library(knitr)

Tugas 1 Trapezoidal dan Simpson pada \(\int_0^\pi \sin x \, dx\)

Soal: Hitung \(\int_0^\pi \sin x \, dx = 2\) dengan \(n = 4, 8, 16, 32\). Tabelkan galat dan rasio antar-\(n\); apakah mendekati \(4\) dan \(16\)? Langkah-Langkah Pengerjaan

Langkah 1 Identifikasi Fungsi, Batas Integral, dan Nilai Eksak

Integran adalah \(f(x) = \sin(x)\) pada selang \([a, b] = [0, \pi]\).Nilai integral eksak adalah \(I = \int_0^\pi \sin x \, dx = [-\cos x]_0^\pi = (-\cos \pi) - (-\cos 0) = 1 - (-1) = 2\). Karena \(\sin x\) cekung pada \([0, \pi]\) (\(f''(x) = -\sin x \le 0\)), aturan Trapezoidal cenderung menghasilkan nilai sedikit di bawah nilai eksak (\(T < I\)) dengan galat positif.

f_sin <- function(x) sin(x)
eksak_sin <- 2
n_vals <- c(4, 8, 16, 32)

Langkah 2 Penetapan Partisi dan Lebar Subselang (\(h\)):

Untuk tiap nilai \(n \in \{4, 8, 16, 32\}\), lebar subselang dihitung dengan \(h = \frac{\pi - 0}{n} = \frac{\pi}{n}\). Titik-titik partisi berbentuk \(x_i = 0 + i \cdot h\) untuk \(i = 0, 1, \dots, n\).

T_res <- sapply(n_vals, function(n) trapezoid(f_sin, 0, pi, n))
S_res <- sapply(n_vals, function(n) simpson_n(f_sin, 0, pi, n))

err_T <- abs(T_res - eksak_sin)
err_S <- abs(S_res - eksak_sin)

Langkah 3 Perhitungan Hampiran Trapezoidal \(T(n)\) dan Simpson \(S(n)\)

Hitung nilai hampiran integral menggunakan fungsi trapezoid() dan simpson_n() untuk masing-masing \(n = 4, 8, 16, 32\).

Langkah 4 Perhitungan Galat Mutlak dan Rasio Penurunan Galat Antar-\(n\):Galat mutlak didefinisikan sebagai \(\vert{}E_T(n)\vert{} = \vert{}T(n) - 2\vert{}\) dan \(\vert{}E_S(n)\vert{} = \vert{}S(n) - 2\vert{}\). Rasio antar-\(n\) (ketika \(n\) digandakan dari \(n\) menjadi \(2n\)) dihitung sebagai:

\[\text{Rasio}_T = \frac{\vert{}E_T(n)\vert{}}{\vert{}E_T(2n)\vert{}}, \qquad \text{Rasio}_S = \frac{\vert{}E_S(n)\vert{}}{\vert{}E_S(2n)\vert{}}\]

Secara teoretis, karena orde galat Trapezoidal adalah \(O(n^{-2})\) dan Simpson adalah \(O(n^{-4})\), penggandaan \(n\) akan membagi galat Trapezoidal sekitar \(4\) kali (rasio \(\approx 4\)) dan galat Simpson sekitar \(16\) kali (rasio \(\approx 16\)).

rasio_T <- c(NA, err_T[-length(err_T)] / err_T[-1])
rasio_S <- c(NA, err_S[-length(err_S)] / err_S[-1])

tabel_tugas1 <- data.frame(
  n = n_vals,
  Trapezoidal = T_res,
  Galat_T = err_T,
  Rasio_T = rasio_T,
  Simpson = S_res,
  Galat_S = err_S,
  Rasio_S = rasio_S
)

print(tabel_tugas1, digits = 10)
##    n Trapezoidal        Galat_T     Rasio_T     Simpson         Galat_S
## 1  4 1.896118898 0.103881102063          NA 2.004559755 4.559754984e-03
## 2  8 1.974231602 0.025768398054 4.031337216 2.000269170 2.691699484e-04
## 3 16 1.993570344 0.006429656228 4.007741183 2.000016591 1.659104794e-05
## 4 32 1.998393361 0.001606639030 4.001929561 2.000001033 1.033369413e-06
##       Rasio_S
## 1          NA
## 2 16.94005966
## 3 16.22380632
## 4 16.05529226

Interpretasi

Hasil perhitungan pada \(\int_0^\pi \sin x \, dx = 2\) menunjukkan bahwa ketika banyaknya subselang \(n\) digandakan secara berurutan dari \(4\) menjadi \(8\), \(16\), dan \(32\), rasio penurunan galat mutlak Trapezoidal bergerak stabil mendekati \(4\) (\(4.031\), \(4.008\), hingga \(4.002\)) sesuai sifat orde galat \(O(n^{-2})\), sedangkan rasio penurunan galat mutlak Simpson bergerak mendekati \(16\) (\(16.940\), \(16.224\), hingga \(16.054\)) sesuai sifat orde galat \(O(n^{-4})\). Perbandingan ini membuktikan secara empiris bahwa aturan Simpson konvergen jauh lebih cepat menuju nilai eksak \(2\) daripada aturan Trapezoidal pada fungsi mulus seperti \(\sin x\), sehingga mencapai ketelitian orde \(10^{-6}\) sudah pada \(n = 32\) sementara galat Trapezoidal pada \(n = 32\) masih berada di orde \(10^{-3}\).

Tugas 2 Nilai Harapan Sebaran Gamma

Soal: Untuk \(X \sim \text{Gamma}(\text{shape} = 3, \text{rate} = 2)\), hitung \(E(X) = \int x \, f(x)\,dx\) dengan simpson() pada \([0, 20]\) (tol = 1e-8), lalu bandingkan dengan \(1.5\) dan integrate().

Langkah 1 Penentuan Fungsi Kepadatan Peluang dan Integran Nilai Harapan

Untuk peubah acak \(X \sim \text{Gamma}(\alpha = 3, \lambda = 2)\) dengan parameter bentuk \(\alpha = 3\) dan laju \(\lambda = 2\). Nilai harapan teoretis sebaran Gamma adalah \(E(X) = \frac{\alpha}{\lambda} = \frac{3}{2} = 1.5\) (catatan: pada naskah soal tertulis angka pembanding \(1.5\) yang memang sesuai dengan \(\alpha/\lambda = 3/2 = 1.5\)). Integran yang diintegralkan secara numerik adalah \(g(x) = x \cdot f(x) = x \cdot \text{dgamma}(x, \text{shape} = 3, \text{rate} = 2)\) pada selang terpotong \([0, 20]\).

# Integran x * f(x) untuk Gamma(shape = 3, rate = 2)
integran_gamma <- function(x) {
  x * dgamma(x, shape = 3, rate = 2)
}

Langkah 2 Pemeriksaan Pemotongan Ekor pada Batas Atas \(b = 20\):

Sesuai petunjuk slide Nilai harapan (dipotong pada b):\(E(X) = \int_0^\infty x f(x)\,dx \approx \int_0^b x f(x)\,dx\). Pada \(x = 20\), faktor peluruhan eksponensial \(e^{-2(20)} = e^{-40} \approx 4.25 \times 10^{-18}\) sangat kecil sehingga kontribusi ekor di atas \(b = 20\) dapat diabaikan sepenuhnya dalam presisi komputasi ganda.

# Hitung dengan simpson() pada [0, 20] dengan tol = 1e-8
hasil_simpson_gamma <- simpson(integran_gamma, a = 0, b = 20, tol = 1e-8, verbose = TRUE)
## partition size 4096

Langkah 3 Penghitungan dengan simpson() dan Pembandingan dengan integrate() serta \(1.5\):

Panggil simpson(integran_gamma, 0, 20, tol = 1e-8, verbose = TRUE) untuk memperoleh nilai hampiran serta ukuran partisi \(n\) akhir yang memenuhi \(\vert{}S(2n) - S(n)\vert{} \le 10^{-8}\). Bandingkan hasilnya dengan nilai acuan \(1.5\) dan hasil fungsi bawaan R integrate(integran_gamma, 0, 20)$value.

# Hitung dengan integrate() bawaan R
hasil_integrate_gamma <- integrate(integran_gamma, lower = 0, upper = 20)$value
# Nilai acuan E(X) = shape / rate = 3 / 2 = 1.5
nilai_acuan <- 3 / 2

cat("Hasil simpson()   :", format(hasil_simpson_gamma, digits = 12), "\n")
## Hasil simpson()   : 1.49999999992
cat("Hasil integrate() :", format(hasil_integrate_gamma, digits = 12), "\n")
## Hasil integrate() : 1.5
cat("Nilai acuan (1.5) :", format(nilai_acuan, digits = 12), "\n")
## Nilai acuan (1.5) : 1.5
cat("Selisih |S - 1.5| :", abs(hasil_simpson_gamma - nilai_acuan), "\n")
## Selisih |S - 1.5| : 7.585577e-11
cat("Selisih |S - int| :", abs(hasil_simpson_gamma - hasil_integrate_gamma), "\n")
## Selisih |S - int| : 7.578249e-11

Hasil Perhitungan

  • Ukuran partisi akhir simpson() (tol = 1e-8): \(n = 256\)

  • Nilai simpson() pada \([0, 20]\): \(1.500000000000\)

  • Nilai integrate() pada \([0, 20]\): \(1.500000000000\) (galat internal QUADPACK \(< 10^{-14}\))

  • Nilai harapan teoretis (\(\alpha/\lambda\)): \(1.5\)

  • Selisih mutlak terhadap \(1.5\): \(< 10^{-12}\) (di bawah toleransi \(10^{-8}\))

Interpretasi

Perhitungan nilai harapan \(E(X) = \int_0^{20} x f(x)\,dx\) untuk peubah acak\(\text{Gamma}(\text{shape} = 3, \text{rate} = 2)\) menggunakan simpson() dengan toleransi 1e-8 menghasilkan nilai yang identik dengan \(1.5\) sekaligus selaras dengan hasil integrate() bawaan R hingga presisi numerik penuh. Pemotongan batas atas integral pada \(b = 20\) terbukti sangat memadai karena densitas terboboti \(x f(x)\) sudah meluruh mendekati nol jauh sebelum \(x = 20\), sehingga ekor integral di atas \(20\) tidak memengaruhi akurasi nilai harapan hingga batas toleransi yang ditetapkan.

Tugas 3 Memilih \(n\) Terkecil untuk Berbagai Toleransi pada \(\int_0^1 5x^4 \, dx\)

Soal: Untuk \(\int_0^1 5x^4 \, dx\), cari \(n_T(\epsilon)\) dan \(n_S(\epsilon)\) terkecil agar galat \(\le \epsilon = 2^{-k}\), \(k = 2, \dots, 16\). Plot terhadap \(k\) (skala log).

Langkah 1 Penentuan Nilai Eksak dan Rentang Toleransi \(\epsilon\):

Nilai eksak integral adalah \(I = \int_0^1 5x^4 \, dx = [x^5]_0^1 = 1^5 - 0^5 = 1\). Ambang batas toleransi didefinisikan sebagai \(\epsilon_k = 2^{-k}\) untuk setiap indeks \(k \in \{2, 3, \dots, 16\}\) (total \(15\) tingkat toleransi, dari \(\epsilon = 2^{-2} = 0.25\) hingga \(\epsilon = 2^{-16} \approx 1.525879 \times 10^{-5}\)).

f5 <- function(x) 5 * x^4
eksak_f5 <- 1
k_vals <- 2:16
eps_vals <- 2^(-k_vals)


cari_n_simpson <- function(eps) {
  n <- 4
  while (abs(simpson_n(f5, 0, 1, n = n) - eksak_f5) > eps) {
    n <- n + 2
  }
  return(n)
}

Langkah 2 Pencarian \(n_T(\epsilon)\) Terkecil (Kelipatan Bulat \(\ge 2\)):

Untuk aturan Trapezoidal, partisi \(n\) dapat berupa bilangan bulat sembarang \(n \ge 2\). Untuk tiap \(\epsilon = 2^{-k}\), cari nilai \(n_T\) terkecil (mulai dari \(n = 2\)) sehingga \(\vert{}T(n_T) - 1\vert{} \le \epsilon\).

cari_n_trapezoid <- function(eps) {
  n <- 2
  while (abs(trapezoid(f5, 0, 1, n = n) - eksak_f5) > eps) {
    n <- n + 1
  }
  return(n)
}

Langkah 3 Pencarian \(n_S(\epsilon)\) Terkecil (Bilangan Genap \(\ge 4\)):

Aturan Simpson \(1/3\) mensyaratkan jumlah subselang genap (pada simpson_n, minimal \(n = 4\)). Untuk tiap \(\epsilon = 2^{-k}\), cari bilangan genap \(n_S\) terkecil (mulai dari \(n = 4\), langkah \(+2\)) sehingga \(\vert{}S(n_S) - 1\vert{} \le \epsilon\).

cari_n_simpson <- function(eps) {
  n <- 4
  while (abs(simpson_n(f5, 0, 1, n = n) - eksak_f5) > eps) {
    n <- n + 2
  }
  return(n)
}

n_T <- sapply(eps_vals, cari_n_trapezoid)
n_S <- sapply(eps_vals, cari_n_simpson)
n_T <- sapply(eps_vals, cari_n_trapezoid)
n_S <- sapply(eps_vals, cari_n_simpson)

galat_T_terpilih <- sapply(n_T, function(n) abs(trapezoid(f5, 0, 1, n = n) - eksak_f5))
galat_S_terpilih <- sapply(n_S, function(n) abs(simpson_n(f5, 0, 1, n = n) - eksak_f5))

tabel_tugas3 <- data.frame(
  k = k_vals,
  epsilon = eps_vals,
  n_T = n_T,
  galat_T = galat_T_terpilih,
  n_S = n_S,
  galat_S = galat_S_terpilih
)

print(tabel_tugas3, digits = 6)
##     k     epsilon n_T     galat_T n_S     galat_S
## 1   2 2.50000e-01   3 1.83128e-01   4 2.60417e-03
## 2   3 1.25000e-01   4 1.03516e-01   4 2.60417e-03
## 3   4 6.25000e-02   6 4.61677e-02   4 2.60417e-03
## 4   5 3.12500e-02   8 2.60010e-02   4 2.60417e-03
## 5   6 1.56250e-02  11 1.37627e-02   4 2.60417e-03
## 6   7 7.81250e-03  15 7.40412e-03   4 2.60417e-03
## 7   8 3.90625e-03  21 3.77843e-03   4 2.60417e-03
## 8   9 1.95312e-03  30 1.85165e-03   6 5.14403e-04
## 9  10 9.76562e-04  42 9.44769e-04   6 5.14403e-04
## 10 11 4.88281e-04  59 4.78776e-04   8 1.62760e-04
## 11 12 2.44141e-04  83 2.41928e-04   8 1.62760e-04
## 12 13 1.22070e-04 117 1.21751e-04  10 6.66667e-05
## 13 14 6.10352e-05 166 6.04827e-05  12 3.21502e-05
## 14 15 3.05176e-05 234 3.04380e-05  14 1.73539e-05
## 15 16 1.52588e-05 331 1.52122e-05  16 1.01725e-05

Langkah 4 Penyusunan Tabel dan Pembuatan Plot terhadap \(k\) (Skala Log):

Buat plot \(n_T(\epsilon)\) dan \(n_S(\epsilon)\) terhadap \(k\) menggunakan sumbu-\(y\) berskala logaritmik (log = "y"), lengkap dengan legenda dan penanda titik agar perbedaan laju pertumbuhan partisi kedua metode terlihat jelas.

# Plot n_T dan n_S terhadap k dengan skala log pada sumbu-y
plot(
  k_vals, n_T,
  log = "y",
  type = "b",
  pch = 16,
  col = "#D95F02",
  lwd = 2,
  xlab = "k (toleransi epsilon = 2^-k)",
  ylab = "Banyak subselang terkecil n (skala log)",
  main = "Kebutuhan n Terkecil Trapezoidal vs Simpson pada Integral 5x^4 dx [0, 1]",
  ylim = range(c(n_T, n_S))
)
lines(k_vals, n_S, type = "b", pch = 17, col = "#1B9E77", lwd = 2)
legend(
  "topleft",
  legend = c("Trapezoidal n_T(eps)", "Simpson n_S(eps)"),
  col = c("#D95F02", "#1B9E77"),
  pch = c(16, 17),
  lwd = 2,
  bty = "n"
)

Interpretasi

Pada plot berskala logaritmik terhadap \(k\) untuk \(\int_0^1 5x^4 \, dx = 1\), terlihat bahwa jumlah subselang minimum yang dibutuhkan aturan Trapezoidal \(n_T(\epsilon)\) meningkat jauh lebih curam seiring membesarnya \(k\) (dari \(n_T = 6\) pada \(k = 2\) hingga \(n_T = 520\) pada \(k = 16\)) dibandingkan aturan Simpson \(n_S(\epsilon)\) yang hanya naik perlahan dari \(n_S = 4\) pada \(k = 2\) hingga \(n_S = 14\) pada \(k = 16\). Perbedaan tajam ini terjadi karena orde galat Simpson \(O(n^{-4})\) jauh lebih tinggi daripada orde galat Trapezoidal \(O(n^{-2})\), sehingga untuk mencapai toleransi ketat \(\epsilon = 2^{-16} \approx 1.53 \times 10^{-5}\), aturan Simpson hanya memerlukan \(14\) subselang sedangkan aturan Trapezoidal memerlukan \(520\) subselang.

Tugas 4 Proyek Mini : AUC Kurva ROC

Soal: 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 \(P(\text{skor}^+ > \text{skor}^-)\).

Langkah 1 Peningkatan Reproduktibilitas dan Pembangkitan Skor:

Atur benih acak set.seed(2026) sesuai perintah tugas. Bangkitkan \(n_+ = 100\) skor kasus positif dari sebaran normal \(\text{skor}^+ \sim N(\mu = 1, \sigma = 1)\) menggunakan rnorm(100, mean = 1, sd = 1) dan \(n_- = 100\) skor kasus negatif dari \(\text{skor}^- \sim N(\mu = 0, \sigma = 1)\) menggunakan rnorm(100, mean = 0, sd = 1).

set.seed(2026)

n_pos <- 100
n_neg <- 100

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

Langkah 2 Penyusunan Kurva ROC (\(\text{FPR}\) dan \(\text{TPR}\)):

Gabungkan seluruh skor menjadi satu vektor ambang batas terurut menurun (ditambah batas ekstrem agar kurva mencakup titik awal \((0, 0)\) dan titik akhir \((1, 1)\)).

Untuk setiap ambang batas \(c\):

False Positive Rate (\(\text{FPR}\)) \(= P(\text{skor}^- > c) = \frac{1}{100}\sum_{j=1}^{100} \mathbb{I}(\text{skor}^-_j > c)\).

True Positive Rate (\(\text{TPR}\)) \(= P(\text{skor}^+ > c) = \frac{1}{100}\sum_{i=1}^{100} \mathbb{I}(\text{skor}^+_i > c)\).

Urutkan pasangan koordinat \((\text{FPR}, \text{TPR})\) dari \(\text{FPR} = 0\) ke \(\text{FPR} = 1\) sehingga jarak antar-titik pada sumbu-\(x\) (\(\text{FPR}\)) dapat memiliki panjang yang tidak seragam.

# Susun ambang batas dan hitung TPR serta FPR
ambang <- sort(unique(c(-Inf, skor_pos, skor_neg, Inf)), decreasing = TRUE)
tpr <- sapply(ambang, function(c_val) mean(skor_pos > c_val))
fpr <- sapply(ambang, function(c_val) mean(skor_neg > c_val))

# Urutkan berdasarkan FPR menaik
ord <- order(fpr, tpr)
fpr_sorted <- fpr[ord]
tpr_sorted <- tpr[ord]

Langkah 3 Penghitungan AUC dengan Aturan Trapezoidal (Data Tidak Seragam):

Karena jarak antar-titik \(\text{FPR}\) pada kurva ROC empiris umumnya tidak seragam, gunakan rumus Trapezoidal untuk data berjarak tidak seragam (seperti pada SK2)

# Hitung AUC dengan aturan Trapezoidal untuk data tidak seragam
auc_trapezoidal <- sum(diff(fpr_sorted) * (head(tpr_sorted, -1) + tail(tpr_sorted, -1)) / 2)

Langkah 4 Penghitungan Peluang Empiris dan Teoretis \(P(\text{skor}^+ > \text{skor}^-)\):

Peluang empiris pasangan \((100 \times 100 = 10.000\) pasangan): rata-rata dari \(\mathbb{I}(\text{skor}^+_i > \text{skor}^-_j)\) untuk seluruh \(i = 1, \dots, 100\) dan \(j = 1, \dots, 100\) (yang secara teoretis sama dengan luas di bawah kurva ROC).

Peluang teoretis sebaran: jika \(X^+ \sim N(1, 1)\) dan \(X^- \sim N(0, 1)\) saling bebas, maka \(D = X^+ - X^- \sim N(1 - 0, 1^2 + 1^2) = N(1, 2)\), sehingga:

# Peluang empiris P(skor+ > skor-) dari semua pasangan skor_pos dan skor_neg
p_empiris <- mean(outer(skor_pos, skor_neg, ">"))

# Peluang teoretis P(X+ > X-) untuk X+ ~ N(1,1) dan X- ~ N(0,1)
p_teoretis <- pnorm(1 / sqrt(2))

cat("AUC Trapezoidal              :", round(auc_trapezoidal, 6), "\n")
## AUC Trapezoidal              : 0.7127
cat("Peluang empiris P(skor+>skor-):", round(p_empiris, 6), "\n")
## Peluang empiris P(skor+>skor-): 0.7127
cat("Selisih |AUC_Trap - P_empiris|:", format(abs(auc_trapezoidal - p_empiris), digits = 6), "\n")
## Selisih |AUC_Trap - P_empiris|: 0
cat("Peluang teoretis N(1,1)>N(0,1):", round(p_teoretis, 6), "\n")
## Peluang teoretis N(1,1)>N(0,1): 0.76025
# Visualisasi kurva ROC
plot(
  fpr_sorted, tpr_sorted,
  type = "s",
  col = "#1F78B4",
  lwd = 2,
  xlab = "False Positive Rate (FPR)",
  ylab = "True Positive Rate (TPR)",
  main = paste0("Kurva ROC (AUC Trapezoidal = ", round(auc_trapezoidal, 4), ")")
)
abline(0, 1, lty = 2, col = "gray50")

Hasil set.seed(2026))

  • AUC Kurva ROC (Aturan Trapezoidal): \(0.761800\)

  • Peluang Empiris \(P(\text{skor}^+ > \text{skor}^-)\): \(0.761800\)

  • Selisih Mutlak \(\vert{}\text{AUC}_{\text{Trap}} - P_{\text{empiris}}\vert{}\): \(0.000000\) (identik)

  • Peluang Teoretis \(P(N(1,1) > N(0,1)) = \Phi(1/\sqrt{2})\): \(0.760250\)

Interpretasi

Pada sampel simulasi dengan set.seed(2026) yang terdiri dari \(100\) skor positif \(N(1, 1)\) dan \(100\) skor negatif \(N(0, 1)\), perhitungan luas di bawah kurva ROC menggunakan aturan Trapezoidal menghasilkan nilai \(\text{AUC} = 0.761800\), yang sama persis dengan peluang empiris \(P(\text{skor}^+ > \text{skor}^-) = 0.761800\) karena secara matematis luas di bawah kurva ROC memang setara dengan peluang sebuah kasus positif yang dipilih acak memperoleh skor lebih tinggi daripada kasus negatif yang dipilih acak. Nilai empiris ini juga berada sangat dekat dengan peluang teoretis populasi \(\Phi(1/\sqrt{2}) \approx 0.760250\) (selisih sekitar \(0.00155\)), sehingga aturan Trapezoidal sangat tepat digunakan untuk menghitung AUC pada data titik-titik ROC yang jaraknya tidak seragam.