#1. Trapezoidal dan Simpson Pada soal pertama, dilakukan perhitungan integral numerik menggunakan metode Trapezoidal dan Simpson untuk menghampiri nilai integral dari fungsi sinus pada interval 0 sampai π. Nilai integral sebenarnya diketahui sebesar 2. Perhitungan dilakukan dengan menggunakan jumlah subinterval (n) sebesar 4, 8, 16, dan 32.
Dari perhitungan tersebut, akan diperoleh hasil pendekatan menggunakan kedua metode. Selanjutnya, dilakukan perhitungan galat dan rasio galat untuk mengetahui seberapa besar perbedaan hasil pendekatan dengan nilai sebenarnya. Perbandingan ini juga bertujuan untuk melihat apakah rasio galat metode Trapezoidal mendekati 4 dan metode Simpson mendekati 16 ketika jumlah subinterval digandakan.
# Fungsi yang akan diintegralkan
f <- function(x) {
sin(x)
}
# Nilai integral sebenarnya
nilai_eksak <- 2
# Jumlah subinterval
n <- c(4, 8, 16, 32)
#METODE TRAPEZOIDAL
trapezoid <- function(ftn, a, b, n) {
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
fx <- sapply(x, ftn)
hasil <- h * (
fx[1] / 2 +
sum(fx[2:n]) +
fx[n + 1] / 2
)
return(hasil)
}
#METODE SIMPSON 1/3
simpson_n <- function(ftn, a, b, n) {
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
fx <- sapply(x, ftn)
hasil <- h / 3 * (
fx[1] +
fx[n + 1] +
4 * sum(fx[seq(2, n, by = 2)]) +
2 * sum(fx[seq(3, n - 1, by = 2)])
)
return(hasil)
}
#PERHITUNGAN KEDUA METODE
hasil_trap <- sapply(n, function(i) {
trapezoid(f, 0, pi, i)
})
hasil_simp <- sapply(n, function(i) {
simpson_n(f, 0, pi, i)
})
#MENGHITUNG GALAT
galat_trap <- abs(hasil_trap - nilai_eksak)
galat_simp <- abs(hasil_simp - nilai_eksak)
#MENGHITUNG RASIO GALAT
rasio_trap <- c(NA, galat_trap[-length(n)] /
galat_trap[-1])
rasio_simp <- c(NA, galat_simp[-length(n)] /
galat_simp[-1])
# 6. MEMBUAT TABEL HASIL
hasil <- data.frame(
n = n,
Trapezoidal = hasil_trap,
Galat_Trapezoidal = galat_trap,
Rasio_Trapezoidal = rasio_trap,
Simpson = hasil_simp,
Galat_Simpson = galat_simp,
Rasio_Simpson = rasio_simp
)
print(hasil, digits = 10)
## n Trapezoidal Galat_Trapezoidal Rasio_Trapezoidal Simpson
## 1 4 1.896118898 0.103881102063 NA 2.004559755
## 2 8 1.974231602 0.025768398054 4.031337216 2.000269170
## 3 16 1.993570344 0.006429656228 4.007741183 2.000016591
## 4 32 1.998393361 0.001606639030 4.001929561 2.000001033
## Galat_Simpson Rasio_Simpson
## 1 4.559754984e-03 NA
## 2 2.691699484e-04 16.94005966
## 3 1.659104794e-05 16.22380632
## 4 1.033369413e-06 16.05529226
##Interpretasi : Berdasarkan hasil perhitungan menggunakan metode Trapezoidal dan Simpson, diperoleh nilai pendekatan integral yang semakin mendekati nilai sebenarnya, yaitu 2, seiring dengan bertambahnya jumlah subinterval (n). Pada metode Trapezoidal, nilai galat mengalami penurunan dari 0,103881 pada n = 4 menjadi 0,001607 pada n = 32. Rasio galat yang diperoleh juga semakin mendekati 4, yaitu dari 4,031337 hingga 4,001930. Hal ini menunjukkan bahwa ketika jumlah subinterval digandakan, galat metode Trapezoidal berkurang sekitar empat kali lipat.
Sementara itu, metode Simpson menghasilkan nilai yang lebih mendekati nilai sebenarnya dibandingkan metode Trapezoidal. Galat Simpson mengalami penurunan dari 0,004560 pada n = 4 menjadi 0,000001 pada n = 32. Rasio galatnya juga semakin mendekati 16, yaitu dari 16,940060 hingga 16,055292. Hal ini menunjukkan bahwa ketika jumlah subinterval digandakan, galat metode Simpson berkurang sekitar 16 kali lipat. Dengan demikian, dapat diketahui bahwa metode Simpson memiliki tingkat ketelitian yang lebih tinggi dibandingkan metode Trapezoidal pada perhitungan integral ini.
#2.Nilai Harapan Pada soal kedua, dibuat fungsi kepadatan peluang distribusi Gamma menggunakan fungsi dgamma() pada R. Selanjutnya, fungsi tersebut dikalikan dengan nilai x untuk membentuk integran xf(x). Perhitungan dilakukan menggunakan metode Simpson dengan toleransi 10^-8, kemudian hasilnya dibandingkan dengan nilai teoritis dan fungsi integrate().
# Diketahui:
# X ~ Gamma(shape = 3, rate = 2)
# Interval integrasi = [0, 20]
# Toleransi = 10^-8
# Nilai harapan teoritis
nilai_teoritis <- 3 / 2
#MEMBUAT FUNGSI DENSITAS GAMMA
f <- function(x) {
dgamma(x, shape = 3, rate = 2)
}
#MEMBUAT FUNGSI INTEGRAN
integran <- function(x) {
x * f(x)
}
#MEMBUAT FUNGSI SIMPSON
simpson <- function(ftn, a, b, tol = 1e-8) {
n <- 4
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
fx <- sapply(x, 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)])
)
selisih <- tol + 1
while (selisih > tol) {
S_lama <- S
n <- 2 * n
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
fx <- sapply(x, 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)])
)
selisih <- abs(S - S_lama)
}
cat("Jumlah subinterval (n) =", n, "\n")
return(S)
}
#MENGHITUNG NILAI HARAPAN DENGAN SIMPSON
hasil_simpson <- simpson(
integran, 0, 20, tol = 1e-8
)
## Jumlah subinterval (n) = 4096
#MENGHITUNG DENGAN INTEGRATE()
hasil_integrate <- integrate(
integran, 0, 20,
rel.tol = 1e-12
)$value
#MEMBANDINGKAN HASIL PERHITUNGAN
hasil <- data.frame(
Metode = c("Nilai Teoritis", "Simpson", "Integrate"),
Nilai_Harapan = c(
nilai_teoritis,
hasil_simpson,
hasil_integrate
)
)
print(hasil, digits = 12)
## Metode Nilai_Harapan
## 1 Nilai Teoritis 1.50000000000
## 2 Simpson 1.49999999992
## 3 Integrate 1.50000000000
#MENGHITUNG GALAT
galat_simpson <- abs(hasil_simpson - nilai_teoritis)
galat_integrate <- abs(hasil_integrate - nilai_teoritis)
cat("\nGalat Simpson =", galat_simpson, "\n")
##
## Galat Simpson = 7.585577e-11
cat("Galat Integrate =", galat_integrate, "\n")
## Galat Integrate = 7.327472e-14
##Interpretasi : Berdasarkan hasil perhitungan menggunakan metode Simpson, diperoleh nilai harapan sebesar 1,49999999992 dengan jumlah subinterval sebanyak 4096. Hasil tersebut sangat mendekati nilai harapan teoritis distribusi Gamma, yaitu 1,5. Sementara itu, perhitungan menggunakan fungsi integrate() pada R menghasilkan nilai sebesar 1,50000000000, yang sesuai juga dengan nilai teoritis.
Jika dilihat dari nilai galatnya, metode Simpson menghasilkan galat sebesar 7,585577 × 10^-11, sedangkan fungsi integrate() menghasilkan galat sebesar 7,327472 × 10^-14. Hal ini menunjukkan bahwa kedua metode mampu memberikan hasil perhitungan yang sangat mendekati nilai sebenarnya. Meskipun galat metode Simpson sedikit lebih besar dibandingkan integrate(), hasilnya tetap memiliki tingkat ketelitian yang sangat tinggi dan sudah memenuhi toleransi yang ditentukan, yaitu 10^-8.
Jadi, metode Simpson dapat digunakan untuk menghitung nilai harapan distribusi Gamma dengan hasil yang mendekati nilai teoritis. Semakin kecil galat yang diperoleh, semakin dekat hasil perhitungan numerik dengan nilai sebenarnya.
#3. Memilih n Pada soal ketiga, dilakukan perhitungan integral numerik menggunakan metode Trapezoidal dan Simpson untuk fungsi 5x^4 pada interval 0 sampai 1. Nilai integral sebenarnya adalah 1. Selanjutnya, dicari jumlah subinterval (n) terkecil pada masing-masing metode agar galat hasil perhitungan tidak melebihi nilai toleransi yang telah ditentukan.
Nilai toleransi yang digunakan adalah 2^-k, dengan nilai k mulai dari 2 sampai 16. Dari perhitungan tersebut, akan diperoleh nilai n terkecil untuk setiap toleransi pada metode Trapezoidal dan Simpson. Hasilnya kemudian dibandingkan melalui grafik berskala logaritmik untuk melihat perbedaan jumlah subinterval yang dibutuhkan oleh kedua metode.
# Diketahui:
# Fungsi : f(x) = 5x^4
# Batas bawah : a = 0
# Batas atas : b = 1
# Nilai eksak : 1
# Toleransi : epsilon = 2^(-k)
# k : 2 sampai 16
f <- function(x) {
5 * x^4
}
nilai_eksak <- 1
k <- 2:16
epsilon <- 2^(-k)
#MEMBUAT FUNGSI TRAPEZOIDAL
trapezoid <- function(ftn, a, b, n) {
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
fx <- sapply(x, ftn)
hasil <- h * (
fx[1] / 2 +
sum(fx[2:n]) +
fx[n + 1] / 2
)
return(hasil)
}
#MEMBUAT FUNGSI SIMPSON
simpson_n <- function(ftn, a, b, n) {
h <- (b - a) / n
x <- seq(a, b, length.out = n + 1)
fx <- sapply(x, ftn)
jumlah_ganjil <- sum(fx[seq(2, n, by = 2)])
if (n >= 4) {
jumlah_genap <- sum(fx[seq(3, n - 1, by = 2)])
} else {
jumlah_genap <- 0
}
hasil <- h / 3 * (
fx[1] + fx[n + 1] +
4 * jumlah_ganjil +
2 * jumlah_genap
)
return(hasil)
}
#MENCARI N TERKECIL METODE TRAPEZOIDAL
cari_n_trap <- function(eps) {
n <- 2
galat <- abs(trapezoid(f, 0, 1, n) - nilai_eksak)
while (galat > eps) {
n <- n + 1
galat <- abs(trapezoid(f, 0, 1, n) - nilai_eksak)
}
return(n)
}
#MENCARI N TERKECIL METODE SIMPSON
cari_n_simp <- function(eps) {
n <- 2
galat <- abs(simpson_n(f, 0, 1, n) - nilai_eksak)
while (galat > eps) {
n <- n + 2
galat <- abs(simpson_n(f, 0, 1, n) - nilai_eksak)
}
return(n)
}
#MENGHITUNG N UNTUK SETIAP TOLERANSI
n_trap <- sapply(epsilon, cari_n_trap)
n_simp <- sapply(epsilon, cari_n_simp)
#MEMBUAT TABEL HASIL
hasil <- data.frame(
k = k,
Epsilon = epsilon,
n_Trapezoidal = n_trap,
n_Simpson = n_simp
)
print(hasil, digits = 10)
## k Epsilon n_Trapezoidal n_Simpson
## 1 2 2.500000000e-01 3 2
## 2 3 1.250000000e-01 4 2
## 3 4 6.250000000e-02 6 2
## 4 5 3.125000000e-02 8 4
## 5 6 1.562500000e-02 11 4
## 6 7 7.812500000e-03 15 4
## 7 8 3.906250000e-03 21 4
## 8 9 1.953125000e-03 30 6
## 9 10 9.765625000e-04 42 6
## 10 11 4.882812500e-04 59 8
## 11 12 2.441406250e-04 83 8
## 12 13 1.220703125e-04 117 10
## 13 14 6.103515625e-05 166 12
## 14 15 3.051757812e-05 234 14
## 15 16 1.525878906e-05 331 16
#MEMBUAT GRAFIK
plot(
epsilon, n_trap,
type = "b",
log = "xy",
pch = 16,
lty = 1,
xlab = expression(epsilon),
ylab = "Jumlah Subinterval (n)",
main = "Perbandingan Nilai n Metode Trapezoidal dan Simpson"
)
lines(
epsilon, n_simp,
type = "b",
pch = 17,
lty = 2
)
legend(
"topleft",
legend = c("Trapezoidal", "Simpson"),
pch = c(16, 17),
lty = c(1, 2)
)
# Menampilkan data untuk membantu membaca grafik
hasil
## k Epsilon n_Trapezoidal 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
print(epsilon)
## [1] 2.500000e-01 1.250000e-01 6.250000e-02 3.125000e-02 1.562500e-02
## [6] 7.812500e-03 3.906250e-03 1.953125e-03 9.765625e-04 4.882812e-04
## [11] 2.441406e-04 1.220703e-04 6.103516e-05 3.051758e-05 1.525879e-05
print(n_trap)
## [1] 3 4 6 8 11 15 21 30 42 59 83 117 166 234 331
print(n_simp)
## [1] 2 2 2 4 4 4 4 6 6 8 8 10 12 14 16
##Interpretasi : Berdasarkan hasil perhitungan, diperoleh jumlah subinterval terkecil (n) untuk metode Trapezoidal dan Simpson pada setiap nilai toleransi. Dari tabel terlihat bahwa semakin kecil nilai toleransi yang digunakan, semakin banyak jumlah subinterval yang dibutuhkan oleh kedua metode. Pada toleransi sebesar 0,25, metode Trapezoidal membutuhkan 3 subinterval, sedangkan metode Simpson membutuhkan 2 subinterval. Ketika toleransi diperkecil hingga 1,525878906 x 10^-5, jumlah subinterval yang dibutuhkan metode Trapezoidal meningkat menjadi 331, sedangkan metode Simpson hanya membutuhkan 16 subinterval.
Berdasarkan grafik perbandingan, terlihat bahwa jumlah subinterval metode Trapezoidal meningkat lebih besar dibandingkan metode Simpson ketika nilai toleransi semakin kecil. Hal ini menunjukkan bahwa metode Trapezoidal membutuhkan lebih banyak pembagian interval untuk mencapai tingkat ketelitian yang sama. Sedangkan, metode Simpson dapat mencapai toleransi galat yang ditentukan dengan jumlah subinterval yang lebih sedikit.
Jadi, dapat disimpulkan bahwa metode Simpson lebih efisien dibandingkan metode Trapezoidal dalam menghitung integral fungsi 5x^4 pada interval 0 sampai 1. Hal ini terlihat dari jumlah subinterval yang dibutuhkan metode Simpson jauh lebih sedikit untuk setiap nilai toleransi yang digunakan.
#4, Proyek Mini : AUC ROC Pada soal keempat, langkah pertama yang dilakukan adalah membangkitkan data skor untuk 100 kasus positif dan 100 kasus negatif menggunakan fungsi rnorm(). Data kasus positif dibangkitkan dari distribusi normal dengan rata-rata 1 dan simpangan baku 1, sedangkan data kasus negatif menggunakan rata-rata 0 dan simpangan baku 1. Sebelum membangkitkan data, digunakan set.seed(2026) agar hasil simulasi tetap sama ketika kode dijalankan kembali.
Selanjutnya, kedua kelompok skor digabungkan dan diberikan label status, yaitu 1 untuk kasus positif dan 0 untuk kasus negatif. Kemudian, ditentukan nilai threshold untuk menghitung sensitivitas dan False Positive Rate (FPR) pada setiap batas nilai. Kedua ukuran tersebut digunakan untuk membentuk kurva ROC. Nilai AUC kemudian dihitung menggunakan metode Trapezoidal berdasarkan luas di bawah kurva ROC. Selain itu, dilakukan perhitungan peluang bahwa skor positif lebih besar daripada skor negatif dengan membandingkan seluruh pasangan skor dari kedua kelompok. Hasil dari kedua perhitungan tersebut kemudian ditampilkan dan dibandingkan untuk mengetahui apakah nilai AUC yang diperoleh mendekati peluang perbandingan skor positif dan negatif.
# Diketahui:
# Jumlah kasus positif = 100
# Jumlah kasus negatif = 100
# Skor positif ~ N(1, 1)
# Skor negatif ~ N(0, 1)
# Seed = 2026
#MEMBANGKITKAN DATA
set.seed(2026)
skor_positif <- rnorm(100, mean = 1, sd = 1)
skor_negatif <- rnorm(100, mean = 0, sd = 1)
#MEMBUAT DATA GABUNGAN
skor <- c(skor_positif, skor_negatif)
status <- c(
rep(1, 100),
rep(0, 100)
)
data_roc <- data.frame(
Skor = skor,
Status = status
)
#MENENTUKAN THRESHOLD
threshold <- c(
Inf,
sort(unique(skor), decreasing = TRUE),
-Inf
)
#MENGHITUNG SENSITIVITAS DAN FALSE POSITIVE RATE
sensitivitas <- sapply(threshold, function(t) {
mean(skor_positif >= t)
})
fpr <- sapply(threshold, function(t) {
mean(skor_negatif >= t)
})
#MENGHITUNG AUC DENGAN METODE TRAPEZOIDAL
auc_trapezoidal <- sum(
diff(fpr) *
(head(sensitivitas, -1) +
tail(sensitivitas, -1)) / 2
)
#MENGHITUNG P(SKOR POSITIF > SKOR NEGATIF)
perbandingan <- outer(
skor_positif,
skor_negatif,
FUN = ">"
)
peluang <- mean(perbandingan)
#MENAMPILKAN HASIL
hasil <- data.frame(
Metode = c(
"AUC Trapezoidal",
"P(Skor Positif > Skor Negatif)"
),
Nilai = c(auc_trapezoidal, peluang)
)
print(hasil, digits = 10)
## Metode Nilai
## 1 AUC Trapezoidal 0.7127
## 2 P(Skor Positif > Skor Negatif) 0.7127
#MEMBUAT GRAFIK ROC
plot(
fpr, sensitivitas,
type = "l",
lwd = 2,
col = "blue",
xlab = "False Positive Rate",
ylab = "True Positive Rate",
main = "Kurva ROC"
)
abline(
a = 0, b = 1,
lty = 2,
col = "red"
)
print(hasil, digits = 10)
## Metode Nilai
## 1 AUC Trapezoidal 0.7127
## 2 P(Skor Positif > Skor Negatif) 0.7127
##Interpretasi : Berdasarkan hasil perhitungan, diperoleh nilai AUC menggunakan metode Trapezoidal sebesar 0,7127. Sedangkan, perhitungan peluang bahwa skor positif lebih besar daripada skor negatif juga menghasilkan nilai sebesar 0,7127.
Kedua hasil tersebut menunjukkan bahwa perhitungan AUC menggunakan metode Trapezoidal sesuai dengan perhitungan peluang perbandingan skor positif dan negatif. Nilai AUC sebesar 0,7127 menunjukkan bahwa model memiliki kemampuan yang cukup baik dalam membedakan kasus positif dan kasus negatif. Artinya, terdapat sekitar 71,27% peluang bahwa skor dari kasus positif lebih tinggi dibandingkan skor dari kasus negatif.
Jadi, hasil perhitungan menggunakan metode Trapezoidal dapat dikatakan sesuai dengan hasil perhitungan peluang secara langsung karena menghasilkan nilai yang sama.