# Fungsi Trapezoidal Komposit
trapezoid <- function(ftn, a, b, n = 100) {
  h <- (b - a) / n
  x.vec <- seq(a, b, by = h)
  f.vec <- sapply(x.vec, ftn)
  T_val <- h * (f.vec[1]/2 + sum(f.vec[2:n]) + f.vec[n+1]/2)
  return(T_val)
}

# Fungsi Simpson 1/3 Komposit dengan n tetap 
simpson_n <- function(ftn, a, b, n = 100) {
  n <- max(c(2 * (n %/% 2), 4))
  h <- (b - a) / n
  x.vec1 <- seq(a + h, b - h, by = 2 * h)
  x.vec2 <- seq(a + 2 * h, b - 2 * h, by = 2 * h)
  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)
}

# Fungsi Simpson Otomatis berdasarkan Toleransi
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
  while (S.diff > tol) {
    S.old <- S; n <- 2 * n; h <- h / 2
    fx[seq(1, n + 1, by = 2)] <- fx
    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)
}

Interpretasi: Ketiga fngsi R yang didefinisikan merupakan implementasi metode integrasi numerik komposit untuk menghampiri luas di bawah kurva ∫_a^b▒〖f(x)〗 dx pada selang berhingga [a,b]. Fungsi trapezoid() membagi selang menjadi n subselang sama lebar dan menghampiri tiap bagian dengan garis lurus (bobot 1,2,…,2, 1) sehingga menghasilkan galat berorde O(h^2) atau O(n^(-2)). Sebaliknya, fungsi simpson_n() menghampiri tiap pasangan subselang dengan parabola melalui tiga titik (memerlukan n genap dengan bobot 1, 4, 2,…., 4, 1) sehingga lebih akurat dengan orde galat O(h^4) atau O(n^(-4)). Dan fungsi simpson() mengembangkan aturan simpson dengan menggandakan jumlah partisi n secara berulang sambil memakai kembali evaluasi titik lama hingga selisih antar-iterasi |S(2n)-S(n)| memenuhi batas toleransi yang ditentukan.

1.Trapezoidal dan Simpson

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

galat_T <- sapply(n_vals, function(n) abs(trapezoid(f_sin, 0, pi, n) - eksak))
galat_S <- sapply(n_vals, function(n) abs(simpson_n(f_sin, 0, pi, n) - eksak))

# Hitung rasio galat antar-n (galat sebelumnya / galat sekarang)
rasio_T <- c(NA, head(galat_T, -1) / tail(galat_T, -1))
rasio_S <- c(NA, head(galat_S, -1) / tail(galat_S, -1))

tabel_1 <- data.frame(
  n = n_vals,
  Galat_Trapezoidal = galat_T,
  Rasio_T = round(rasio_T, 4),
  Galat_Simpson = galat_S,
  Rasio_S = round(rasio_S, 4)
)
print(tabel_1)
##    n Galat_Trapezoidal Rasio_T Galat_Simpson Rasio_S
## 1  4       0.103881102      NA  4.559755e-03      NA
## 2  8       0.025768398  4.0313  2.691699e-04 16.9401
## 3 16       0.006429656  4.0077  1.659105e-05 16.2238
## 4 32       0.001606639  4.0019  1.033369e-06 16.0553

Interpretasi: Hasil simulasi integrasi numerik menunjukkan perbedaan akurasi dan laju konvergensi yang sangat mencolok antara kedua metode. Pada aturan Trapezoidal, setiap kali jumlah partisi n digandakan dari 4 ke 8, 16, hingga 32, nilai galat mutlak menyusut menjadi seperempatnya dengan rasio antar-n yang konsisten mendekati 4 sesuai orde galat O(h^2) atau O(n^(-2)). Dan pada aturan simpson 1/3 yang menghampiri kurva dengan potongan parabola, penggandaan jumlah subselang n memangkas galat secara drastis dengan rasio antar-n yang mendekati 16 sesuai orde galat O(h^4) atau O(n^(-4)), sehingga pada n=32 galat Simpson sudah mencapai kisaran 10^(-6).

2.Nilai harapan

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

# Hitung pada selang potong [0, 20] dengan simpson() tol = 10^-8
ex_simpson <- simpson(integran_gamma, a = 0, b = 20, tol = 1e-8, verbose = TRUE)
## partition size: 4096
# Pembanding fungsi bawaan integrate() pada [0, Inf] dan [0, 20]
ex_int_inf <- integrate(integran_gamma, lower = 0, upper = Inf)$value
ex_int_20  <- integrate(integran_gamma, lower = 0, upper = 20)$value

data.frame(
  Metode = c("Teoritis (shape/rate)", "simpson() [0, 20]", "integrate() [0, 20]", "integrate() [0, Inf]"),
  Nilai_Harapan = c(1.5, ex_simpson, ex_int_20, ex_int_inf),
  Galat_vs_1.5 = abs(c(1.5, ex_simpson, ex_int_20, ex_int_inf) - 1.5)
)
##                  Metode Nilai_Harapan Galat_vs_1.5
## 1 Teoritis (shape/rate)           1.5 0.000000e+00
## 2     simpson() [0, 20]           1.5 7.585577e-11
## 3   integrate() [0, 20]           1.5 7.327472e-14
## 4  integrate() [0, Inf]           1.5 3.181391e-09

Interpretasi: Nilai harapan teoritis untuk peubah acak X∼“Gamma” (“shape” =3,“rate” =2) adalah E(X)=α/β=3/2=1,5. Pemotongan batas atas integral tak hingga menjadi selang berhingga [0,20] menggunakan fungsi simpson() dengan toleransi 10^(-8) menghasilkan nilai harapan yang sangat presisi mendekati 1,5 dan selaras dengan keluaran fungsi adaptif bawaan integrate(). Selisih kecil yang tersisa pada digit desimal belakang sekitar 10^(-14) disebabkan oleh galat pemotongan ekor distribusi di atas x=20, yang nilainya sudah sangat kecil sehingga dapat diabaikan secara praktis.

3.Memilih n

f_poly <- function(x) 5 * x^4
eksak_3 <- 1
k_seq <- 2:16
eps_vec <- 2^(-k_seq)

n_T <- numeric(length(eps_vec))
n_S <- numeric(length(eps_vec))

for (i in seq_along(eps_vec)) {
  eps <- eps_vec[i]
  
  # Cari n_T terkecil (mulai n = 2, kelipatan 2 agar sebanding)
  nt <- 2
  while (abs(trapezoid(f_poly, 0, 1, nt) - eksak_3) > eps) {
    nt <- nt + 2
  }
  n_T[i] <- nt
  
  # Cari n_S terkecil (harus genap, mulai n = 2)
  ns <- 2
  while (abs(simpson_n(f_poly, 0, 1, ns) - eksak_3) > eps) {
    ns <- ns + 2
  }
  n_S[i] <- ns
}

# Tampilkan tabel ringkas
print(data.frame(k = k_seq, epsilon = eps_vec, n_T = n_T, n_S = n_S))
##     k      epsilon n_T n_S
## 1   2 2.500000e-01   4   2
## 2   3 1.250000e-01   4   2
## 3   4 6.250000e-02   6   2
## 4   5 3.125000e-02   8   2
## 5   6 1.562500e-02  12   2
## 6   7 7.812500e-03  16   2
## 7   8 3.906250e-03  22   2
## 8   9 1.953125e-03  30   6
## 9  10 9.765625e-04  42   6
## 10 11 4.882812e-04  60   8
## 11 12 2.441406e-04  84   8
## 12 13 1.220703e-04 118  10
## 13 14 6.103516e-05 166  12
## 14 15 3.051758e-05 234  14
## 15 16 1.525879e-05 332  16
# Plot n terhadap epsilon dalam skala log-log
plot(eps_vec, n_T, log = "xy", type = "b", pch = 16, col = "darkorange", lwd = 2,
     ylim = range(c(n_T, n_S)),
     xlab = expression(paste("Toleransi ", epsilon, " (skala log)")),
     ylab = "Jumlah Subselang n Terkecil (skala log)",
     main = expression(paste("Perbandingan Kebutuhan n pada ", integral(5*x^4*dx, 0, 1))))
lines(eps_vec, n_S, type = "b", pch = 17, col = "darkgreen", lwd = 2)
legend("topright", legend = c("Trapezoidal (kemiringan -1/2)", "Simpson (kemiringan -1/4)"),
       col = c("darkorange", "darkgreen"), pch = c(16, 17), lwd = 2)
grid()

Interpretasi: Grafik skala log-log memperlihatkan bahwa untuk mencapai target toleransi ε = 2^(-k) yang semakin kecil, kebutuhan jumlah partisi n pada aturan Trapezoidal melonjak jauh lebih tajam dibandingkan aturan Simpson. Karena galat Trapezoidal berorde O(n^(-2) ) (n∝ϵ^(-1/2)), setiap penurunan ε sebesar faktor 2^2=4 menuntut penggandaan nilai n_T sehingga pada ε = 2^(-16) dibutuhkan ratusan subselang. Sebaliknya, karena Simpson memiliki orde galat O(n^(-4) ) (n∝ϵ^(-1/4)), kurva n_S memiliki kemiringan yang jauh lebih landai setengah dari kemiringan Trapezoidal pada plot log-log dan hanya memerlukan n_S=16 partisi untuk menembus batas ketelitian tertinggi 2^(-16).

4.royek mini: AUC ROC

set.seed(2026)
skor_pos <- rnorm(100, mean = 1, sd = 1) # 100 kasus positif N(1, 1)
skor_neg <- rnorm(100, mean = 0, sd = 1) # 100 kasus negatif N(0, 1)

# Bangun titik kurva ROC (FPR, TPR) pada berbagai ambang batas (threshold)
thresholds <- sort(unique(c(-Inf, skor_pos, skor_neg, Inf)), decreasing = TRUE)
FPR <- sapply(thresholds, function(th) mean(skor_neg >= th))
TPR <- sapply(thresholds, function(th) mean(skor_pos >= th))

# Pastikan urutan titik dari kiri ke kanan (FPR menaik dari 0 ke 1)
ord <- order(FPR, TPR)
FPR <- FPR[ord]
TPR <- TPR[ord]

# Hitung AUC dengan rumus Trapezoidal data tak seragam (Slide 10 P12)
auc_trap <- sum(diff(FPR) * (head(TPR, -1) + tail(TPR, -1)) / 2)

# Bandingkan dengan probabilitas empiris P(skor+ > skor-) (statistik Mann-Whitney)
prob_empiris <- mean(outer(skor_pos, skor_neg, ">"))

# Plot Kurva ROC
plot(FPR, TPR, type = "l", col = "steelblue", lwd = 2.5,
     xlab = "False Positive Rate (1 - Spesifisitas)",
     ylab = "True Positive Rate (Sensitivitas)",
     main = paste("Kurva ROC (AUC Trapezoidal =", round(auc_trap, 4), ")"))
abline(0, 1, lty = 2, col = "gray")

cat("AUC Trapezoidal    :", auc_trap, "\n")
## AUC Trapezoidal    : 0.7127
cat("P(skor+ > skor-)   :", prob_empiris, "\n")
## P(skor+ > skor-)   : 0.7127
cat("Selisih            :", abs(auc_trap - prob_empiris), "\n")
## Selisih            : 0

Interpretasi: Berdasarkan simulasi 100 skor positif N(1,1) dan 100 skor negatif N(0,1) dengan (set.seed(2026)), perhitungan luas di bawah kurva (Area Under the Curve/AUC) ROC menggunakan aturan Trapezoidal untuk jarak partisi tak seragam menghasilkan nilai sekitar 0,7127. Nilai AUC numerik ini sama persis selisih nol dengan peluang empiris P(〖skor〗^+ > 〖skor〗^-) yang dihitung melalui perbandingan berpasangan seluruh observasi. Kesamaan ini membuktikan teorema dasar dalam statistika klasifikasi bahwa AUC kurva ROC yang diintegrasikan secara trapesium ekuivalen dengan statistik uji Wilcoxon-Mann-Whitney, yang menunjukkan kemampuan diskriminasi model sebesar ≈71,27% dalam membedakan kasus positif dan negatif.