# 1. Fungsi Newton-Raphson
newtonraphson <- function(ftn, x0, tol = 1e-9, max.iter = 100) {
  x <- x0
  fx <- ftn(x)
  iter <- 0
  while ((abs(fx[1]) > tol) && (iter < max.iter)) {
    if (fx[2] == 0) {
      cat("Error: turunan nol (garis singgung mendatar)\n")
      return(NULL)
    }
    x <- x - fx[1] / fx[2]
    fx <- ftn(x)
    iter <- iter + 1
    cat("At iteration", iter, "value of x is:", x, "\n")
  }
  if (abs(fx[1]) > tol) {
    cat("Algorithm failed to converge\n")
    return(NULL)
  } else {
    cat("Algorithm converged\n")
    return(list(root = x, iter = iter))
  }
}

# 2. Fungsi Secant
secant <- function(ftn, x0, x1, tol = 1e-9, max.iter = 100) {
  f0 <- ftn(x0)
  f1 <- ftn(x1)
  iter <- 0
  while ((abs(f1) > tol) && (iter < max.iter)) {
    if (f1 == f0) {
      cat("error: f(x_i) = f(x_{i-1}), pembagi nol\n")
      return(NULL)
    }
    x2 <- x1 - f1 * (x1 - x0) / (f1 - f0)
    x0 <- x1; f0 <- f1
    x1 <- x2; f1 <- ftn(x1)
    iter <- iter + 1
    cat("At iteration", iter, "value of x is:", x1, "\n")
  }
  if (abs(f1) > tol) {
    cat("Algorithm failed to converge\n")
    return(NULL)
  } else {
    cat("Algorithm converged\n")
    return(list(root = x1, iter = iter))
  }
}

# 3. Fungsi Bisection (Pembanding dari Pertemuan 10)
bisection <- function(ftn, a, b, tol = 1e-10, max.iter = 200) {
  fa <- ftn(a); fb <- ftn(b)
  if (fa * fb > 0) stop("Akar tidak terkurung pada [a, b]")
  iter <- 0
  while (iter < max.iter) {
    m <- (a + b) / 2
    fm <- ftn(m)
    iter <- iter + 1
    if (abs(fm) <= tol) {
      return(list(root = m, iter = iter))
    }
    if (fa * fm < 0) {
      b <- m; fb <- fm
    } else {
      a <- m; fa <- fm
    }
  }
  return(list(root = m, iter = iter))
}

Interpretasi: Keempat fungsi R yang didefinisikan merupakan implementasi algoritma numerik untuk mencari akar persamaan non-linear f(x)=0 yang terbagi menjadi metode tertutup, terbuka, dan hibrida. Fungsi Bisection() bekerja secara tertutup dengan mempersempit selang pengurung [a,b] secara bertahap menggunakan nilai titik tengah sehingga konvergensinya selalu terjamin meskipun berjalan lambat secara linear (p=1). Sebaliknya fungsi newtonraphson() dan secant() bekerja secara terbuka tanpa pengurungan akar; newtonraphson() memanfaatkan kemiringan garis singgung dari turunan f’(x) untuk mencapai konvergensi kuadratik (p=2) yang sangat cepat, sedangkan secant() mengganti kebutuhan turunan tersebut dengan gradien garis sekan dari dua titik terakhir sehingga lebih hemat evaluasi fungsi dengan laju konvergensi superlinier (1,618). Untuk mengatasi kelemahan metode terbuka yang rentan divergen atau mengalami overflow ketika garis singgung hampir mendatar, fungsi newton_aman() menggabungkan kecepatan langkah Newton-Raphson dengan pengaman selang Bisection yang otomatis mengambil alih setiap kali tebakan baru keluar dari batas selang pengurung.

1.Newton-Raphson

# SOAL 1: Newton-Raphson pada f(x) = x^3 - x - 2

# Cek turunan dengan D()
D(expression(x^3 - x - 2), "x")
## 3 * x^2 - 1
f1_nr <- function(x) c(x^3 - x - 2, 3*x^2 - 1)
f1_raw <- function(x) x^3 - x - 2

# Newton-Raphson dengan x0 = 1.5, tol = 1e-10
res1_nr <- newtonraphson(f1_nr, x0 = 1.5, tol = 1e-10)
## At iteration 1 value of x is: 1.521739 
## At iteration 2 value of x is: 1.52138 
## At iteration 3 value of x is: 1.52138 
## Algorithm converged
print(res1_nr$root, digits = 12)
## [1] 1.5213797068
# Pembanding 1: Bisection pada [1, 2] dengan tol = 1e-10
res1_bi <- bisection(f1_raw, a = 1, b = 2, tol = 1e-10)
cat("Bisection -> Akar:", format(res1_bi$root, digits = 12), "| Iterasi:", res1_bi$iter, "\n")
## Bisection -> Akar: 1.5213797068 | Iterasi: 33
# Pembanding 2: uniroot pada [1, 2]
res1_uni <- uniroot(f1_raw, c(1, 2), tol = 1e-12)
cat("uniroot   -> Akar:", format(res1_uni$root, digits = 12), "| Iterasi:", res1_uni$iter, "\n")
## uniroot   -> Akar: 1.5213797068 | Iterasi: 8

Interpretasi: Berdasarkan hasil komputasi menggunakan R, turunan pertama dari fungsi f(x)=x^3-x-2 diperoleh sebesar f’(x)=3x^2-1. Dengan menggunakan metode Newton-Raphson, tebakan awal x_0=1,5, dan toleransi 10^(-10), diperoleh nilai iterasi pertama sebesar 1,521739, iterasi kedua sebesar 1,52138, dan iterasi ketiga sebesar 1,52138. Pada iterasi ketiga, algoritma dinyatakan konvergen karena perubahan nilai sudah memenuhi batas toleransi yang ditentukan. Hasil akhir menunjukkan bahwa akar persamaan yang diperoleh adalah 1,5213797068. Selanjutnya, dilakukan perbandingan menggunakan metode Bisection pada interval [1,2] yang menghasilkan akar sebesar 1,5213797068 dengan 33 iterasi. Sementara itu, metode uniroot() menghasilkan akar yang sama dengan 8 iterasi.

2.Kuantil t

# SOAL 2: Kuantil t (t_{0.975} untuk df = 9)

ft2 <- function(x) c(pt(x, df = 9) - 0.975, dt(x, df = 9))

# Tebakan awal yang baik: x0 = 1
res2_x1 <- newtonraphson(ft2, x0 = 1, tol = 1e-10)
## At iteration 1 value of x is: 1.640325 
## At iteration 2 value of x is: 2.047073 
## At iteration 3 value of x is: 2.229612 
## At iteration 4 value of x is: 2.261325 
## At iteration 5 value of x is: 2.262157 
## At iteration 6 value of x is: 2.262157 
## Algorithm converged
print(res2_x1$root, digits = 10)
## [1] 2.262157163
# Pembanding bawaan R
cat("qt(0.975, 9):", format(qt(0.975, 9), digits = 10), "\n")
## qt(0.975, 9): 2.262157163
# Uji tebakan awal di ekor distribusi: x0 = 10
cat("\nUji x0 = 10:\n")
## 
## Uji x0 = 10:
try(newtonraphson(ft2, x0 = 10, tol = 1e-10, max.iter = 10))
## At iteration 1 value of x is: -16776.42 
## At iteration 2 value of x is: 7.514743e+37 
## Error: turunan nol (garis singgung mendatar)
## NULL

Interpretasi: Berdasarkan hasil komputasi menggunakan metode Newton-Raphson dengan tebakan awal x_0=1 dan toleransi 10^(-10), diperoleh nilai iterasi pertama sebesar 1,640325, iterasi kedua sebesar 2,047073, iterasi ketiga sebesar 2,229612, iterasi keempat sebesar 2,261325, iterasi kelima sebesar 2,262157, dan iterasi keenam sebesar 2,262157. Hasil tersebut menunjukkan bahwa nilai iterasi semakin mendekati nilai kuantil yang dicari hingga algoritma dinyatakan konvergen. Nilai akar akhirnya adalah 2,262157163, yang sesuai dengan hasil fungsi bawaan R qt(0.975, 9). Selanjutnya, dilakukan pengujian menggunakan tebakan awal x_0=10. Pada pengujian tersebut, iterasi pertama menghasilkan nilai yang sangat jauh, yaitu -16776,42, kemudian iterasi kedua meningkat secara ekstrem hingga 7,514743×10^37. Algoritma kemudian mengalami error karena nilai turunannya mendekati nol sehingga proses perhitungan tidak dapat dilanjutkan. Hal ini menunjukkan bahwa pemilihan tebakan awal sangat memengaruhi keberhasilan metode Newton-Raphson, terutama ketika nilai awal berada jauh dari daerah akar persamaan.

3.Secant

# SOAL 3: Secant vs Newton pada cos(x) = x

# Bentuk f(x) = cos(x) - x = 0
f3_sec <- function(x) cos(x) - x
f3_nr  <- function(x) c(cos(x) - x, -sin(x) - 1)

# Secant dengan x0 = 0, x1 = 1
res3_sec <- secant(f3_sec, x0 = 0, x1 = 1, tol = 1e-9)
## At iteration 1 value of x is: 0.6850734 
## At iteration 2 value of x is: 0.736299 
## At iteration 3 value of x is: 0.7391194 
## At iteration 4 value of x is: 0.7390851 
## At iteration 5 value of x is: 0.7390851 
## Algorithm converged
# Total evaluasi fungsi Secant = 2 (inisialisasi) + 1 per iterasi
eval_sec <- 2 + res3_sec$iter
cat("Secant -> Akar:", format(res3_sec$root, digits = 10),
    "| Iterasi:", res3_sec$iter,
    "| Total evaluasi f(x):", eval_sec, "\n\n")
## Secant -> Akar: 0.7390851332 | Iterasi: 5 | Total evaluasi f(x): 7
# Newton-Raphson dengan x0 = 1
res3_nr <- newtonraphson(f3_nr, x0 = 1, tol = 1e-9)
## At iteration 1 value of x is: 0.7503639 
## At iteration 2 value of x is: 0.7391129 
## At iteration 3 value of x is: 0.7390851 
## Algorithm converged
# Total evaluasi Newton = (1 f + 1 f') pada x0 + (1 f + 1 f') per iterasi
eval_nr_f  <- 1 + res3_nr$iter
eval_nr_df <- 1 + res3_nr$iter
cat("Newton -> Akar:", format(res3_nr$root, digits = 10),
    "| Iterasi:", res3_nr$iter,
    "| Total evaluasi (f + f'):", eval_nr_f + eval_nr_df,
    "(", eval_nr_f, "f dan", eval_nr_df, "f' )\n")
## Newton -> Akar: 0.7390851334 | Iterasi: 3 | Total evaluasi (f + f'): 8 ( 4 f dan 4 f' )

Interpretasi: Berdasarkan hasil komputasi, metode Secant dengan tebakan awal x_0=0 dan x_1=1 menghasilkan nilai iterasi pertama sebesar 0,6850734, iterasi kedua sebesar 0,736299, iterasi ketiga sebesar 0,7391194, iterasi keempat sebesar 0,7390851, dan iterasi kelima sebesar 0,7390851. Algoritma kemudian dinyatakan konvergen dengan akar sebesar 0,7390851332. Dari hasil perhitungan, metode Secant membutuhkan 5 iterasi dengan total 7 evaluasi fungsi. Sementara itu, metode Newton-Raphson dengan tebakan awal x_0=1 menghasilkan nilai iterasi pertama sebesar 0,7503639, iterasi kedua sebesar 0,7391129, dan iterasi ketiga sebesar 0,7390851. Metode ini berhasil konvergen dengan akar sebesar 0,7390851334 dalam 3 iterasi. Jumlah evaluasi Newton-Raphson adalah 8 kali, yang terdiri dari 4 evaluasi fungsi f(x) dan 4 evaluasi turunan f’(x). Kedua metode menghasilkan akar yang hampir sama, tetapi Newton-Raphson membutuhkan iterasi lebih sedikit. Meskipun demikian, metode Secant memiliki kelebihan karena tidak memerlukan perhitungan turunan sehingga dapat digunakan ketika turunan fungsi sulit diperoleh.

4.Proyek mini

# SOAL 4: Proyek Mini - MLE Parameter Bentuk Gamma 

data_x <- c(50, 49, 38, 27, 16, 60, 76, 87, 98, 109)

n <- length(data_x)
x_bar <- mean(data_x)
s_var <- var(data_x) # varians sampel (s^2)
konstanta <- log(x_bar) - (1 / n) * sum(log(data_x))

# Tebakan awal alpha_0 = 1 / (2 * s) sesuai petunjuk soal
alpha0 <- 1 / (2 * s_var)
cat("Tebakan awal alpha_0:", alpha0, "\n")
## Tebakan awal alpha_0: 0.0005263158
# Persamaan skor MLE Gamma dan turunannya
f_gamma <- function(alpha) {
  fx  <- log(alpha) - digamma(alpha) - konstanta
  dfx <- (1 / alpha) - trigamma(alpha)
  return(c(fx, dfx))
}

Interpretasi: Berdasarkan data yang digunakan, diperoleh nilai tebakan awal parameter bentuk Gamma sebesar 0,0005263158. Nilai tersebut kemudian digunakan sebagai titik awal dalam proses estimasi parameter menggunakan metode Newton-Raphson dengan toleransi 10^(-9). Hasil iterasi menunjukkan bahwa nilai parameter terus meningkat secara bertahap, dimulai dari 0,001050936 pada iterasi pertama hingga mencapai 3,6509236 pada iterasi ke-18. Pada iterasi tersebut, algoritma dinyatakan konvergen karena nilai parameter sudah memenuhi kriteria toleransi. Hasil estimasi menunjukkan bahwa parameter bentuk (shape) atau α ̂ sebesar 3,6509236, sedangkan parameter laju (rate) sebesar 0,059851206. Selanjutnya, hasil tersebut dibandingkan dengan fungsi MASS::fitdistr() yang menghasilkan parameter shape sebesar 3,65093198 dan rate sebesar 0,05985136. Kedua hasil menunjukkan nilai yang sangat berdekatan, sehingga dapat dikatakan bahwa estimasi menggunakan Newton-Raphson memberikan hasil yang konsisten dengan metode pembanding. Perbedaan kecil pada hasil estimasi dapat disebabkan oleh proses iterasi dan ketelitian numerik yang digunakan masing-masing metode.