Kuliah · Kuliah · Aljabar

Aljabar Linear

Aljabar Linear mempelajari sistem persamaan linear, matriks, dan ruang vektor beserta pemetaan linear di antaranya. Sepuluh babnya bergerak dari perhitungan konkret (eliminasi Gauss–Jordan, determinan) menuju struktur abstrak (ruang vektor, basis, transformasi linear, hasil kali dalam) dan berpuncak pada nilai eigen, diagonalisasi, dan SVD yang dipakai luas di sains data, grafika, dan teknik.

Daftar isi
  1. Konsep
  2. Rumus
  3. Contoh soal
  4. Kesalahan umum
  5. Coba sendiri
  6. Kuis 5 soal
  7. Tanya jawab
  8. Topik terkait
  9. Untuk guru

Konsep Aljabar Linear

SPL, eliminasi Gauss–Jordan, matriks, dan determinan

SPL Ax=bA\mathbf{x} = \mathbf{b} diselesaikan dengan operasi baris elementer (OBE): menukar baris, mengalikan baris dengan skalar tak nol, dan menambahkan kelipatan satu baris ke baris lain. Eliminasi Gauss menghasilkan bentuk eselon baris lalu substitusi mundur; Gauss–Jordan melanjutkan sampai bentuk eselon baris tereduksi. SPL bisa memiliki tepat satu solusi, tak hingga banyak solusi (ada variabel bebas), atau tidak punya solusi (baris [0  ⋯  0∣c][0 \; \cdots \; 0 \mid c] dengan c≠0c \ne 0).

Determinan dihitung dengan ekspansi kofaktor atau OBE. Sifat penting: det⁡(AB)=det⁡Adet⁡B\det(AB) = \det A \det B, det⁡(AT)=det⁡A\det(A^{T}) = \det A, det⁡(kA)=kndet⁡A\det(kA) = k^{n}\det A untuk matriks n×nn \times n, dan menukar dua baris mengubah tanda. Teorema: AA terbalikkan   ⟺  det⁡A≠0  ⟺  Ax=0\iff \det A \ne 0 \iff A\mathbf{x} = \mathbf{0} hanya punya solusi trivial. Aturan Cramer: xi=det⁡Aidet⁡Ax_{i} = \frac{\det A_{i}}{\det A}.

Ruang vektor, basis, dan dimensi

Ruang vektor adalah himpunan yang tertutup terhadap penjumlahan dan perkalian skalar serta memenuhi delapan aksioma. Himpunan bagian WW adalah subruang bila memuat 0\mathbf{0} dan tertutup terhadap kedua operasi. Contoh: bidang x+y+z=0x + y + z = 0 di R3\mathbb{R}^{3} adalah subruang, sedangkan x+y+z=1x + y + z = 1 bukan.

Vektor v1,…,vk\mathbf{v}_{1}, \ldots, \mathbf{v}_{k} bebas linear bila c1v1+⋯+ckvk=0c_{1}\mathbf{v}_{1} + \cdots + c_{k}\mathbf{v}_{k} = \mathbf{0} hanya dipenuhi oleh semua ci=0c_{i} = 0. Basis adalah himpunan bebas linear yang merentang ruang; banyak anggotanya adalah dimensi. Untuk matriks AA berukuran m×nm \times n berlaku teorema rank–nulitas:

rank⁡A+nulitas⁡A=n.\operatorname{rank} A + \operatorname{nulitas} A = n.

Transformasi linear

T:V→WT: V \to W linear bila T(u+v)=T(u)+T(v)T(\mathbf{u} + \mathbf{v}) = T(\mathbf{u}) + T(\mathbf{v}) dan T(cu)=cT(u)T(c\mathbf{u}) = cT(\mathbf{u}). Setiap transformasi linear Rn→Rm\mathbb{R}^{n} \to \mathbb{R}^{m} dapat ditulis T(x)=AxT(\mathbf{x}) = A\mathbf{x} dengan matriks standar A=[T(e1)  ⋯  T(en)]A = [T(\mathbf{e}_{1}) \; \cdots \; T(\mathbf{e}_{n})].

Kernel ker⁡T={x:T(x)=0}\ker T = \{\mathbf{x} : T(\mathbf{x}) = \mathbf{0}\} dan range adalah himpunan semua keluaran. TT satu-satu jika dan hanya jika ker⁡T={0}\ker T = \{\mathbf{0}\}. Rotasi, pencerminan, proyeksi, dan dilatasi di bidang semuanya transformasi linear; translasi tidak, karena T(0)≠0T(\mathbf{0}) \ne \mathbf{0}.

Ruang hasil kali dalam, ortogonalitas, dan Gram–Schmidt

Hasil kali dalam ⟨u,v⟩\langle \mathbf{u}, \mathbf{v} \rangle memperumum hasil kali titik dan memberi panjang ∥v∥=⟨v,v⟩\|\mathbf{v}\| = \sqrt{\langle \mathbf{v}, \mathbf{v} \rangle}. Ketaksamaan Cauchy–Schwarz ∣⟨u,v⟩∣≤∥u∥∥v∥|\langle \mathbf{u}, \mathbf{v} \rangle| \le \|\mathbf{u}\|\|\mathbf{v}\| menjamin definisi sudut masuk akal.

Proyeksi ortogonal u\mathbf{u} pada v\mathbf{v} adalah proj⁡vu=⟨u,v⟩⟨v,v⟩v\operatorname{proj}_{\mathbf{v}}\mathbf{u} = \frac{\langle \mathbf{u}, \mathbf{v} \rangle}{\langle \mathbf{v}, \mathbf{v} \rangle}\mathbf{v}. Proses Gram–Schmidt mengubah basis {v1,v2,…}\{\mathbf{v}_{1}, \mathbf{v}_{2}, \ldots\} menjadi basis ortogonal: u1=v1\mathbf{u}_{1} = \mathbf{v}_{1}, lalu uk=vk−∑j<kproj⁡ujvk\mathbf{u}_{k} = \mathbf{v}_{k} - \sum_{j < k} \operatorname{proj}_{\mathbf{u}_{j}}\mathbf{v}_{k}. Normalisasi tiap vektor menghasilkan basis ortonormal, dasar faktorisasi A=QRA = QR dan metode kuadrat terkecil.

Nilai eigen, diagonalisasi, dan pengantar SVD

λ\lambda adalah nilai eigen AA bila ada v≠0\mathbf{v} \ne \mathbf{0} dengan Av=λvA\mathbf{v} = \lambda\mathbf{v}. Nilai eigen adalah akar persamaan karakteristik det⁡(A−λI)=0\det(A - \lambda I) = 0; untuk matriks 2×22 \times 2 persamaannya λ2−(tr⁡A)λ+det⁡A=0\lambda^{2} - (\operatorname{tr} A)\lambda + \det A = 0. Jumlah nilai eigen sama dengan trace dan hasil kalinya sama dengan determinan.

AA berukuran n×nn \times n dapat didiagonalkan, A=PDP−1A = PDP^{-1}, jika dan hanya jika AA memiliki nn vektor eigen bebas linear; ini pasti terjadi bila semua nilai eigen berbeda. Manfaatnya: Ak=PDkP−1A^{k} = PD^{k}P^{-1}. Matriks simetris selalu dapat didiagonalkan secara ortogonal.

Dekomposisi nilai singular (SVD) berlaku untuk setiap matriks: A=UΣVTA = U\Sigma V^{T}, dengan U,VU, V ortogonal dan Σ\Sigma memuat nilai singular σi=λi(ATA)\sigma_{i} = \sqrt{\lambda_{i}(A^{T}A)}. SVD dipakai untuk kompresi citra, reduksi dimensi (PCA), dan sistem rekomendasi.

Rumus

Determinan matriks 2 × 2
det⁡(abcd)=ad−bc\det\begin{pmatrix} a & b \\ c & d \end{pmatrix} = ad - bc
Teorema rank–nulitas
rank⁡A+nulitas⁡A=n\operatorname{rank} A + \operatorname{nulitas} A = n
Proyeksi ortogonal
proj⁡vu=⟨u,v⟩⟨v,v⟩v\operatorname{proj}_{\mathbf{v}}\mathbf{u} = \frac{\langle \mathbf{u}, \mathbf{v} \rangle}{\langle \mathbf{v}, \mathbf{v} \rangle}\mathbf{v}
Persamaan karakteristik
det⁡(A−λI)=0\det(A - \lambda I) = 0
Diagonalisasi dan SVD
A=PDP−1,A=UΣVTA = PDP^{-1}, \quad A = U\Sigma V^{T}

Contoh soal aljabar linear dan pembahasan

Contoh 1 · Mudah

Determinan dengan ekspansi kofaktor

Hitung det⁡A\det A untuk A=(2130−14120)A = \begin{pmatrix} 2 & 1 & 3 \\ 0 & -1 & 4 \\ 1 & 2 & 0 \end{pmatrix}.

Lihat langkah penyelesaian
  1. Ekspansi sepanjang baris pertama: det⁡A=2∣−1420∣−1∣0410∣+3∣0−112∣\det A = 2\begin{vmatrix} -1 & 4 \\ 2 & 0 \end{vmatrix} - 1\begin{vmatrix} 0 & 4 \\ 1 & 0 \end{vmatrix} + 3\begin{vmatrix} 0 & -1 \\ 1 & 2 \end{vmatrix}.
  2. =2(0−8)−1(0−4)+3(0+1)=−16+4+3= 2(0 - 8) - 1(0 - 4) + 3(0 + 1) = -16 + 4 + 3.

det⁡A=−9\det A = -9, jadi AA terbalikkan.

Contoh 2 · Sedang

SPL dengan eliminasi Gauss–Jordan

Selesaikan SPL x+y+z=6x + y + z = 6, 2x−y+z=32x - y + z = 3, x+2y−z=2x + 2y - z = 2.

Lihat langkah penyelesaian
  1. Matriks lengkap (11162−11312−12)\left(\begin{smallmatrix} 1 & 1 & 1 & 6 \\ 2 & -1 & 1 & 3 \\ 1 & 2 & -1 & 2 \end{smallmatrix}\right). Lakukan R2−2R1R_{2} - 2R_{1} dan R3−R1R_{3} - R_{1}: baris menjadi (0,−3,−1∣−9)(0, -3, -1 \mid -9) dan (0,1,−2∣−4)(0, 1, -2 \mid -4).
  2. Tukar R2R_{2} dan R3R_{3}, lalu R3+3R2R_{3} + 3R_{2}: (0,0,−7∣−21)(0, 0, -7 \mid -21), sehingga z=3z = 3.
  3. Substitusi mundur: y−2z=−4y - 2z = -4 memberi y=2y = 2, dan x=6−2−3=1x = 6 - 2 - 3 = 1.
  4. Cek dengan aturan Cramer: det⁡A=7\det A = 7 dan det⁡Az=21\det A_{z} = 21, sehingga z=217=3z = \frac{21}{7} = 3.

Solusi tunggal (x,y,z)=(1,2,3)(x, y, z) = (1, 2, 3).

Contoh 3 · Sedang

Nilai eigen dan vektor eigen

Tentukan nilai eigen dan vektor eigen A=(4123)A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix}.

Lihat langkah penyelesaian
  1. tr⁡A=7\operatorname{tr} A = 7 dan det⁡A=12−2=10\det A = 12 - 2 = 10, sehingga λ2−7λ+10=0\lambda^{2} - 7\lambda + 10 = 0, yaitu (λ−2)(λ−5)=0(\lambda - 2)(\lambda - 5) = 0.
  2. Untuk λ=5\lambda = 5: (A−5I)v=0(A - 5I)\mathbf{v} = \mathbf{0} memberi −v1+v2=0-v_{1} + v_{2} = 0, jadi v=⟨1,1⟩\mathbf{v} = \langle 1, 1 \rangle.
  3. Untuk λ=2\lambda = 2: 2v1+v2=02v_{1} + v_{2} = 0, jadi v=⟨1,−2⟩\mathbf{v} = \langle 1, -2 \rangle.

Nilai eigennya 2 dan 5, dengan vektor eigen ⟨1,−2⟩\langle 1, -2 \rangle dan ⟨1,1⟩\langle 1, 1 \rangle.

Contoh 4 · Sedang

Proses Gram–Schmidt

Ortogonalkan v1=⟨1,1,0⟩\mathbf{v}_{1} = \langle 1, 1, 0 \rangle dan v2=⟨1,0,1⟩\mathbf{v}_{2} = \langle 1, 0, 1 \rangle, lalu tentukan ∥u2∥2\|\mathbf{u}_{2}\|^{2}.

Lihat langkah penyelesaian
  1. u1=v1\mathbf{u}_{1} = \mathbf{v}_{1}. Hitung v2⋅u1=1\mathbf{v}_{2} \cdot \mathbf{u}_{1} = 1 dan u1⋅u1=2\mathbf{u}_{1} \cdot \mathbf{u}_{1} = 2.
  2. u2=v2−12u1=⟨12,−12,1⟩\mathbf{u}_{2} = \mathbf{v}_{2} - \frac{1}{2}\mathbf{u}_{1} = \left\langle \frac{1}{2}, -\frac{1}{2}, 1 \right\rangle. Cek: u1⋅u2=12−12+0=0\mathbf{u}_{1} \cdot \mathbf{u}_{2} = \frac{1}{2} - \frac{1}{2} + 0 = 0.
  3. ∥u2∥2=14+14+1=32\|\mathbf{u}_{2}\|^{2} = \frac{1}{4} + \frac{1}{4} + 1 = \frac{3}{2}.

u2=⟨12,−12,1⟩\mathbf{u}_{2} = \left\langle \frac{1}{2}, -\frac{1}{2}, 1 \right\rangle dengan ∥u2∥2=32\|\mathbf{u}_{2}\|^{2} = \frac{3}{2}.

Contoh 5 · Sedang

Rank dan nulitas

Tentukan dimensi ruang solusi Ax=0A\mathbf{x} = \mathbf{0} untuk A=(120124143615)A = \begin{pmatrix} 1 & 2 & 0 & 1 \\ 2 & 4 & 1 & 4 \\ 3 & 6 & 1 & 5 \end{pmatrix}.

Lihat langkah penyelesaian
  1. R2−2R1R_{2} - 2R_{1} menjadi (0,0,1,2)(0, 0, 1, 2) dan R3−3R1R_{3} - 3R_{1} menjadi (0,0,1,2)(0, 0, 1, 2); lalu R3−R2R_{3} - R_{2} menjadi baris nol.
  2. Tersisa dua baris tak nol, jadi rank⁡A=2\operatorname{rank} A = 2.
  3. Menurut rank–nulitas: nulitas =4−2=2= 4 - 2 = 2 (variabel bebasnya x2x_{2} dan x4x_{4}).

Ruang solusinya berdimensi 2.

Contoh 6 · Penalaran

Pangkat matriks lewat diagonalisasi

Untuk A=(4123)A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix}, hitung tr⁡(A10)\operatorname{tr}(A^{10}) tanpa mengalikan matriks sepuluh kali.

Lihat langkah penyelesaian
  1. Dari contoh sebelumnya, A=PDP−1A = PDP^{-1} dengan D=diag⁡(5,2)D = \operatorname{diag}(5, 2) karena nilai eigennya berbeda.
  2. A10=PD10P−1A^{10} = PD^{10}P^{-1}, dan trace tidak berubah oleh keserupaan: tr⁡(A10)=tr⁡(D10)=510+210\operatorname{tr}(A^{10}) = \operatorname{tr}(D^{10}) = 5^{10} + 2^{10}.
  3. 510+210=9.765.625+1.024=9.766.6495^{10} + 2^{10} = 9.765.625 + 1.024 = 9.766.649.

tr⁡(A10)=9.766.649\operatorname{tr}(A^{10}) = 9.766.649.

Kesalahan yang sering terjadi

Menganggap det⁡(A+B)=det⁡A+det⁡B\det(A + B) = \det A + \det B.
Determinan bersifat multiplikatif, bukan aditif: det⁡(AB)=det⁡Adet⁡B\det(AB) = \det A \det B. Untuk penjumlahan tidak ada rumus umum.
Menulis det⁡(2A)=2det⁡A\det(2A) = 2\det A untuk matriks 3×33 \times 3.
Setiap baris terkali 2, sehingga det⁡(2A)=23det⁡A=8det⁡A\det(2A) = 2^{3}\det A = 8\det A.
Menganggap vektor nol boleh menjadi vektor eigen.
Vektor eigen wajib tak nol. Nilai eigen boleh 0, tetapi vektor eigennya tidak.
Lupa menormalkan vektor setelah Gram–Schmidt padahal diminta basis ortonormal.
Gram–Schmidt menghasilkan basis ortogonal; bagi setiap uk\mathbf{u}_{k} dengan ∥uk∥\|\mathbf{u}_{k}\| agar ortonormal.

Coba sendiri

Tulis jawabanmu, tekan Periksa. Jika belum tepat, buka petunjuk satu per satu.

Soal 1Aplikasi
Hitung det⁡(123257135)\det\begin{pmatrix} 1 & 2 & 3 \\ 2 & 5 & 7 \\ 1 & 3 & 5 \end{pmatrix}.
Soal 2Pemahaman
Tentukan semua nilai eigen (20013045−1)\begin{pmatrix} 2 & 0 & 0 \\ 1 & 3 & 0 \\ 4 & 5 & -1 \end{pmatrix}. Pisahkan dengan titik koma.
Soal 3Penalaran
Tentukan nilai singular terbesar matriks A=(1111)A = \begin{pmatrix} 1 & 1 \\ 1 & 1 \end{pmatrix}.

Kuis 5 soal

Kerjakan semua soal, lalu periksa sekaligus.

Soal 1Aplikasi
Matriks AA berukuran 3×33 \times 3 dengan det⁡A=2\det A = 2. Nilai det⁡(2A)\det(2A) adalah …
Soal 2Aplikasi
Matriks AA berukuran 3×53 \times 5 memiliki rank 3. Dimensi ruang solusi Ax=0A\mathbf{x} = \mathbf{0} adalah …
Soal 3Pemahaman
Pernyataan: "Setiap matriks n×nn \times n yang memiliki nn nilai eigen berbeda dapat didiagonalkan." Benar atau salah?
Soal 4Aplikasi
Tentukan proyeksi skalar u=⟨2,3,6⟩\mathbf{u} = \langle 2, 3, 6 \rangle pada v=⟨1,2,2⟩\mathbf{v} = \langle 1, 2, 2 \rangle, yaitu u⋅v∥v∥\frac{\mathbf{u} \cdot \mathbf{v}}{\|\mathbf{v}\|}, dalam bentuk pecahan.
Soal 5Penalaran
Pilih semua himpunan yang merupakan subruang R3\mathbb{R}^{3}.
Pilih semua jawaban yang benar.

Latihan tanpa batas

Soal kembar dengan angka baru, petunjuk bertingkat, dan catatan penguasaanmu.

Mulai latihan

Tanya jawab

Mengapa Aljabar Linear penting untuk sains data dan AI?

Data disimpan sebagai matriks, model linear diselesaikan dengan kuadrat terkecil, dan teknik seperti PCA serta sistem rekomendasi berbasis nilai eigen dan SVD.

Apa beda basis ortogonal dan ortonormal?

Pada basis ortogonal semua pasangan vektor saling tegak lurus. Basis ortonormal juga ortogonal, tetapi setiap vektornya berpanjang 1.

Apakah semua matriks punya nilai eigen real?

Tidak. Matriks rotasi 90°90° di bidang tidak punya nilai eigen real (nilai eigennya ±i\pm i). Matriks simetris real selalu punya nilai eigen real.

Topik terkait

Ringkasan untuk guru

Tujuan pembelajaran

  • Mahasiswa menyelesaikan SPL dengan eliminasi Gauss–Jordan dan menghitung determinan serta invers.
  • Mahasiswa memeriksa subruang, kebebasan linear, basis, dan dimensi, serta menerapkan teorema rank–nulitas.
  • Mahasiswa menentukan matriks standar, kernel, dan range transformasi linear.
  • Mahasiswa melakukan Gram–Schmidt, menghitung nilai eigen, mendiagonalkan matriks, dan menjelaskan gagasan SVD.

Ide aktivitas kelas

  • Lomba OBE: pasangan mahasiswa menyelesaikan SPL 3×33 \times 3; satu orang melakukan OBE, yang lain memeriksa setiap langkah.
  • Transformasi di bidang: mahasiswa menerapkan matriks rotasi, pencerminan, dan geseran pada gambar rumah sederhana di kertas berpetak.
  • Kompresi citra dengan SVD: dengan lembar kerja atau Python, mahasiswa merekonstruksi foto memakai kk nilai singular terbesar dan membandingkan kualitasnya.

Acuan: Silabus umum mata kuliah Aljabar Linear (Elementer) perguruan tinggi (disusun tim redaksi), elemen Aljabar.

Bagikan latihan ke kelas dengan kode tugas