1 Fungsi yang Dipakai

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)
}

2 Trapezoidal dan Simpson

2.1 Soal

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)?

2.2 Rcode dan Hasil

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)")
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

2.3 Interpretasi

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.

3 Nilai Harapan Gamma(3, 2)

3.1 Soal

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().

3.2 Rcode dan Hasil

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)")
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

3.3 Interpretasi

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.

4 Memilih \(n\) untuk \(\int_0^1 5x^4\,dx = 1\)

4.1 Soal

Cari \(n_T(\varepsilon)\) dan \(n_S(\varepsilon)\) terkecil agar galat \(\le \varepsilon = 2^{-k}\), \(k = 2, \dots, 16\). Plot terhadap \(\varepsilon\) (skala log).

4.2 Rcode dan Hasil

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")
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)

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

4.3 Interpretasi

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.

5 Proyek Mini: AUC Kurva ROC

5.1 Soal

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 \(P(\text{skor}^+ > \text{skor}^-)\).

5.2 Rcode dan Hasil

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")
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

Kurva ROC empiris dengan garis acak

5.3 Interpretasi

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.