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.

f <- function(x) sin(x)

trapezoid <- function(f, a, b, n) {
  h <- (b - a) / n
  x <- seq(a, b, length.out = n + 1)
  y <- f(x)
  
  h * (y[1] / 2 + sum(y[-c(1, n + 1)]) + y[n + 1] / 2)
}

simpson_comp <- function(f, a, b, n) {
  if (n %% 2 != 0) {
    stop("n harus genap untuk metode Simpson.")
  }
  
  h <- (b - a) / n
  x <- seq(a, b, length.out = n + 1)
  y <- f(x)
  
  ganjil <- seq(2, n, by = 2)
  genap <- if (n >= 4) seq(3, n - 1, by = 2) else integer(0)
  
  h / 3 * (
    y[1] + y[n + 1] +
      4 * sum(y[ganjil]) +
      2 * sum(y[genap])
  )
}

nilai_eksak <- 2
n <- c(4, 8, 16, 32)

hasil_trap <- sapply(n, function(k) trapezoid(f, 0, pi, k))
hasil_simp <- sapply(n, function(k) simpson_comp(f, 0, pi, k))

galat_trap <- abs(hasil_trap - nilai_eksak)
galat_simp <- abs(hasil_simp - nilai_eksak)

rasio_trap <- c(NA, galat_trap[-length(galat_trap)] / galat_trap[-1])
rasio_simp <- c(NA, galat_simp[-length(galat_simp)] / galat_simp[-1])

data.frame(
  n = n,
  Trapesium = hasil_trap,
  Galat_Trapesium = galat_trap,
  Rasio_Galat_Trapesium = rasio_trap,
  Simpson = hasil_simp,
  Galat_Simpson = galat_simp,
  Rasio_Galat_Simpson = rasio_simp
)
##    n Trapesium Galat_Trapesium Rasio_Galat_Trapesium  Simpson Galat_Simpson
## 1  4  1.896119     0.103881102                    NA 2.004560  4.559755e-03
## 2  8  1.974232     0.025768398              4.031337 2.000269  2.691699e-04
## 3 16  1.993570     0.006429656              4.007741 2.000017  1.659105e-05
## 4 32  1.998393     0.001606639              4.001930 2.000001  1.033369e-06
##   Rasio_Galat_Simpson
## 1                  NA
## 2            16.94006
## 3            16.22381
## 4            16.05529

Interpretasi Soal 1

Nilai eksak integral sin(x) dari 0 sampai π adalah 2. Ketika n dinaikkan dari 4 sampai 32, galat kedua metode terus mengecil. Pada n = 32, galat Trapesium sebesar 0,001607 dan galat Simpson sebesar 0,00000103. Jadi galat Simpson sekitar 1.555 kali lebih kecil. Rasio galat Trapesium berturut-turut 4,031; 4,008; dan 4,002, mendekati 4. Ini sesuai orde galat O(h²), karena setiap h dibagi dua, galat turun sekitar empat kali. Rasio galat Simpson berturut-turut 16,94; 16,22; dan 16,06, mendekati 16. Ini sesuai orde O(h⁴), karena setiap h dibagi dua, galat turun sekitar enam belas kali. Jadi Simpson lebih akurat dan lebih cepat konvergen daripada Trapesium untuk fungsi yang mulus seperti sin(x).

  1. 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.
f_gamma <- function(x) {
  dgamma(x, shape = 3, rate = 2)
}

integran <- function(x) {
  x * f_gamma(x)
}

simpson <- function(f, a, b, tol = 1e-8, max.iter = 20) {
  n <- 2
  S_lama <- simpson_comp(f, a, b, n)
  
  for (iter in 1:max.iter) {
    n <- 2 * n
    S_baru <- simpson_comp(f, a, b, n)
    galat <- abs(S_baru - S_lama) / 15
    
    if (galat < tol) {
      return(list(integral = S_baru, galat = galat, n = n, iterasi = iter))
    }
    
    S_lama <- S_baru
  }
  
  warning("Toleransi belum tercapai.")
  list(integral = S_baru, galat = galat, n = n, iterasi = max.iter)
}

hasil_simpson <- simpson(integran, a = 0, b = 20, tol = 1e-8)
hasil_integrate <- integrate(integran, lower = 0, upper = 20)

nilai_teoritis <- 3 / 2
nilai_teoritis
## [1] 1.5
data.frame(
  Metode = c("Simpson", "integrate()", "Teoritis"),
  Nilai_E_X = c(
    hasil_simpson$integral,
    hasil_integrate$value,
    nilai_teoritis
  )
)
##        Metode Nilai_E_X
## 1     Simpson       1.5
## 2 integrate()       1.5
## 3    Teoritis       1.5

Interpretasi Soal 2

Nilai harapan distribusi Gamma(3, 2) secara teoritis adalah α/β = 3/2 = 1,5. Simpson menghasilkan 1,4999999988 dengan n = 2048 subinterval setelah 10 kali penggandaan, dan perkiraan galatnya sekitar 1,2 × 10⁻⁹. Fungsi integrate() menghasilkan 1,5. Ketiga nilai (Simpson, integrate(), dan teoritis) sangat dekat, sehingga metode Simpson dapat dipercaya. Integral dihitung pada selang [0, 20] sebagai pengganti [0, ∞). Hal ini dapat diterima karena ekor distribusi Gamma(3, 2) di atas 20 nilainya hampir nol. Kriteria berhenti memakai selisih dua hasil berurutan dibagi 15, yaitu perkiraan galat Simpson.

  1. Secant Selesaikan cos x = x dengan Secant (x0 = 0, x1 = 1) dan Newton (x0 = 1). Bandingkan iterasi dan jumlah evaluasi fungsi.
f <- function(x) 5 * x^4
nilai_eksak <- 1

cari_n_trap <- function(epsilon, max_n = 1000000) {
  n <- 1
  while (n <= max_n) {
    galat <- abs(trapezoid(f, 0, 1, n) - nilai_eksak)
    if (galat <= epsilon) return(n)
    n <- n + 1
  }
  NA
}

cari_n_simp <- function(epsilon, max_n = 1000000) {
  n <- 2
  while (n <= max_n) {
    galat <- abs(simpson_comp(f, 0, 1, n) - nilai_eksak)
    if (galat <= epsilon) return(n)
    n <- n + 2
  }
  NA
}

k <- 2:16
epsilon <- 2^(-k)

n_trap <- sapply(epsilon, cari_n_trap)
n_simp <- sapply(epsilon, cari_n_simp)

hasil_n <- data.frame(
  k = k,
  epsilon = epsilon,
  n_Trapesium = n_trap,
  n_Simpson = n_simp
)

hasil_n
##     k      epsilon n_Trapesium n_Simpson
## 1   2 2.500000e-01           3         2
## 2   3 1.250000e-01           4         2
## 3   4 6.250000e-02           6         2
## 4   5 3.125000e-02           8         4
## 5   6 1.562500e-02          11         4
## 6   7 7.812500e-03          15         4
## 7   8 3.906250e-03          21         4
## 8   9 1.953125e-03          30         6
## 9  10 9.765625e-04          42         6
## 10 11 4.882812e-04          59         8
## 11 12 2.441406e-04          83         8
## 12 13 1.220703e-04         117        10
## 13 14 6.103516e-05         166        12
## 14 15 3.051758e-05         234        14
## 15 16 1.525879e-05         331        16
plot(
  epsilon,
  n_trap,
  type = "b",
  log = "xy",
  xlab = expression(epsilon),
  ylab = "Jumlah subinterval minimum (n)",
  main = "Perbandingan Jumlah Subinterval Minimum"
)

lines(epsilon, n_simp, type = "b", lty = 2)

legend(
  "topleft",
  legend = c("Trapesium", "Simpson"),
  lty = c(1, 2),
  pch = 1
)

Interpretasi Soal 3

Untuk f(x) = 5x⁴ pada [0, 1] (nilai eksak 1), Trapesium membutuhkan jauh lebih banyak subinterval daripada Simpson untuk mencapai toleransi yang sama. Pada ε = 2⁻², Trapesium membutuhkan n = 3 dan Simpson n = 2. Pada ε = 2⁻¹⁶, Trapesium membutuhkan n = 331, sedangkan Simpson hanya n = 16, atau sekitar 21 kali lebih sedikit. Perbedaan ini mengikuti orde galatnya. Galat Trapesium sebanding dengan 1/n², sehingga n yang dibutuhkan tumbuh seperti ε^(-1/2). Galat Simpson sebanding dengan 1/n⁴, sehingga n tumbuh seperti ε^(-1/4). Pada grafik skala log-log, garis Trapesium terlihat lebih curam daripada garis Simpson. Jadi semakin ketat toleransinya, Simpson semakin efisien.

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.

newtonraphson <- function(fun, x0, tol = 1e-10, maxiter = 100) {
  x <- x0
  for (i in 1:maxiter) {
    v <- fun(x)
    x_new <- x - v[1] / v[2]
    if (abs(x_new - x) < tol) return(x_new)
    x <- x_new
  }
  warning("Tidak konvergen dalam maxiter iterasi")
  x
}

berat <- c(79.6, 84.4, 67.6, 78.4, 65)
x <- berat

s <- log(mean(x)) - mean(log(x))
fg <- function(a) c(log(a) - digamma(a) - s, 1/a - trigamma(a))
a0 <- 1 / (2 * s)
cat("alpha0 =", a0, "\n")

cnt_g <- 0
fg_cnt <- function(a) { cnt_g <<- cnt_g + 1; fg(a) }
a_newton <- newtonraphson(fg_cnt, a0, tol = 1e-10)
iter_gm <- cnt_g
cat("Jumlah iterasi Newton-Raphson =", iter_gm, "\n")
print(a_newton, digits = 10)

library(MASS)
fit <- fitdistr(x, "gamma")
print(fit$estimate)
cat("Selisih shape (Newton - fitdistr) =", a_newton - fit$estimate["shape"], "\n")

Interpretasi Soal 4

Dengan nilai awal α₀ = 99,8407, Newton-Raphson konvergen dalam 4 iterasi ke α̂ ≈ 100,0071. Hasil MASS::fitdistr hampir sama dengan hasil Newton, dan selisihnya sangat kecil (isi angka shape dari outputmu di sini). Selisih kecil ini wajar karena Newton menyelesaikan persamaan skor ln α − ψ(α) = s dengan toleransi 10⁻¹⁰, sedangkan fitdistr memaksimalkan log-likelihood secara numerik dengan toleransi yang lebih longgar. Data hanya terdiri dari 5 pengamatan dan α̂ cukup besar, sehingga log-likelihood sangat datar di sekitar maksimum. Karena itu perbedaan kecil pada α̂ hampir tidak mengubah nilai likelihood. Koefisien variasi distribusi Gamma sama dengan 1/√α, sehingga α̂ ini berarti variasi data sekitar 10 persen dari rata-ratanya, yaitu data relatif seragam. Kesimpulannya, kedua metode memberi hasil yang hampir identik, dan Newton-Raphson cepat serta akurat.

You can also embed plots, for example:

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.