# FUNCTION
# Aturan Trapezoidal dengan n subselang sama lebar
trapezoid <- function(ftn, a, b, n = 100) {
  # integral numerik ftn dari a ke b dengan aturan trapezoidal, n subselang
  # ftn fungsi satu peubah; a < b; n bilangan bulat positif
  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)
simpson_n <- function(ftn, a, b, n = 100) {
  # n dipaksa genap dan minimal 4
  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,
# nilai f yang sudah dihitung dipakai kembali
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                      # agar perulangan berjalan minimal sekali
  while (S.diff > tol) {
    S.old <- S
    n <- 2 * n
    h <- h / 2
    fx[seq(1, n + 1, by = 2)] <- fx      # pakai kembali nilai f lama
    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)
}

No. 1 Hitung ∫₀π sin x dx = 2 dengan n = 4, 8, 16, 32. Tabelkan galat dan rasio antar-n; apakah mendekati 4 dan 16?

# No.1
f <- function(x) sin(x)
I.eksak <- 2
n <- c(4, 8, 16, 32)

#Perhitungan
hasil.T <- sapply(n, function(i) trapezoid(f, 0, pi, i))
hasil.S <- sapply(n, function(i) simpson_n(f, 0, pi, i))

#Galat
galat.T <- abs(hasil.T - I.eksak)
galat.S <- abs(hasil.S - I.eksak)

#Rasio galat antar n
rasio.T <- c(NA, galat.T[-length(galat.T)] / galat.T[-1])
rasio.S <- c(NA, galat.S[-length(galat.S)] / galat.S[-1])

#Tabel hasil
hasil <- data.frame(
  n = n,
  Trapezoidal = hasil.T,
  Galat_T = galat.T,
  Rasio_T = rasio.T,
  Simpson = hasil.S,
  Galat_S = galat.S,
  Rasio_S = rasio.S
)

#Hasil
hasil
##    n Trapezoidal     Galat_T  Rasio_T  Simpson      Galat_S  Rasio_S
## 1  4    1.896119 0.103881102       NA 2.004560 4.559755e-03       NA
## 2  8    1.974232 0.025768398 4.031337 2.000269 2.691699e-04 16.94006
## 3 16    1.993570 0.006429656 4.007741 2.000017 1.659105e-05 16.22381
## 4 32    1.998393 0.001606639 4.001930 2.000001 1.033369e-06 16.05529

Interpretasi

Berdasarkan hasil perhitungan, kedua metode menunjukkan bahwa galat semakin kecil ketika jumlah subselang diperbesar. Pada metode Trapezoidal, rasio mendekati 4, sedangkan pada metode Simpson rasio mendekati 16. Hal ini sesuai dengan teori bahwa galat Trapezoidal berorde (O(n^{-2})), sementara galat Simpson berorde (O(n^{-4})). Dengan demikian, metode Simpson memberikan hasil yang lebih akurat dibandingkan metode Trapezoidal untuk jumlah subselang yang sama.

No.2 Untuk X ~ Gamma(shape = 3, rate = 2), hitung E(X) = ∫ x f(x) dx dengan simpson() pada [0, 20] (tol 10⁻⁸), lalu bandingkan dengan 1,5 dan integrate().

# No.2
f_gamma <- function(x) {
  x * dgamma(x, shape = 3, rate = 2)
}
E.simpson <- simpson(f_gamma, 0, 20,
                     tol = 1e-8, verbose = TRUE)
## partition size 4096
#Nilai teoritis
E.teori <- 3/2

#Menggunakan integrate()
E.integrate <- integrate(f_gamma, 0, 20)$value

#Membandingkan hasil
hasil.gamma <- data.frame(
  Metode = c("Teoritis", "Simpson", "Integrate"),
  Nilai = c(E.teori, E.simpson, E.integrate)
)

#Menampilkan hasil
hasil.gamma
##      Metode Nilai
## 1  Teoritis   1.5
## 2   Simpson   1.5
## 3 Integrate   1.5

Interpretasi

Berdasarkan hasil perhitungan, nilai harapan distribusi Gamma(3, 2) menggunakan metode Simpson dan fungsi integrate() menghasilkan nilai yang mendekati 1,5. Hasil tersebut sesuai dengan nilai teoritis distribusi Gamma, yaitu shape dibagi rate sebesar 3/2 = 1,5. Dengan demikian, metode Simpson dengan toleransi 10⁻⁸ mampu memberikan pendekatan nilai harapan yang akurat.

No.3 Untuk integral ∫₀¹ 5x⁴ dx, cari nT(ε) dan nS(ε) terkecil agar galat ≤ ε = 2⁻ᵏ, dengan k = 2, …, 16. Buat plot terhadap ε menggunakan skala log.

# No.3
f4 <- function(x) 5*x^4

#Nilai eksak
I.eksak <- 1

#Nilai k dan epsilon
k <- 2:16
epsilon <- 2^(-k)

#nT dan nS
nT <- numeric(length(epsilon))
nS <- numeric(length(epsilon))

#Mencari n minimum
for (i in seq_along(epsilon)) {

  #Metode Trapezoidal
  nt <- 2
  while (abs(trapezoid(f4, 0, 1, nt) - I.eksak) > epsilon[i]) {
    nt <- nt + 1
  }
  nT[i] <- nt

  #Metode Simpson
  ns <- 4
  while (abs(simpson_n(f4, 0, 1, ns) - I.eksak) > epsilon[i]) {
    ns <- ns + 2
  }
  nS[i] <- ns
}

#Membuat tabel hasil
hasil3 <- data.frame(
  k = k,
  Epsilon = epsilon,
  nT = nT,
  nS = nS
)

#Menampilkan hasil
hasil3
##     k      Epsilon  nT nS
## 1   2 2.500000e-01   3  4
## 2   3 1.250000e-01   4  4
## 3   4 6.250000e-02   6  4
## 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 jumlah n minimum terhadap epsilon
plot(hasil3$Epsilon, hasil3$nT,
     log = "xy",
     type = "b",
     pch = 16,
     xlab = expression(epsilon),
     ylab = "Jumlah subselang minimum (n)",
     main = "Perbandingan Trapezoidal dan Simpson")

lines(hasil3$Epsilon, hasil3$nS,
      type = "b",
      pch = 17)

legend("topleft",
       legend = c("Trapezoidal", "Simpson"),
       pch = c(16, 17),
       lty = 1)

Interpretasi

Berdasarkan hasil perhitungan, jumlah subselang minimum pada kedua metode meningkat seiring dengan semakin kecilnya nilai toleransi. Metode Trapezoidal membutuhkan jumlah subselang yang lebih banyak dibandingkan metode Simpson untuk mencapai tingkat ketelitian yang sama. Hal ini menunjukkan bahwa metode Simpson lebih efisien karena mampu menghasilkan galat yang lebih kecil dengan jumlah subselang yang lebih sedikit. Dengan demikian, metode Simpson lebih unggul dalam memenuhi batas toleransi pada integral tersebut.

No.4 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(skor⁺ > skor⁻).

# No.4
#Data
set.seed(2026)

skor_pos <- rnorm(100, mean = 1, sd = 1)
skor_neg <- rnorm(100, mean = 0, sd = 1)

#Menggabungkan data
skor <- c(skor_pos, skor_neg)

## Menghitung Kurva ROC
#Menentukan threshold
threshold <- c(Inf, sort(unique(skor), decreasing = TRUE), -Inf)

#Menghitung TPR dan FPR
TPR <- sapply(threshold, function(t) {
  mean(skor_pos >= t)
})

FPR <- sapply(threshold, function(t) {
  mean(skor_neg >= t)
})

#Membuat tabel ROC
tabel_roc <- data.frame(
  Threshold = threshold,
  FPR = FPR,
  TPR = TPR
)

#Menampilkan hasil
head(tabel_roc)
##   Threshold FPR  TPR
## 1       Inf   0 0.00
## 2  3.414450   0 0.01
## 3  3.124491   0 0.02
## 4  2.908084   0 0.03
## 5  2.730945   0 0.04
## 6  2.725629   0 0.05
#Menghitung AUC dengan Trapezoidal
AUC.trapezoid <- sum(
  diff(FPR) *
    (head(TPR, -1) + tail(TPR, -1)) / 2
)

#Menampilkan hasil
AUC.trapezoid
## [1] 0.7127
#Menghitung P(skor positif > skor negatif)
P.perbandingan <- mean(
  outer(skor_pos, skor_neg, ">")
)

#Membandingkan hasil
hasil4 <- data.frame(
  Metode = c("AUC Trapezoidal",
             "P(skor positif > skor negatif)"),
  Nilai = c(AUC.trapezoid, P.perbandingan)
)

#Menampilkan hasil
hasil4
##                           Metode  Nilai
## 1                AUC Trapezoidal 0.7127
## 2 P(skor positif > skor negatif) 0.7127
#Plot ROC
plot(FPR, TPR,
     type = "l",
     lwd = 2,
     xlab = "False Positive Rate (FPR)",
     ylab = "True Positive Rate (TPR)",
     main = "Kurva ROC")

abline(0, 1, lty = 2, col = "red")

Interpretasi

Berdasarkan hasil simulasi, nilai AUC yang dihitung menggunakan metode Trapezoidal sebesar 0,7127, sedangkan probabilitas P(skor positif > skor negatif) juga sebesar 0,7127. Kedua hasil tersebut menunjukkan nilai yang sama karena AUC ROC merepresentasikan probabilitas bahwa skor kasus positif lebih tinggi dibandingkan skor kasus negatif. Nilai AUC sebesar 0,7127 menunjukkan bahwa model memiliki kemampuan membedakan kasus positif dan negatif yang lebih baik daripada tebakan acak.