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.
# 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")
| 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 |
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.
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.
# 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")
| 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
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.
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.
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")
| 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.
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.
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")
| 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