Laporan ini membahas penerapan metode numerik menggunakan R untuk
mencari akar persamaan dan mengestimasi parameter distribusi. Metode
yang digunakan meliputi Newton-Raphson, Bisection, Secant, serta fungsi
pembanding yang tersedia di R, yaitu uniroot(),
qt(), dan MASS::fitdistr(). Setiap metode
dibandingkan berdasarkan hasil, jumlah iterasi, dan/atau jumlah evaluasi
fungsi.
Menentukan akar persamaan
\[ f(x)=x^3-x-2=0 \]
dengan nilai awal \(x_0=1.5\) dan
toleransi \(10^{-10}\). Hasil
dibandingkan dengan metode Bisection pada interval [1, 2] dan fungsi
uniroot().
Metode Newton-Raphson menggunakan rumus:
\[ x_{n+1}=x_n-\frac{f(x_n)}{f'(x_n)} \]
Untuk soal ini, \(f'(x)=3x^2-1\).
f1 <- function(x) x^3 - x - 2
df1 <- function(x) 3*x^2 - 1
tol <- 1e-10
newton <- function(f, df, x0, tol = 1e-10, maxit = 100) {
x <- x0
riwayat <- data.frame(iterasi = 0, x = x, fx = f(x), galat = NA_real_)
for (i in seq_len(maxit)) {
turunan <- df(x)
if (!is.finite(turunan) || abs(turunan) < .Machine$double.eps)
stop("Turunan nol atau tidak valid; iterasi Newton dihentikan.")
x_baru <- x - f(x) / turunan
galat <- abs(x_baru - x)
riwayat <- rbind(riwayat,
data.frame(iterasi = i, x = x_baru,
fx = f(x_baru), galat = galat))
x <- x_baru
if (galat < tol) break
}
list(akar = x, iterasi = nrow(riwayat) - 1,
konvergen = tail(riwayat$galat, 1) < tol,
riwayat = riwayat)
}
hasil_newton1 <- newton(f1, df1, x0 = 1.5, tol = tol)
hasil_newton1$riwayat
## iterasi x fx galat
## 1 0 1.50000000000 -1.25000000000e-01 NA
## 2 1 1.52173913043 2.13692775540e-03 2.17391304348e-02
## 3 2 1.52137980596 5.89387425975e-07 3.59324469996e-04
## 4 3 1.52137970680 4.52970994047e-14 9.91602111533e-08
## 5 4 1.52137970680 0.00000000000e+00 7.54951656745e-15
bisection <- function(f, a, b, tol = 1e-10, maxit = 1000) {
if (f(a) * f(b) > 0) stop("f(a) dan f(b) harus berlainan tanda.")
riwayat <- data.frame(iterasi = integer(), a = numeric(),
b = numeric(), tengah = numeric(),
f_tengah = numeric(), lebar = numeric())
for (i in seq_len(maxit)) {
tengah <- (a + b) / 2
ft <- f(tengah)
riwayat <- rbind(riwayat,
data.frame(iterasi = i, a = a, b = b,
tengah = tengah, f_tengah = ft,
lebar = b - a))
if (abs(ft) < tol || (b - a)/2 < tol) break
if (f(a) * ft < 0) {
b <- tengah
} else {
a <- tengah
}
}
list(akar = tengah, iterasi = nrow(riwayat),
riwayat = riwayat)
}
hasil_bisection1 <- bisection(f1, 1, 2, tol = tol)
head(hasil_bisection1$riwayat)
## iterasi a b tengah f_tengah lebar
## 1 1 1.0 2.00000 1.500000 -0.1250000000000 1.00000
## 2 2 1.5 2.00000 1.750000 1.6093750000000 0.50000
## 3 3 1.5 1.75000 1.625000 0.6660156250000 0.25000
## 4 4 1.5 1.62500 1.562500 0.2521972656250 0.12500
## 5 5 1.5 1.56250 1.531250 0.0591125488281 0.06250
## 6 6 1.5 1.53125 1.515625 -0.0340538024902 0.03125
tail(hasil_bisection1$riwayat, 1)
## iterasi a b tengah f_tengah
## 33 33 1.52137970668 1.52137970692 1.5213797068 -3.27795568467e-11
## lebar
## 33 2.32830643654e-10
uniroot()hasil_uniroot1 <- uniroot(f1, interval = c(1, 2), tol = tol)
hasil_uniroot1
## $root
## [1] 1.5213797068
##
## $f.root
## [1] -3.15303338994e-13
##
## $iter
## [1] 8
##
## $init.it
## [1] NA
##
## $estim.prec
## [1] 5.00006702708e-11
perbandingan1 <- data.frame(
Metode = c("Newton-Raphson", "Bisection", "uniroot"),
Akar = c(hasil_newton1$akar,
hasil_bisection1$akar,
hasil_uniroot1$root),
Iterasi = c(hasil_newton1$iterasi,
hasil_bisection1$iter,
hasil_uniroot1$iter)
)
perbandingan1
## Metode Akar Iterasi
## 1 Newton-Raphson 1.5213797068 4
## 2 Bisection 1.5213797068 33
## 3 uniroot 1.5213797068 8
Interpretasi: Ketiga pendekatan digunakan untuk
memperoleh akar persamaan \(x^3-x-2=0\)
pada interval [1, 2]. Nilai akar yang diperoleh seharusnya sangat
berdekatan, yaitu sekitar 1,52138. Newton-Raphson umumnya membutuhkan
iterasi lebih sedikit karena memanfaatkan informasi turunan fungsi.
Bisection memiliki proses yang lebih bertahap karena selalu membagi dua
interval yang mengurung akar. uniroot() merupakan fungsi R
untuk pencarian akar pada interval dan digunakan sebagai pembanding.
Jumlah iterasi yang tercetak pada tabel merupakan hasil aktual dari
proses komputasi dengan kriteria penghentian pada kode.
Mencari nilai \(t_{0.975}\) untuk
derajat bebas \(df=9\) menggunakan
Newton-Raphson, kemudian membandingkannya dengan fungsi
qt(0.975, 9). Nilai awal yang digunakan adalah \(x_0=10\).
Didefinisikan:
\[ f(x)=P(T\leq x)-0.975 \]
\[ f'(x)=f_T(x) \]
Dalam R, fungsi tersebut ditulis menggunakan pt() dan
dt().
f2 <- function(x) pt(x, df = 9) - 0.975
df2 <- function(x) dt(x, df = 9)
# Jalankan Newton secara terkontrol agar kegagalan numerik terdeteksi.
newton_aman <- function(f, df, x0, tol = 1e-10, maxit = 100) {
x <- x0
riwayat <- data.frame(iterasi = 0, x = x, fx = f(x),
turunan = df(x), galat = NA_real_)
status <- "Belum konvergen"
for (i in seq_len(maxit)) {
turunan <- df(x)
if (!is.finite(turunan) || abs(turunan) < 1e-14) {
status <- "Berhenti: turunan terlalu kecil atau tidak valid"
break
}
x_baru <- x - f(x) / turunan
if (!is.finite(x_baru)) {
status <- "Berhenti: nilai iterasi tidak hingga"
break
}
galat <- abs(x_baru - x)
riwayat <- rbind(riwayat,
data.frame(iterasi = i, x = x_baru,
fx = f(x_baru), turunan = df(x_baru),
galat = galat))
x <- x_baru
if (galat < tol) {
status <- "Konvergen"
break
}
}
list(akar = x, status = status, riwayat = riwayat)
}
hasil_newton2 <- newton_aman(f2, df2, x0 = 10)
hasil_newton2$status
## [1] "Berhenti: turunan terlalu kecil atau tidak valid"
hasil_newton2$riwayat
## iterasi x fx turunan galat
## 1 0 10.0000000 0.0249982108813 1.48919255163e-06 NA
## 2 1 -16776.4194955 -0.9750000000000 1.29744962267e-38 16786.4194955
qt()hasil_qt2 <- qt(0.975, df = 9)
hasil_qt2
## [1] 2.2621571628
data.frame(
Metode = c("Newton-Raphson (x0 = 10)", "qt(0.975, 9)"),
Nilai = c(hasil_newton2$akar, hasil_qt2),
Status = c(hasil_newton2$status, "Nilai kuantil dari R")
)
## Metode Nilai
## 1 Newton-Raphson (x0 = 10) -16776.4194955347
## 2 qt(0.975, 9) 2.2621571628
## Status
## 1 Berhenti: turunan terlalu kecil atau tidak valid
## 2 Nilai kuantil dari R
Interpretasi: Fungsi qt(0.975, 9)
memberikan kuantil distribusi t yang menjadi nilai pembanding. Pemilihan
nilai awal \(x_0=10\) perlu
diperhatikan karena pada bagian ekor kanan distribusi t, nilai kepadatan
dt(x, 9) sangat kecil. Akibatnya, pembagian \(f(x)/f'(x)\) pada Newton-Raphson dapat
menghasilkan langkah yang sangat besar sehingga iterasi menjauh dari
akar atau berhenti karena masalah numerik. Jika hal tersebut terjadi,
bukan berarti nilai kuantil tidak ada, melainkan nilai awal kurang
sesuai untuk metode Newton-Raphson. Nilai dari qt() tetap
dapat digunakan sebagai pembanding yang stabil.
Menyelesaikan persamaan:
\[ \cos(x)=x \]
atau:
\[ g(x)=\cos(x)-x=0 \]
Metode Secant menggunakan \(x_0=0\) dan \(x_1=1\), sedangkan Newton-Raphson menggunakan \(x_0=1\).
Rumus metode Secant adalah:
\[ x_{n+1}=x_n- \frac{g(x_n)(x_n-x_{n-1})} {g(x_n)-g(x_{n-1})} \]
g3 <- function(x) cos(x) - x
dg3 <- function(x) -sin(x) - 1
secant <- function(f, x0, x1, tol = 1e-10, maxit = 100) {
f0 <- f(x0)
f1 <- f(x1)
evaluasi <- 2
riwayat <- data.frame(iterasi = 0, x = x1, fx = f1,
galat = NA_real_)
for (i in seq_len(maxit)) {
penyebut <- f1 - f0
if (!is.finite(penyebut) || abs(penyebut) < 1e-14)
stop("Penyebut metode Secant terlalu kecil.")
x2 <- x1 - f1 * (x1 - x0) / penyebut
f2 <- f(x2)
evaluasi <- evaluasi + 1
galat <- abs(x2 - x1)
riwayat <- rbind(riwayat,
data.frame(iterasi = i, x = x2,
fx = f2, galat = galat))
x0 <- x1
f0 <- f1
x1 <- x2
f1 <- f2
if (galat < tol) break
}
list(akar = x1, iterasi = nrow(riwayat) - 1,
evaluasi = evaluasi, riwayat = riwayat)
}
hasil_secant3 <- secant(g3, x0 = 0, x1 = 1)
hasil_secant3$riwayat
## iterasi x fx galat
## 1 0 1.000000000000 -4.59697694132e-01 NA
## 2 1 0.685073357326 8.92992764819e-02 3.14926642674e-01
## 3 2 0.736298997614 4.66003903814e-03 5.12256402876e-02
## 4 3 0.739119361912 -5.72859911061e-05 2.82036429798e-03
## 5 4 0.739085112127 3.52926228242e-08 3.42497841654e-05
## 6 5 0.739085133215 2.66786592817e-13 2.10875373829e-08
## 7 6 0.739085133215 0.00000000000e+00 1.59428026336e-13
Turunan fungsi adalah:
\[ g'(x)=-\sin(x)-1 \]
hasil_newton3 <- newton(g3, dg3, x0 = 1, tol = 1e-10)
hasil_newton3$riwayat
## iterasi x fx galat
## 1 0 1.000000000000 -4.59697694132e-01 NA
## 2 1 0.750363867840 -1.89230738221e-02 2.49636132160e-01
## 3 2 0.739112890911 -4.64558989908e-05 1.12509769289e-02
## 4 3 0.739085133385 -2.84720580446e-10 2.77575260776e-05
## 5 4 0.739085133215 0.00000000000e+00 1.70123359844e-10
## 6 5 0.739085133215 0.00000000000e+00 0.00000000000e+00
# Pada Newton, satu iterasi mengevaluasi f dan f'.
# Evaluasi fungsi g dihitung satu kali untuk setiap baris riwayat.
perbandingan3 <- data.frame(
Metode = c("Secant", "Newton-Raphson"),
Akar = c(hasil_secant3$akar, hasil_newton3$akar),
Iterasi = c(hasil_secant3$iterasi, hasil_newton3$iterasi),
Evaluasi_fungsi = c(hasil_secant3$evaluasi,
nrow(hasil_newton3$riwayat))
)
perbandingan3
## Metode Akar Iterasi Evaluasi_fungsi
## 1 Secant 0.739085133215 6 8
## 2 Newton-Raphson 0.739085133215 5 6
Interpretasi: Metode Secant dan Newton-Raphson digunakan untuk mencari titik potong kurva \(y=\cos(x)\) dengan garis \(y=x\). Kedua metode seharusnya menghasilkan akar yang mendekati 0,739085. Secant tidak memerlukan turunan fungsi secara eksplisit, tetapi membutuhkan dua nilai awal. Newton-Raphson hanya membutuhkan satu nilai awal dan turunan fungsi, sehingga dapat mencapai ketelitian yang diinginkan dengan iterasi yang relatif sedikit. Perbandingan jumlah iterasi dan evaluasi fungsi dapat dilihat pada tabel hasil. Perhitungan evaluasi fungsi mengikuti pencatatan pada kode, sehingga definisi evaluasinya perlu diperhatikan ketika membandingkan kedua metode.
Menggunakan data dummy berdistribusi Gamma (\(n = 200\), \(\alpha_{\text{asli}} = 3.5\), \(\text{rate} = 1.2\)), kita menaksir
parameter bentuk \(\alpha\) melalui
persamaan skor MLE[cite: 2]: \[f(\alpha) =
\ln\alpha - \psi(\alpha) - \left[\ln\bar{x} -
\frac{1}{n}\sum_{i=1}^{n}\ln x_i\right] = 0\] dengan turunan
\(f'(\alpha) = \frac{1}{\alpha} -
\psi_1(\alpha)\) (menggunakan digamma() dan
trigamma()) serta tebakan awal \(\alpha_0 = \frac{1}{2s}\) (\(s\) = simpangan baku sampel), lalu
membandingkannya dengan MASS::fitdistr()[cite: 2].
library(MASS)
# Data dummy distribusi Gamma
set.seed(123)
x_data <- rgamma(n = 200, shape = 3.5, rate = 1.2)
s_val <- sd(x_data)
alpha0 <- 1 / (2 * s_val)
const_term <- log(mean(x_data)) - mean(log(x_data))
f_gamma <- function(a) {
log(a) - digamma(a) - const_term
}
df_gamma <- function(a) {
1 / a - trigamma(a)
}
newton_gamma_alpha <- function(a0, tol = 1e-10, max_iter = 100) {
a <- a0
for (i in seq_len(max_iter)) {
fa <- f_gamma(a)
dfa <- df_gamma(a)
a_new <- a - fa / dfa
if (a_new <= 0) a_new <- a / 2
if (abs(a_new - a) < tol && abs(f_gamma(a_new)) < tol) {
return(list(alpha = a_new, iter = i))
}
a <- a_new
}
list(alpha = a, iter = max_iter)
}
res_mle_nr <- newton_gamma_alpha(a0 = alpha0, tol = 1e-10)
fit_mass <- fitdistr(x_data, densfun = "gamma")
alpha_mass <- unname(fit_mass$estimate["shape"])
cat("Nilai awal alpha0 (1/(2s)) :", format(alpha0, digits = 8), "\n")
## Nilai awal alpha0 (1/(2s)) : 0.34364914
cat("Newton MLE shape (alpha) :", format(res_mle_nr$alpha, digits = 12),
"| Iterasi:", res_mle_nr$iter, "\n")
## Newton MLE shape (alpha) : 3.73714959244 | Iterasi: 10
cat("MASS::fitdistr shape (alpha) :", format(alpha_mass, digits = 12), "\n")
## MASS::fitdistr shape (alpha) : 3.7371582609
cat("Selisih absolut :", format(abs(res_mle_nr$alpha - alpha_mass), digits = 6), "\n")
## Selisih absolut : 8.66846e-06
Interpretasi: Pada data dummy Gamma
tersebut, metode Newton-Raphson yang dimulai dari \(\alpha_0 = 1/(2s)\) dan memanfaatkan
digamma() serta trigamma() konvergen ke nilai
\(\hat{\alpha}\) yang hampir identik
dengan estimasi shape dari MASS::fitdistr(),
serta mendekati nilai parameter bentuk simulasi (\(\alpha = 3.5\)) sesuai ukuran sampel \(n = 200\)[cite: 2].
install.packages(“tinytex”) tinytex::install_tinytex()