1 Pendahuluan

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.

2 1. Newton-Raphson

2.1 Tujuan

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().

2.2 Rumus

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

2.3 Metode Bisection

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

2.4 Pembanding 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

2.5 Perbandingan hasil

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.

3 2. Kuantil t

3.1 Tujuan

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 \(x_0=10\).

3.2 Rumus

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

3.3 Pembanding menggunakan 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.

4 3. Metode Secant dan Newton-Raphson

4.1 Tujuan

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 \(x_0=1\).

4.2 Metode Secant

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

4.3 Metode Newton-Raphson

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

4.4 Perbandingan

# 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.

4.5 4. Proyek Mini: Estimasi MLE Parameter Bentuk Gamma (\(\alpha\))

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()