \([0,
20]\) memberi 1.5, jadi ketiga hasil konsisten. Batas atas 20
sudah cukup karena sisa ekornya hanya 7.33e-14, jauh di bawah
toleransi.
Cari \(n_T(\varepsilon)\) dan \(n_S(\varepsilon)\) terkecil agar galat \(\le \varepsilon = 2^{-k}\), \(k = 2, \dots, 16\). Plot terhadap \(\varepsilon\) (skala log).
f4 <- function(x) 5 * x^4
k.vec <- 2:16
eps <- 2^(-k.vec)
cari.n <- function(metode, start, step, eps) {
n <- start
while (abs(metode(f4, 0, 1, n) - 1) > eps) n <- n + step
n
}
nT <- sapply(eps, function(e) cari.n(trapezoid, 2, 1, e))
nS <- sapply(eps, function(e) cari.n(simpson_n, 4, 2, e))
tab3 <- data.frame(k = k.vec, epsilon = format(eps, scientific = TRUE, digits = 3),
n_T = nT, n_S = nS)
knitr::kable(tab3, align = "r", caption = "n terkecil agar galat <= epsilon")
| k | epsilon | n_T | n_S |
|---|---|---|---|
| 2 | 2.50e-01 | 3 | 4 |
| 3 | 1.25e-01 | 4 | 4 |
| 4 | 6.25e-02 | 6 | 4 |
| 5 | 3.12e-02 | 8 | 4 |
| 6 | 1.56e-02 | 11 | 4 |
| 7 | 7.81e-03 | 15 | 4 |
| 8 | 3.91e-03 | 21 | 4 |
| 9 | 1.95e-03 | 30 | 6 |
| 10 | 9.77e-04 | 42 | 6 |
| 11 | 4.88e-04 | 59 | 8 |
| 12 | 2.44e-04 | 83 | 8 |
| 13 | 1.22e-04 | 117 | 10 |
| 14 | 6.10e-05 | 166 | 12 |
| 15 | 3.05e-05 | 234 | 14 |
| 16 | 1.53e-05 | 331 | 16 |
plot(eps, nT, log = "xy", type = "b", pch = 16, col = "orange",
ylim = range(c(nT, nS)), xlab = expression(epsilon), ylab = "n minimum",
main = "n minimum terhadap toleransi galat")
lines(eps, nS, type = "b", pch = 17, col = "darkgreen")
legend("topright", c("Trapezoidal", "Simpson"), col = c("orange", "darkgreen"),
pch = c(16, 17), lty = 1, bty = "n")
n minimum terhadap epsilon (kedua sumbu skala log)
# kemiringan log-log (n ~ eps^(-p))
slope.T <- coef(lm(log(nT) ~ log(eps)))[2]
slope.S <- coef(lm(log(nS) ~ log(eps)))[2]
c(kemiringan_T = unname(slope.T), kemiringan_S = unname(slope.S))
## kemiringan_T kemiringan_S
## -0.4851873 -0.1558629
Makin kecil \(\varepsilon\), makin
besar \(n\) yang dibutuhkan. Pada \(\varepsilon = 2^{-16}\), Trapezoidal
memerlukan \(n_T =\) 331 sedangkan
Simpson hanya \(n_S =\) 16, selisih
sekitar 21 kali. Pada plot log-log, kemiringan \(n_T\) sekitar -0.49 (teori \(-1/2\)) dan \(n_S\) sekitar -0.16 (teori \(-1/4\)). Kemiringan Simpson sedikit lebih
landai karena pada \(\varepsilon\)
longgar \(n_S\) tertahan di 4, batas
bawah simpson_n(). Jadi makin ketat toleransi, makin besar
keunggulan Simpson.
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 \(P(\text{skor}^+ > \text{skor}^-)\).
set.seed(2026)
pos <- rnorm(100, mean = 1, sd = 1)
neg <- rnorm(100, mean = 0, sd = 1)
# Titik-titik ROC
ambang <- c(Inf, sort(c(pos, neg), decreasing = TRUE), -Inf)
tpr <- sapply(ambang, function(t) mean(pos >= t))
fpr <- sapply(ambang, function(t) mean(neg >= t))
# AUC dengan aturan Trapezoidal untuk data tak seragam
auc.trap <- sum(diff(fpr) * (head(tpr, -1) + tail(tpr, -1)) / 2)
# P(skor+ > skor-): proporsi pasangan (positif, negatif) dengan skor+ > skor- (tie dihitung 1/2)
sel <- outer(pos, neg, "-")
auc.pair <- mean((sel > 0) + 0.5 * (sel == 0))
# Pembanding teoretis: skor+ - skor- ~ N(1, 2) => P(>0) = pnorm(1/sqrt(2))
auc.teori <- pnorm(1 / sqrt(2))
tab4 <- data.frame(
Metode = c("Trapezoidal pada kurva ROC", "P(skor+ > skor-) empiris", "Teoretis pnorm(1/sqrt(2))"),
AUC = format(c(auc.trap, auc.pair, auc.teori), digits = 8)
)
knitr::kable(tab4, align = "lr", caption = "AUC kurva ROC")
| Metode | AUC |
|---|---|
| Trapezoidal pada kurva ROC | 0.71270000 |
| P(skor+ > skor-) empiris | 0.71270000 |
| Teoretis pnorm(1/sqrt(2)) | 0.76024994 |
c(selisih_trap_vs_pasangan = auc.trap - auc.pair)
## selisih_trap_vs_pasangan
## 0
plot(fpr, tpr, type = "s", col = "darkblue", lwd = 2,
xlab = "FPR (1 - spesifisitas)", ylab = "TPR (sensitivitas)",
main = sprintf("Kurva ROC, AUC = %.4f", auc.trap))
abline(0, 1, lty = 2, col = "grey40")
Kurva ROC empiris dengan garis acak
AUC Trapezoidal sebesar 0.7127 sama dengan proporsi pasangan skor positif lebih besar dari negatif (0.7127), dengan selisih 0e+00 (nol sampai ketelitian mesin). Nilai teoretisnya \(\Phi(1/\sqrt{2}) =\) 0.7602; selisih -0.0475 berasal dari variasi sampel (\(n = 100\) per kelompok). AUC sekitar 0,76 menunjukkan kemampuan pembeda yang cukup baik (0,5 = tebakan acak, 1 = sempurna), dan kurva ROC berada di atas garis diagonal.