Bab 8

Basis, Dimensi & Rank

Bab 7 memperkenalkan kombinasi linear dan ruang rentang (span), namun tidak membahas efisiensi pembentukan ruang tersebut — sering kali span dibentuk oleh vektor-vektor redundan yang membawa informasi duplikat. Bab 8 membuka instrumen efisiensi ini melalui tiga konsep yang saling terkunci: kebebasan linear menghilangkan redundansi, basis menyusun fondasi minimalis ruang, dan dimensi mengukur ukuran fondasi tersebut. Bab ini ditutup dengan analisis tiga ruang fundamental yang melekat pada setiap matriks — ruang baris, ruang kolom, dan ruang nul — serta hukum konservasi dimensi Rank-Nullity yang mengikat ketiganya.

8.1 Kebebasan Linear

Secara geometris, dua vektor bebas linear jika keduanya tidak terletak pada garis yang sama. Tiga vektor bebas linear jika tidak terletak pada bidang homogen yang sama. Secara aljabar, definisi berikut menggeneralisasi intuisi ini ke dimensi berapapun.

Definisi 8.1 — Kebebasan Linear vs Ketergantungan Linear

Misalkan $S = \{\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_r\}$ adalah himpunan vektor di dalam ruang vektor $V$. Tinjau persamaan kombinasi linear homogen:

\[ c_1 \mathbf{v}_1 + c_2 \mathbf{v}_2 + \cdots + c_r \mathbf{v}_r = \mathbf{0} \]
  • $S$ bersifat bebas linear (linearly independent) jika persamaan tersebut hanya memiliki solusi trivial: $c_1 = c_2 = \cdots = c_r = 0$.
  • $S$ bersifat bergantung linear (linearly dependent) jika terdapat koefisien tak-nol yang memenuhi persamaan tersebut.
Koneksi ke Teorema Invertibel Matriks (Bab 4)

Pertanyaan "apakah $n$ vektor di $\mathbb{R}^n$ bebas linear?" identik dengan pertanyaan "apakah matriks yang kolom-kolomnya berupa vektor-vektor tersebut bersifat invertibel?". Menurut Teorema 4.6 Poin (4), ini ekuivalen dengan "apakah $A\mathbf{x} = \mathbf{0}$ hanya memiliki solusi trivial?" — yang justru merupakan Definisi 8.1 di atas. Pada Bagian 8.4, kita akan memanfaatkan koneksi ini secara komputasional melalui determinan.

8.2 Pengujian Kebebasan Linear via Eliminasi

Contoh 8.1 — Menguji Kebebasan Linear Tiga Vektor di $\mathbb{R}^3$ (Bergantung Linear)

Tentukan apakah $S = \{\mathbf{v}_1, \mathbf{v}_2, \mathbf{v}_3\}$ bebas linear:

\[ \mathbf{v}_1 = \begin{bmatrix} 1 \\ -2 \\ 3 \end{bmatrix}, \qquad \mathbf{v}_2 = \begin{bmatrix} 5 \\ 6 \\ -1 \end{bmatrix}, \qquad \mathbf{v}_3 = \begin{bmatrix} 3 \\ 2 \\ 1 \end{bmatrix} \]

Penyelesaian: Susun SPL homogen dan reduksi ke REF:

\[ \left[\begin{array}{ccc|c} 1 & 5 & 3 & 0 \\ -2 & 6 & 2 & 0 \\ 3 & -1 & 1 & 0 \end{array}\right] \xrightarrow[R_3 - 3R_1]{R_2 + 2R_1} \left[\begin{array}{ccc|c} 1 & 5 & 3 & 0 \\ 0 & 16 & 8 & 0 \\ 0 & -16 & -8 & 0 \end{array}\right] \xrightarrow{R_3 + R_2} \left[\begin{array}{ccc|c} \color{#2c6e49}{1} & 5 & 3 & 0 \\ 0 & \color{#2c6e49}{16} & 8 & 0 \\ 0 & 0 & \color{#dc2626}{0} & 0 \end{array}\right] \]

Baris ketiga runtuh menjadi baris nol — kolom 3 menjadi variabel bebas. SPL homogen memiliki tak hingga solusi non-trivial (misalnya $c_3 = t$, maka $c_2 = -\tfrac{1}{2}t$, $c_1 = -\tfrac{7}{2}t$). Karena koefisien tak-nol eksis, $S$ bersifat bergantung linear.

Contoh 8.1b — Menguji Kebebasan Linear (Bebas Linear)

Tentukan apakah $T = \{\mathbf{w}_1, \mathbf{w}_2, \mathbf{w}_3\}$ bebas linear:

\[ \mathbf{w}_1 = \begin{bmatrix} 1 \\ 0 \\ 2 \end{bmatrix}, \qquad \mathbf{w}_2 = \begin{bmatrix} 0 \\ 1 \\ -3 \end{bmatrix}, \qquad \mathbf{w}_3 = \begin{bmatrix} 1 \\ 1 \\ 0 \end{bmatrix} \]

Penyelesaian: Susun SPL homogen dan reduksi ke REF:

\[ \left[\begin{array}{ccc|c} 1 & 0 & 1 & 0 \\ 0 & 1 & 1 & 0 \\ 2 & -3 & 0 & 0 \end{array}\right] \xrightarrow{R_3 - 2R_1} \left[\begin{array}{ccc|c} 1 & 0 & 1 & 0 \\ 0 & 1 & 1 & 0 \\ 0 & -3 & -2 & 0 \end{array}\right] \xrightarrow{R_3 + 3R_2} \left[\begin{array}{ccc|c} \color{#2c6e49}{1} & 0 & 1 & 0 \\ 0 & \color{#2c6e49}{1} & 1 & 0 \\ 0 & 0 & \color{#2c6e49}{1} & 0 \end{array}\right] \]

Semua kolom mengandung pivot — tidak ada variabel bebas. Dari baris ketiga: $c_3 = 0$. Substitusi balik: $c_2 = 0$, lalu $c_1 = 0$. Satu-satunya solusi adalah solusi trivial, sehingga $T$ bersifat bebas linear.

Membaca Hasil REF: Pivot vs Variabel Bebas

Perbandingan Contoh 8.1 dan 8.1b menunjukkan pola umum: setelah reduksi ke REF, jumlah pivot menentukan status kebebasan linear. Jika jumlah pivot sama dengan jumlah vektor (Contoh 8.1b: 3 pivot dari 3 vektor), himpunan bebas linear. Jika jumlah pivot kurang dari jumlah vektor (Contoh 8.1: 2 pivot dari 3 vektor), himpunan bergantung linear. Aturan ini akan diformalkan pada Bagian 8.7 melalui konsep rank.

Contoh 8.1c — Menemukan Relasi Ketergantungan Linear secara Eksplisit

Dari Contoh 8.1, kita mengetahui $S$ bergantung linear. Temukan relasi ketergantungan konkret — yaitu koefisien $(c_1, c_2, c_3) \neq (0,0,0)$ sehingga $c_1\mathbf{v}_1 + c_2\mathbf{v}_2 + c_3\mathbf{v}_3 = \mathbf{0}$.

Penyelesaian: Lanjutkan REF dari Contoh 8.1 ke RREF, atau selesaikan secara substitusi balik. Dari matriks REF:

\[ \begin{cases} c_1 + 5c_2 + 3c_3 = 0 \\ 16c_2 + 8c_3 = 0 \end{cases} \implies c_2 = -\tfrac{1}{2}\,c_3, \qquad c_1 = -5c_2 - 3c_3 = \tfrac{5}{2}c_3 - 3c_3 = -\tfrac{1}{2}\,c_3 \]

Pilih $c_3 = 2$ (untuk menghilangkan pecahan): $c_1 = -1$, $c_2 = -1$, $c_3 = 2$. Verifikasi:

\[ (-1)\begin{bmatrix} 1 \\ -2 \\ 3 \end{bmatrix} + (-1)\begin{bmatrix} 5 \\ 6 \\ -1 \end{bmatrix} + 2\begin{bmatrix} 3 \\ 2 \\ 1 \end{bmatrix} = \begin{bmatrix} -1-5+6 \\ 2-6+4 \\ -3+1+2 \end{bmatrix} = \begin{bmatrix} 0 \\ 0 \\ 0 \end{bmatrix} \;\checkmark \]

Relasi ketergantungan: $\mathbf{v}_3 = \tfrac{1}{2}\mathbf{v}_1 + \tfrac{1}{2}\mathbf{v}_2$, yang menunjukkan $\mathbf{v}_3$ bersifat redundan — ia telah tercakup dalam span $\{\mathbf{v}_1, \mathbf{v}_2\}$.

8.3 Basis Ruang Vektor

Definisi 8.2 — Basis

Himpunan $B = \{\mathbf{v}_1, \ldots, \mathbf{v}_n\}$ merupakan basis bagi ruang vektor $V$ jika memenuhi dua kriteria secara bersamaan:

  1. $B$ bersifat bebas linear.
  2. $\text{span}(B) = V$ (merentang seluruh ruang).
Teorema 8.1 — Keunikan Representasi Koordinat Basis

Jika $B = \{\mathbf{v}_1, \ldots, \mathbf{v}_n\}$ adalah basis bagi $V$, maka setiap $\mathbf{w} \in V$ memiliki ekspresi kombinasi linear:

\[ \mathbf{w} = c_1 \mathbf{v}_1 + c_2 \mathbf{v}_2 + \cdots + c_n \mathbf{v}_n \]

yang koefisiennya unik. Tidak ada barisan koefisien alternatif lain yang menghasilkan $\mathbf{w}$.

Bukti

Anggap $\mathbf{w}$ memiliki dua representasi: $\mathbf{w} = \sum c_i \mathbf{v}_i = \sum d_i \mathbf{v}_i$. Kurangkan kedua sisi:

\[ \mathbf{0} = \sum c_i \mathbf{v}_i - \sum d_i \mathbf{v}_i = \sum (c_i - d_i) \mathbf{v}_i \]

Karena $B$ bebas linear, satu-satunya solusi dari $\sum (c_i - d_i)\mathbf{v}_i = \mathbf{0}$ adalah solusi trivial: $c_i - d_i = 0$ untuk setiap $i$, sehingga $c_i = d_i$. ∎

Contoh 8.2 — Basis Standar Euclidean

Buktikan bahwa $E = \{\mathbf{e}_1, \mathbf{e}_2\}$ dengan $\mathbf{e}_1 = \begin{bmatrix} 1 \\ 0 \end{bmatrix}$ dan $\mathbf{e}_2 = \begin{bmatrix} 0 \\ 1 \end{bmatrix}$ adalah basis bagi $\mathbb{R}^2$:

  • Kebebasan linear: $c_1\mathbf{e}_1 + c_2\mathbf{e}_2 = \begin{bmatrix} c_1 \\ c_2 \end{bmatrix} = \begin{bmatrix} 0 \\ 0 \end{bmatrix} \implies c_1 = c_2 = 0$ saja (\checkmark)
  • Merentang: Sebarang $\begin{bmatrix} x \\ y \end{bmatrix} \in \mathbb{R}^2$ dinyatakan sebagai $x\mathbf{e}_1 + y\mathbf{e}_2$ (\checkmark)
Contoh 8.2b — Basis Ruang Polinomial $P_2(\mathbb{R})$

Tunjukkan bahwa $B = \{1 - x,\; 1 + x,\; x^2\}$ adalah basis bagi $P_2(\mathbb{R})$, lalu nyatakan $p(x) = 3 + 2x - x^2$ dalam koordinat basis $B$.

Bukti basis:

  • Kebebasan linear: Misalkan $c_1(1-x) + c_2(1+x) + c_3(x^2) = 0$. Kelompokkan per pangkat:
    \[ (c_1 + c_2) + (-c_1 + c_2)\,x + c_3\,x^2 = 0 + 0x + 0x^2 \]
    Dari koefisien: $c_3 = 0$, lalu $c_1 + c_2 = 0$ dan $-c_1 + c_2 = 0$. Penjumlahan menghasilkan $2c_2 = 0 \implies c_2 = 0$, sehingga $c_1 = 0$. Hanya solusi trivial (\checkmark).
  • Merentang: Karena $\dim(P_2) = 3$ dan $B$ memuat 3 vektor bebas linear, oleh argumen dimensi (Teorema 8.2), $B$ otomatis merentang $P_2$ (\checkmark).

Representasi koordinat: Cari $c_1, c_2, c_3$ sehingga $c_1(1-x) + c_2(1+x) + c_3(x^2) = 3 + 2x - x^2$:

\[ \begin{cases} c_1 + c_2 = 3 \\ -c_1 + c_2 = 2 \\ c_3 = -1 \end{cases} \implies 2c_2 = 5 \implies c_2 = \tfrac{5}{2}, \quad c_1 = 3 - \tfrac{5}{2} = \tfrac{1}{2}, \quad c_3 = -1 \]

Verifikasi: $\tfrac{1}{2}(1-x) + \tfrac{5}{2}(1+x) - x^2 = \tfrac{1}{2} - \tfrac{1}{2}x + \tfrac{5}{2} + \tfrac{5}{2}x - x^2 = 3 + 2x - x^2$ (\checkmark).

Jadi, koordinat $p(x)$ relatif terhadap basis $B$ adalah $[p(x)]_B = \begin{bmatrix} 1/2 \\ 5/2 \\ -1 \end{bmatrix}_B$. Perhatikan bahwa koordinat ini berbeda dari koordinat standar $[3, 2, -1]^T$ — membuktikan bahwa koordinat memang bergantung pada pilihan basis (Teorema 8.1 menjamin keunikannya, bukan kesamaannya).

8.4 Contoh Pengujian Basis

Contoh 8.3 — Basis Non-Standar via Determinan

Ujilah apakah $B = \left\{ \begin{bmatrix} 1 \\ 3 \end{bmatrix}, \begin{bmatrix} 2 \\ 4 \end{bmatrix} \right\}$ adalah basis bagi $\mathbb{R}^2$:

Gabungkan sebagai kolom matriks $A$ dan hitung determinan:

\[ \det(A) = \begin{vmatrix} 1 & 2 \\ 3 & 4 \end{vmatrix} = 4 - 6 = -2 \neq 0 \]

Karena $\det(A) \neq 0$, matriks $A$ invertibel. Berdasarkan IMT (Teorema 4.6 Poin 4 dan 5 yang kini diperluas dengan Pernyataan 8 tentang kolom bebas linear pada Bab 8), kolom-kolom $A$ dijamin bebas linear dan merentang $\mathbb{R}^2$. Maka $B$ adalah basis non-standar bagi $\mathbb{R}^2$.

Contoh 8.3b — Uji Basis $\mathbb{R}^3$ via Determinan $3\times 3$

Ujilah apakah $B = \left\{\begin{bmatrix} 1 \\ 0 \\ 2 \end{bmatrix},\; \begin{bmatrix} 0 \\ 1 \\ -3 \end{bmatrix},\; \begin{bmatrix} 1 \\ 1 \\ 0 \end{bmatrix}\right\}$ adalah basis bagi $\mathbb{R}^3$ menggunakan determinan.

Penyelesaian: (Catatan: vektor-vektor ini sama dengan Contoh 8.1b, di mana kebebasan linear sudah dibuktikan via eliminasi. Sekarang kita verifikasi via determinan sebagai metode alternatif.)

\[ \det(A) = \begin{vmatrix} 1 & 0 & 1 \\ 0 & 1 & 1 \\ 2 & -3 & 0 \end{vmatrix} = 1\cdot\begin{vmatrix} 1 & 1 \\ -3 & 0 \end{vmatrix} \;-\; 0\cdot\begin{vmatrix} 0 & 1 \\ 2 & 0 \end{vmatrix} \;+\; 1\cdot\begin{vmatrix} 0 & 1 \\ 2 & -3 \end{vmatrix} \]
\[ = 1\,(0+3) \;-\; 0 \;+\; 1\,(0-2) = 3 - 2 = 1 \neq 0 \]

Karena $\det(A) = 1 \neq 0$, matriks $A$ invertibel, sehingga $B$ adalah basis bagi $\mathbb{R}^3$. Hasil ini konsisten dengan kesimpulan Contoh 8.1b — kedua metode (eliminasi dan determinan) memberikan jawaban yang sama.

Batasan Metode Determinan

Metode determinan pada Contoh 8.3 dan 8.3b hanya berlaku ketika jumlah vektor sama persis dengan dimensi ruang ($n$ vektor di $\mathbb{R}^n$). Jika Anda memiliki 3 vektor di $\mathbb{R}^5$, matriks kolomnya berukuran $5 \times 3$ (bukan persegi) dan determinan tidak terdefinisi. Dalam kasus umum, gunakan eliminasi Gauss pada SPL homogen seperti Contoh 8.1.

Contoh 8.3c — Representasi Koordinat Relatif terhadap Basis Non-Standar

Diketahui $B = \left\{\begin{bmatrix} 1 \\ 3 \end{bmatrix},\; \begin{bmatrix} 2 \\ 4 \end{bmatrix}\right\}$ adalah basis bagi $\mathbb{R}^2$ (Contoh 8.3). Nyatakan $\mathbf{w} = \begin{bmatrix} 3 \\ 4 \end{bmatrix}$ dalam koordinat basis $B$.

Penyelesaian: Cari $c_1, c_2$ sehingga $c_1\begin{bmatrix} 1 \\ 3 \end{bmatrix} + c_2\begin{bmatrix} 2 \\ 4 \end{bmatrix} = \begin{bmatrix} 3 \\ 4 \end{bmatrix}$, yaitu selesaikan $A\mathbf{c} = \mathbf{w}$ dengan $A = \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}$.

Metode 1 — Eliminasi:

\[ \left[\begin{array}{cc|c} 1 & 2 & 3 \\ 3 & 4 & 4 \end{array}\right] \xrightarrow{R_2 - 3R_1} \left[\begin{array}{cc|c} 1 & 2 & 3 \\ 0 & -2 & -5 \end{array}\right] \xrightarrow{-\frac{1}{2}R_2} \left[\begin{array}{cc|c} 1 & 2 & 3 \\ 0 & 1 & 5/2 \end{array}\right] \xrightarrow{R_1 - 2R_2} \left[\begin{array}{cc|c} 1 & 0 & -2 \\ 0 & 1 & 5/2 \end{array}\right] \]

Metode 2 — Matriks invers (memanfaatkan $\det(A) = -2$ dari Contoh 8.3):

\[ A^{-1} = \frac{1}{-2}\begin{bmatrix} 4 & -2 \\ -3 & 1 \end{bmatrix} = \begin{bmatrix} -2 & 1 \\ 3/2 & -1/2 \end{bmatrix}, \qquad \begin{bmatrix} c_1 \\ c_2 \end{bmatrix} = A^{-1}\mathbf{w} = \begin{bmatrix} -2 & 1 \\ 3/2 & -1/2 \end{bmatrix}\begin{bmatrix} 3 \\ 4 \end{bmatrix} = \begin{bmatrix} -2 \\ 5/2 \end{bmatrix} \]

Verifikasi: $(-2)\begin{bmatrix} 1 \\ 3 \end{bmatrix} + \tfrac{5}{2}\begin{bmatrix} 2 \\ 4 \end{bmatrix} = \begin{bmatrix} -2+5 \\ -6+10 \end{bmatrix} = \begin{bmatrix} 3 \\ 4 \end{bmatrix}$ (\checkmark).

Jadi $[\mathbf{w}]_B = \begin{bmatrix} -2 \\ 5/2 \end{bmatrix}_B$. Perhatikan: dalam koordinat standar $\mathbf{w} = [3,\, 4]^T$, tetapi dalam koordinat basis $B$ menjadi $[-2,\, 5/2]^T$ — kedua representasi merujuk ke vektor fisik yang sama, hanya "kerangka acuan" yang berbeda.

8.5 Dimensi Ruang Vektor

Teorema 8.2 — Invarian Dimensi

Jika ruang vektor $V$ memiliki basis dengan $n$ vektor, maka setiap basis dari $V$ memiliki tepat $n$ vektor.

Definisi 8.3 — Dimensi ($\dim(V)$)

Dimensi ruang vektor berdimensi terhingga $V$, dinotasikan $\dim(V)$, adalah jumlah vektor dalam sebuah basisnya.

  • $\dim(\mathbb{R}^n) = n$   (basis standar: $\{\mathbf{e}_1, \ldots, \mathbf{e}_n\}$)
  • $\dim(P_n(\mathbb{R})) = n + 1$   (basis standar: $\{1, x, x^2, \ldots, x^n\}$)
  • $\dim(\{\mathbf{0}\}) = 0$   (ruang trivial tidak memiliki basis dengan vektor)
Korolari 8.1 — Batas Atas Jumlah Vektor Bebas Linear

Jika $V$ berdimensi $n$, maka setiap himpunan dengan lebih dari $n$ vektor di $V$ pasti bergantung linear. Secara ekuivalen, himpunan bebas linear di $V$ memiliki paling banyak $n$ vektor.

Bukti (dengan kontradiksi)

Anggap $S = \{\mathbf{v}_1, \ldots, \mathbf{v}_{n+1}\}$ dengan $n+1$ vektor bebas linear di $V$. Karena $\dim(V) = n$, terdapat basis $B = \{\mathbf{b}_1, \ldots, \mathbf{b}_n\}$ dengan $n$ vektor. Setiap $\mathbf{v}_i$ dapat dinyatakan sebagai kombinasi linear dari $B$. Substitusikan seluruh ekspresi ini ke dalam $c_1\mathbf{v}_1 + \cdots + c_{n+1}\mathbf{v}_{n+1} = \mathbf{0}$, dan kita memperoleh SPL homogen dengan $n+1$ variabel ($c_1, \ldots, c_{n+1}$) tetapi hanya $n$ persamaan (satu per vektor basis). SPL dengan lebih banyak variabel daripada persamaan selalu memiliki solusi non-trivial — kontradiksi dengan asumsi bahwa $S$ bebas linear. ∎

Contoh 8.5a — Membuktikan Ketergantungan Linear via Argumen Dimensi

Tentukan status kebebasan linear dari $S = \left\{\begin{bmatrix} 1 \\ 2 \end{bmatrix},\; \begin{bmatrix} 3 \\ 4 \end{bmatrix},\; \begin{bmatrix} 5 \\ 6 \end{bmatrix}\right\}$ di $\mathbb{R}^2$ tanpa melakukan eliminasi.

Penyelesaian: $\dim(\mathbb{R}^2) = 2$, tetapi $|S| = 3 > 2$. Oleh Korolari 8.1, setiap himpunan dengan lebih dari 2 vektor di $\mathbb{R}^2$ pasti bergantung linear. Jadi $S$ bergantung linear — tanpa perlu menyusun matriks atau melakukan OBE.

Verifikasi opsional (untuk menemukan relasi ketergantungan):

\[ \left[\begin{array}{ccc|c} 1 & 3 & 5 & 0 \\ 2 & 4 & 6 & 0 \end{array}\right] \xrightarrow{R_2 - 2R_1} \left[\begin{array}{ccc|c} 1 & 3 & 5 & 0 \\ 0 & -2 & -4 & 0 \end{array}\right] \xrightarrow{-\frac{1}{2}R_2} \left[\begin{array}{ccc|c} 1 & 3 & 5 & 0 \\ 0 & 1 & 2 & 0 \end{array}\right] \xrightarrow{R_1 - 3R_2} \left[\begin{array}{ccc|c} 1 & 0 & -1 & 0 \\ 0 & 1 & 2 & 0 \end{array}\right] \]

Dengan $c_3 = 1$: $c_1 = 1$, $c_2 = -2$. Relasi: $\mathbf{v}_1 - 2\mathbf{v}_2 + \mathbf{v}_3 = \mathbf{0}$, atau $\mathbf{v}_3 = -\mathbf{v}_1 + 2\mathbf{v}_2$. Geometris: ketiga vektor ini terletak pada bidang $\mathbb{R}^2$ yang hanya berdimensi 2, sehingga salah satunya pasti merupakan kombinasi linear dari yang lain.

8.6 Tiga Ruang Fundamental Matriks

Definisi 8.4 — Ruang Baris, Ruang Kolom, Ruang Nul

Misalkan $A$ berukuran $m \times n$:

  • Ruang Baris ($\text{Row}(A)$): Subruang dari $\mathbb{R}^n$ yang dibentang oleh vektor-vektor baris $A$.
  • Ruang Kolom ($\text{Col}(A)$): Subruang dari $\mathbb{R}^m$ yang dibentang oleh vektor-vektor kolom $A$.
  • Ruang Nul ($\text{Nul}(A)$): Subruang dari $\mathbb{R}^n$ yang memuat seluruh solusi $A\mathbf{x} = \mathbf{0}$ (Teorema 7.3).
Teorema 8.3 — Basis Ruang Baris dan Kolom via REF

Jika $A$ direduksi menjadi matriks eselon $U$, maka:

  1. Vektor baris non-nol dari $U$ membentuk basis bagi $\text{Row}(A)$.
  2. Kolom-kolom asli dari $A$ yang berkorespondensi dengan posisi pivot pada $U$ membentuk basis bagi $\text{Col}(A)$.
Peringatan: Kolom Basis Diambil dari Matriks Asli $A$, Bukan dari $U$

Kesalahan paling umum dalam menentukan basis $\text{Col}(A)$ adalah mengambil kolom pivot dari matriks eselon $U$ alih-alih dari matriks asli $A$. OBE mengubah nilai entri kolom, sehingga kolom pivot $U$ bukan elemen dari $\text{Col}(A)$. Yang menjadi basis adalah kolom-kolom asli $A$ pada posisi indeks yang sama dengan kolom pivot $U$.

Mengapa $\text{rank}(\text{Row}(A)) = \text{rank}(\text{Col}(A))$?

Jumlah baris non-nol pada $U$ (yang menjadi basis $\text{Row}(A)$) sama persis dengan jumlah kolom pivot pada $U$ (yang menentukan basis $\text{Col}(A)$). Kedua jumlah ini merepresentasikan satu bilangan yang sama — dan bilangan inilah yang kita definisikan sebagai rank. Secara intuitif: OBE tidak mengubah ruang baris (setiap baris baru adalah kombinasi linear baris lama, dan karena matriks elementer invertibel, prosesnya bisa dibalik), sehingga dimensi ruang baris terjaga. Di sisi lain, jumlah pivot menentukan berapa kolom yang berkontribusi terhadap ruang kolom. Kedua angka ini selalu cocok.

Contoh 8.4 — Ekstraksi Basis Ruang Baris dan Kolom

Dapatkan basis bagi $\text{Row}(A)$ dan $\text{Col}(A)$ dari:

\[ A = \begin{bmatrix} 1 & 2 & -1 \\ 2 & 5 & 1 \\ 3 & 7 & 0 \end{bmatrix} \xrightarrow[R_3 - 3R_1]{R_2 - 2R_1} \begin{bmatrix} 1 & 2 & -1 \\ 0 & 1 & 3 \\ 0 & 1 & 3 \end{bmatrix} \xrightarrow{R_3 - R_2} \begin{bmatrix} \color{#2c6e49}{1} & 2 & -1 \\ 0 & \color{#2c6e49}{1} & 3 \\ 0 & 0 & 0 \end{bmatrix} = U \]

Pivot terletak pada kolom 1 dan kolom 2.

  • Basis $\text{Row}(A)$ (baris tak-nol dari $U$):   $\left\{ \begin{bmatrix} 1 & 2 & -1 \end{bmatrix},\; \begin{bmatrix} 0 & 1 & 3 \end{bmatrix} \right\}$
  • Basis $\text{Col}(A)$ (kolom asli $A$ pada posisi pivot):   $\left\{ \begin{bmatrix} 1 \\ 2 \\ 3 \end{bmatrix},\; \begin{bmatrix} 2 \\ 5 \\ 7 \end{bmatrix} \right\}$

Dengan demikian, $\text{rank}(A) = 2$.

Contoh 8.4b — Analisis Lengkap Matriks Non-Persegi: Row, Col, Nul, dan Rank-Nullity

Diberikan matriks $3 \times 4$:

\[ A = \begin{bmatrix} 1 & 2 & -1 & 3 \\ 0 & 1 & 2 & -1 \\ 2 & 5 & 0 & 5 \end{bmatrix} \]

Tentukan: (a) basis $\text{Row}(A)$, (b) basis $\text{Col}(A)$, (c) basis $\text{Nul}(A)$, (d) $\text{rank}(A)$ dan $\text{nullity}(A)$, lalu (e) verifikasi Teorema Rank-Nullity.

Langkah 1 — Reduksi ke REF:

\[ \left[\begin{array}{cccc} 1 & 2 & -1 & 3 \\ 0 & 1 & 2 & -1 \\ 2 & 5 & 0 & 5 \end{array}\right] \xrightarrow{R_3 - 2R_1} \left[\begin{array}{cccc} 1 & 2 & -1 & 3 \\ 0 & 1 & 2 & -1 \\ 0 & 1 & 2 & -1 \end{array}\right] \xrightarrow{R_3 - R_2} \left[\begin{array}{cccc} \color{#2c6e49}{1} & 2 & -1 & 3 \\ 0 & \color{#2c6e49}{1} & 2 & -1 \\ 0 & 0 & 0 & 0 \end{array}\right] = U \]

Pivot pada kolom 1 dan kolom 2. Kolom 3 dan 4 adalah kolom bebas.

(a) Basis $\text{Row}(A)$ — baris non-nol dari $U$:

\[ \text{Basis }\text{Row}(A) = \left\{ \begin{bmatrix} 1 & 2 & -1 & 3 \end{bmatrix},\; \begin{bmatrix} 0 & 1 & 2 & -1 \end{bmatrix} \right\} \subseteq \mathbb{R}^4 \]

(b) Basis $\text{Col}(A)$ — kolom asli $A$ pada posisi pivot (kolom 1 dan 2):

\[ \text{Basis }\text{Col}(A) = \left\{ \begin{bmatrix} 1 \\ 0 \\ 2 \end{bmatrix},\; \begin{bmatrix} 2 \\ 1 \\ 5 \end{bmatrix} \right\} \subseteq \mathbb{R}^3 \]

(c) Basis $\text{Nul}(A)$ — selesaikan $A\mathbf{x} = \mathbf{0}$ dari REF. Dengan $x_3 = s$ dan $x_4 = t$ (variabel bebas):

\[ \begin{cases} x_2 + 2s - t = 0 \implies x_2 = -2s + t \\ x_1 + 2(-2s+t) - s + 3t = 0 \implies x_1 = 5s - 5t \end{cases} \]
\[ \mathbf{x} = \begin{bmatrix} 5s - 5t \\ -2s + t \\ s \\ t \end{bmatrix} = s\begin{bmatrix} 5 \\ -2 \\ 1 \\ 0 \end{bmatrix} + t\begin{bmatrix} -5 \\ 1 \\ 0 \\ 1 \end{bmatrix} \]
\[ \text{Basis }\text{Nul}(A) = \left\{ \begin{bmatrix} 5 \\ -2 \\ 1 \\ 0 \end{bmatrix},\; \begin{bmatrix} -5 \\ 1 \\ 0 \\ 1 \end{bmatrix} \right\} \subseteq \mathbb{R}^4 \]

(d) Rank dan Nullity:

\[ \text{rank}(A) = \dim(\text{Col}(A)) = 2, \qquad \text{nullity}(A) = \dim(\text{Nul}(A)) = 2 \]

(e) Verifikasi Rank-Nullity: Jumlah kolom $A$ adalah $n = 4$.

\[ \text{rank}(A) + \text{nullity}(A) = 2 + 2 = 4 = n \;\checkmark \]

Observasi penting: Perhatikan bahwa $\text{Row}(A)$ dan $\text{Nul}(A)$ keduanya berada di $\mathbb{R}^4$ (karena keduanya terkait kolom/baris matriks $3 \times 4$), sedangkan $\text{Col}(A)$ berada di $\mathbb{R}^3$. Meskipun $\dim(\text{Row}(A)) = \dim(\text{Col}(A)) = 2$, kedua ruang ini hidup di ruang yang berbeda — dimensi sama bukan berarti ruangnya sama.

8.7 Rank, Nullity, dan Teorema Rank-Nullity

Definisi 8.5 — Rank dan Nullity

Untuk matriks $A$ berukuran $m \times n$:

  • Rank: $\text{rank}(A) = \dim(\text{Col}(A)) = \dim(\text{Row}(A))$ — jumlah kolom pivot.
  • Nullity: $\text{nullity}(A) = \dim(\text{Nul}(A))$ — jumlah kolom bebas.
Teorema 8.4 — Teorema Rank-Nullity

Jika $A$ adalah matriks berukuran $m \times n$ dengan $n$ kolom, maka:

\[ \text{rank}(A) + \text{nullity}(A) = n \]
Bukti

Setelah reduksi ke bentuk eselon, setiap kolom matriks $A$ termasuk secara eksklusif ke dalam satu dari dua kategori:

  • Kolom pivot — berkontribusi terhadap basis $\text{Col}(A)$, sehingga menambah nilai $\text{rank}(A)$ sebesar satu per kolom.
  • Kolom bebas — menjadi parameter dalam deskripsi parametrik $\text{Nul}(A)$, sehingga menambah nilai $\text{nullity}(A)$ sebesar satu per kolom.

Karena total kolom adalah $n$ dan setiap kolom masuk ke tepat satu kategori, penjumlahan keduanya menghasilkan identitas $\text{rank}(A) + \text{nullity}(A) = n$. ∎

Contoh 8.7a — Aplikasi Rank-Nullity tanpa Eliminasi Penuh

Matriks $A$ berukuran $6 \times 9$ diketahui memiliki $\text{rank}(A) = 4$. Tentukan $\text{nullity}(A)$ dan jelaskan maknanya.

Penyelesaian: Oleh Teorema Rank-Nullity, dengan $n = 9$ kolom:

\[ \text{nullity}(A) = n - \text{rank}(A) = 9 - 4 = 5 \]

Interpretasi:

  • Dari 9 kolom $A$, hanya 4 yang "berguna" (membentuk basis $\text{Col}(A)$); 5 kolom lainnya redundan — masing-masing merupakan kombinasi linear dari kolom pivot.
  • Ruang nul $\text{Nul}(A)$ berdimensi 5 di $\mathbb{R}^9$, artinya SPL $A\mathbf{x} = \mathbf{0}$ memiliki 5 parameter bebas — terdapat tak hingga solusi non-trivial.
  • Jika $\mathbf{b} \in \text{Col}(A)$, maka $A\mathbf{x} = \mathbf{b}$ memiliki solusi, dan himpunan solusinya berbentuk $\mathbf{x}_p + \text{Nul}(A)$ — yaitu satu solusi partikular ditambah ruang berdimensi 5.

Contoh ini menunjukkan kekuatan Teorema Rank-Nullity: kita dapat menyimpulkan semua informasi di atas hanya dari satu angka ($\text{rank} = 4$) tanpa perlu melihat entri matriks $A$ sama sekali.

Contoh 8.7b — Rank-Nullity pada Matriks Persegi dan Koneksi IMT

Diketahui matriks persegi $A$ berordo $4 \times 4$ dengan $\det(A) = 0$. Tentukan kemungkinan nilai $\text{rank}(A)$ dan $\text{nullity}(A)$, lalu hubungkan dengan Teorema Invertibel Matriks.

Penyelesaian: Karena $\det(A) = 0$, matriks $A$ tidak invertibel (IMT Poin 7, Bab 5). Oleh IMT Poin 3 yang diperluas (Bab 8), $A$ tidak memiliki 4 pivot, sehingga $\text{rank}(A) < 4$. Kemungkinan:

\[ \begin{array}{c|c|c} \text{rank}(A) & \text{nullity}(A) = 4 - \text{rank}(A) & \text{Makna} \\ \hline 3 & 1 & \text{1 kolom redundan, } \text{Nul}(A) \text{ berupa garis} \\ 2 & 2 & \text{2 kolom redundan, } \text{Nul}(A) \text{ berupa bidang} \\ 1 & 3 & \text{3 kolom redundan, } \text{Nul}(A) \text{ berupa ruang 3D} \\ 0 & 4 & \text{semua kolom nol, } A = O_{4\times 4} \end{array} \]

Untuk menentukan kasus mana yang terjadi, kita perlu melihat entri $A$ secara langsung (melakukan eliminasi Gauss). Namun, Teorema Rank-Nullity sudah mempersempit kemungkinan dari tak terhingga menjadi hanya 4 kasus — sebuah penyederhanaan dramatis.

Koneksi IMT: Jika sebaliknya $\det(A) \neq 0$, maka $\text{rank}(A) = 4$ dan $\text{nullity}(A) = 0$, yang berarti $\text{Nul}(A) = \{\mathbf{0}\}$ — seluruh rangkaian ekuivalensi IMT terpenuhi secara bersamaan.

Interpretasi Fisik Rank-Nullity

Teorema ini berfungsi sebagai hukum kekekalan massa informasi: dimensi "ruang keluaran" ($\text{Col}(A)$, yang mengukur seberapa banyak kombinasi linear kolom yang bisa dihasilkan) ditambah dimensi "ruang kehilangan" ($\text{Nul}(A)$, yang mengukur seberapa banyak informasi yang tereduksi menjadi nol) selalu sama dengan dimensi "ruang input" ($n$ kolom). Tidak ada informasi yang hilang atau muncul secara ajaib — hanya berpindah bentuk.

Perluasan IMT: Pernyataan Rank pada Bab 4

Pada Bab 4, kita menyebutkan bahwa Poin (3) IMT ("$A$ memiliki $n$ pivot") akan ditambahkan pada Bab 8. Sekarang kita dapat merumuskannya secara formal: $\text{rank}(A) = n$ ekuivalen dengan $A$ invertibel, yang ekuivalen dengan $\text{Nul}(A) = \{\mathbf{0}\}$ (ruang nul menciut menjadi trivial). Tiga pernyataan ini sekarang bergabung ke dalam rantai ekuivalen IMT.


Perspektif Aljabar Bab Ini

Bab 8 menyelesaikan tiga pertanyaan fundamental yang mengiringi setiap ruang vektor: (i) seberapa besar ruang tersebut? — dijawab oleh $\dim(V)$; (ii) apa fondasi minimalnya? — dijawab oleh basis; (iii) bagaimana menentukan kedua jawaban tersebut secara komputasional? — dijawab oleh rank dan nullity melalui eliminasi Gauss. Ketiga instrumen ini terkunci erat oleh Teorema Rank-Nullity, yang menegaskan bahwa rank dan nullity bukan dua bilangan independen, melainkan dua sisi dari satu koin $n$-dimensi.

Dari perspektif praktis, bab ini juga menyelesaikan masalah yang tersisa dari Teorema Invertibel Matriks: pada Bab 4, kita mengetahui bahwa "kolom-kolom $A$ bebas linear" ekuivalen dengan "$A$ invertibel", tetapi belum memiliki metode cepat untuk menguji kebebasan linear selain menghitung invers lengkap. Sekarang, cukup mereduksi $A$ ke REF dan menghitung jumlah pivot — proses yang hanya membutuhkan $O(n^3)$ operasi, dibandingkan $O(n^3)$ untuk invers penuh. Lebih penting lagi, konsep rank memungkinkan kita menganalisis matriks non-persegi, di mana invers sama sekali tidak terdefinisi.

Latihan Evaluasi Akhir Bab 8
  1. Tentukan apakah himpunan berikut bebas linear atau bergantung linear:
    • (a) $S_1 = \left\{ \begin{bmatrix} 1 \\ -1 \\ 2 \end{bmatrix},\; \begin{bmatrix} 2 \\ 3 \\ 1 \end{bmatrix},\; \begin{bmatrix} 0 \\ -5 \\ 3 \end{bmatrix} \right\}$ di $\mathbb{R}^3$.
    • (b) $S_2 = \left\{ \begin{bmatrix} 1 \\ 2 \end{bmatrix},\; \begin{bmatrix} 3 \\ 4 \end{bmatrix},\; \begin{bmatrix} 5 \\ 6 \end{bmatrix} \right\}$ di $\mathbb{R}^2$. (Petunjuk: gunakan Korolari 8.1.)
  2. Ujilah apakah $B = \left\{ \begin{bmatrix} 2 \\ 5 \end{bmatrix},\; \begin{bmatrix} 1 \\ 3 \end{bmatrix} \right\}$ adalah basis bagi $\mathbb{R}^2$ menggunakan metode determinan.
  3. Diberikan matriks $3 \times 4$ berikut:
    \[ A = \begin{bmatrix} 1 & -2 & 0 & 3 \\ 2 & -4 & 1 & 10 \\ 3 & -6 & 1 & 13 \end{bmatrix} \]
    Reduksi ke REF, lalu tentukan: (a) basis $\text{Row}(A)$,   (b) basis $\text{Col}(A)$,   (c) $\text{rank}(A)$.
  4. Menggunakan matriks $A$ dari soal nomor 3, selesaikan $A\mathbf{x} = \mathbf{0}$ untuk menyusun basis $\text{Nul}(A)$, tentukan $\text{nullity}(A)$, lalu verifikasi Teorema Rank-Nullity.
  5. Matriks $A$ berukuran $5 \times 8$ memiliki $\text{nullity}(A) = 5$. Hitunglah $\text{rank}(A)$.
  6. Soal Pemikiran Koneksi IMT: Jika matriks persegi $A$ berordo $n \times n$ bersifat full-rank ($\text{rank}(A) = n$), jabarkan konsekuensinya terhadap: (a) $\det(A)$,   (b) $\text{Nul}(A)$,   (c) jumlah solusi $A\mathbf{x} = \mathbf{b}$ untuk sebarang $\mathbf{b}$. Hubungkan argumen Anda dengan Teorema Invertibel Matriks Bab 4–5.
  7. Soal Polinomial: Tunjukkan bahwa $B = \{1 + x,\; x + x^2,\; 1 + x^2\}$ adalah basis bagi $P_2(\mathbb{R})$, lalu nyatakan $q(x) = 2 + 3x + 4x^2$ dalam koordinat basis $B$.
  8. Soal Koordinat Non-Standar: Diketahui $B = \left\{\begin{bmatrix} 1 \\ 1 \end{bmatrix},\; \begin{bmatrix} -1 \\ 1 \end{bmatrix}\right\}$ adalah basis bagi $\mathbb{R}^2$. Hitung $[\mathbf{w}]_B$ untuk $\mathbf{w} = \begin{bmatrix} 5 \\ 3 \end{bmatrix}$, lalu verifikasi bahwa rekonstruksi $c_1\mathbf{b}_1 + c_2\mathbf{b}_2$ menghasilkan $\mathbf{w}$.