Invers & Faktorisasi LU
Bab 3 membahas operasi aljabar matriks secara mekanis. Bab ini memberikan makna mendalam pada salah satu operasi tersebut: invers. Kita mulai dari pertanyaan sederhana — "bisakah operasi baris direpresentasikan sebagai perkalian matriks?" — dan tiba pada dua hasil fundamental: teorema invertibel matriks (daftar pernyataan ekuivalen yang menjadi tulang punggung seluruh buku ini) dan faktorisasi LU (strategi komputasi yang mengubah penyelesaian sistem menjadi dua substitusi segitiga).
4.1 Matriks Elementer
Bab 2 memperkenalkan tiga jenis operasi baris elementer (OBE). Pada bagian ini, kita akan membuktikan sebuah fakta teoretis yang luar biasa: setiap operasi baris elementer tunggal pada suatu matriks dapat direpresentasikan secara ekuivalen sebagai aksi perkalian kiri dengan matriks persegi khusus.
4.1.1 Klasifikasi Tiga Jenis Matriks Elementer
Sebuah matriks persegi $E$ diklasifikasikan sebagai matriks elementer jika matriks tersebut diperoleh melalui penerapan tepat satu kali operasi baris elementer (OBE) pada matriks identitas $I_n$.
Sebagai konsekuensi langsung dari adanya tiga variasi operasi baris elementer, terdapat tiga rumpun struktur matriks elementer yang saling bersesuaian:
| Jenis Matriks | Operasi Baris Elementer Dasar | Konstruksi Transformasi pada $I_n$ | Notasi Baku |
|---|---|---|---|
| Jenis I (Permutasi) | Menukar posisi antara baris $i$ dan baris $j$ ($R_i \leftrightarrow R_j$). | Matriks $I_n$ dengan susunan baris ke-$i$ dan baris ke-$j$ yang ditukar posisi. | $E_{ij}$ |
| Jenis II (Skaling) | Mengalikan baris ke-$i$ dengan skalar non-nol ($k \cdot R_i \to R_i$). | Matriks $I_n$ dengan entri diagonal utama pada posisi $(i,i)$ diubah menjadi $k$. | $E_i(k)$ |
| Jenis III (Penggantian) | Menambahkan kelipatan baris $j$ ke baris $i$ ($R_i + kR_j \to R_i$). | Matriks $I_n$ dengan entri off-diagonal pada posisi baris $i$ kolom $j$ ($(i,j)$) diubah menjadi $k$. | $E_{ij}(k)$ |
Mari kita turunkan ketiga variasi matriks elementer dengan menerapkan satu OBE tunggal pada matriks identitas dasar $I_3 = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix}$:
Perhatikan posisi letak angka pada matriks $E_{21}(-3)$: Sesuai dengan aturan Jenis III, operasi penambahan ke baris 2 ($i=2$) dari kelipatan baris 1 ($j=1$) meletakkan pengali $-3$ tepat pada koordinat indeks baris 2 kolom 1.
4.1.2 Operasi Baris = Perkalian Matriks Elementer
Misalkan $E$ adalah sebuah matriks elementer berukuran $m \times m$ yang diperoleh dengan menerapkan satu operasi baris elementer tertentu pada matriks identitas $I_m$. Jika $A$ adalah sebarang matriks berukuran $m \times n$, maka produk perkalian matriks:
Mari kita buktikan secara komputasi bahwa aksi perkalian kiri $E_{21}(-3) \cdot A$ menghasilkan transformasi yang identik dengan menambahkan $-3 \times$ baris 1 ke baris 2 pada matriks $A$ berordo $3 \times 3$ berikut:
Evaluasi baris 2 pada matriks produk membuktikan kebenaran teorema ini (\checkmark). Baris 1 dan baris 3 tidak mengalami perubahan nilai karena baris tersebut pada matriks elemen $E$ mempertahankan struktur asli dari matriks identitas $I_3$.
Setiap matriks elementer dipastikan bersifat invertibel (memiliki invers tunggal), dan matriks inversnya merupakan matriks elementer yang bertipe **jenis yang sama** dengan operasi pembalikan arah aljabar berikut:
Berikut adalah visualisasi pengerjaan matriks invers elementer untuk masing-masing rumpun jenis:
- Jenis I (Pembalikan Penukaran): Operasi penukaran baris bersifat self-inverse karena menukar baris yang sama sebanyak dua kali akan mengembalikan struktur ke susunan semula:
\[ \begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}^{-1} = \begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix} \]
- Jenis III (Pembalikan Tanda): Membalikkan operasi penambahan $-3 \times R_1$ dicapai secara ekuivalen dengan menambahkan $+3 \times R_1$ kembali:
\[ \begin{bmatrix} 1 & 0 \\ -3 & 1 \end{bmatrix}^{-1} = \begin{bmatrix} 1 & 0 \\ 3 & 1 \end{bmatrix} \quad \implies E_{21}(-3)^{-1} = E_{21}(3) \]
- Jenis II (Pembalikan Skala): Membalikkan penskalaan baris dengan faktor pembobot $5$ diselesaikan dengan mengalikan baris tersebut menggunakan nilai invers skalarnya ($\frac{1}{5}$):
\[ \begin{bmatrix} 5 & 0 \\ 0 & 1 \end{bmatrix}^{-1} = \begin{bmatrix} \tfrac{1}{5} & 0 \\ 0 & 1 \end{bmatrix} \quad \implies E_1(5)^{-1} = E_1\!\left(\tfrac{1}{5}\right) \]
Jika sebuah matriks $A$ dapat ditransformasikan menjadi matriks eselon $B$ melalui serangkaian urutan Operasi Baris Elementer, maka secara aljabar eksis barisan matriks elementer $E_1, E_2, \ldots, E_k$ yang membentuk hubungan rantai produk perkalian: \[ E_k \cdots E_2 E_1 A = B \]
Karena setiap individu matriks elementer $E_i$ terbukti invertibel, maka berdasarkan hukum asosiatif aljabar, matriks produk gabungannya ($M = E_k \cdots E_1$) dijamin pasti bersifat **invertibel**. Sifat rantai ini merupakan fondasi mekanis utama yang digunakan untuk membuktikan Teorema Invertibel Matriks akbar pada Bagian 4.3.
4.2 Invers melalui Operasi Baris
Matriks persegi $A$ berukuran $n \times n$ dikatakan invertibel (atau non-singular) jika terdapat matriks $n \times n$ — dinotasikan $A^{-1}$ dan disebut invers dari $A$ — sehingga:
Jika $A$ tidak memiliki invers, $A$ disebut non-invertibel atau singular.
Jika $A$ invertibel, maka inversnya unik.
Anggap $B$ dan $C$ keduanya merupakan invers dari $A$. Maka:
Di sini kita menggunakan asosiativitas perkalian matriks (Teorema 3.2) dan fakta bahwa $BA = I$ serta $AC = I$. Jadi $B = C$; invers hanya satu. ∎
Sekarang kita perlu metode praktis untuk menghitung $A^{-1}$. Algoritmanya elegan: kita menempatkan $A$ dan $I$ berdampingan, lalu menerapkan operasi baris pada keduanya secara simultan.
Misalkan $A$ adalah sebuah matriks persegi berukuran $n \times n$. Susunlah struktur matriks augmented yang menyandingkan matriks tersebut dengan matriks identitas seordo, dinotasikan sebagai $\left[\,A \;\middle|\; I_n\,\right]$. Terapkan serangkaian Operasi Baris Elementer (OBE) untuk mereduksi sisi kiri hingga bertransformasi menjadi $I_n$ (jika memungkinkan). Maka:
Kriteria Kegagalan: Jika selama proses reduksi baris berlangsung muncul satu baris nol secara penuh di sisi kiri (pada domain matriks $A$), maka matriks $A$ dinyatakan **tidak memiliki invers (singular / non-invertibel)**.
Berdasarkan prinsip representasi OBE pada Teorema 4.1, setiap langkah operasi baris setara dengan perkalian kiri menggunakan suatu matriks elementer. Jika matriks $A$ dapat direduksi secara sempurna hingga membentuk matriks identitas $I_n$, berarti terdapat barisan matriks elementer $E_1, E_2, \ldots, E_k$ sedemikian rupa sehingga:
Berdasarkan definisi invers aljabar, persamaan di atas membuktikan bahwa akumulasi produk matriks elementer tersebut merupakan matriks invers dari $A$, yaitu: $(E_k \cdots E_2 E_1) = A^{-1}$.
Karena kita menerapkan rangkaian runtutan operasi baris yang sama persis pada matriks identitas $I_n$ di sisi kanan blok augmented secara simultan, maka domain sisi kanan akan mengevaluasi hasil perkalian berantai:
Dengan demikian, saat sisi kiri berhasil bertransformasi menjadi $I_n$, sisi kanan secara otomatis akan menampung nilai matriks invers $A^{-1}$ secara tunggal dan presisi. ∎
Tentukan matriks invers $A^{-1}$ dari matriks persegi berikut menggunakan eliminasi Gauss-Jordan:
Langkah 1: Penyusunan Matriks Augmented Berdampingan
Kita sandingkan matriks $A$ dengan matriks identitas $I_3$. Untuk mempermudah perhitungan aljabar ke depan, kita langsung lakukan operasi penukaran baris ($R_1 \leftrightarrow R_2$) agar angka $1$ utama langsung menempati posisi pivot teratas:
Langkah 2: Eliminasi Maju di Bawah Pivot Kolom Pertama
Kita bersihkan entri di bawah pivot pertama kolom 1 dengan menerapkan operasi baris $R_2 - 2R_1$ dan $R_3 - R_1$ secara simultan:
Langkah 3: Eliminasi Bawah Kolom Kedua menuju Eselon Baris (REF)
Gunakan elemen pivot pada posisi $(2,2)$ untuk membersihkan angka di bawahnya melalui operasi baris $R_3 - R_2$:
Langkah 4: Normalisasi Pivot Baris Ketiga
Kita kalikan baris ketiga dengan skalar $\frac{1}{2}$ ($R_3 \div 2$) agar nilai elemen utama baris terakhir berubah menjadi $1$:
Langkah 5: Eliminasi Mundur di Atas Pivot (Fase Akhir Gauss-Jordan)
Terakhir, kita bersihkan entri di atas elemen utama kolom 3 dengan mengeksekusi operasi baris $R_1 - R_3$ dan $R_2 + 2R_3$ secara bersamaan:
Karena domain sisi kiri sekarang telah bertransformasi sempurna menjadi matriks identitas $I_3$, maka komponen matriks pada domain sisi kanan secara otomatis merupakan hasil invers yang kita cari:
Mari kita coba mencari matriks invers dari $A = \begin{bmatrix} 1 & 2 \\ 2 & 4 \end{bmatrix}$ menggunakan metode augmented Gauss-Jordan:
Perhatikan struktur baris kedua pada domain sisi kiri setelah transformasi elementer: seluruh entri koefisien runtuh menjadi baris nol secara total ($\begin{bmatrix} 0 & 0 \end{bmatrix}$). Kondisi ini membuat matriks gagal memenuhi kriteria pembentukan matriks identitas $I_2$ karena tidak memiliki elemen pivot yang valid pada posisi $(2,2)$. Oleh karena itu, matriks $A$ secara formal dinyatakan **tidak memiliki invers (singular / non-invertibel)**.
Analisis Geometris: Karena baris 2 sejatinya merupakan kelipatan linear sempurna ($2 \times$) dari baris 1, matriks ini mengalami reduksi ruang bentangan dan kehilangan derajat independensi linearnya.
Operasi invers aljabar standar hanya didefinisikan secara eksklusif untuk matriks persegi ($n \times n$). Tidak ada konsep matriks invers konvensional "$A^{-1}$" bagi matriks non-persegi (persegi panjang). Pada Bab 16, kita akan mempelajari konsep Pseudoinvers Moore-Penrose sebagai bentuk generalisasi tingkat lanjut untuk menangani matriks non-persegi, namun objek tersebut bekerja menggunakan mekanisme yang berbeda dan membutuhkan pemahaman matang mengenai Singular Value Decomposition (SVD).
Misalkan $A$ dan $B$ adalah dua buah matriks persegi berukuran $n \times n$ yang keduanya bersifat invertibel, serta $k$ bertindak sebagai konstanta skalar non-nol ($k \neq 0$), maka berlaku sifat aljabar invers berikut:
- Involusi Invers: $(A^{-1})^{-1} = A$ (Melakukan invers sebanyak dua kali akan mengembalikan matriks ke bentuk asli)
- Homogenitas Skalar: $(kA)^{-1} = \dfrac{1}{k}\, A^{-1}$
- Pembalikan Produk (Sifat Kaos-Sepatu): $(AB)^{-1} = B^{-1}A^{-1}$ (Urutan perkalian wajib terbalik!)
- Komutativitas Transpose: $(A^T)^{-1} = (A^{-1})^T$ (Operasi invers dan operasi transpose dapat saling bertukar urutan pengerjaan)
- Distribusi Eksponen: $(A^n)^{-1} = (A^{-1})^n$ untuk setiap bilangan bulat positif $n \geq 1$.
Berdasarkan Definisi 4.2, untuk membuktikan bahwa matriks $B^{-1}A^{-1}$ merupakan invers sah dari produk $AB$, kita wajib menunjukkan secara komutatif bahwa hasil kali keduanya dari arah kiri maupun kanan melebur menjadi matriks identitas $I$:
1. Pengujian dari Arah Kanan:
2. Pengujian dari Arah Kiri:
Pembuktian di atas memanfaatkan Sifat Asosiatif aljabar matriks untuk meluruhkan pasangan terdalam ($B B^{-1}$ dan $A^{-1}A$). Perhatikan bahwa pembalikan urutan posisi menjadi $B^{-1}A^{-1}$ bersifat mutlak wajib—mengadopsi filosofi analogi yang sama dengan sifat transpose produk perkalian $(AB)^T = B^T A^T$ pada Teorema 3.3. ∎
Eksistensi Teorema 4.5 sekarang dapat menjelaskan secara tuntas alasan logis mengapa Hukum Pembatalan (Cancellation Law) pada Bab 3 dinyatakan gagal secara umum. Jika kita memiliki persamaan matriks $AB = AC$, kita hanya diperbolehkan melakukan pembatalan suku $A$ dengan mengalikan matriks invers tunggalnya dari arah kiri:
Prosedur deduksi aljabar di atas membuktikan bahwa hukum pembatalan **hanya dan pasti valid jika matriks pembagi ($A$) bersifat invertibel**. Kasus kegagalan pada Contoh 3.6 terjadi semata-mata karena matriks pembagi yang digunakan di sana bersifat singular (tidak memiliki invers akibat ketergantungan linear antar-barisnya).
4.3 Teorema Invertibel Matriks
Berikut ini merupakan salah satu teorema paling agung, fundamental, dan krusial dalam seluruh disiplin ilmu aljabar linear. Teorema ini menyatukan konsep "invertibilitas" sebuah matriks persegi ke dalam rangkaian pernyataan ekuivalen yang saling mengikat satu sama lain. Kekuatan utama dari teorema ini adalah jika Anda berhasil membuktikan salah satu poin di bawah ini bernilai benar, maka seluruh poin lainnya otomatis **dijamin pasti bernilai benar** secara mutlak.
Misalkan $A$ adalah sebuah matriks persegi berukuran $n \times n$. Seluruh pernyataan di bawah ini bersifat ekuivalen (setara) secara logis:
- $A$ merupakan matriks invertibel (memiliki matriks invers $A^{-1}$).
- $A$ memiliki hubungan ekuivalen baris (row equivalent) secara sempurna dengan matriks identitas $I_n$, diperoleh melalui reduksi penuh RREF.
- $A$ memiliki tepat total $n$ buah posisi elemen pivot saat dikonversi menuju bentuk eselon baris (REF).
- Sistem persamaan linear homogen $A\mathbf{x} = \mathbf{0}$ hanya memuat solusi trivial tunggal ($\mathbf{x} = \mathbf{0}$).
- Sistem persamaan linear non-homogen $A\mathbf{x} = \mathbf{b}$ dijamin memiliki tepat satu solusi unik untuk setiap variasi vektor konstanta $\mathbf{b} \in \mathbb{R}^n$.
- Terdapat sebuah matriks persegi $C$ seordo sedemikian rupa sehingga memenuhi identitas perkalian: $CA = I_n$.
- Terdapat sebuah matriks persegi $D$ seordo sedemikian rupa sehingga memenuhi identitas perkalian: $AD = I_n$.
Teorema Invertibel Matriks bertindak sebagai sebuah jangkar logika raksasa. Sepanjang perjalanan perkuliahan kita ke depan, daftar ekuivalensi ini akan terus bertambah panjang hingga memuat puluhan sifat baru. Sebagai gambaran masa depan:
- Pada Bab 7 & 8, kita akan menambahkan sifat: "Kolom-kolom matriks A bersifat linear independen" dan "Nilai rank(A) = n".
- Pada Bab 9, kita akan menambahkan sifat: "Pemetaan transformasi linear $\mathbf{x} \mapsto A\mathbf{x}$ bersifat satu-satu (isomorfisme)".
- Pada Bab 10, kita akan menambahkan sifat: "Angka nol tidak pernah menjadi nilai eigen (eigenvalue) dari matriks A".
Untuk saat ini di Bab 4, fokuskan pemahaman Anda pada mekanika transisi antara bentuk matriks eselon, eksistensi invers, dan kuantitas keterbacaan solusi SPL.
4.3.1 Struktur Rantai Pembuktian Siklus Implikasi
Metode standar dan paling efisien untuk membuktikan kesetaraan logis dari banyak pernyataan sekaligus adalah dengan membangun sebuah siklus implikasi berantai. Melalui strategi dekonstruksi logika ini, kita cukup membuktikan bahwa setiap poin menuntut poin berikutnya secara sirkular, sehingga setiap pernyataan secara otomatis dapat dicapai dan dibuktikan dari titik tolak mana pun:
Mari kita bedah rangkaian logika pembuktian berantai ini langkah-demi-langkah:
(1) ⇒ (2): Jika dikondisikan matriks $A$ bersifat invertibel, maka matriks invers $A^{-1}$ dipastikan eksis. Berdasarkan mekanisme Algoritma Inversi Gauss-Jordan (Teorema 4.4), penerapan serangkaian OBE yang mereduksi matriks augmented $[A \mid I_n]$ menjadi $[I_n \mid A^{-1}]$ membuktikan secara mutlak bahwa matriks $A$ memiliki hubungan ekuivalen baris dengan matriks identitas $I_n$.
(2) ⇒ (3): Jika matriks $A$ memiliki hubungan ekuivalen baris dengan matriks identitas $I_n$, berarti hasil operasi reduksi penuh RREF dari matriks $A$ adalah $I_n$ itu sendiri. Karena matriks identitas $I_n$ memiliki angka $1$ di setiap posisi diagonal utamanya, maka matriks $A$ terbukti memiliki tepat total $n$ buah posisi elemen pivot.
(3) ⇒ (4): Jika matriks $A$ berukuran $n \times n$ memuat tepat $n$ buah posisi elemen pivot, berarti setiap kolom variabel di dalam matriks koefisien bertindak sebagai kolom pivot. Kondisi ini menutup peluang kemunculan kolom variabel bebas, sehingga persamaan sistem homogen $A\mathbf{x} = \mathbf{0}$ dipastikan hanya memuat solusi trivial tunggal ($\mathbf{x} = \mathbf{0}$).
(4) ⇒ (5): Jika sistem homogen $A\mathbf{x} = \mathbf{0}$ hanya didukung oleh solusi trivial, berarti tidak ada variabel bebas di dalam matriks koefisien, menegaskan eksistensi total $n$ buah elemen pivot. Karena kuantitas elemen pivot memenuhi kapasitas penuh baris dan kolom matriks koefisien, maka untuk setiap variasi vektor konstanta ruas kanan $\mathbf{b} \in \mathbb{R}^n$, matriks augmented $[A \mid \mathbf{b}]$ dijamin pasti konsisten dan menghasilkan **tepat satu solusi unik** (tanpa interferensi parameter bebas).
(5) ⇒ (7): Jika sistem non-homogen $A\mathbf{x} = \mathbf{b}$ dijamin selalu memiliki solusi unik untuk setiap variasi vektor $\mathbf{b} \in \mathbb{R}^n$, maka secara khusus kita dapat menemukan kolom-kolom solusi tertentu $\mathbf{d}_1, \mathbf{d}_2, \ldots, \mathbf{d}_n$ yang masing-masing memenuhi persamaan: $A\mathbf{d}_1 = \mathbf{e}_1, A\mathbf{d}_2 = \mathbf{e}_2, \ldots, A\mathbf{d}_n = \mathbf{e}_n$ (di mana $\mathbf{e}_j$ adalah vektor kolom standar dari matriks identitas $I_n$). Jika kita menggabungkan vektor-vektor solusi tersebut menjadi sebuah matriks susunan kolom $D = [\mathbf{d}_1 \; \mathbf{d}_2 \; \cdots \; \mathbf{d}_n]$, maka berdasarkan aturan perkalian matriks kolom diperoleh hubungan identitas invers satu sisi: $AD = I_n$.
(7) ⇒ (6): Dari pernyataan (7), kita mengetahui eksistensi matriks $D$ sedemikian sehingga $AD = I_n$. Untuk sebarang vektor $\mathbf{b} \in \mathbb{R}^n$, definisikan $\mathbf{x} = D\mathbf{b}$. Maka:
Hal ini membuktikan bahwa sistem $A\mathbf{x} = \mathbf{b}$ selalu konsisten (memiliki minimal satu solusi) untuk setiap $\mathbf{b}$. Bagi pemetaan linear $T(\mathbf{x}) = A\mathbf{x}$ dari $\mathbb{R}^n$ ke $\mathbb{R}^n$, sifat surjektif (onto) ini secara otomatis mengimplikasikan sifat injektif (satu-satu) berdasarkan prinsip dimensi ruang — yang berarti $A\mathbf{x} = \mathbf{0}$ hanya memiliki solusi trivial.
Karena (4) terbukti benar, mengikuti rantai implikasi yang telah dibuktikan sebelumnya ((4) ⇒ (5) ⇒ (7)), sistem $A\mathbf{x} = \mathbf{b}$ dijamin memiliki tepat satu solusi unik untuk setiap $\mathbf{b}$. Sifat keunikan solusi ini memastikan eksistensi matriks $C$ yang memenuhi hubungan invers satu sisi kiri: $CA = I_n$.
(6) ⇒ (1): Kita tunjukkan bahwa keberadaan invers satu sisi kiri $CA = I_n$ memaksa matriks $A$ untuk bersifat invertibel dua sisi secara penuh. Jika kita mengalikan kedua ruas $CA = I_n$ dari sisi kanan menggunakan matriks $D$ (dari poin 7), diperoleh deduksi aljabar: $C(AD) = I_n D \implies C(I_n) = D \implies C = D$. Karena matriks pengali kiri dan kanan bernilai identik ($C = D$), maka hubungan aljabar melebur menjadi $CA = AC = I_n$. Aturan ini membuktikan secara sahih bahwa matriks $A$ bersifat invertibel dengan nilai matriks invers tunggal $A^{-1} = C = D$. ∎
Harap dicatat dengan cermat bahwa Teorema Invertibel Matriks yang disajikan di atas merupakan **versi awal (fase fondasi)**. Seiring dengan meluasnya materi aljabar kita pada bab-bab berikutnya, rantai kesetaraan ekuivalen ini akan terus bertambah panjang. Pada Bab 5, pernyataan nilai determinan ($\det(A) \neq 0$) akan bergabung ke dalam daftar. Diikuti oleh analisis nilai rank pada Bab 8, sifat pemetaan transformasi linear pada Bab 9, serta kriteria nilai eigen (eigenvalue) non-nol pada Bab 10. Matriks Teorema Invertibel yang **utuh secara paripurna** baru akan tersedia lengkap di akhir Bab 10.
Buktikan secara teoretis bahwa jika dua matriks persegi $A$ dan $B$ berukuran $n \times n$ memenuhi persamaan invers satu sisi $AB = I_n$, maka urutan kebalikannya dijamin pasti menghasilkan nilai yang sama, yaitu $BA = I_n$ (tanpa perlu menghitung entri invers secara eksplisit).
Penyelesaian Analitis:
Diketahui bahwa $AB = I_n$. Berdasarkan rantai kesetaraan pada Teorema Invertibel Matriks (Teorema 4.6 Poin 7), eksistensi matriks pengali kanan $D$ sedemikian rupa sehingga $AD = I_n$ merupakan bukti sah yang mengonfirmasi bahwa matriks $A$ bersifat **invertibel secara penuh (non-singular)**, sehingga matriks invers tunggalnya ($A^{-1}$) dipastikan eksis.
Karena matriks $A^{-1}$ dijamin ada, kita dapat melakukan operasi perkalian kiri menggunakan suku $A^{-1}$ pada kedua ruas persamaan awal:
Manipulasi aljabar di atas membuktikan secara valid bahwa matriks $B$ sejatinya tidak lain adalah matriks invers itu sendiri ($A^{-1}$). Dengan mensubstitusikan identitas $B = A^{-1}$ ke dalam susunan perkalian terbalik $BA$, diperoleh kesimpulan akhir:
Kesimpulan Vital: Khusus untuk rumpun matriks persegi, kita memiliki hak istimewa untuk cukup melakukan pemeriksaan invers pada satu sisi perkalian saja. Jika kondisi $AB = I_n$ telah terpenuhi, maka jaminan hubungan komutatif $BA = I_n$ akan otomatis berlaku secara mutlak. ∎
Dalam analisis aljabar linear tingkat lanjut, membuktikan suatu properti matriks secara langsung sering kali sangat sulit atau membutuhkan kalkulasi yang rumit. Teorema Invertibel Matriks memberikan kita "pintu pintas" lintas konsep untuk mempermudah pembuktian tersebut. Sebagai contoh:
- Untuk menunjukkan bahwa sebuah matriks raksasa memiliki invers, Anda tidak perlu lelah menghitung matriks inversnya menggunakan augmented Gauss-Jordan.
- Anda cukup membuktikan bahwa sistem homogen terkait ($A\mathbf{x} = \mathbf{0}$) hanya didukung oleh solusi trivial, atau membuktikan bahwa bentuk REF-nya memiliki pivot penuh di setiap baris.
Fleksibilitas perpindahan sudut pandang aljabar-geometris inilah yang menjadikan teorema ini sebagai salah satu instrumen analitis paling perkasa di dalam genggaman seorang matematikawan.
4.4 Faktorisasi LU (LU Decomposition)
Algoritma inversi matriks yang dibahas pada Bagian 4.2 mentransformasikan matriks koefisien $A$ menjadi matriks identitas $I$—pendekatan ini sangat efektif secara teoretis, namun secara komputasi terhitung sangat "mahal" (membutuhkan banyak operasi floating-point) jika tujuan akhir kita hanya sekadar ingin menyelesaikan sistem persamaan linear $A\mathbf{x} = \mathbf{b}$ tanpa membutuhkan matriks $A^{-1}$ itu sendiri.
Faktorisasi LU menawarkan arsitektur pemrosesan data yang jauh lebih efisien dan stabil. Strategi komputasi ini memecah matriks koefisien menjadi dua komponen matriks segitiga, menjadikannya sebagai algoritma industri yang paling sering digunakan ketika sistem superkomputer harus menyelesaikan SPL masif dengan variasi vektor konstanta ruas kanan $\mathbf{b}$ yang berubah-ubah secara dinamis.
4.4.1 Konstruksi Matriks $L$ dan $U$ dari Fase Eliminasi
Jika $A$ adalah sebuah matriks persegi berukuran $n \times n$ yang dapat direduksi secara sempurna menjadi bentuk eselon baris (REF) tanpa melibatkan operasi penukaran baris (permutasi) sama sekali, maka matriks $A$ dapat didekomposisikan secara tunggal menjadi produk perkalian dua matriks segitiga:
Di mana karakteristik komponen pembentuk di atas didefinisikan sebagai:
- Matriks $L$ (Lower Triangular): Merupakan matriks segitiga bawah unit (unit lower triangular), di mana seluruh entri sepanjang diagonal utamanya diwajibkan bernilai tepat $1$ ($l_{ii} = 1$).
- Matriks $U$ (Upper Triangular): Merupakan matriks segitiga atas murni, yang tidak lain adalah matriks berbentuk eselon baris (REF) hasil akhir dari fase eliminasi maju terhadap matriks $A$.
Kunci utama untuk mengonstruksi komponen entri pada matriks $L$ terletak pada pencatatan histori Operasi Baris Elementer jenis ketiga (penggantian baris). Jika kita mengeliminasi elemen di bawah pivot kolom $j$ baris $i$ menggunakan formula operasi pengurangan:
Maka konstanta pengali pengurang $\color{#dc2626}{c}$ tersebut (disebut sebagai multiplier) akan langsung disimpan dan menempati koordinat indeks baris $i$ kolom $j$ pada matriks $L$, ditulis secara matematis: $l_{ij} = c$. Keberadaan angka $1$ sepanjang diagonal utama matriks $L$ memastikan bahwa efek dari seluruh pengali linear ini terisolasi dengan rapi.
Dekomposisikan matriks persegi $A$ berikut menjadi perkalian sepasang matriks segitiga $LU$:
Langkah 1: Eliminasi Kolom Pertama
Kita bersihkan entri di bawah pivot pertama kolom 1 menggunakan operasi baris elementer pengurangan. Faktor pengali (multiplier) dicatat berdasarkan rasio elemen yang dieliminasi terhadap elemen pivot:
- Untuk baris 2: $c = \frac{4}{2} = 2 \implies$ Operasi: $R_2 - \color{#dc2626}{2}R_1 \to R_2$. Kita catat nilai pengali: $l_{21} = 2$.
- Untuk baris 3: $c = \frac{-2}{2} = -1 \implies$ Operasi: $R_3 - (\color{#dc2626}{-1})R_1 \to R_3 + R_1$. Kita catat nilai pengali: $l_{31} = -1$.
Langkah 2: Eliminasi Kolom Kedua menuju Matriks $U$
Gunakan elemen pivot baris kedua untuk membersihkan angka di bawahnya pada baris 3 kolom 2:
- Faktor pengali: $c = \frac{1}{1} = 1 \implies$ Operasi: $R_3 - \color{#dc2626}{1}R_2 \to R_3$. Kita catat nilai pengali: $l_{32} = 1$.
Fase eliminasi maju selesai, menghasilkan matriks eselon segitiga atas yang bertindak sebagai matriks $U$.
Langkah 3: Mengonstruksi Matriks Segitiga Bawah $L$
Susun komponen matriks $L$ dengan menempatkan angka $1$ di sepanjang diagonal utama, nilai nol di area atas diagonal, dan seluruh histori nilai multiplier ($l_{ij}$) yang telah kita catat ke posisi indeks yang bersesuaian:
Langkah 4: Verifikasi Kebenaran Aljabar Matriks
Kita uji keabsahan hasil dekomposisi dengan mengalikan kembali matriks $L$ dan $U$ secara baris-kali-kolom standar:
Komponen entri matriks $L$ pada koordinat indeks bawah diagonal ($i > j$) secara mekanis selalu menyimpan **nilai asli dari konstanta pengurang (multiplier)** yang diaplikasikan untuk menolkan elemen posisi tersebut pada matriks $A$. Jika formulasi kode OBE ditulis ke dalam format pengurangan standar $R_i - \color{#dc2626}{l_{ij}} R_j \to R_i$, maka nilai entri disimpan utuh sebagai $l_{ij}$.
Ingat kembali batasan aksioma internal matriks $L$: seluruh entri diagonal utama wajib bernilai tepat $1$ ($l_{ii} = 1$), dan seluruh entri di atas diagonal utama wajib bersih bernilai nol ($l_{ij} = 0$ untuk $i < j$).
4.4.2 Penyelesaian SPL via Substitusi Maju dan Substitusi Mundur
Setelah komponen produk $A = LU$ berhasil didapatkan, kita dapat memecah penyelesaian sistem persamaan linear non-homogen $A\mathbf{x} = \mathbf{b}$ ke dalam dua tahapan substitusi terpisah yang jauh lebih ringan bagi beban memori prosesor:
Diberikan persamaan matriks $A\mathbf{x} = \mathbf{b}$ di mana matriks koefisien telah terfaktorisasi sempurna menjadi $A = LU$, rangkaian solusi diperoleh secara berjenjang melalui:
- Substitusi Maju (Forward Substitution): Kita definisikan vektor antara $\mathbf{y} = U\mathbf{x}$. Terapkan penyelesaian sistem segitiga bawah $L\mathbf{y} = \mathbf{b}$ untuk mengisolasi nilai vektor $\mathbf{y}$.
- Substitusi Mundur (Backward Substitution): Gunakan hasil output vektor antara tersebut untuk menyelesaikan sistem segitiga atas $U\mathbf{x} = \mathbf{y}$ guna mendapatkan vektor solusi final $\mathbf{x}$.
Validitas Logika: Vektor hasil $\mathbf{x}$ dijamin merupakan solusi sah sistem karena memenuhi rantai hubungan aksioma: $A\mathbf{x} = (LU)\mathbf{x} = L(U\mathbf{x}) = L\mathbf{y} = \mathbf{b}$. ∎
Gunakan hasil dekomposisi matriks $LU$ dari Contoh 4.7 untuk menyelesaikan sistem $A\mathbf{x} = \mathbf{b}$ dengan vektor konstanta ruas kanan $\mathbf{b} = \begin{bmatrix} 6 \\ 15 \\ -3 \end{bmatrix}$.
Tahap 1 — Eksekusi Substitusi Maju ($L\mathbf{y} = \mathbf{b}$):
Kita susun persamaan sistem menggunakan matriks segitiga bawah unit $L$ untuk mencari komponen vektor antara $\mathbf{y}$ dari atas ke bawah:
Mekanisme pembacaan linear bertahap:
- Dari baris 1: $\boxed{y_1 = 6}$
- Dari baris 2: $2y_1 + y_2 = 15 \implies 2(6) + y_2 = 15 \implies 12 + y_2 = 15 \implies \boxed{y_2 = 3}$
- Dari baris 3: $-y_1 + y_2 + y_3 = -3 \implies -(6) + 3 + y_3 = -3 \implies -3 + y_3 = -3 \implies \boxed{y_3 = 0}$
Tahap 2 — Eksekusi Substitusi Mundur ($U\mathbf{x} = \mathbf{y}$):
Gunakan komponen vektor $\mathbf{y}$ yang baru saja diperoleh sebagai konstanta ruas kanan untuk menyelesaikan sistem segitiga atas $U$ dari bawah ke atas:
Mekanisme pembacaan linear terbalik:
- Dari baris 3: $4x_3 = 0 \implies \boxed{x_3 = 0}$
- Dari baris 2: $x_2 + x_3 = 3 \implies x_2 + 0 = 3 \implies \boxed{x_2 = 3}$
- Dari baris 1: $2x_1 + 4x_2 - 2x_3 = 6 \implies 2x_1 + 4(3) - 2(0) = 6 \implies 2x_1 + 12 = 6 \implies 2x_1 = -6 \implies \boxed{x_1 = -3}$
Verifikasi Komputasi Balik ($A\mathbf{x} = \mathbf{b}$):
Dalam rekayasa simulasi industri (seperti pemodelan dinamika fluida atau kalkulasi runtun waktu), kita sering kali dipaksa menyelesaikan persamaan linear berulang-ulang dengan matriks koefisien konstan $A$ yang sama namun memiliki variasi ribuan vektor target ruas kanan berbeda ($\mathbf{b}_1, \mathbf{b}_2, \ldots, \mathbf{b}_k$).
Melalui arsitektur dekomposisi ini, operasi eliminasi baris elementer yang mahal ($\sim \frac{2}{3}n^3$ kalkulasi floating-point) **cukup dieksekusi tepat satu kali saja** untuk mengunci struktur $L$ dan $U$. Setiap kehadiran vektor input $\mathbf{b}_i$ baru ke depan hanya memerlukan sepasang proses substitusi linear segitiga yang sangat ringan dan kilat ($\sim 2n^2$ kalkulasi). Skenario ini jauh lebih hemat biaya komputasi dibandingkan metode pembalikan matriks langsung menggunakan perkalian $A^{-1}\mathbf{b}$ yang memerlukan biaya prapemrosesan awal hingga tiga kali lipat lebih besar ($\sim 2n^3$ kalkulasi).
4.5 Pivoting Parsial: Faktorisasi $PA = LU$
Formulasi dekomposisi $A = LU$ pada Bagian 4.4 dibangun di atas asumsi mutlak bahwa proses eliminasi maju dapat berjalan mulus tanpa melibatkan operasi penukaran baris sama sekali. Namun dalam praktik komputasi numerik riil di dunia industri, operasi penukaran baris hampir selalu wajib diterapkan—bukan hanya sekadar untuk menghindari elemen pivot bernilai nol, melainkan demi menjaga stabilitas numerik algoritma.
Pada setiap awal tahapan eliminasi kolom ke-$k$, carilah elemen dengan nilai absolut terbesar pada kolom $k$ yang terletak dari baris ke-$k$ hingga baris terakhir ($i \geq k$). Tukarlah posisi baris dengan nilai absolut terbesar tersebut ke posisi baris ke-$k$ sebelum mengeksekusi operasi eliminasi linear. Strategi ini secara mekanis berfungsi untuk meminimalkan akumulasi pembesaran galat pembulatan (rounding errors).
Tinjau sistem persamaan linear kecil berikut menggunakan pembatasan aritmetika komputer (misalkan komputer hanya mampu menyimpan 3 digit angka signifikan):
Skenario 1: Eksekusi Tanpa Pivoting Parsial
Elemen pivot langsung ditetapkan sebesar $0.0001$. Faktor pengali baris kedua dihitung: $l_{21} = \frac{1}{0.0001} = 10.000$. Kita terapkan operasi eliminasi $R_2 - 10.000R_1 \to R_2$:
- Entri $(2,2)$ menjadi: $1 - 10.000(1) = -9.999 \approx -10.000$ (akibat limitasi digit mesin).
- Entri konstanta ruas kanan menjadi: $2 - 10.000(1) = -9.998 \approx -10.000$.
Persamaan runtuh menjadi $-10.000x_2 = -10.000 \implies x_2 = 1$. Melalui substitusi balik ke baris 1: $0.0001x_1 + 1 = 1 \implies x_1 = 0$.
Hasil Salah: Mesin menghasilkan solusi $(0, 1)$, padahal solusi eksak teoritis yang benar adalah $\approx (1.0001, 0.9999)$. Nilai $x_1$ hancur total karena informasinya "tertelan" oleh skala pengali yang terlampau raksasa.
Skenario 2: Eksekusi Dengan Pivoting Parsial
Sebelum mengeliminasi, kita bandingkan nilai mutlak kolom 1: $|1| > |0.0001|$. Kita eksekusi penukaran baris secara utuh ($R_1 \leftrightarrow R_2$), baik pada domain koefisien maupun konstanta ruas kanan:
Faktor pengali baru dihitung: $l_{21} = \frac{0.0001}{1} = 0.0001$. Lakukan operasi eliminasi $R_2 - 0.0001R_1 \to R_2$:
- Entri $(2,2)$ menjadi: $1 - 0.0001(1) = 0.9999 \approx 1.000$ (stabil).
- Entri konstanta ruas kanan menjadi: $1 - 0.0001(2) = 0.9998 \approx 1.000$.
Kalkulasi menghasilkan $1.000x_2 = 1.000 \implies x_2 = 1$. Substitusi balik menghasilkan $x_1 + 1 = 2 \implies x_1 = 1$.
Hasil Akurat: Solusi komputasi $(1, 1)$ bernilai sangat dekat dan aman dengan solusi eksak aslinya.
Untuk setiap jenis matriks persegi $A$ berukuran $n \times n$, dijamin pasti terdapat sebuah matriks permutasi $P$, matriks segitiga bawah unit $L$, dan matriks segitiga atas $U$ sedemikian rupa sehingga memenuhi dekomposisi umum:
Di mana matriks $P$ dibentuk dari akumulasi produk seluruh operasi penukaran baris yang terjadi selama fase eliminasi dengan metode pivoting parsial. Matriks $P$ dijamin selalu memiliki invers dengan sifat ortogonal: $P^{-1} = P^T$.
Sebuah matriks permutasi $P$ diperoleh dengan cara mengaplikasikan rangkaian penukaran baris pada matriks identitas $I$. Setiap aksi penukaran baris tunggal dalam OBE setara dengan perkalian kiri menggunakan matriks elementer Jenis I (Bagian 4.1). Gabungan berantai dari seluruh matriks permutasi elementer ini membentuk matriks $P$ total.
Karena berlaku sifat identitas ortogonal $P^T = P^{-1}$, maka persamaan dekomposisi dapat ditransformasikan balik dari sisi kiri menjadi: $A = P^T L U$. Struktur inilah yang ditanamkan secara baku di dalam sistem komputasi modern (seperti MATLAB, NumPy, atau SciPy) untuk menyelesaikan SPL skala industri.
Dekomposisikan matriks persegi $A$ berikut menggunakan algoritma $PA = LU$ melalui strategi penukaran baris berbasis elemen nilai absolut terbesar:
Langkah 1: Penentuan Pivot Kolom Pertama dan Eliminasi
Periksa entri pada kolom 1 ($0, 1, 2$). Nilai mutlak terbesar adalah $2$ yang berada pada baris 3. Kita eksekusi penukaran baris pertama dengan baris ketiga ($R_1 \leftrightarrow R_3$):
Sekarang, hitung pengali (multiplier) untuk mengeliminasi kolom 1 di bawah pivot $2$:
- Untuk baris 2: $c = \frac{1}{2} \implies$ Operasi: $R_2 - \color{#dc2626}{\frac{1}{2}}R_1 \to R_2$. Kita catat pengali: $l_{21} = \frac{1}{2}$.
- Untuk baris 3: Entri sudah nol, sehingga tidak membutuhkan operasi ($l_{31} = 0$).
Langkah 2: Penentuan Pivot Kolom Kedua dan Eliminasi menuju Matriks $U$
Tinjau entri pada kolom 2 dari baris kedua ke bawah ($0$ dan $1$). Nilai mutlak terbesar adalah $1$ pada baris 3. Guna mengamankan elemen pivot tak-nol, kita eksekusi penukaran baris kedua dengan baris ketiga ($R_2 \leftrightarrow R_3$):
Karena area di bawah pivot posisi $(2,2)$ sudah bersih bernilai nol, fase eliminasi maju selesai dan menghasilkan matriks segitiga atas $U$. Kita catat nilai pengali terakhir: $l_{32} = 0$.
Langkah 3: Penyusunan Komponen Matriks Segitiga Bawah $L$
Matriks $L$ dikonstruksi dengan aturan menyimpan nilai pengali ($l_{ij}$) pada posisi yang bersesuaian setelah diselaraskan dengan riwayat permutasi baris. Hasil pemetaan pengali melahirkan matriks segitiga bawah unit:
Langkah 4: Penyusunan Matriks Permutasi Kumulatif $P$
Matriks permutasi gabungan $P$ diperoleh dengan menerapkan runtutan penukaran baris yang sama ($R_1 \leftrightarrow R_3$ kemudian $R_2 \leftrightarrow R_3$) pada matriks identitas dasar $I_3$:
Langkah 5: Verifikasi Keabsahan Identitas $PA = LU$
Mari kita buktikan kecocokan hasil komputasi antara ruas kiri ($PA$) dengan ruas kanan ($LU$):
Hasil evaluasi numerik membuktikan kesamaan bentuk secara mutlak: $PA = LU$ ✓ Terbukti Valid.
Ketika strategi pivoting parsial diaplikasikan, pencatatan dan penempatan posisi entri pengali linear (multiplier) di dalam matriks $L$ wajib disinkronkan dan disesuaikan **setelah** seluruh rangkaian urutan penukaran baris pada langkah aktif tersebut selesai dieksekusi. Jika Anda teledor memetakan posisi pengali sebelum posisi barisnya stabil ditukar, susunan koordinat internal matriks $L$ akan mengalami dislokasi nilai yang berakibat pada kegagalan total dekomposisi ($LU \neq PA$).
4.6 Analisis Kompleksitas Komputasi Algoritma
Memahami seberapa besar kuantitas operasi aritmetika (Floating-Point Operations atau FLOPs) yang dikonsumsi oleh setiap variasi algoritma merupakan hal yang sangat krusial. Analisis efisiensi ini membantu kita menentukan strategi arsitektur komputasi yang paling tepat, terutama saat menangani pemrosesan data matriks berdimensi masif di industri.
| Jenis Operasi Algoritma | Jumlah FLOPs Eksak (Perkalian + Penambahan) | Notasi Asimtotik (Big-O) |
|---|---|---|
| Eliminasi Gauss (Menuju Bentuk Eselon/REF) | $\sim \frac{2}{3}n^3 - \frac{1}{2}n^2 + \frac{1}{6}n$ | O(n³) |
| Faktorisasi LU / PA = LU (Tahap Dekomposisi Awal) | $\sim \frac{2}{3}n^3$ | O(n³) |
| Pencarian Invers via Augmented $[A \mid I_n]$ | $\sim 2n^3$ | O(n³) |
| Perkalian Dua Matriks Persegi ($AB$ Ordo $n \times n$) | $\sim 2n^3$ | O(n³) |
| Substitusi Maju atau Mundur Tunggal (Triangular Solve) | $\sim n^2$ | O(n²) |
| Perkalian Matriks-Vektor (Aksi Langsung $A^{-1}\mathbf{b}$) | $\sim 2n^2$ | O(n²) |
Perhatikan perbandingan data di atas untuk memahami mengapa industri komputasi menghindari penggunaan matriks invers eksplisit $A^{-1}$:
- Menghitung invers $A^{-1}$ memerlukan biaya $\sim 2n^3$ operasi. Jika invers tersebut dikalikan ke vektor $\mathbf{b}$ ($A^{-1}\mathbf{b}$), dibutuhkan tambahan biaya $\sim 2n^2$ operasi. Total biaya prapemrosesan awal ini bertindak sebagai beban berat bagi sistem memori.
- Sebaliknya, metode Faktorisasi LU hanya memakan biaya dekomposisi sebesar $\sim \frac{2}{3}n^3$ operasi di awal. Proses penyelesaian untuk setiap vektor ruas kanan berikutnya diselesaikan lewat kombinasi satu kali substitusi maju ($\sim n^2$) dan satu kali substitusi mundur ($\sim n^2$), menghasilkan total biaya gabungan penyelesaian sebesar $\sim 2n^2$ operasi.
Fakta matematika ini membuktikan secara absolut bahwa dekomposisi $LU$ memiliki performa kecepatan running-time **tiga kali lipat lebih efisien** dibandingkan memaksakan kalkulasi invers eksplisit pada sistem komputer.
Misalkan kita diwajibkan oleh sebuah sistem basis data untuk menyelesaikan persamaan linear $A\mathbf{x} = \mathbf{b}_1, \mathbf{b}_2, \ldots, \mathbf{b}_{100}$ menggunakan matriks koefisien konstan $A$ berordo $1000 \times 1000$ dengan 100 variasi vektor ruas kanan:
- Strategi 1 — Kalkulasi Invers Eksplisit ($A^{-1}\mathbf{b}_i$):
Prapemrosesan awal mencari $A^{-1}$ memakan biaya $\sim 2n^3 = 2 \times 10^9$ FLOPs. Selanjutnya, operasi perkalian matriks-vektor untuk 100 suku memakan biaya $100 \times 2n^2 = 100 \times (2 \times 10^6) = 2 \times 10^8$ FLOPs.
• Total Biaya Komputasi: $\sim 2,2 \times 10^9$ FLOPs. - Strategi 2 — Eksekusi Faktorisasi LU ($A = LU$):
Prapemrosesan awal dekomposisi matriks hanya memakan biaya $\sim \frac{2}{3}n^3 \approx 0,67 \times 10^9$ FLOPs. Selanjutnya, fase substitusi maju dan mundur untuk 100 suku memakan biaya $100 \times 2n^2 = 100 \times (2 \times 10^6) = 2 \times 10^8$ FLOPs.
• Total Biaya Komputasi: $\sim 0,87 \times 10^9$ FLOPs.
Analisis Performa: Implementasi Strategi 2 terbukti berhasil menghemat sekitar **60% biaya operasi prosesor**. Seiring membesarnya ukuran ordo matriks ($n$) serta bertambahnya kuantitas vektor ruas kanan, selisih efisiensi running-time antar-kedua metode ini akan melebar secara eksponensial.
Dalam praktik pemrograman numerik profesional skala industri, matriks invers $A^{-1}$ hampir tidak pernah dihitung secara eksplisit di dalam memori komputer. Pustaka perangkat lunak tingkat tinggi selalu dialihkan untuk memanfaatkan arsitektur Faktorisasi LU (atau metode dekomposisi QR, serta Cholesky khusus untuk matriks simetris positif definit).
Memaksakan kalkulasi perkalian $A^{-1}\mathbf{b}$ terbukti: (a) memboroskan siklus kerja prosesor, (b) sangat rentan terhadap akumulasi galat pembulatan desimal, dan (c) menghasilkan akurasi presisi solusi yang jauh lebih buruk dibandingkan metode substitusi segitiga langsung. Aturan praktisnya: Hanya hitung entri matriks invers jika Anda benar-benar membutuhkan data nilai dari elemen internalnya (misalnya untuk analisis teoretis), bukan sebagai alat pembagi menyelesaikan sistem linear.
Bab 4 berhasil menyatukan tiga gagasan besar yang pada bab-bab awal tampak terisolasi: konsep operasi baris elementer (Bab 2), mekanika aljabar perkalian matriks (Bab 3), dan eksistensi matriks invers. Kehadiran objek matriks elementer bertindak sebagai jembatan mekanis yang membuktikan bahwa setiap satu langkah OBE setara dengan aksi perkalian kiri matriks.
Teorema Invertibel Matriks kemudian mengikat pemahaman ini ke dalam kesetaraan karakteristik sistem persamaan linear—menegaskan bahwa sebuah matriks memiliki invers jika dan hanya jika sistemnya selalu dijamin memiliki tepat satu solusi unik. Akhirnya, materi Faktorisasi LU membuktikan bahwa penataan struktur aljabar yang baik dapat menghasilkan performa komputasi yang jauh lebih efisien tanpa perlu melakukan pembagian invers langsung. Tiga pilar ini akan terus menjadi instrumen analitis utama kita: matriks elementer akan digunakan pada Bab 5 untuk membuktikan sifat-sifat determinan, Teorema Invertibel akan terus meluas di setiap bab baru, dan dekomposisi LU akan dikembangkan menuju metode iterasi canggih pada Bab 20.
- Identifikasikan klasifikasi jenis rumpun (Jenis I, II, atau III) dari masing-masing matriks elementer di bawah ini, kemudian tentukan matriks inversnya berdasarkan aturan jenisnya:
\[ E_1 = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 0 & 1 \\ 0 & 1 & 0 \end{bmatrix}, \qquad E_2 = \begin{bmatrix} 1 & 0 & 0 \\ 0 & \frac{1}{4} & 0 \\ 0 & 0 & 1 \end{bmatrix}, \qquad E_3 = \begin{bmatrix} 1 & 5 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix} \]
- Gunakan matriks elementer $E_3$ dari soal nomor 1 dan matriks $A = \begin{bmatrix} 2 & -1 & 3 \\ 0 & 4 & 1 \\ 1 & 2 & 0 \end{bmatrix}$ untuk menghitung hasil produk perkalian kiri $E_3 A$. Verifikasi secara visual bahwa hasil perkalian tersebut memberikan hasil yang identik dengan menerapkan operasi baris $R_1 + 5R_2 \to R_1$ secara langsung pada matriks $A$.
- Hitunglah nilai entri matriks invers dari masing-masing komponen di bawah ini menggunakan metode augmented Gauss-Jordan (atau berikan argumen aljabar jika matriks tersebut terbukti bersifat singular):
- (a) $\begin{bmatrix} 3 & 1 \\ 5 & 2 \end{bmatrix}$
- (b) $\begin{bmatrix} 1 & 2 & 3 \\ 0 & 1 & 4 \\ 0 & 0 & 1 \end{bmatrix}$
- (c) $\begin{bmatrix} 1 & 2 & 1 \\ 2 & 5 & 3 \\ 1 & 3 & 4 \end{bmatrix}$
- (d) $\begin{bmatrix} 1 & 1 & 0 \\ 1 & 1 & 1 \\ 0 & 1 & 1 \end{bmatrix}$
- Jika diasumsikan matriks persegi $A$ dan $B$ berukuran $n \times n$ keduanya bersifat invertibel, buktikan keabsahan teorema sifat pemalikan produk $(AB)^{-1} = B^{-1}A^{-1}$ memanfaatkan prinsip dasar aksioma Definisi 4.2.
- Jika diketahui matriks $A$ bersifat invertibel dan memenuhi persamaan aljabar matriks $AB = AC$, buktikan secara formal bahwa kondisi tersebut memaksa hubungan kesamaan matriks $B = C$.
- Berdasarkan analisis Teorema Invertibel Matriks (Teorema 4.6), jika diketahui sebuah matriks $A$ berordo $3 \times 3$ memuat sistem homogen $A\mathbf{x} = \mathbf{0}$ yang didukung oleh eksistensi solusi non-trivial, berikan analisis kesimpulan Anda mengenai kuantitas posisi elemen pivot yang dimiliki oleh matriks $A$ tersebut. Apakah matriks $A$ mungkin diubah menjadi matriks identitas $I_3$? Jelaskan logikanya.
- Faktorkan matriks-matriks berikut menjadi bentuk dekomposisi segitiga $A = LU$ murni (tanpa menerapkan strategi penukaran baris):
- (a) $\begin{bmatrix} 3 & 1 & 2 \\ 6 & 5 & 4 \\ 3 & 2 & 5 \end{bmatrix}$
- (b) $\begin{bmatrix} 4 & 3 & 0 \\ 8 & 7 & 2 \\ 4 & 5 & 3 \end{bmatrix}$
- Manfaatkan hasil matriks dekomposisi segitiga $L$ dan $U$ yang Anda peroleh pada soal nomor 7(a) untuk menyelesaikan sistem persamaan linear non-homogen $A\mathbf{x} = \begin{bmatrix} 1 \\ 0 \\ 2 \end{bmatrix}$ melalui dua tahapan skenario substitusi (maju dan mundur).
- Dapatkan struktur dekomposisi stabil numerik berbentuk $PA = LU$ menggunakan strategi algoritma pivoting parsial untuk matriks persegi berikut:
\[ A = \begin{bmatrix} 0 & 2 & 1 \\ 1 & 1 & 0 \\ 2 & 3 & 1 \end{bmatrix} \]
- Soal Pemikiran Analitis Volume Geometris: Matriks elementer Jenis III ($E_{ij}(k)$) selalu memuat nilai determinan tepat $1$. Matriks Jenis I ($E_{ij}$) memuat determinan $-1$. Sementara matriks Jenis II ($E_i(k)$) memuat determinan sebesar nilai skalarnya $k$. Tanpa mendahului rumus determinan formal pada Bab 5, berikan penalaran mengapa nilai-nilai ini sangat logis jika ditinjau dari sudut pandang "efek perubahan operasi baris terhadap volume bentangan ruang (paralelopipedum)".
- Soal Pemikiran Efisiensi Algoritma: Jika matriks $A = LU$ bersifat invertibel, buktikan secara aturan aljabar invers bahwa komponen $L$ dan $U$ keduanya juga pasti bersifat invertibel, memenuhi formulasi invers produk: $A^{-1} = U^{-1}L^{-1}$. Berikan analisis kritis apakah menghitung invers lewat rumus produk ini efisien jika diimplementasikan ke dalam kode pemrograman komputer dibandingkan menggunakan metode langsung augmented $[A \mid I_n]$? Hubungkan dengan tabel analisis kompleksitas Big-O pada Bagian 4.6.