Kalkulator Matriks

Sebuah kalkulator matriks melakukan operasi aljabar linear pada susunan angka berbentuk persegi panjang.

Mulai dari penjumlahan sederhana hingga operasi kompleks seperti mencari invers dan reduksi baris, kalkulator kami menangani semua operasi matriks standar dengan penjelasan lengkap langkah demi langkah.

• Penjumlahan/pengurangan memerlukan dimensi yang sama dan bekerja per elemen.
• Perkalian memerlukan kolom A = baris B.
• Determinan adalah skalar yang menunjukkan apakah suatu matriks dapat dibalik.
• Invers membatalkan perkalian (A × A⁻¹ = I).
• RREF menggunakan eliminasi Gauss-Jordan untuk menyelesaikan sistem linear.

Sebuah matriks adalah susunan angka berbentuk persegi panjang yang diatur dalam baris dan kolom, ditulis di dalam tanda kurung dan ditentukan ukurannya berdasarkan dimensi baris kali kolom (misalnya, matriks 2×3 memiliki 2 baris dan 3 kolom). Setiap entri dirujuk oleh posisinya, A[i][j], yang berarti angka pada baris i dan kolom j.

Menurut Encyclopaedia Britannica, matriks memformalkan sistem persamaan linier dan transformasi linier menjadi satu objek yang padat.

Sebuah matriks persegi memiliki jumlah baris dan kolom yang sama, dan diagonal utamanya berjalan dari kiri atas ke kanan bawah. Matriks identitas I memiliki angka 1 pada diagonal tersebut dan 0 di tempat lain, yang berperan seperti angka 1 dalam perkalian biasa.

Untuk mengalikan matriks A dan B, setiap entri C[i][j] adalah hasil kali titik (dot product) dari baris i pada A dengan kolom j pada B, menjumlahkan A[i][k]×B[k][j] di seluruh k. Ini hanya terdefinisi ketika jumlah kolom pada A sama dengan jumlah baris pada B, sehingga matriks m×n dikalikan dengan matriks n×p menghasilkan keluaran m×p.

Sebagai contoh, [[1,2],[3,4]] × [[5,6],[7,8]] menghasilkan C[1][1] = 1×5 + 2×7 = 19, dan menyelesaikan proses tersebut menghasilkan [[19,22],[43,50]].

Khan Academy menekankan bahwa perkalian matriks tidak bersifat komutatif: A×B jarang sama dengan B×A. Aturan baris-kali-kolom ini mendasari bagaimana transformasi linier digabungkan.

Determinan dari matriks 2×2 [[a,b],[c,d]] sama dengan ad − bc; untuk [[1,2],[3,4]] itu adalah (1×4) − (2×3) = 4 − 6 = −2.

Untuk matriks 3×3 Anda menjabarkan di sepanjang baris atau kolom menggunakan kofaktor, mengalikan setiap entri dengan determinan minor 2×2 yang tersisa setelah menghapus baris dan kolomnya, dengan tanda yang berselang-seling.

Wolfram MathWorld mendefinisikan determinan sebagai skalar yang mengenkode bagaimana suatu pemetaan linier menskalakan luas atau volume bertanda. Determinan bernilai nol berarti matriks tersebut singular (tidak memiliki invers) karena meratakan ruang ke dimensi yang lebih rendah. Determinan yang lebih besar ditemukan secara efisien melalui reduksi baris.

Invers A⁻¹ adalah matriks yang memenuhi A × A⁻¹ = I, dan hanya ada ketika determinannya bukan nol.

Untuk matriks 2×2 [[a,b],[c,d]], inversnya adalah (1/det) × [[d,−b],[−c,a]]. Mengambil [[1,2],[3,4]] dengan determinan −2, inversnya adalah (1/−2) × [[4,−2],[−3,1]] = [[−2,1],[1.5,−0.5]].

Untuk matriks yang lebih besar, augmentasikan A dengan matriks identitas untuk membentuk [A | I] dan terapkan eliminasi Gauss-Jordan sampai blok kiri menjadi I, menyisakan A⁻¹ di sebelah kanan.

Wolfram MathWorld mencatat bahwa invers secara langsung menyelesaikan Ax = b sebagai x = A⁻¹b, itulah sebabnya keterbalikan (invertibilitas) sangat penting untuk sistem linier.

Eliminasi Gauss menyelesaikan sistem linier dengan menerapkan tiga operasi baris elementer hingga matriks mencapai bentuk eselon baris:

• menukar baris
• menskalakan baris dengan konstanta bukan nol
• menambahkan kelipatan dari satu baris ke baris lainnya

Melanjutkan hingga setiap pivot bernilai 1 dan merupakan satu-satunya entri bukan nol di kolomnya menghasilkan Bentuk Eselon Baris Tereduksi (RREF), tujuan dari eliminasi Gauss-Jordan.

Khan Academy menjelaskan bahwa RREF membuat himpunan penyelesaian suatu sistem langsung dapat dibaca. Karena operasi ini tidak pernah mengubah himpunan penyelesaian tersebut, RREF adalah metode umum yang paling andal untuk menyelesaikan persamaan, menghitung rank, dan menginverskan matriks, serta stabil secara numerik bila dikombinasikan dengan pivoting parsial.

Rank matriks adalah jumlah baris yang bebas secara linier, yang sama dengan jumlah kolom yang bebas secara linier dan jumlah posisi pivot dalam RREF-nya.

Menurut Wolfram MathWorld, rank mengukur dimensi ruang yang direntang oleh baris atau kolom matriks.

Suatu matriks persegi n×n dapat dibalik secara tepat ketika ia memiliki rank penuh n; rank yang lebih rendah menandakan matriks singular dan determinan nol. Rank juga mengungkapkan berapa banyak persamaan dalam suatu sistem yang benar-benar membawa informasi baru versus menjadi kombinasi berulang dari persamaan lainnya.

Dalam ilmu data, rank rendah menunjukkan bahwa kolom sangat berkorelasi, yang mendasari teknik seperti analisis komponen utama dan kompresi matriks.

Matriks mendukung berbagai teknologi yang luar biasa.

Dalam komputer grafis dan permainan, matriks transformasi merotasi, menskalakan, dan memproyeksikan adegan 3D ke layar 2D; mengalikan matriks-matriks ini menggabungkan beberapa transformasi menjadi satu.

Dalam pembelajaran mesin, bobot jaringan saraf adalah matriks, dan pelatihannya bergantung pada perkalian matriks besar-besaran yang dipercepat oleh GPU.

Hubungan gerak tunggal seperti jarak = kecepatan × waktu cukup sederhana untuk sebuah kalkulator waktu, tetapi Encyclopaedia Britannica mencatat bahwa matriks mengambil alih begitu banyak kuantitas digabungkan bersama dalam fisika dan ekonomi, seperti pada sirkuit listrik dan model ekonomi input-output.

Insinyur menggunakannya untuk analisis struktural dan metode elemen hingga, sementara ahli statistik menggunakan matriks kovarians untuk menggambarkan hubungan antarvariabel.

Algoritma PageRank asli Google bahkan membingkai seluruh web sebagai satu masalah nilai eigen matriks yang sangat besar.

Vektor eigen dari matriks persegi A adalah vektor bukan nol v yang arahnya tidak berubah ketika dikalikan dengan A, sehingga A·v = λ·v, di mana skalar λ adalah nilai eigen yang bersesuaian.

Wolfram MathWorld mendefinisikan nilai eigen sebagai akar dari polinomial karakteristik det(A − λI) = 0.

Secara geometris, vektor eigen menandai sumbu di mana transformasi linier sekadar meregangkan atau memapatkan ruang sebesar faktor λ, tanpa merotasi arah tersebut.

Nilai eigen mendasari analisis stabilitas, mode getaran dalam teknik, tingkat energi kuantum, dan reduksi dimensionalitas seperti analisis komponen utama. Perkalian semua nilai eigen sama dengan determinan, dan jumlahnya sama dengan jejak (trace — jumlah entri diagonal).

• Kesalahan yang paling sering terjadi adalah mengasumsikan perkalian matriks bersifat komutatif — A×B biasanya tidak sama dengan B×A, dan membalik urutannya memberikan hasil yang berbeda atau tidak terdefinisi.
• Kesalahan lainnya adalah mencoba mengalikan matriks yang dimensi dalamnya tidak cocok; jumlah kolom A harus sama dengan jumlah baris B.
• Siswa sering mencoba menginverskan matriks dengan determinan nol, yang mustahil karena matriks tersebut adalah singular.
• Saat mentransposkan suatu perkalian, ingat bahwa urutannya terbalik: (AB)ᵀ = BᵀAᵀ.
• Selama reduksi baris, lupa menerapkan operasi pada setiap entri di baris tersebut, atau membagi dengan pivot nol, akan merusak hasil.
• Terakhir, mencampuradukkan indeks baris dan kolom saat membaca A[i][j] secara diam-diam menghasilkan jawaban yang salah.