Fungsi Integrasi Numerik

Tiga fungsi berikut dipakai pada seluruh soal.

  • trapezoid(): aturan trapesium komposit dengan \(n\) subselang, galat \(O(h^2)\).
  • simpson_n(): aturan Simpson komposit dengan \(n\) genap subselang, galat \(O(h^4)\).
  • simpson(): Simpson adaptif yang menggandakan \(n\) sampai selisih dua hampiran berurutan kurang dari tol, dengan memakai ulang nilai \(f\) yang sudah dihitung.
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 <- h * (f.vec[1]/2 + sum(f.vec[2:n]) + f.vec[n+1]/2)
  return(T)
}

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)
}

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)
}

Soal 1. Orde Galat Trapezoidal dan Simpson pada \(\int_0^\pi \sin x\,dx\)

Nilai eksak integralnya adalah 2. Galat dihitung untuk \(n = 4, 8, 16, 32\). Rasio galat adalah galat pada \(n\) sebelumnya dibagi galat pada \(n\) sekarang (setiap kali \(n\) digandakan).

f1 <- function(x) sin(x)
ns <- c(4, 8, 16, 32)

T_n <- sapply(ns, function(n) trapezoid(f1, 0, pi, n))
S_n <- sapply(ns, function(n) simpson_n(f1, 0, pi, n))
galT <- abs(T_n - 2)
galS <- abs(S_n - 2)
rasioT <- c(NA, galT[-4] / galT[-1])
rasioS <- c(NA, galS[-4] / galS[-1])

hasil1 <- data.frame(n = ns, Trapezoidal = T_n, Galat_T = galT, Rasio_T = rasioT,
                     Simpson = S_n, Galat_S = galS, Rasio_S = rasioS)
print(hasil1, digits = 7)
##    n Trapezoidal     Galat_T  Rasio_T  Simpson      Galat_S  Rasio_S
## 1  4    1.896119 0.103881102       NA 2.004560 4.559755e-03       NA
## 2  8    1.974232 0.025768398 4.031337 2.000269 2.691699e-04 16.94006
## 3 16    1.993570 0.006429656 4.007741 2.000017 1.659105e-05 16.22381
## 4 32    1.998393 0.001606639 4.001930 2.000001 1.033369e-06 16.05529

Interpretasi. Saat \(n\) digandakan (h dibagi dua), galat Trapezoidal turun sekitar 4 kali (rasio \(\to 4{,}00\)), sedangkan galat Simpson turun sekitar 16 kali (rasio \(\to 16\)). Ini sesuai teori: Trapezoidal berorde \(O(h^2)\) sehingga \(2^2 = 4\), dan Simpson berorde \(O(h^4)\) sehingga \(2^4 = 16\). Pada \(n = 32\) galat Simpson (\(\approx 10^{-6}\)) sudah jauh lebih kecil dibanding Trapezoidal (\(\approx 1{,}6 \times 10^{-3}\)) dengan jumlah titik yang sama.


Soal 2. Nilai Harapan Distribusi Gamma dengan Simpson

Untuk \(X \sim \text{Gamma}(\text{shape} = 3, \text{rate} = 2)\), nilai harapannya \(E(X) = \int_0^\infty x f(x)\,dx = 3/2\). Integral dihampiri pada \([0, 20]\) karena ekor distribusi setelah 20 sangat tipis.

f_gamma <- function(x) x * dgamma(x, shape = 3, rate = 2)

E_simpson <- simpson(f_gamma, 0, 20, tol = 1e-8, verbose = TRUE)
## partition size 4096
i_b   <- integrate(f_gamma, 0, 20)
i_inf <- integrate(f_gamma, 0, Inf)

print(c(Simpson = E_simpson, integrate_0_20 = i_b$value,
        integrate_0_Inf = i_inf$value, Teoretis = 3/2), digits = 13)
##         Simpson  integrate_0_20 integrate_0_Inf        Teoretis 
##  1.499999999924  1.500000000000  1.500000003181  1.500000000000
E_simpson - 1.5                                      # selisih terhadap 1,5
## [1] -7.585577e-11
(3/2) * pgamma(20, 4, 2, lower.tail = FALSE)         # bagian E(X) yang terpotong di b = 20
## [1] 7.333297e-14

Interpretasi. Simpson adaptif berhenti pada partisi \(n = 4096\) dan menghasilkan \(1{,}499999999924\), selisih terhadap nilai teoretis 1,5 hanya sekitar \(-7{,}6 \times 10^{-11}\). Bagian \(E(X)\) yang terpotong karena batas atas 20 adalah \((3/2)\,P(\text{Gamma}(4, 2) > 20) \approx 7{,}3 \times 10^{-14}\), jauh lebih kecil dari galat Simpson, sehingga memotong integral di \(b = 20\) aman dan galatnya terutama berasal dari hampiran numerik. integrate(0, 20) memberi 1,5 hampir tepat, sedangkan integrate(0, Inf) memberi \(1{,}500000003\) (sedikit lebih kasar karena transformasi selang tak hingga). Ketiganya sesuai nilai teoretis.


Soal 3. Banyaknya Subselang untuk Galat \(\le \epsilon\)

Untuk \(f(x) = 5x^4\) pada \([0, 1]\) (nilai eksak integral = 1), dicari \(n\) terkecil sehingga galat \(\le \epsilon = 2^{-k}\), \(k = 2, \dots, 16\), untuk kedua metode.

f5 <- function(x) 5 * x^4
galat_T <- function(n) abs(trapezoid(f5, 0, 1, n) - 1)
galat_S <- function(n) {            # Simpson dengan bobot 1,4,2,...,4,1 (n = 2 boleh)
  h <- 1 / n; x <- (0:n) / n
  w <- c(1, rep(c(4, 2), length.out = n - 1), 1)
  abs(h / 3 * sum(w * f5(x)) - 1)
}

k   <- 2:16
eps <- 2^(-k)
n_T <- sapply(eps, function(e) { n <- 2; while (galat_T(n) > e) n <- n + 1; n })
n_S <- sapply(eps, function(e) { n <- 2; while (galat_S(n) > e) n <- n + 2; n })
data.frame(k, eps, n_T, n_S)
##     k          eps n_T n_S
## 1   2 2.500000e-01   3   2
## 2   3 1.250000e-01   4   2
## 3   4 6.250000e-02   6   2
## 4   5 3.125000e-02   8   4
## 5   6 1.562500e-02  11   4
## 6   7 7.812500e-03  15   4
## 7   8 3.906250e-03  21   4
## 8   9 1.953125e-03  30   6
## 9  10 9.765625e-04  42   6
## 10 11 4.882812e-04  59   8
## 11 12 2.441406e-04  83   8
## 12 13 1.220703e-04 117  10
## 13 14 6.103516e-05 166  12
## 14 15 3.051758e-05 234  14
## 15 16 1.525879e-05 331  16
plot(eps, n_T, log = "xy", type = "b", pch = 16, col = "green",
     ylim = range(c(n_T, n_S)), xlab = expression(epsilon), ylab = "n terkecil",
     main = "n terkecil terhadap epsilon (skala log)")
lines(eps, n_S, type = "b", pch = 17, col = "pink")
legend("topright", c("Trapezoidal", "Simpson"), col = c("green", "pink"),
       pch = c(16, 17), lty = 1, bty = "n")

Kemiringan garis pada skala log-log (untuk \(k \ge 8\)):

idx <- k >= 8
coef(lm(log(n_T[idx]) ~ log(eps[idx])))[2]   # kemiringan Trapezoidal
## log(eps[idx]) 
##    -0.4959511
coef(lm(log(n_S[idx]) ~ log(eps[idx])))[2]   # kemiringan Simpson
## log(eps[idx]) 
##    -0.2331518

Interpretasi. Pada \(\epsilon = 2^{-16} \approx 1{,}5 \times 10^{-5}\), Trapezoidal membutuhkan \(n = 331\) subselang, sedangkan Simpson hanya \(n = 16\). Kemiringan log-log Trapezoidal sekitar \(-0{,}50\) dan Simpson sekitar \(-0{,}23\) (mendekati \(-1/4\)). Ini konsisten dengan orde galat: Trapezoidal berorde \(h^2\) sehingga \(\epsilon \propto n^{-2}\) dan \(n \propto \epsilon^{-1/2}\); Simpson berorde \(h^4\) sehingga \(\epsilon \propto n^{-4}\) dan \(n \propto \epsilon^{-1/4}\). Semakin ketat toleransinya, semakin besar keunggulan Simpson. Pada \(\epsilon\) longgar kurva Simpson berbentuk tangga karena \(n\) harus genap.


Soal 4. Luas di Bawah Kurva ROC (AUC) dengan Trapezoidal

Data dibangkitkan: kelas positif \(\sim N(1, 1)\) dan kelas negatif \(\sim N(0, 1)\), masing-masing 100 pengamatan. Kurva ROC dibentuk dari pasangan (FPR, TPR) untuk semua ambang, lalu AUC dihitung dengan aturan trapesium.

set.seed(2026)
pos <- rnorm(100, mean = 1, sd = 1)
neg <- rnorm(100, mean = 0, sd = 1)

ambang <- c(Inf, sort(unique(c(pos, neg)), decreasing = TRUE))
tpr <- sapply(ambang, function(t) mean(pos >= t))
fpr <- sapply(ambang, function(t) mean(neg >= t))

auc_trap <- sum(diff(fpr) * (head(tpr, -1) + tail(tpr, -1)) / 2)

d <- outer(pos, neg, "-")
p_pos_gt_neg <- mean(d > 0) + 0.5 * mean(d == 0)

auc_teori <- pnorm(1 / sqrt(2))
c(AUC_trapezoidal = auc_trap, P_pos_gt_neg = p_pos_gt_neg, Teoretis = auc_teori)
## AUC_trapezoidal    P_pos_gt_neg        Teoretis 
##       0.7127000       0.7127000       0.7602499
plot(fpr, tpr, type = "s", lwd = 2, col = "salmon",
     xlab = "FPR", ylab = "TPR", main = "Kurva ROC")
abline(0, 1, lty = 2)

Interpretasi. AUC dengan Trapezoidal adalah 0,7127, tepat sama dengan \(P(\text{skor positif} > \text{skor negatif})\) yang dihitung dari seluruh 10.000 pasangan. Kesamaan ini bukan kebetulan: AUC empiris dengan aturan trapesium identik dengan statistik Mann-Whitney (ties dihitung setengah). Nilai teoretisnya adalah \(\Phi(1/\sqrt{2}) = 0{,}7602\) karena selisih dua normal \(N(1,1)\) dan \(N(0,1)\) adalah \(N(1, 2)\). Selisih sekitar 0,05 berasal dari variasi sampel (\(n = 100\) per kelas), bukan dari galat numerik. Kurva ROC berada di atas garis diagonal (peluang acak, AUC = 0,5), sehingga penggolong ini lebih baik daripada menebak.


Kesimpulan Umum

Simpson jauh lebih efisien daripada Trapezoidal: galatnya turun 16 kali (bukan 4 kali) saat \(n\) digandakan, dan untuk toleransi \(\approx 10^{-5}\) ia hanya butuh \(n = 16\) dibanding \(n = 331\). Simpson adaptif cocok untuk menghitung nilai harapan Gamma dengan galat sekitar \(10^{-10}\), dan aturan trapesium tetap berguna untuk data diskret seperti kurva ROC, di mana AUC-nya setara dengan statistik Mann-Whitney.