#Soal 1. Newton-Raphson Pada soal pertama, dilakukan pencarian akar persamaan nonlinear menggunakan mtode Newton-Raphson. Persamaan yang digunakan adalah (f(x)=x^3-x-2), dengan nilai awal (x_0=1,5) dan toleransi sebesar (101). Hasil Newton-Raphson kemudian dibandingkan dengan metode Bisection dan fungsi uniroot() pada R.
# Mendefinisikan fungsi dan turunannya
f <- function(x) {
x^3 - x - 2
}
df <- function(x) {
3*x^2 - 1
}
# Metode Newton-Raphson
newton_raphson <- function(x0, tol) {
iter <- 0
repeat {
x1 <- x0 - f(x0)/df(x0)
iter <- iter + 1
if (abs(x1 - x0) < tol) {
break
}
x0 <- x1
}
list(akar = x1, iterasi = iter)
}
# Metode Bisection
bisection <- function(a, b, tol) {
iter <- 0
repeat {
tengah <- (a + b)/2
iter <- iter + 1
if (abs(f(tengah)) < tol || (b-a)/2 < tol) {
break
}
if (f(a)*f(tengah) < 0) {
b <- tengah
} else {
a <- tengah
}
}
list(akar = tengah, iterasi = iter)
}
# Menentukan nilai awal dan toleransi
x0 <- 1.5
tol <- 1e-10
# Menjalankan ketiga metode
hasil_newton <- newton_raphson(x0, tol)
hasil_bisection <- bisection(1, 2, tol)
hasil_uniroot <- uniroot(f, interval = c(1, 2), tol = tol)
# Menampilkan hasil perbandingan
hasil_perbandingan <- data.frame(
Metode = c("Newton-Raphson", "Bisection", "uniroot"),
Akar = c(
hasil_newton$akar,
hasil_bisection$akar,
hasil_uniroot$root
),
Iterasi = c(
hasil_newton$iterasi,
hasil_bisection$iterasi,
hasil_uniroot$iter
)
)
print(hasil_perbandingan)
## Metode Akar Iterasi
## 1 Newton-Raphson 1.52138 4
## 2 Bisection 1.52138 33
## 3 uniroot 1.52138 8
##Interpretasi : Berdasarkan hasil perhitungan menggunakan metode Newton-Raphson, Bisection, dan fungsi uniroot(), diperoleh nilai akar persamaan yang hampir sama, yaitu sebesar 1,52138. Hal ini menunjukkan bahwa ketiga metode berhasil menemukan akar dari persamaan (f(x)=x^3-x-2).
Metode Newton-Raphson memperoleh hasil dalam 4 iterasi, sedangkan metode Bisection membutuhkan 33 iterasi dan fungsi uniroot() membutuhkan 8 iterasi. Dari hasil tersebut, metode Newton-Raphson memiliki jumlah iterasi paling sedikit dibandingkan kedua metode lainnya.
Dengan demikian, untuk persamaan ini, metode Newton-Raphson lebih cepat mencapai nilai akar dengan toleransi yang ditentukan. Sementara itu, metode Bisection membutuhkan iterasi lebih banyak karena proses pencarian akarnya dilakukan dengan membagi interval secara bertahap.
#Soal 2. Kuantil t Pada soal kedua, dilakukan pencarian nilai kuantil distribusi t dengan derajat bebas sebesar 9. Nilai yang dicari adalah kuantil 0,975 menggunakan metode Newton-Raphson. Hasil perhitungan kemudian dibandingkan dengan fungsi qt() pada R. Selain itu, dilakukan percobaan menggunakan nilai awal (x_0=10) untuk melihat pengaruh pemilihan nilai awal terhadap proses iterasi.
# Menentukan fungsi dan turunannya
f <- function(x) {
pt(x, df = 9) - 0.975
}
df_f <- function(x) {
dt(x, df = 9)
}
# Metode Newton-Raphson
newton_t <- function(x0, tol = 1e-10, maks_iter = 100) {
iter <- 0
repeat {
turunan <- df_f(x0)
if (!is.finite(turunan) || abs(turunan) < 1e-15) {
return(list(
hasil = "Tidak konvergen",
iterasi = iter
))
}
x1 <- x0 - f(x0) / turunan
iter <- iter + 1
if (!is.finite(x1)) {
return(list(
hasil = "Tidak konvergen",
iterasi = iter
))
}
if (abs(x1 - x0) < tol) {
return(list(
hasil = x1,
iterasi = iter
))
}
x0 <- x1
if (iter >= maks_iter) {
return(list(
hasil = "Tidak konvergen",
iterasi = iter
))
}
}
}
# Percobaan dengan nilai awal x0 = 2
hasil_1 <- newton_t(2)
# Percobaan dengan nilai awal x0 = 10
hasil_2 <- newton_t(10)
# Perbandingan dengan fungsi qt()
hasil_qt <- qt(0.975, df = 9)
# Menampilkan hasil
cat("Newton-Raphson dengan x0 = 2:\n")
## Newton-Raphson dengan x0 = 2:
print(hasil_1)
## $hasil
## [1] 2.262157
##
## $iterasi
## [1] 5
cat("\nNewton-Raphson dengan x0 = 10:\n")
##
## Newton-Raphson dengan x0 = 10:
print(hasil_2)
## $hasil
## [1] "Tidak konvergen"
##
## $iterasi
## [1] 1
cat("\nHasil menggunakan fungsi qt():\n")
##
## Hasil menggunakan fungsi qt():
print(hasil_qt)
## [1] 2.262157
##Interpretasi : Berdasarkan hasil perhitungan menggunakan metode Newton-Raphson dengan nilai awal (x_0=2), diperoleh nilai kuantil t sebesar 2,262157 dengan 5 iterasi. Hasil tersebut sama dengan nilai yang diperoleh menggunakan fungsi qt(), yaitu sebesar 2,262157. Hal ini menunjukkan bahwa metode Newton-Raphson berhasil menemukan nilai kuantil t dengan tepat ketika menggunakan nilai awal (x_0=2).
Selanjutnya, dilakukan percobaan menggunakan nilai awal (x_0=10). Hasilnya menunjukkan bahwa metode Newton-Raphson tidak konvergen dan berhenti pada iterasi pertama. Hal ini terjadi karena pemilihan nilai awal yang terlalu jauh dari nilai akar dapat menyebabkan proses iterasi tidak berjalan dengan baik.
Dari kedua percobaan tersebut, dapat diketahui bahwa pemilihan nilai awal berpengaruh terhadap keberhasilan metode Newton-Raphson. Oleh karena itu, diperlukan nilai awal yang sesuai agar metode dapat mencapai hasil yang konvergen.
#3. Secant Pada soal ketiga, dilakukan pencarian akar persamaan nonlinear ((x)=x) menggunakan metode Secant dan Newton-Raphson. Metode Secant menggunakan dua nilai awal, yaitu (x_0=0) dan (x_1=1), sedangkan metode Newton-Raphson menggunakan nilai awal (x_0=1). Kedua metode kemudian dibandingkan berdasarkan jumlah iterasi dan banyaknya evaluasi fungsi yang diperlukan untuk memperoleh akar persamaan.
# Mendefinisikan fungsi dan turunannya
f <- function(x) {
cos(x) - x
}
df <- function(x) {
-sin(x) - 1
}
# Metode Secant
metode_secant <- function(x0, x1, tol = 1e-10) {
iter <- 0
evaluasi_f <- 2
fx0 <- f(x0)
fx1 <- f(x1)
repeat {
x2 <- x1 - fx1 * (x1 - x0) / (fx1 - fx0)
fx2 <- f(x2)
iter <- iter + 1
evaluasi_f <- evaluasi_f + 1
if (abs(x2 - x1) < tol) {
break
}
x0 <- x1
fx0 <- fx1
x1 <- x2
fx1 <- fx2
}
list(
akar = x2,
iterasi = iter,
evaluasi_fungsi = evaluasi_f
)
}
# Metode Newton-Raphson
metode_newton <- function(x0, tol = 1e-10) {
iter <- 0
evaluasi_f <- 0
evaluasi_turunan <- 0
repeat {
fx <- f(x0)
dfx <- df(x0)
evaluasi_f <- evaluasi_f + 1
evaluasi_turunan <- evaluasi_turunan + 1
x1 <- x0 - fx / dfx
iter <- iter + 1
if (abs(x1 - x0) < tol) {
break
}
x0 <- x1
}
list(
akar = x1,
iterasi = iter,
evaluasi_fungsi = evaluasi_f,
evaluasi_turunan = evaluasi_turunan
)
}
# Menjalankan kedua metode
hasil_secant <- metode_secant(0, 1)
hasil_newton <- metode_newton(1)
# Membuat tabel perbandingan
perbandingan <- data.frame(
Metode = c("Secant", "Newton-Raphson"),
Akar = c(hasil_secant$akar, hasil_newton$akar),
Iterasi = c(hasil_secant$iterasi, hasil_newton$iterasi),
Evaluasi_Fungsi = c(
hasil_secant$evaluasi_fungsi,
hasil_newton$evaluasi_fungsi
),
Evaluasi_Turunan = c(
0,
hasil_newton$evaluasi_turunan
)
)
print(perbandingan)
## Metode Akar Iterasi Evaluasi_Fungsi Evaluasi_Turunan
## 1 Secant 0.7390851 6 8 0
## 2 Newton-Raphson 0.7390851 5 5 5
##Interpretasi : Berdasarkan hasil perhitungan untuk persamaan cos(x) = x, metode Secant memperoleh nilai akar sebesar 0,7390851 dengan 6 iterasi. Sementara itu, metode Newton-Raphson memperoleh nilai akar yang sama, yaitu sebesar 0,7390851 dengan 5 iterasi.
Kedua metode berhasil menemukan nilai akar yang sama. Namun, metode Newton-Raphson membutuhkan jumlah iterasi lebih sedikit dibandingkan metode Secant. Dalam proses perhitungannya, metode Secant tidak memerlukan turunan fungsi secara langsung, sedangkan Newton-Raphson menggunakan turunan fungsi pada setiap iterasi.
Dengan demikian, kedua metode dapat digunakan untuk menyelesaikan persamaan tersebut. Newton-Raphson membutuhkan iterasi lebih sedikit pada kasus ini, sedangkan Secant memiliki kelebihan karena tidak memerlukan perhitungan turunan fungsi.
#Soal 4. Proyek mini Pada soal keempat, dilakukan estimasi parameter bentuk (()) pada distribusi Gamma menggunakan metode Maximum Likelihood Estimation (MLE). Penyelesaian dilakukan dengan metode Newton-Raphson untuk mencari nilai parameter yang memenuhi persamaan turunan pertama fungsi log-likelihood sama dengan nol. Selanjutnya, hasil estimasi akan dibandingkan dengan hasil dari fungsi fitdistr() pada package MASS.
#membuat data dummy
data_gamma <- c(
1.2, 1.5, 1.8, 2.0, 2.2,
2.4, 2.7, 3.0, 3.2, 3.5,
3.8, 4.0, 4.3, 4.6, 5.0,
5.4, 5.8, 6.2, 6.7, 7.1
)
print(data_gamma)
## [1] 1.2 1.5 1.8 2.0 2.2 2.4 2.7 3.0 3.2 3.5 3.8 4.0 4.3 4.6 5.0 5.4 5.8 6.2 6.7
## [20] 7.1
Data yang digunakan pada soal keempat yaitu data dummy sebanyak 20 pengamatan. Data tersebut terdiri dari nilai positif yang digunakan sebagai contoh dalam melakukan estimasi parameter bentuk distribusi Gamma.
# Menghitung rata-rata data
xbar <- mean(data_gamma)
# Menghitung nilai s
s <- log(xbar) - mean(log(data_gamma))
# Menentukan nilai awal alpha
alpha0 <- 1 / (2 * s)
# Menampilkan nilai awal
cat("Rata-rata data =", xbar, "\n")
## Rata-rata data = 3.82
cat("Nilai s =", s, "\n")
## Nilai s = 0.1159085
cat("Nilai awal alpha =", alpha0, "\n")
## Nilai awal alpha = 4.313746
# Membentuk fungsi persamaan
f_gamma <- function(alpha) {
log(alpha) - digamma(alpha) -
log(xbar) + mean(log(data_gamma))
}
# Membentuk turunan pertama
df_gamma <- function(alpha) {
1 / alpha - trigamma(alpha)
}
# Metode Newton-Raphson
newton_gamma <- function(alpha0, tol = 1e-10,
max_iter = 100) {
alpha <- alpha0
iter <- 0
repeat {
fval <- f_gamma(alpha)
dfval <- df_gamma(alpha)
if (!is.finite(dfval) ||
abs(dfval) < .Machine$double.eps) {
stop("Turunan tidak dapat digunakan.")
}
alpha_new <- alpha - fval / dfval
iter <- iter + 1
if (!is.finite(alpha_new) || alpha_new <= 0) {
stop("Nilai alpha tidak valid.")
}
if (abs(alpha_new - alpha) < tol) {
break
}
alpha <- alpha_new
if (iter >= max_iter) {
stop("Iterasi tidak konvergen.")
}
}
list(alpha = alpha_new, iterasi = iter)
}
# Menjalankan Newton-Raphson
hasil_newton_gamma <- newton_gamma(alpha0)
cat("Estimasi alpha Newton-Raphson =",
hasil_newton_gamma$alpha, "\n")
## Estimasi alpha Newton-Raphson = 4.47367
cat("Jumlah iterasi =",
hasil_newton_gamma$iterasi, "\n")
## Jumlah iterasi = 4
# Membandingkan dengan MASS::fitdistr
if (!requireNamespace("MASS", quietly = TRUE)) {
install.packages("MASS")
}
hasil_fitdistr <- MASS::fitdistr(
data_gamma,
densfun = "gamma"
)
# Menampilkan hasil fitdistr
print(hasil_fitdistr)
## shape rate
## 4.4736833 1.1711212
## (1.3652220) (0.3782255)
# Membuat tabel perbandingan
hasil_perbandingan <- data.frame(
Metode = c("Newton-Raphson", "MASS::fitdistr"),
Alpha = c(
hasil_newton_gamma$alpha,
unname(hasil_fitdistr$estimate["shape"])
)
)
print(hasil_perbandingan)
## Metode Alpha
## 1 Newton-Raphson 4.473670
## 2 MASS::fitdistr 4.473683
##Interpretasi : Berdasarkan hasil perhitungan menggunakan data dummy sebanyak 20 pengamatan, diperoleh nilai rata-rata data sebesar 3,82 dan nilai s sebesar 0,1159085. Dari hasil tersebut, diperoleh nilai awal parameter alpha sebesar 4,313746.
Selanjutnya, dilakukan estimasi parameter menggunakan metode Newton-Raphson dengan toleransi sebesar 10⁻¹⁰. Hasil perhitungan menunjukkan bahwa estimasi parameter alpha yang diperoleh adalah sebesar 4,473670 dengan jumlah iterasi sebanyak 4 kali.
Untuk membandingkan hasil tersebut, digunakan fungsi fitdistr() dari package MASS. Hasilnya menunjukkan bahwa estimasi parameter shape sebesar 4,4736833 dan rate sebesar 1,1711212.
Berdasarkan kedua hasil tersebut, nilai estimasi alpha dari metode Newton-Raphson dan fungsi fitdistr() memiliki selisih yang sangat kecil. Hal ini menunjukkan bahwa metode Newton-Raphson berhasil memperoleh estimasi parameter bentuk distribusi Gamma yang mendekati hasil dari fungsi fitdistr().
-10↩︎