1 Pendahuluan

Laporan ini membahas penyelesaian persamaan menggunakan metode Newton-Raphson dan Secant. Hasil perhitungan dibandingkan dengan metode atau fungsi pembanding yang diminta pada setiap soal. Setiap bagian memuat kode R dan interpretasi hasil dalam satu paragraf.

2 Fungsi dasar

Fungsi Newton-Raphson menerima fungsi yang menghasilkan dua nilai, yaitu nilai fungsi dan turunan pertamanya. Fungsi Secant hanya memerlukan nilai fungsi. Fungsi Bisection berikut digunakan untuk membandingkan jumlah iterasi pada soal nomor 1.

newtonraphson <- function(ftn, x0, tol = 1e-9, max.iter = 100) {
  x <- x0
  fx <- ftn(x)
  iter <- 0

  while (is.finite(fx[1]) && abs(fx[1]) > tol &&
         iter < max.iter) {
    if (!is.finite(fx[2]) || fx[2] == 0) break

    x <- x - fx[1] / fx[2]
    fx <- ftn(x)
    iter <- iter + 1
  }

  if (!is.finite(fx[1]) || abs(fx[1]) > tol) {
    return(list(root = NA_real_, iter = iter, converged = FALSE))
  }

  list(root = x, iter = iter, converged = TRUE)
}

secant <- function(ftn, x0, x1, tol = 1e-9, max.iter = 100) {
  f0 <- ftn(x0)
  f1 <- ftn(x1)
  iter <- 0

  while (is.finite(f1) && abs(f1) > tol && iter < max.iter) {
    if (!is.finite(f0) || f1 == f0) break

    x2 <- x1 - f1 * (x1 - x0) / (f1 - f0)
    x0 <- x1
    f0 <- f1
    x1 <- x2
    f1 <- ftn(x1)
    iter <- iter + 1
  }

  if (!is.finite(f1) || abs(f1) > tol) {
    return(list(root = NA_real_, iter = iter, converged = FALSE))
  }

  list(root = x1, iter = iter, converged = TRUE)
}

bisection <- function(ftn, a, b, tol = 1e-10, max.iter = 1000) {
  fa <- ftn(a)
  fb <- ftn(b)

  if (!is.finite(fa) || !is.finite(fb) || fa * fb > 0) {
    stop("Akar tidak terkurung dalam interval.")
  }

  iter <- 0
  repeat {
    m <- (a + b) / 2
    fm <- ftn(m)
    iter <- iter + 1

    if (abs(fm) <= tol || iter >= max.iter) break

    if (fa * fm < 0) {
      b <- m
      fb <- fm
    } else {
      a <- m
      fa <- fm
    }
  }

  list(root = m, iter = iter, residual = abs(fm))
}

3 1. Newton-Raphson

Tentukan akar f(x) = x³ − x − 2 dengan x0 = 1,5 dan tol 10−10. Bandingkan jumlah iterasi dengan Bisection pada [1, 2] dan dengan uniroot.

Turunan pertama yang digunakan adalah f’(x) = 3x² − 1.

f1 <- function(x) x^3 - x - 2
df1 <- function(x) 3 * x^2 - 1

hasil.newton1 <- newtonraphson(
  function(x) c(f1(x), df1(x)),
  x0 = 1.5, tol = 1e-10
)

hasil.bisection1 <- bisection(f1, 1, 2, tol = 1e-10)
hasil.uniroot1 <- uniroot(f1, c(1, 2), tol = 1e-10)

tabel1 <- data.frame(
  Metode = c("Newton-Raphson", "Bisection", "uniroot()"),
  Akar = c(hasil.newton1$root, hasil.bisection1$root,
           hasil.uniroot1$root),
  Iterasi = c(hasil.newton1$iter, hasil.bisection1$iter,
              hasil.uniroot1$iter),
  Residual = c(abs(f1(hasil.newton1$root)),
               hasil.bisection1$residual,
               abs(f1(hasil.uniroot1$root)))
)

knitr::kable(tabel1, digits = 12,
             caption = "Perbandingan metode pencarian akar soal nomor 1")
Perbandingan metode pencarian akar soal nomor 1
Metode Akar Iterasi Residual
Newton-Raphson 1.521379707 3 0.0e+00
Bisection 1.521379707 33 3.3e-11
uniroot() 1.521379707 8 0.0e+00

Interpretasi. Ketiga metode menghasilkan akar yang mendekati 1,5213797068. Newton-Raphson memanfaatkan turunan pertama sehingga dapat mencapai toleransi dengan jumlah iterasi yang relatif sedikit ketika tebakan awal berada cukup dekat dengan akar. Bisection mempertahankan akar di dalam interval [1, 2], sehingga prosesnya lebih terjamin, tetapi umumnya membutuhkan iterasi lebih banyak. Fungsi uniroot() memberikan hasil pembanding dengan metode pencarian akar yang tersedia di R.

4 2. Kuantil t

Cari t0,975 untuk df = 9 dengan Newton (f = pt(x, 9) − 0,975, f’ = dt(x, 9)), bandingkan dengan qt(0.975, 9). Coba x0 = 10 dan jelaskan hasilnya.

Turunan fungsi distribusi kumulatif t adalah fungsi kepadatan t. Perhitungan dilakukan menggunakan tebakan awal x0 = 2 sebagai pembanding yang konvergen, kemudian dicoba kembali dengan x0 = 10 sesuai instruksi soal.

df <- 9
p <- 0.975

ft <- function(x) pt(x, df = df) - p
dft <- function(x) dt(x, df = df)

hasil.newton2 <- newtonraphson(
  function(x) c(ft(x), dft(x)),
  x0 = 2, tol = 1e-10
)

nilai.qt <- qt(0.975, 9)

# Percobaan sesuai soal: x0 = 10
hasil.x10 <- newtonraphson(
  function(x) c(ft(x), dft(x)),
  x0 = 10, tol = 1e-10, max.iter = 100
)

tabel2 <- data.frame(
  Metode = c("Newton-Raphson (x0 = 2)", "qt(0.975, 9)",
             "Newton-Raphson (x0 = 10)"),
  Kuantil = c(hasil.newton2$root, nilai.qt, hasil.x10$root),
  Iterasi = c(hasil.newton2$iter, NA, hasil.x10$iter),
  Konvergen = c(hasil.newton2$converged, NA, hasil.x10$converged)
)

knitr::kable(tabel2, digits = 12,
             caption = "Perbandingan kuantil distribusi t, df = 9")
Perbandingan kuantil distribusi t, df = 9
Metode Kuantil Iterasi Konvergen
Newton-Raphson (x0 = 2) 2.262157163 4 TRUE
qt(0.975, 9) 2.262157163 NA NA
Newton-Raphson (x0 = 10) NA 2 FALSE

Interpretasi. Nilai kuantil t untuk peluang 0,975 dan derajat bebas 9 adalah sekitar 2,262157, sesuai dengan hasil fungsi qt(0.975, 9). Newton-Raphson dengan tebakan awal x0 = 2 dapat digunakan untuk memperoleh nilai yang mendekati kuantil tersebut. Ketika x0 = 10 digunakan, nilai dt(10, 9) sangat kecil sehingga pembagian pada langkah Newton dapat menghasilkan langkah yang sangat besar. Akibatnya, iterasi dapat gagal mencapai akar. Hal ini menunjukkan bahwa konvergensi Newton-Raphson dipengaruhi oleh pemilihan tebakan awal.

5 3. Secant

Selesaikan cos x = x dengan Secant (x0 = 0, x1 = 1) dan Newton (x0 = 1). Bandingkan iterasi dan jumlah evaluasi fungsi.

Persamaan ditulis menjadi f(x) = cos(x) − x, dengan turunan f’(x) = −sin(x) − 1.

f3 <- function(x) cos(x) - x
df3 <- function(x) -sin(x) - 1

# Menghitung iterasi dan evaluasi fungsi untuk metode Secant
secant_trace <- function(f, x0, x1, tol = 1e-10, max.iter = 100) {
  f0 <- f(x0)
  f1 <- f(x1)
  evaluasi_f <- 2
  iter <- 0

  while (is.finite(f1) && abs(f1) > tol && iter < max.iter) {
    if (f1 == f0) break

    x2 <- x1 - f1 * (x1 - x0) / (f1 - f0)
    x0 <- x1
    f0 <- f1
    x1 <- x2
    f1 <- f(x1)
    evaluasi_f <- evaluasi_f + 1
    iter <- iter + 1
  }

  list(root = x1, iter = iter, evaluasi_f = evaluasi_f)
}

# Menghitung iterasi dan evaluasi fungsi untuk Newton-Raphson
newton_trace <- function(f, df, x0, tol = 1e-10, max.iter = 100) {
  x <- x0
  fx <- f(x)
  evaluasi_f <- 1
  evaluasi_turunan <- 0
  iter <- 0

  while (is.finite(fx) && abs(fx) > tol && iter < max.iter) {
    dfx <- df(x)
    evaluasi_turunan <- evaluasi_turunan + 1
    if (!is.finite(dfx) || dfx == 0) break

    x <- x - fx / dfx
    fx <- f(x)
    evaluasi_f <- evaluasi_f + 1
    iter <- iter + 1
  }

  list(root = x, iter = iter, evaluasi_f = evaluasi_f,
       evaluasi_turunan = evaluasi_turunan)
}

hasil.secant3 <- secant_trace(f3, 0, 1, tol = 1e-10)
hasil.newton3 <- newton_trace(f3, df3, 1, tol = 1e-10)

tabel3 <- data.frame(
  Metode = c("Secant", "Newton-Raphson"),
  Akar = c(hasil.secant3$root, hasil.newton3$root),
  Iterasi = c(hasil.secant3$iter, hasil.newton3$iter),
  Evaluasi_fungsi = c(hasil.secant3$evaluasi_f,
                      hasil.newton3$evaluasi_f),
  Evaluasi_turunan = c(0, hasil.newton3$evaluasi_turunan)
)

knitr::kable(tabel3, digits = 12,
             caption = "Perbandingan Secant dan Newton-Raphson")
Perbandingan Secant dan Newton-Raphson
Metode Akar Iterasi Evaluasi_fungsi Evaluasi_turunan
Secant 0.7390851332 5 7 0
Newton-Raphson 0.7390851332 4 5 4

Interpretasi. Kedua metode menghasilkan akar yang mendekati 0,7390851332. Newton-Raphson menggunakan turunan pertama dan umumnya memerlukan iterasi lebih sedikit ketika tebakan awal cukup dekat dengan akar. Metode Secant tidak memerlukan turunan, tetapi menggunakan dua tebakan awal untuk membentuk garis sekan. Kolom evaluasi fungsi menunjukkan banyaknya pemanggilan fungsi selama proses iterasi, sedangkan evaluasi turunan dicatat secara terpisah untuk Newton-Raphson.

6 4. Proyek mini

Taksir MLE parameter bentuk Gamma (α) dari data Anda dengan Newton (rumus di bawah, f’ = 1/α − trigamma(α)), α0 = 1/(2s). Bandingkan dengan MASS::fitdistr.

f(α) = ln(α) − ψ(α) − [ln(x̄) − (1/n) Σ ln(xᵢ)] = 0

dengan ψ merupakan fungsi digamma dan f’(α) = 1/α − trigamma(α).

Data positif berikut digunakan sebagai data contoh. Untuk mengikuti bentuk persamaan pada modul, s didefinisikan sebagai ln(x̄) − rata-rata ln(xᵢ), sehingga nilai awal α0 = 1/(2s).

# Data dummy positif
x <- c(12, 18, 25, 31, 42, 47, 58, 66, 79, 95)

n <- length(x)
s <- log(mean(x)) - mean(log(x))
alpha0 <- 1 / (2 * s)

f_gamma <- function(alpha) {
  log(alpha) - digamma(alpha) -
    (log(mean(x)) - mean(log(x)))
}

df_gamma <- function(alpha) {
  1 / alpha - trigamma(alpha)
}

hasil.newton4 <- newtonraphson(
  function(alpha) c(f_gamma(alpha), df_gamma(alpha)),
  x0 = alpha0, tol = 1e-10, max.iter = 100
)

if (!requireNamespace("MASS", quietly = TRUE)) {
  stop("Paket MASS belum tersedia. Jalankan install.packages('MASS').")
}

hasil.fitdistr <- MASS::fitdistr(x, densfun = "gamma")

tabel4 <- data.frame(
  Metode = c("Newton-Raphson", "MASS::fitdistr()"),
  Parameter_bentuk_alpha = c(
    hasil.newton4$root,
    unname(hasil.fitdistr$estimate["shape"])
  ),
  Parameter_rate = c(
    NA,
    unname(hasil.fitdistr$estimate["rate"])
  ),
  Iterasi = c(hasil.newton4$iter, NA)
)

knitr::kable(tabel4, digits = 10,
             caption = "Perbandingan estimasi parameter Gamma")
Perbandingan estimasi parameter Gamma
Metode Parameter_bentuk_alpha Parameter_rate Iterasi
Newton-Raphson 2.971962065 NA 3
MASS::fitdistr() 2.971968309 0.0628322981 NA

Interpretasi. Metode Newton-Raphson digunakan untuk memperoleh penduga maksimum likelihood parameter bentuk Gamma dengan mencari akar persamaan skor pada modul. Hasil estimasi parameter bentuk kemudian dibandingkan dengan MASS::fitdistr(). Kedua hasil parameter bentuk seharusnya sangat dekat karena menggunakan prinsip maksimum likelihood yang sama. Pada data dummy yang digunakan, estimasi parameter bentuk berada di sekitar 2,971962. Perbedaan kecil dapat terjadi karena toleransi dan kriteria penghentian numerik. Parameter rate dari fitdistr() ditampilkan sebagai informasi tambahan.

7 Kesimpulan

Berdasarkan keempat soal, metode Newton-Raphson dapat digunakan untuk mencari akar persamaan dan menyelesaikan persoalan statistika seperti pencarian kuantil distribusi t serta estimasi parameter bentuk Gamma. Metode Secant dapat menjadi alternatif ketika turunan fungsi tidak digunakan, sedangkan Bisection dan uniroot() digunakan sebagai pembanding pada pencarian akar. Hasil Newton-Raphson sangat dipengaruhi oleh tebakan awal, seperti terlihat pada percobaan kuantil t dengan x0 = 10.