Trapezoidal dan Simpson

Tujuan dan konsep

Soal ini menghitung integral tentu

[int_0^pi sin(x),dx = 2]

dengan metode trapesium komposit dan Simpson komposit untuk jumlah subinterval (n=4,8,16,32). Galat absolut adalah selisih antara hasil pendekatan dan nilai eksak. Rasio galat antar-(n) dihitung dengan membagi galat pada (n) sebelumnya dengan galat pada (n) sekarang. Jika (n) digandakan, rasio metode trapesium diharapkan mendekati 4, sedangkan rasio Simpson mendekati 16.

Syntax R

# Fungsi metode trapesium komposit
trapesium <- function(f, a, b, n) {
  h <- (b - a) / n
  x <- seq(a, b, length.out = n + 1)
  y <- f(x)
  h * (sum(y) - (y[1] + y[n + 1]) / 2)
}

# Fungsi metode Simpson 1/3 komposit (n harus genap)
simpson <- function(f, a, b, n) {
  if (n %% 2 != 0) stop("n harus genap")
  h <- (b - a) / n
  x <- seq(a, b, length.out = n + 1)
  y <- f(x)
  h / 3 * (y[1] + y[n + 1] +
             4 * sum(y[seq(2, n, by = 2)]) +
             2 * if (n > 2) sum(y[seq(3, n - 1, by = 2)]) else 0)
}

f <- function(x) sin(x)
nilai_eksak <- 2
n_values <- c(4, 8, 16, 32)

hasil1 <- data.frame(
  n = n_values,
  Trapesium = sapply(n_values, function(n) trapesium(f, 0, pi, n)),
  Simpson = sapply(n_values, function(n) simpson(f, 0, pi, n))
)

hasil1$Galat_Trapesium <- abs(hasil1$Trapesium - nilai_eksak)
hasil1$Galat_Simpson <- abs(hasil1$Simpson - nilai_eksak)

# Rasio galat: galat n sebelumnya dibagi galat n sekarang
hasil1$Rasio_Trapesium <- c(NA, head(hasil1$Galat_Trapesium, -1) /
                              tail(hasil1$Galat_Trapesium, -1))
hasil1$Rasio_Simpson <- c(NA, head(hasil1$Galat_Simpson, -1) /
                            tail(hasil1$Galat_Simpson, -1))

knitr::kable(hasil1, digits = 10,
             caption = "Hasil integrasi metode trapesium dan Simpson")
Hasil integrasi metode trapesium dan Simpson
n Trapesium Simpson Galat_Trapesium Galat_Simpson Rasio_Trapesium Rasio_Simpson
4 1.896119 2.004560 0.103881102 0.0045597550 NA NA
8 1.974232 2.000269 0.025768398 0.0002691699 4.031337 16.94006
16 1.993570 2.000017 0.006429656 0.0000165910 4.007741 16.22381
32 1.998393 2.000001 0.001606639 0.0000010334 4.001930 16.05529

Interpretasi

Berdasarkan tabel, kedua metode memberikan pendekatan terhadap nilai integral eksak sebesar 2. Ketika jumlah subinterval (n) diperbesar, galat absolut semakin kecil sehingga hasil perhitungan semakin mendekati nilai eksak. Rasio galat metode trapesium cenderung mendekati 4, sedangkan rasio galat metode Simpson cenderung mendekati 16. Hal ini menunjukkan bahwa metode Simpson memiliki tingkat ketelitian yang lebih tinggi dibandingkan metode trapesium untuk fungsi yang halus seperti (sin(x)). Dengan demikian, penggandaan jumlah subinterval membuat galat trapesium berkurang sekitar empat kali dan galat Simpson sekitar enam belas kali pada kondisi yang sesuai.

Nilai Harapan

Tujuan dan konsep

Diketahui peubah acak (X) berdistribusi Gamma dengan parameter shape = 3 dan rate = 2. Nilai harapan dihitung menggunakan

[E(X)=int_0^infty x f(x),dx.]

Karena integral numerik dilakukan pada interval terbatas ([0,20]), bagian ekor distribusi di atas 20 dianggap sangat kecil. Hasil pendekatan Simpson kemudian dibandingkan dengan nilai teoretis (E(X)=text{shape}/text{rate}) dan hasil fungsi integrate() dari R.

Syntax R

# Densitas distribusi Gamma
shape <- 3
rate <- 2
f_harapan <- function(x) x * dgamma(x, shape = shape, rate = rate)

# Simpson komposit dengan penambahan n sampai estimasi galat memenuhi toleransi.
# Untuk Simpson, estimasi galat Richardson adalah |S(2n)-S(n)|/15.
simpson_tol <- function(f, a, b, tol = 1e-8, n_awal = 4,
                        n_maks = 2^22) {
  n <- n_awal
  S_lama <- simpson(f, a, b, n)

  repeat {
    n_baru <- 2 * n
    if (n_baru > n_maks) stop("Batas iterasi tercapai")
    S_baru <- simpson(f, a, b, n_baru)
    galat_estimasi <- abs(S_baru - S_lama) / 15

    if (galat_estimasi <= tol) {
      return(list(nilai = S_baru, n = n_baru,
                  galat_estimasi = galat_estimasi))
    }

    n <- n_baru
    S_lama <- S_baru
  }
}

hasil_simpson <- simpson_tol(f_harapan, 0, 20, tol = 1e-8)
hasil_integrate <- integrate(f_harapan, lower = 0, upper = 20,
                             rel.tol = 1e-12, abs.tol = 1e-12)

nilai_teori <- shape / rate

tabel2 <- data.frame(
  Metode = c("Simpson komposit", "integrate() R", "Nilai teoretis"),
  Nilai = c(hasil_simpson$nilai, hasil_integrate$value, nilai_teori)
)

knitr::kable(tabel2, digits = 12,
             caption = "Perbandingan hasil perhitungan nilai harapan")
Perbandingan hasil perhitungan nilai harapan
Metode Nilai
Simpson komposit 1.5
integrate() R 1.5
Nilai teoretis 1.5
cat("Jumlah subinterval Simpson:", hasil_simpson$n, "\n")
## Jumlah subinterval Simpson: 2048
cat("Estimasi galat Simpson:", format(hasil_simpson$galat_estimasi,
                                      scientific = TRUE), "\n")
## Estimasi galat Simpson: 1.210348e-09
cat("Estimasi galat absolut terhadap nilai teori:",
    abs(hasil_simpson$nilai - nilai_teori), "\n")
## Estimasi galat absolut terhadap nilai teori: 1.212182e-09

Interpretasi

Berdasarkan hasil perhitungan, nilai harapan distribusi Gamma dengan shape 3 dan rate 2 secara teoretis adalah 1,5. Perhitungan menggunakan metode Simpson pada interval [0,20] menghasilkan nilai yang sangat dekat dengan 1,5. Hasil tersebut juga dibandingkan dengan fungsi integrate() pada R yang menggunakan integrasi numerik adaptif. Apabila ketiga hasil hampir sama, hal tersebut menunjukkan bahwa pendekatan Simpson telah memberikan hasil yang akurat pada toleransi yang ditentukan, yaitu (10^{-8}). Perbedaan yang sangat kecil dapat terjadi karena proses pendekatan numerik dan pembulatan komputer.

Memilih n

Tujuan dan konsep

Soal ini menentukan jumlah subinterval terkecil agar galat integrasi tidak melebihi (varepsilon=2^{-k}), untuk (k=2,ldots,16), pada integral

[int_0^1 5x^4,dx = 1.]

Nilai eksak integral adalah 1. Untuk setiap nilai epsilon, dicari jumlah subinterval terkecil pada metode trapesium dan Simpson yang memenuhi galat absolut kurang dari atau sama dengan epsilon. Metode Simpson menggunakan jumlah subinterval genap.

Syntax R

g <- function(x) 5 * x^4
nilai_eksak3 <- 1
k_values <- 2:16
epsilon <- 2^(-k_values)

# Mencari n terkecil yang memenuhi batas galat.
cari_n_trapesium <- function(eps, n_maks = 100000) {
  for (n in 1:n_maks) {
    galat <- abs(trapesium(g, 0, 1, n) - nilai_eksak3)
    if (galat <= eps) return(n)
  }
  NA
}

cari_n_simpson <- function(eps, n_maks = 100000) {
  for (n in seq(2, n_maks, by = 2)) {
    galat <- abs(simpson(g, 0, 1, n) - nilai_eksak3)
    if (galat <= eps) return(n)
  }
  NA
}

n_trapesium <- sapply(epsilon, cari_n_trapesium)
n_simpson <- sapply(epsilon, cari_n_simpson)

hasil3 <- data.frame(
  k = k_values,
  Epsilon = epsilon,
  n_Trapesium = n_trapesium,
  n_Simpson = n_simpson
)

knitr::kable(hasil3, digits = 8,
             caption = "Jumlah subinterval minimum untuk setiap epsilon")
Jumlah subinterval minimum untuk setiap epsilon
k Epsilon n_Trapesium n_Simpson
2 0.25000000 3 2
3 0.12500000 4 2
4 0.06250000 6 2
5 0.03125000 8 4
6 0.01562500 11 4
7 0.00781250 15 4
8 0.00390625 21 4
9 0.00195312 30 6
10 0.00097656 42 6
11 0.00048828 59 8
12 0.00024414 83 8
13 0.00012207 117 10
14 0.00006104 166 12
15 0.00003052 234 14
16 0.00001526 331 16
# Grafik hubungan epsilon dengan jumlah subinterval minimum
plot(epsilon, n_trapesium, type = "b", log = "x",
     xlab = expression(epsilon == 2^{-k}),
     ylab = "Jumlah subinterval minimum (n)",
     main = "Pemilihan n berdasarkan batas galat")
lines(epsilon, n_simpson, type = "b", lty = 2)
legend("topleft",
       legend = c("Trapesium", "Simpson"),
       lty = c(1, 2), pch = 1, bty = "n")

## Interpretasi

Berdasarkan tabel dan grafik, semakin kecil nilai epsilon, semakin ketat batas galat yang harus dipenuhi sehingga jumlah subinterval yang dibutuhkan cenderung semakin besar. Metode trapesium umumnya memerlukan jumlah subinterval lebih banyak dibandingkan metode Simpson untuk mencapai ketelitian yang sama. Hal tersebut disebabkan metode Simpson memiliki ketelitian yang lebih tinggi pada fungsi yang cukup halus. Grafik dengan sumbu epsilon berskala logaritmik memperlihatkan perubahan kebutuhan jumlah subinterval ketika toleransi galat semakin kecil. Nilai (n) pada tabel merupakan jumlah subinterval terkecil yang memenuhi batas galat untuk masing-masing metode.

Proyek Mini: AUC ROC

Tujuan dan konsep

Pada soal ini dibangkitkan 100 skor dari kelompok positif yang berdistribusi normal (N(1,1)) dan 100 skor dari kelompok negatif yang berdistribusi normal (N(0,1)). Nilai set.seed(2026) digunakan agar hasil simulasi dapat direproduksi. Kurva ROC dibentuk dengan menghitung True Positive Rate (TPR) dan False Positive Rate (FPR) pada berbagai nilai ambang (threshold). Luas di bawah kurva ROC atau AUC dihitung menggunakan metode trapesium. Nilai AUC juga dibandingkan dengan peluang empiris bahwa skor positif lebih besar daripada skor negatif, dengan ikatan nilai (ties) diberi bobot setengah.

Syntax R

set.seed(2026)

# Membangkitkan skor kelompok positif dan negatif
skor_positif <- rnorm(100, mean = 1, sd = 1)
skor_negatif <- rnorm(100, mean = 0, sd = 1)

# Membentuk threshold dari seluruh skor
threshold <- c(Inf, sort(unique(c(skor_positif, skor_negatif)),
                         decreasing = TRUE), -Inf)

# Menghitung TPR dan FPR untuk setiap threshold
TPR <- sapply(threshold, function(t) mean(skor_positif >= t))
FPR <- sapply(threshold, function(t) mean(skor_negatif >= t))

# AUC dengan aturan trapesium
AUC_trapesium <- sum(diff(FPR) *
                       (head(TPR, -1) + tail(TPR, -1)) / 2)

# Peluang empiris P(skor positif > skor negatif), ties dihitung 1/2
selisih <- outer(skor_positif, skor_negatif, "-")
peluang_pasangan <- mean(selisih > 0) + 0.5 * mean(selisih == 0)

# Tabel perbandingan
hasil4 <- data.frame(
  Metode = c("AUC metode trapesium", "P(skor positif > skor negatif)"),
  Nilai = c(AUC_trapesium, peluang_pasangan)
)

knitr::kable(hasil4, digits = 6,
             caption = "Perbandingan AUC ROC dan peluang pasangan skor")
Perbandingan AUC ROC dan peluang pasangan skor
Metode Nilai
AUC metode trapesium 0.7127
P(skor positif > skor negatif) 0.7127
# Menggambar kurva ROC
plot(FPR, TPR, type = "l", lwd = 2,
     xlab = "False Positive Rate (FPR)",
     ylab = "True Positive Rate (TPR)",
     main = paste("Kurva ROC - AUC =", round(AUC_trapesium, 4)))
abline(0, 1, lty = 2)

cat("AUC metode trapesium =", AUC_trapesium, "\n")
## AUC metode trapesium = 0.7127
cat("Peluang empiris pasangan skor =", peluang_pasangan, "\n")
## Peluang empiris pasangan skor = 0.7127
cat("Selisih kedua hasil =", abs(AUC_trapesium - peluang_pasangan), "\n")
## Selisih kedua hasil = 0