Definisi Fungsi

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)
}

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)
  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)
}

Nomor 1:

Soal. Hitung \(\int_0^\pi \sin x\,dx = 2\) dengan \(n = 4, 8, 16, 32\). Tabelkan galat dan rasio antar-\(n\), lalu periksa apakah rasionya mendekati 4 dan 16.

f_sin <- function(x) sin(x)
exact <- 2
ns <- c(4, 8, 16, 32)

T_vals <- sapply(ns, function(n) trapezoid(f_sin, 0, pi, n = n))
S_vals <- sapply(ns, function(n) simpson_n(f_sin, 0, pi, n = n))

err_T <- abs(T_vals - exact)
err_S <- abs(S_vals - exact)

tab1 <- data.frame(
  n = ns,
  T = T_vals,
  Galat_T = err_T,
  Rasio_T = c(NA, head(err_T, -1) / tail(err_T, -1)),
  S = S_vals,
  Galat_S = err_S,
  Rasio_S = c(NA, head(err_S, -1) / tail(err_S, -1))
)
print(tab1, digits = 8, row.names = FALSE)
##   n         T      Galat_T   Rasio_T         S       Galat_S   Rasio_S
##   4 1.8961189 0.1038811021        NA 2.0045598 4.5597550e-03        NA
##   8 1.9742316 0.0257683981 4.0313372 2.0002692 2.6916995e-04 16.940060
##  16 1.9935703 0.0064296562 4.0077412 2.0000166 1.6591048e-05 16.223806
##  32 1.9983934 0.0016066390 4.0019296 2.0000010 1.0333694e-06 16.055292

Interpretasi. Tabel menunjukkan bahwa galat Trapezoidal berkurang sekitar empat kali setiap kali jumlah subselang n digandakan, sedangkan galat Simpson berkurang sekitar enam belas kali pada pola yang sama. Pola ini sesuai dengan teori: Trapezoidal konvergen dengan orde h kuadrat, dan Simpson dengan orde h pangkat empat, sehingga ketika h dibagi dua, galat Trapezoidal turun empat kali dan galat Simpson turun enam belas kali. Pada n = 4, galat Trapezoidal masih cukup besar, sedangkan Simpson sudah sangat dekat dengan nilai eksak. Rasio pada n yang kecil belum sepenuhnya mendekati 4 dan 16 karena suku orde tinggi belum benar-benar dominan, tetapi semakin besar n, rasionya semakin stabil. Untuk fungsi yang halus seperti sin x pada selang tertutup, Simpson jauh lebih efisien daripada Trapezoidal pada jumlah subselang yang sama.

Nomor 2:

Soal. Untuk \(X \sim \text{Gamma}(\text{shape} = 3, \text{rate} = 2)\), hitung \(E(X) = \int x f(x)\,dx\) dengan simpson() pada \([0, 20]\) dengan toleransi \(10^{-8}\), lalu bandingkan dengan 1,5 dan integrate().

fx_gam <- function(x) x * dgamma(x, shape = 3, rate = 2)

E_simp <- simpson(fx_gam, 0, 20, tol = 1e-8)
E_int  <- integrate(fx_gam, 0, 20)$value
E_teor <- 3 / 2

cat("Simpson adaptif  :", E_simp, "\n")
## Simpson adaptif  : 1.5
cat("integrate()      :", E_int, "\n")
## integrate()      : 1.5
cat("Nilai teoretis   :", E_teor, "\n")
## Nilai teoretis   : 1.5
cat("Selisih Simpson  :", abs(E_simp - E_teor), "\n")
## Selisih Simpson  : 7.585577e-11
cat("Selisih integrate:", abs(E_int - E_teor), "\n")
## Selisih integrate: 7.327472e-14
cat("Ekor > 20 (P)    :", pgamma(20, shape = 3, rate = 2, lower.tail = FALSE), "\n")
## Ekor > 20 (P)    : 3.572866e-15

Interpretasi. impson dengan toleransi 0,00000001 menghasilkan nilai harapan sekitar r round(E_simp, 8), sedangkan integrate() memberikan r round(E_int, 8). Keduanya sangat dekat dengan nilai teoretis 1,5, yaitu hasil bagi shape dengan rate. Selisih yang tersisa sangat kecil dan berada jauh di bawah toleransi yang diminta, sehingga hasilnya dapat dipercaya. Pemotongan pada batas 20 juga beralasan karena peluang ekor di atas 20 sangat kecil, yaitu sekitar r signif(pgamma(20, shape = 3, rate = 2, lower.tail = FALSE), 3), sehingga kontribusinya terhadap nilai harapan dapat diabaikan. simpson() menggandakan jumlah subselang sampai selisih dua hampiran berurutan lebih kecil dari toleransi, sehingga jumlah titik menyesuaikan dengan kelengkungan fungsi. Hasil integrate() yang juga konsisten menunjukkan bahwa dua metode yang berbeda menghasilkan jawaban yang sama.

Nomor 3:

Soal. Untuk \(\int_0^1 5x^4\,dx\), cari \(n_T(\varepsilon)\) dan \(n_S(\varepsilon)\) terkecil agar galat \(\le \varepsilon = 2^{-k}\), untuk \(k = 2, \dots, 16\). Plot terhadap \(\varepsilon\) pada skala log.

f5 <- function(x) 5 * x^4
exact3 <- 1

ks <- 2:16
eps <- 2^(-ks)

# Cari n terkecil (genap untuk Simpson) dengan galat <= eps
find_nT <- function(e) {
  n <- 2
  while (abs(trapezoid(f5, 0, 1, n = n) - exact3) > e) n <- n + 1
  n
}
find_nS <- function(e) {
  n <- 2
  while (abs(simpson_n(f5, 0, 1, n = n) - exact3) > e) n <- n + 2
  n
}

nT <- sapply(eps, find_nT)
nS <- sapply(eps, find_nS)

tab3 <- data.frame(k = ks, eps = eps, nT = nT, nS = nS)
print(tab3, digits = 6, row.names = FALSE)
##   k         eps  nT nS
##   2 2.50000e-01   3  2
##   3 1.25000e-01   4  2
##   4 6.25000e-02   6  2
##   5 3.12500e-02   8  2
##   6 1.56250e-02  11  2
##   7 7.81250e-03  15  2
##   8 3.90625e-03  21  2
##   9 1.95312e-03  30  6
##  10 9.76562e-04  42  6
##  11 4.88281e-04  59  8
##  12 2.44141e-04  83  8
##  13 1.22070e-04 117 10
##  14 6.10352e-05 166 12
##  15 3.05176e-05 234 14
##  16 1.52588e-05 331 16
plot(eps, nT, log = "x", type = "b", pch = 19, col = "steelblue",
     xlab = expression(epsilon ~ "(skala log)"), ylab = "n minimum",
     main = expression("Jumlah subselang untuk " ~ integral(5*x^4, 0, 1)),
     ylim = range(c(nT, nS)))
lines(eps, nS, type = "b", pch = 17, col = "firebrick")
legend("topleft", legend = c("Trapezoidal", "Simpson"),
       col = c("steelblue", "firebrick"), pch = c(19, 17), lty = 1, bty = "n")
Jumlah subselang minimum nT dan nS terhadap epsilon (skala log)

Jumlah subselang minimum nT dan nS terhadap epsilon (skala log)

Interpretasi. Tabel memperlihatkan bahwa jumlah subselang yang dibutuhkan naik tajam ketika toleransi mengecil. Untuk Trapezoidal, jumlah n naik sekitar dua kali setiap kali toleransi dibagi empat, karena galatnya berorde h kuadrat. Untuk Simpson, pertumbuhannya jauh lebih lambat, karena galatnya berorde h pangkat empat. Pada toleransi yang sangat kecil, selisih jumlah evaluasi fungsi di antara keduanya sudah sangat besar, sehingga Simpson jauh lebih hemat untuk ketelitian tinggi. Pada grafik, garis Simpson tampak jauh lebih datar daripada garis Trapezoidal, yang menggambarkan perbedaan orde galat itu secara visual. Karena fungsi 5x pangkat empat memiliki turunan keempat yang konstan, Simpson bahkan dapat mencapai galat nol pada n yang kecil.

Nomor 4:

Soal. Bangkitkan skor 100 kasus positif \(N(1,1)\) dan 100 negatif \(N(0,1)\) dengan 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 ROC: sapu ambang dari tinggi ke rendah
thr <- sort(unique(c(pos, neg)), decreasing = TRUE)
TPR <- sapply(thr, function(t) mean(pos >= t))
FPR <- sapply(thr, function(t) mean(neg >= t))
TPR <- c(0, TPR, 1)
FPR <- c(0, FPR, 1)

# AUC = integral TPR d(FPR) dengan aturan trapezoidal (data tak seragam)
auc_trap <- sum(diff(FPR) * (head(TPR, -1) + tail(TPR, -1)) / 2)

# Pembanding: P(skor+ > skor-) lewat perbandingan berpasangan
auc_pair <- mean(outer(pos, neg, ">") + 0.5 * outer(pos, neg, "=="))

cat("AUC Trapezoidal :", auc_trap, "\n")
## AUC Trapezoidal : 0.7127
cat("P(skor+ > skor-):", auc_pair, "\n")
## P(skor+ > skor-): 0.7127
cat("Selisih         :", abs(auc_trap - auc_pair), "\n")
## Selisih         : 0
plot(FPR, TPR, type = "s", lwd = 2, col = "steelblue",
     xlab = "False Positive Rate", ylab = "True Positive Rate",
     main = paste("Kurva ROC, AUC =", round(auc_trap, 4)))
abline(0, 1, lty = 2, col = "grey50")
Kurva ROC hasil sapuan ambang dengan AUC Trapezoidal

Kurva ROC hasil sapuan ambang dengan AUC Trapezoidal

Interpretasi.AUC kurva ROC yang dihitung dengan Trapezoidal sebesar r round(auc_trap, 4), sedangkan peluang bahwa skor kasus positif lebih besar daripada skor kasus negatif, yang dihitung langsung dari seluruh pasangan, adalah r round(auc_pair, 4). Keduanya hampir identik dengan selisih r signif(abs(auc_trap - auc_pair), 2), sehingga integral di bawah kurva ROC dengan Trapezoidal setara dengan peluang tersebut. Hal ini wajar karena titik-titik ROC diperoleh dari sapuan ambang pada seluruh skor, sehingga kurva yang terbentuk tidak berjarak sama. Itulah alasan Trapezoidal dipakai, karena Simpson memerlukan titik berjarak sama. Garis diagonal pada grafik menggambarkan klasifikasi acak dengan AUC 0,5, dan semakin jauh kurva dari diagonal ke arah pojok kiri atas, semakin baik pemisahan kedua kelas.