Laporan ini membahas penerapan aturan Trapezoidal dan Simpson untuk menghitung integral numerik. Pembahasan mengikuti empat penugasan pada halaman 23 materi Pertemuan 12. Setiap soal dilengkapi kode R, hasil perhitungan, dan interpretasi dalam satu paragraf.
Fungsi berikut mengikuti struktur kode pada file pendamping Pertemuan
12. Aturan Trapezoidal digunakan untuk jumlah subselang sama lebar,
sedangkan Simpson 1/3 mensyaratkan jumlah subselang genap. Fungsi
simpson() menggandakan jumlah partisi sampai selisih dua
pendekatan berturut-turut tidak melebihi toleransi.
# Aturan Trapezoidal dengan n subselang sama lebar
trapezoid <- function(ftn, a, b, n = 100) {
if (n < 2 || n != as.integer(n)) {
stop("n harus bilangan bulat dan minimal 2")
}
h <- (b - a) / n
x.vec <- seq(a, b, length.out = n + 1)
f.vec <- sapply(x.vec, ftn)
T <- h * (f.vec[1] / 2 + sum(f.vec[2:n]) + f.vec[n + 1] / 2)
return(T)
}
# Aturan Simpson 1/3 dengan n subselang (n genap)
simpson_n <- function(ftn, a, b, n = 100) {
if (n < 2 || n != as.integer(n)) {
stop("n harus bilangan bulat positif")
}
if (n %% 2 != 0) stop("n untuk Simpson harus genap")
h <- (b - a) / n
x.vec <- seq(a, b, length.out = n + 1)
f.vec <- sapply(x.vec, ftn)
# Menghitung jumlah titik dengan bobot 2
jumlah.bobot2 <- if (n > 2) {
sum(f.vec[seq(3, n - 1, by = 2)])
} else {
0
}
S <- h / 3 * (
f.vec[1] + f.vec[n + 1] +
4 * sum(f.vec[seq(2, n, by = 2)]) +
2 * jumlah.bobot2
)
return(S)
}
# Simpson dengan toleransi: n digandakan sampai selisih <= tol
simpson <- function(ftn, a, b, tol = 1e-8, verbose = FALSE) {
n <- 4
S <- simpson_n(ftn, a, b, n)
S.diff <- tol + 1
while (S.diff > tol) {
S.old <- S
n <- 2 * n
S <- simpson_n(ftn, a, b, n)
S.diff <- abs(S - S.old)
}
if (verbose) cat("partition size", n, "\n")
return(S)
}
Hitung integral dari 0 sampai pi sin x dx = 2 dengan n = 4, 8, 16, 32. Tabelkan galat dan rasio antar-n; apakah mendekati 4 dan 16?
f1 <- function(x) sin(x)
nilai.eksak1 <- 2
n1 <- c(4, 8, 16, 32)
hasil1 <- data.frame(
n = n1,
Trapezoidal = sapply(n1, function(n) trapezoid(f1, 0, pi, n)),
Simpson = sapply(n1, function(n) simpson_n(f1, 0, pi, n))
)
hasil1$Galat_Trapezoidal <- abs(hasil1$Trapezoidal - nilai.eksak1)
hasil1$Galat_Simpson <- abs(hasil1$Simpson - nilai.eksak1)
hasil1$Rasio_Galat_Trapezoidal <- c(
NA, head(hasil1$Galat_Trapezoidal, -1) /
tail(hasil1$Galat_Trapezoidal, -1)
)
hasil1$Rasio_Galat_Simpson <- c(
NA, head(hasil1$Galat_Simpson, -1) /
tail(hasil1$Galat_Simpson, -1)
)
knitr::kable(hasil1, digits = 10,
caption = "Perbandingan galat aturan Trapezoidal dan Simpson")
| n | Trapezoidal | Simpson | Galat_Trapezoidal | Galat_Simpson | Rasio_Galat_Trapezoidal | Rasio_Galat_Simpson |
|---|---|---|---|---|---|---|
| 4 | 1.896118898 | 2.004559755 | 0.1038811021 | 0.0045597550 | NA | NA |
| 8 | 1.974231602 | 2.000269170 | 0.0257683981 | 0.0002691699 | 4.031337216 | 16.94005966 |
| 16 | 1.993570344 | 2.000016591 | 0.0064296562 | 0.0000165910 | 4.007741183 | 16.22380632 |
| 32 | 1.998393361 | 2.000001033 | 0.0016066390 | 0.0000010334 | 4.001929561 | 16.05529226 |
Interpretasi. Ketika jumlah subselang diperbesar dari 4 menjadi 8, 16, dan 32, galat kedua metode semakin kecil. Rasio galat Trapezoidal untuk setiap penggandaan n mendekati 4, sesuai dengan orde galat h kuadrat atau n pangkat minus dua. Sementara itu, rasio galat Simpson mendekati 16, sesuai dengan orde galat h pangkat empat atau n pangkat minus empat. Dengan demikian, untuk fungsi yang cukup mulus seperti sin x, Simpson memberikan ketelitian yang lebih tinggi dibandingkan Trapezoidal pada jumlah subselang yang sama.
Untuk X ~ Gamma(shape = 3, rate = 2), hitung E(X) = integral x f(x) dx dengan simpson() pada [0, 20] (tol 10−8), lalu bandingkan dengan 1,5 dan integrate().
# Fungsi kepadatan Gamma(shape = 3, rate = 2)
f_gamma <- function(x) dgamma(x, shape = 3, rate = 2)
# Fungsi yang diintegralkan untuk memperoleh E(X)
g2 <- function(x) x * f_gamma(x)
hasil.simpson2 <- simpson(g2, 0, 20, tol = 1e-8, verbose = TRUE)
## partition size 4096
hasil.integrate2 <- integrate(g2, 0, 20, rel.tol = 1e-10)$value
nilai.eksak2 <- 3 / 2
tabel2 <- data.frame(
Metode = c("Simpson", "integrate()", "Nilai teoretis"),
Nilai_E_X = c(hasil.simpson2, hasil.integrate2, nilai.eksak2),
Galat_absolut = c(
abs(hasil.simpson2 - nilai.eksak2),
abs(hasil.integrate2 - nilai.eksak2),
0
)
)
knitr::kable(tabel2, digits = 12,
caption = "Perbandingan estimasi nilai harapan Gamma")
| Metode | Nilai_E_X | Galat_absolut |
|---|---|---|
| Simpson | 1.5 | 7.6e-11 |
| integrate() | 1.5 | 0.0e+00 |
| Nilai teoretis | 1.5 | 0.0e+00 |
Interpretasi. Berdasarkan distribusi Gamma dengan
parameter shape 3 dan rate 2, nilai harapan teoretis adalah 3/2 atau
1,5. Hasil integrasi numerik menggunakan aturan Simpson pada interval
[0, 20] dan fungsi integrate() dibandingkan dengan nilai
teoretis tersebut. Hasil yang mendekati 1,5 menunjukkan bahwa pendekatan
integrasi numerik dapat digunakan untuk menghitung nilai harapan.
Selisih kecil yang masih muncul disebabkan oleh pendekatan numerik dan
pemotongan batas integral sampai 20.
Untuk integral dari 0 sampai 1 5x⁴ dx, cari nT(ε) dan nS(ε) terkecil agar galat ≤ ε = 2−k, k = 2, …, 16. Plot terhadap ε (skala log).
Nilai eksak integral tersebut adalah 1. Untuk Trapezoidal, n dicari mulai dari 2. Untuk Simpson, n dicari pada bilangan genap mulai dari 2 karena aturan Simpson 1/3 mensyaratkan n genap.
f3 <- function(x) 5 * x^4
nilai.eksak3 <- 1
k.vec <- 2:16
epsilon.vec <- 2^(-k.vec)
# Mencari n terkecil untuk Trapezoidal
cari_n_trapezoid <- function(epsilon) {
n <- 2
repeat {
galat <- abs(trapezoid(f3, 0, 1, n) - nilai.eksak3)
if (galat <= epsilon) return(c(n = n, galat = galat))
n <- n + 1
}
}
# Mencari n terkecil untuk Simpson (n harus genap)
cari_n_simpson <- function(epsilon) {
n <- 2
repeat {
galat <- abs(simpson_n(f3, 0, 1, n) - nilai.eksak3)
if (galat <= epsilon) return(c(n = n, galat = galat))
n <- n + 2
}
}
hasil3 <- data.frame(
k = k.vec,
epsilon = epsilon.vec,
nT = sapply(epsilon.vec, function(e) cari_n_trapezoid(e)["n"]),
galat_T = sapply(epsilon.vec, function(e) cari_n_trapezoid(e)["galat"]),
nS = sapply(epsilon.vec, function(e) cari_n_simpson(e)["n"]),
galat_S = sapply(epsilon.vec, function(e) cari_n_simpson(e)["galat"])
)
knitr::kable(hasil3, digits = 10,
caption = "Jumlah subselang terkecil untuk setiap toleransi")
| k | epsilon | nT | galat_T | nS | galat_S |
|---|---|---|---|---|---|
| 2 | 0.2500000000 | 3 | 0.1831275720 | 2 | 0.0416666667 |
| 3 | 0.1250000000 | 4 | 0.1035156250 | 2 | 0.0416666667 |
| 4 | 0.0625000000 | 6 | 0.0461676955 | 2 | 0.0416666667 |
| 5 | 0.0312500000 | 8 | 0.0260009766 | 4 | 0.0026041667 |
| 6 | 0.0156250000 | 11 | 0.0137627211 | 4 | 0.0026041667 |
| 7 | 0.0078125000 | 15 | 0.0074041152 | 4 | 0.0026041667 |
| 8 | 0.0039062500 | 21 | 0.0037784325 | 4 | 0.0026041667 |
| 9 | 0.0019531250 | 30 | 0.0018516461 | 6 | 0.0005144033 |
| 10 | 0.0009765625 | 42 | 0.0009447688 | 6 | 0.0005144033 |
| 11 | 0.0004882812 | 59 | 0.0004787759 | 8 | 0.0001627604 |
| 12 | 0.0002441406 | 83 | 0.0002419281 | 8 | 0.0001627604 |
| 13 | 0.0001220703 | 117 | 0.0001217514 | 10 | 0.0000666667 |
| 14 | 0.0000610352 | 166 | 0.0000604827 | 12 | 0.0000321502 |
| 15 | 0.0000305176 | 234 | 0.0000304380 | 14 | 0.0000173539 |
| 16 | 0.0000152588 | 331 | 0.0000152122 | 16 | 0.0000101725 |
# Plot n terkecil terhadap epsilon dengan skala log
plot(
hasil3$epsilon, hasil3$nT,
log = "xy", type = "b", pch = 16,
xlab = expression(epsilon),
ylab = "Jumlah subselang terkecil (n)",
main = "Pemilihan n pada Trapezoidal dan Simpson"
)
lines(hasil3$epsilon, hasil3$nS, type = "b", pch = 17)
legend(
"topleft",
legend = c("Trapezoidal", "Simpson"),
lty = 1, pch = c(16, 17), bty = "n"
)
Interpretasi. Semakin kecil nilai toleransi ε, semakin kecil galat yang diizinkan sehingga jumlah subselang yang dibutuhkan cenderung semakin besar. Tabel menunjukkan nilai n terkecil yang memenuhi batas galat untuk masing-masing metode. Simpson umumnya membutuhkan jumlah subselang lebih sedikit dibandingkan Trapezoidal karena memiliki orde galat yang lebih tinggi untuk fungsi yang cukup mulus. Grafik berskala log memperlihatkan hubungan antara toleransi dan jumlah subselang yang diperlukan.
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(skor⁺ > skor⁻).
set.seed(2026)
# Membangkitkan skor untuk dua kelompok
skor_positif <- rnorm(100, mean = 1, sd = 1)
skor_negatif <- rnorm(100, mean = 0, sd = 1)
# Menggabungkan data dan label
skor <- c(skor_positif, skor_negatif)
label <- c(rep(1, 100), rep(0, 100))
# Menghitung titik-titik kurva ROC
ambang <- c(Inf, sort(unique(skor), decreasing = TRUE), -Inf)
tpr <- numeric(length(ambang))
fpr <- numeric(length(ambang))
for (i in seq_along(ambang)) {
prediksi <- skor >= ambang[i]
tpr[i] <- sum(prediksi & label == 1) / sum(label == 1)
fpr[i] <- sum(prediksi & label == 0) / sum(label == 0)
}
# Urutkan FPR agar integral dihitung dari kiri ke kanan
urutan <- order(fpr, tpr)
fpr <- fpr[urutan]
tpr <- tpr[urutan]
# AUC menggunakan aturan Trapezoidal untuk titik tak seragam
auc.trapezoid <- sum(
diff(fpr) * (head(tpr, -1) + tail(tpr, -1)) / 2
)
# Pembanding: proporsi seluruh pasangan skor positif > skor negatif
auc.pasangan <- mean(outer(skor_positif, skor_negatif, ">"))
tabel4 <- data.frame(
Metode = c("Trapezoidal pada kurva ROC", "P(skor+ > skor-)"),
AUC = c(auc.trapezoid, auc.pasangan)
)
knitr::kable(tabel4, digits = 10,
caption = "Perbandingan estimasi AUC ROC")
| Metode | AUC |
|---|---|
| Trapezoidal pada kurva ROC | 0.7127 |
| P(skor+ > skor-) | 0.7127 |
# Visualisasi kurva ROC
plot(
fpr, tpr, type = "l", lwd = 2,
xlim = c(0, 1), ylim = c(0, 1),
xlab = "False Positive Rate",
ylab = "True Positive Rate",
main = "Kurva ROC"
)
abline(0, 1, lty = 2, col = "gray")
Interpretasi. Data simulasi dibangkitkan menggunakan
set.seed(2026) agar hasil dapat direproduksi. AUC dihitung
dengan menjumlahkan luas trapesium di bawah kurva ROC yang dibentuk dari
nilai False Positive Rate dan True Positive Rate. Hasil tersebut
dibandingkan dengan proporsi pasangan skor positif yang lebih besar
daripada skor negatif. Kedua pendekatan mengukur kemampuan skor dalam
membedakan kelompok positif dan negatif, sehingga hasilnya seharusnya
sama atau sangat dekat; selisih dapat muncul karena penanganan nilai
skor yang sama atau ties.
Aturan Trapezoidal dan Simpson dapat digunakan untuk menghampiri nilai integral secara numerik. Trapezoidal memiliki orde galat kuadrat terhadap lebar subselang, sedangkan Simpson 1/3 memiliki orde galat pangkat empat untuk fungsi yang memenuhi syarat kehalusan. Pemilihan jumlah subselang perlu mempertimbangkan toleransi galat dan efisiensi perhitungan. Pada penerapan statistika, integrasi numerik dapat digunakan untuk menghitung nilai harapan dan AUC kurva ROC.