Pendahuluan

Aljabar linear adalah salah satu pintu masuk utama menuju matematika modern, sains komputasi, teknik, ekonomi kuantitatif, statistika, grafika komputer, pembelajaran mesin, dan banyak cabang fisika. Alasannya sederhana tetapi dalam: banyak persoalan yang kelihatannya berbeda ternyata dapat ditulis sebagai persoalan tentang vektor, matriks, sistem persamaan linear, dan transformasi linear. Buku-buku aljabar linear modern biasanya menempatkan gagasan-gagasan ini sebagai inti karena semuanya saling menjelaskan: sistem persamaan dapat ditulis dengan matriks, matriks dapat dipahami sebagai transformasi, transformasi dapat dipelajari melalui basis, rank, determinan, dan nilai eigen, sedangkan geometri memberi makna pada perhitungan tersebut (Strang, 2016; Lay, Lay, & McDonald, 2016).

Buku ini ditulis untuk mahasiswa tahun pertama. Artinya, kita tidak menganggap pembaca sudah terbiasa dengan bahasa abstrak matematika tingkat lanjut. Namun, kita juga tidak akan menghindari ketelitian. Tujuan kita bukan hanya “bisa menghitung”, melainkan mengerti apa yang sedang dihitung.

Sebagai contoh, perhitungan

\[ \begin{bmatrix} 2 & 1\\ 1 & 3 \end{bmatrix} \begin{bmatrix} x\\ y \end{bmatrix} = \begin{bmatrix} 5\\ 7 \end{bmatrix} \]

bukan sekadar aturan mengalikan angka. Persamaan ini dapat dibaca sebagai sistem

\[ \begin{cases} 2x+y=5,\\ x+3y=7. \end{cases} \]

Secara geometris, di bidang \(xy\), masing-masing persamaan adalah garis. Menyelesaikan sistem berarti mencari titik potong kedua garis. Jika titik potongnya ada satu, sistem memiliki solusi tunggal. Jika dua garis sejajar dan berbeda, tidak ada solusi. Jika dua persamaan menggambarkan garis yang sama, ada tak hingga banyak solusi. Dari contoh kecil ini saja, kita sudah melihat pola besar buku ini: aljabar memberi prosedur, geometri memberi makna.

Apa yang dimaksud dengan “linear”?

Kata linear berasal dari gagasan tentang garis, tetapi dalam aljabar linear maknanya lebih luas. Secara intuitif, sesuatu disebut linear jika ia menghormati dua operasi dasar: menjumlahkan dan mengalikan dengan skalar.

Sebelum melangkah lebih jauh, mari kita definisikan dua istilah tersebut.

Sebuah skalar adalah bilangan yang dipakai untuk mengalikan vektor. Dalam buku ini, kecuali dinyatakan lain, skalar biasanya berupa bilangan real, misalnya \(-2\), \(0\), \(\frac{1}{3}\), atau \(\sqrt{5}\).

Sebuah vektor dapat dipandang dari dua sudut. Secara geometris, vektor adalah panah yang memiliki panjang dan arah. Secara aljabar, vektor adalah daftar bilangan yang ditulis berurutan, misalnya

\[ \begin{bmatrix} 3\\ -1 \end{bmatrix} \quad \text{atau} \quad \begin{bmatrix} 2\\ 0\\ 5 \end{bmatrix}. \]

Vektor pertama memiliki dua komponen, sehingga dapat dipandang sebagai objek di bidang \(\mathbb{R}^2\). Vektor kedua memiliki tiga komponen, sehingga dapat dipandang sebagai objek di ruang \(\mathbb{R}^3\). Notasi \(\mathbb{R}^2\) berarti himpunan semua pasangan bilangan real, sedangkan \(\mathbb{R}^3\) berarti himpunan semua tripel bilangan real. Nanti, kita juga akan berbicara tentang \(\mathbb{R}^n\), yaitu ruang vektor dengan \(n\) komponen.

Operasi pertama pada vektor adalah penjumlahan vektor. Misalnya,

\[ \begin{bmatrix} 2\\ 1 \end{bmatrix} + \begin{bmatrix} 3\\ -4 \end{bmatrix} = \begin{bmatrix} 5\\ -3 \end{bmatrix}. \]

Operasi kedua adalah perkalian skalar, yaitu mengalikan setiap komponen vektor dengan bilangan yang sama:

\[ 3 \begin{bmatrix} 2\\ -1 \end{bmatrix} = \begin{bmatrix} 6\\ -3 \end{bmatrix}. \]

Sebuah aturan atau fungsi \(T\) disebut transformasi linear jika untuk setiap vektor \(\mathbf{u}\), \(\mathbf{v}\), dan setiap skalar \(c\), berlaku

\[ T(\mathbf{u}+\mathbf{v})=T(\mathbf{u})+T(\mathbf{v}) \]

dan

\[ T(c\mathbf{u})=cT(\mathbf{u}). \]

Dua syarat ini mengatakan bahwa transformasi linear mempertahankan struktur penjumlahan dan penskalaan. Definisi ini adalah salah satu fondasi aljabar linear abstrak dan muncul dalam bentuk yang sepadan dalam banyak buku teks standar (Axler, 2015; Lay, Lay, & McDonald, 2016).

Contoh sederhana transformasi linear adalah penskalaan di bidang:

\[ T \left( \begin{bmatrix} x\\ y \end{bmatrix} \right) = \begin{bmatrix} 2x\\ 2y \end{bmatrix}. \]

Transformasi ini menggandakan panjang setiap vektor dari titik asal. Jika suatu vektor menunjuk ke kanan sejauh 1 dan ke atas sejauh 3, maka hasilnya menunjuk ke kanan sejauh 2 dan ke atas sejauh 6.

Sebaliknya, aturan

\[ S \left( \begin{bmatrix} x\\ y \end{bmatrix} \right) = \begin{bmatrix} x+1\\ y \end{bmatrix} \]

bukan transformasi linear. Aturan ini menggeser semua titik satu satuan ke kanan. Secara geometris, ini transformasi yang sangat penting, tetapi tidak linear karena vektor nol

\[ \begin{bmatrix} 0\\ 0 \end{bmatrix} \]

dipetakan ke

\[ \begin{bmatrix} 1\\ 0 \end{bmatrix}, \]

padahal setiap transformasi linear harus memetakan vektor nol ke vektor nol.

Perbedaan kecil ini penting. Dalam bahasa sehari-hari, garis \(y=2x+1\) sering disebut “linear”. Namun dalam aljabar linear, fungsi \(f(x)=2x+1\) tidak linear sebagai transformasi dari \(\mathbb{R}\) ke \(\mathbb{R}\), karena \(f(0)=1\), bukan \(0\). Fungsi seperti itu lebih tepat disebut afine. Kita akan kembali pada gagasan ini ketika membahas transformasi geometri.

Mengapa matriks muncul begitu cepat?

Sebuah matriks adalah susunan bilangan berbentuk persegi panjang. Contohnya,

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

adalah matriks dengan 2 baris dan 2 kolom. Matriks

\[ B= \begin{bmatrix} 1 & 0 & 4\\ -2 & 5 & 3 \end{bmatrix} \]

memiliki 2 baris dan 3 kolom.

Pada awalnya, matriks mungkin tampak seperti tabel angka. Tetapi dalam aljabar linear, matriks mempunyai beberapa peran sekaligus.

Pertama, matriks menyimpan koefisien sistem persamaan linear. Sistem

\[ \begin{cases} 2x+y=5,\\ x+3y=7 \end{cases} \]

dapat ditulis sebagai

\[ \begin{bmatrix} 2 & 1\\ 1 & 3 \end{bmatrix} \begin{bmatrix} x\\ y \end{bmatrix} = \begin{bmatrix} 5\\ 7 \end{bmatrix}. \]

Kedua, matriks mewakili transformasi linear. Matriks

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

mengubah vektor

\[ \begin{bmatrix} x\\ y \end{bmatrix} \]

menjadi

\[ \begin{bmatrix} 2x\\ 3y \end{bmatrix}. \]

Secara geometris, arah horizontal diperbesar dua kali, sedangkan arah vertikal diperbesar tiga kali.

Ketiga, matriks dapat dipakai untuk mengorganisasi data. Misalnya, tabel nilai tiga mahasiswa dalam dua ujian dapat ditulis sebagai

\[ \begin{bmatrix} 80 & 75\\ 90 & 85\\ 70 & 95 \end{bmatrix}. \]

Baris dapat merepresentasikan mahasiswa, kolom dapat merepresentasikan ujian. Tentu, tidak setiap tabel data langsung menjadi persoalan aljabar linear yang menarik. Namun banyak metode komputasi modern memang bekerja dengan data yang disusun dalam bentuk vektor dan matriks, terutama ketika kita ingin melakukan proyeksi, aproksimasi, reduksi dimensi, atau optimisasi numerik. Peran matriks dalam komputasi ilmiah dan algoritma numerik dibahas secara sistematis dalam literatur aljabar linear numerik (Trefethen & Bau, 1997).

Karena itulah buku ini tidak memperlakukan matriks hanya sebagai “alat hitung”. Matriks adalah jembatan antara tiga dunia:

1. sistem persamaan,
2. geometri ruang,
3. transformasi linear.

Ketiga dunia ini akan terus muncul dari bab ke bab.

Dari garis dan bidang menuju ruang berdimensi tinggi

Pada tahap awal, kita akan banyak memakai \(\mathbb{R}^2\) dan \(\mathbb{R}^3\). Ini wajar karena keduanya mudah dibayangkan. Di \(\mathbb{R}^2\), kita dapat menggambar sumbu \(x\) dan \(y\). Di \(\mathbb{R}^3\), kita dapat membayangkan panjang, lebar, dan tinggi.

Namun aljabar linear tidak berhenti di ruang tiga dimensi. Kita sering bekerja di \(\mathbb{R}^n\), yaitu ruang dengan \(n\) komponen. Jika \(n=5\), sebuah vektor berbentuk

\[ \begin{bmatrix} x_1\\ x_2\\ x_3\\ x_4\\ x_5 \end{bmatrix}. \]

Kita mungkin tidak dapat menggambar ruang lima dimensi secara langsung. Akan tetapi, aturan aljabarnya tetap jelas: kita masih bisa menjumlahkan vektor komponen demi komponen, mengalikan dengan skalar, menghitung kombinasi linear, dan mempelajari transformasi.

Sebagai contoh, bayangkan sebuah vektor yang menyimpan data sederhana tentang sebuah rumah:

\[ \begin{bmatrix} \text{luas tanah}\\ \text{luas bangunan}\\ \text{jumlah kamar}\\ \text{jarak ke pusat kota}\\ \text{umur bangunan} \end{bmatrix}. \]

Ini dapat dipandang sebagai vektor berdimensi 5. Walaupun kita tidak menggambarnya seperti panah di papan tulis, kita tetap dapat membandingkan, menggabungkan, dan mengolahnya secara aljabar. Gagasan ruang berdimensi tinggi seperti ini menjadi penting dalam banyak penerapan, termasuk analisis data dan komputasi numerik (Strang, 2016; Trefethen & Bau, 1997).

Tetapi kita harus berhati-hati. Tidak semua kumpulan angka otomatis bermakna sebagai vektor dalam konteks tertentu. Makna komponen harus jelas. Jika komponen pertama adalah luas tanah dan komponen kedua adalah jumlah kamar, maka menjumlahkan dua vektor harus ditafsirkan sesuai konteks. Aljabar memberi struktur, tetapi pemodelan tetap membutuhkan penilaian.

Sistem persamaan linear sebagai masalah pencarian

Salah satu persoalan pertama yang akan kita pelajari adalah sistem persamaan linear. Sebuah persamaan linear dalam dua variabel dapat berbentuk

\[ 2x+3y=6. \]

Disebut linear karena variabel \(x\) dan \(y\) hanya muncul dalam pangkat satu, tidak dikalikan satu sama lain, dan tidak berada di dalam fungsi nonlinier seperti \(\sin x\), \(e^x\), atau \(x^2\).

Contoh yang linear:

\[ x-4y+2z=10. \]

Contoh yang tidak linear:

\[ x^2+y=3, \]

karena ada \(x^2\), dan

\[ xy=5, \]

karena ada perkalian antarvariabel.

Sebuah sistem persamaan linear adalah beberapa persamaan linear yang harus dipenuhi sekaligus. Misalnya,

\[ \begin{cases} x+y=4,\\ x-y=2. \end{cases} \]

Solusinya adalah nilai \(x\) dan \(y\) yang membuat kedua persamaan benar. Dari persamaan pertama, \(x+y=4\). Dari persamaan kedua, \(x-y=2\). Jika dijumlahkan, diperoleh \(2x=6\), sehingga \(x=3\). Substitusi ke \(x+y=4\) memberi \(y=1\). Jadi solusinya adalah

\[ (x,y)=(3,1). \]

Secara geometris, dua persamaan tersebut adalah dua garis yang berpotongan di titik \((3,1)\).

Namun sistem linear tidak selalu memiliki solusi tunggal. Perhatikan

\[ \begin{cases} x+y=2,\\ 2x+2y=4. \end{cases} \]

Persamaan kedua hanyalah dua kali persamaan pertama. Keduanya menggambarkan garis yang sama. Maka solusinya bukan satu titik, melainkan semua titik pada garis \(x+y=2\). Contohnya \((0,2)\), \((1,1)\), dan \((2,0)\).

Sekarang perhatikan

\[ \begin{cases} x+y=2,\\ x+y=5. \end{cases} \]

Tidak mungkin jumlah \(x+y\) sekaligus sama dengan 2 dan 5. Secara geometris, ini dua garis sejajar berbeda. Sistem tidak memiliki solusi.

Tiga kemungkinan ini—solusi tunggal, tak hingga banyak solusi, atau tidak ada solusi—akan menjadi tema penting ketika kita mempelajari eliminasi Gauss, rank, ruang nol, dan teorema rank-nullity. Buku-buku aljabar linear dasar biasanya memperkenalkan struktur solusi sistem linear sebagai salah satu fondasi menuju konsep subruang dan transformasi linear (Lay, Lay, & McDonald, 2016).

Kombinasi linear: gagasan kecil yang sangat besar

Salah satu istilah paling penting dalam buku ini adalah kombinasi linear. Jika kita memiliki vektor \(\mathbf{v}_1\) dan \(\mathbf{v}_2\), maka kombinasi linear dari keduanya adalah vektor berbentuk

\[ c_1\mathbf{v}_1+c_2\mathbf{v}_2, \]

dengan \(c_1\) dan \(c_2\) skalar.

Contoh:

\[ \mathbf{v}_1= \begin{bmatrix} 1\\ 0 \end{bmatrix}, \quad \mathbf{v}_2= \begin{bmatrix} 0\\ 1 \end{bmatrix}. \]

Maka

\[ 3\mathbf{v}_1+5\mathbf{v}_2 = 3 \begin{bmatrix} 1\\ 0 \end{bmatrix} + 5 \begin{bmatrix} 0\\ 1 \end{bmatrix} = \begin{bmatrix} 3\\ 0 \end{bmatrix} + \begin{bmatrix} 0\\ 5 \end{bmatrix} = \begin{bmatrix} 3\\ 5 \end{bmatrix}. \]

Artinya, vektor \(\begin{bmatrix}3\\5\end{bmatrix}\) dapat dibangun dari dua vektor dasar

\[ \begin{bmatrix} 1\\ 0 \end{bmatrix} \quad \text{dan} \quad \begin{bmatrix} 0\\ 1 \end{bmatrix}. \]

Dari sini muncul istilah rentang. Rentang dari sekumpulan vektor adalah semua vektor yang dapat dibuat sebagai kombinasi linear dari vektor-vektor tersebut.

Misalnya, rentang dari

\[ \begin{bmatrix} 1\\ 0 \end{bmatrix} \quad \text{dan} \quad \begin{bmatrix} 0\\ 1 \end{bmatrix} \]

adalah seluruh \(\mathbb{R}^2\), karena setiap vektor

\[ \begin{bmatrix} x\\ y \end{bmatrix} \]

dapat ditulis sebagai

\[ x \begin{bmatrix} 1\\ 0 \end{bmatrix} + y \begin{bmatrix} 0\\ 1 \end{bmatrix}. \]

Sebaliknya, rentang dari satu vektor tak nol di bidang, misalnya

\[ \begin{bmatrix} 2\\ 1 \end{bmatrix}, \]

adalah semua kelipatan skalarnya:

\[ c \begin{bmatrix} 2\\ 1 \end{bmatrix} = \begin{bmatrix} 2c\\ c \end{bmatrix}. \]

Secara geometris, ini adalah garis melalui titik asal dengan arah \(\begin{bmatrix}2\\1\end{bmatrix}\).

Kombinasi linear akan muncul hampir di semua bab. Ketika kita menyelesaikan sistem linear, kita bertanya apakah suatu vektor dapat ditulis sebagai kombinasi linear dari kolom-kolom matriks. Ketika kita membahas basis, kita mencari kumpulan vektor yang dapat membangun seluruh ruang tanpa pemborosan. Ketika kita membahas nilai eigen, kita mencari arah khusus yang tetap berada pada garis rentangnya setelah transformasi bekerja.

Basis sebagai sistem koordinat

Dalam kehidupan sehari-hari, koordinat adalah cara memberi alamat. Titik \((3,5)\) di bidang berarti bergerak 3 satuan ke arah sumbu \(x\), lalu 5 satuan ke arah sumbu \(y\). Tetapi cara ini bergantung pada pilihan dua arah dasar.

Dalam aljabar linear, kumpulan vektor yang dapat dipakai untuk menyatakan setiap vektor secara tunggal disebut basis. Di \(\mathbb{R}^2\), pasangan

\[ \mathbf{e}_1= \begin{bmatrix} 1\\ 0 \end{bmatrix}, \quad \mathbf{e}_2= \begin{bmatrix} 0\\ 1 \end{bmatrix} \]

adalah basis baku. Setiap vektor di \(\mathbb{R}^2\) dapat ditulis secara tunggal sebagai

\[ x\mathbf{e}_1+y\mathbf{e}_2. \]

Namun basis tidak harus selalu basis baku. Misalnya,

\[ \mathbf{b}_1= \begin{bmatrix} 1\\ 1 \end{bmatrix}, \quad \mathbf{b}_2= \begin{bmatrix} 1\\ -1 \end{bmatrix} \]

juga membentuk basis \(\mathbb{R}^2\). Vektor

\[ \begin{bmatrix} 4\\ 2 \end{bmatrix} \]

dapat dicari representasinya dalam basis ini dengan mencari \(c_1\) dan \(c_2\) sehingga

\[ c_1 \begin{bmatrix} 1\\ 1 \end{bmatrix} + c_2 \begin{bmatrix} 1\\ -1 \end{bmatrix} = \begin{bmatrix} 4\\ 2 \end{bmatrix}. \]

Dari komponen pertama,

\[ c_1+c_2=4. \]

Dari komponen kedua,

\[ c_1-c_2=2. \]

Menjumlahkan kedua persamaan memberi \(2c_1=6\), sehingga \(c_1=3\). Maka \(c_2=1\). Jadi

\[ \begin{bmatrix} 4\\ 2 \end{bmatrix} = 3 \begin{bmatrix} 1\\ 1 \end{bmatrix} + 1 \begin{bmatrix} 1\\ -1 \end{bmatrix}. \]

Dalam basis baku, koordinatnya \((4,2)\). Dalam basis \(\{\mathbf{b}_1,\mathbf{b}_2\}\), koordinatnya \((3,1)\). Objek geometrisnya sama, tetapi representasi numeriknya berubah. Inilah awal dari topik perubahan basis, yang kelak menjadi penting ketika kita membahas matriks representasi dan diagonalisasi.

Nilai eigen: arah yang bertahan

Di bagian akhir buku, kita akan mempelajari nilai eigen dan vektor eigen. Walaupun istilahnya terdengar asing, gagasannya cukup geometris.

Misalkan transformasi linear \(T\) mengubah vektor \(\mathbf{v}\) menjadi kelipatan dari dirinya sendiri:

\[ T(\mathbf{v})=\lambda \mathbf{v}, \]

dengan \(\mathbf{v}\neq \mathbf{0}\). Maka \(\mathbf{v}\) disebut vektor eigen, dan \(\lambda\) disebut nilai eigen.

Artinya, arah \(\mathbf{v}\) tidak berubah oleh transformasi; yang berubah hanya panjangnya, arahnya dibalik jika \(\lambda\) negatif, atau menjadi nol jika \(\lambda=0\).

Contoh:

\[ A= \begin{bmatrix} 3 & 0\\ 0 & 2 \end{bmatrix}. \]

Untuk vektor

\[ \mathbf{e}_1= \begin{bmatrix} 1\\ 0 \end{bmatrix}, \]

kita punya

\[ A\mathbf{e}_1= \begin{bmatrix} 3\\ 0 \end{bmatrix} = 3 \begin{bmatrix} 1\\ 0 \end{bmatrix}. \]

Jadi \(\mathbf{e}_1\) adalah vektor eigen dengan nilai eigen \(3\).

Untuk

\[ \mathbf{e}_2= \begin{bmatrix} 0\\ 1 \end{bmatrix}, \]

kita punya

\[ A\mathbf{e}_2= \begin{bmatrix} 0\\ 2 \end{bmatrix} = 2 \begin{bmatrix} 0\\ 1 \end{bmatrix}. \]

Jadi \(\mathbf{e}_2\) adalah vektor eigen dengan nilai eigen \(2\).

Mengapa ini penting? Karena jika kita memahami arah-arah eigen, banyak transformasi menjadi jauh lebih sederhana. Dalam basis yang tepat, beberapa matriks dapat berubah menjadi matriks diagonal, yaitu matriks yang hanya memiliki entri penting pada diagonal utama. Proses ini disebut diagonalisasi. Diagonalisasi merupakan salah satu cara utama untuk menyederhanakan pangkat matriks, sistem dinamis diskret, dan analisis bentuk kuadratik; topik ini menjadi bagian standar dalam pembahasan nilai eigen pada aljabar linear (Axler, 2015; Strang, 2016).

Perhitungan dan makna harus berjalan bersama

Buku ini akan banyak berisi perhitungan. Kita akan melakukan eliminasi baris, mengalikan matriks, mencari invers, menghitung determinan, menentukan basis, mencari rank, menghitung nilai eigen, dan melakukan proses Gram-Schmidt. Keterampilan hitung penting karena aljabar linear adalah bahasa kerja yang dipakai dalam banyak bidang teknis.

Namun perhitungan tanpa makna mudah menjadi rapuh. Misalnya, seseorang dapat menghafal rumus determinan matriks \(2\times 2\),

\[ \det \begin{bmatrix} a & b\\ c & d \end{bmatrix} = ad-bc, \]

tetapi belum tentu memahami bahwa determinan mengukur faktor skala luas berarah dari transformasi linear di bidang. Jika determinan bernilai \(0\), suatu daerah dua dimensi diratakan ke objek berdimensi lebih rendah, sehingga matriks tidak invertibel. Interpretasi geometris determinan sebagai faktor skala volume berarah merupakan bagian penting dari pemahaman aljabar linear modern (Strang, 2016).

Sebaliknya, intuisi geometris tanpa kemampuan menghitung juga tidak cukup. Mengetahui bahwa dua bidang berpotongan pada sebuah garis tidak otomatis memberi kita persamaan parametrik garis itu. Untuk mendapatkannya, kita perlu metode seperti eliminasi Gauss dan bentuk eselon baris tereduksi.

Karena itu, setiap bab berusaha menjaga dua sisi:

• sisi prosedural, yaitu cara menghitung dengan benar;
• sisi konseptual, yaitu mengapa prosedur itu masuk akal dan apa maknanya.

Misalnya, ketika kita melakukan operasi baris pada matriks augmented, kita tidak hanya memindahkan angka. Kita sedang mengganti sistem persamaan dengan sistem lain yang memiliki himpunan solusi sama. Ketika kita mencari basis ruang kolom, kita tidak hanya memilih beberapa kolom. Kita sedang mencari arah minimum yang cukup untuk membangun semua kombinasi linear yang mungkin dari kolom-kolom tersebut.

Peta perjalanan buku

Bab 1 membuka motivasi: mengapa aljabar linear penting dan bagaimana ia menghubungkan perhitungan dengan geometri. Bab 2 dan Bab 3 membangun fondasi vektor, panjang, arah, perkalian titik, proyeksi, dan ortogonalitas. Di sini kita belajar membaca vektor sebagai panah sekaligus sebagai daftar bilangan.

Bab 4 dan Bab 5 membahas sistem persamaan linear dan eliminasi Gauss. Ini adalah mesin komputasi pertama dalam buku. Kita akan melihat bagaimana pivot, variabel bebas, dan bentuk eselon membantu kita memahami keberadaan serta bentuk solusi.

Bab 6 sampai Bab 8 memperkenalkan matriks, invers, faktorisasi awal, dan determinan. Pada bagian ini, matriks mulai tampak sebagai objek yang lebih kaya: bukan hanya tabel angka, tetapi wakil dari proses linear yang dapat dibalik, digabungkan, atau diukur efek geometrisnya.

Bab 9 sampai Bab 12 membawa kita ke ruang vektor, subruang, rentang, kebebasan linear, basis, dimensi, rank, nullity, dan perubahan basis. Bagian ini adalah jantung struktural aljabar linear. Di sinilah kita mulai memahami bahwa persoalan berbeda sering memiliki bentuk dasar yang sama.

Bab 13 dan Bab 14 membahas transformasi linear dan komposisinya. Kita akan melihat bahwa matriks adalah cara merepresentasikan transformasi setelah sebuah basis dipilih. Jika basis berubah, matriksnya berubah, tetapi transformasi geometrisnya tetap sama.

Bab 15 dan Bab 16 membahas nilai eigen, vektor eigen, dan diagonalisasi. Bagian ini menunjukkan bagaimana memilih koordinat yang tepat dapat membuat transformasi terlihat jauh lebih sederhana.

Bab 17 dan Bab 18 kembali ke ortogonalitas, basis ortonormal, proses Gram-Schmidt, proyeksi ke subruang, dan kuadrat terkecil. Di sini aljabar linear bertemu dengan aproksimasi: apa yang harus dilakukan ketika sistem tidak memiliki solusi tepat? Jawabannya adalah mencari solusi terbaik dalam arti jarak terdekat.

Bab 19 dan Bab 20 membahas matriks simetris, diagonalisasi ortogonal, dan bentuk kuadratik. Bagian ini memperlihatkan hubungan kuat antara aljabar, geometri, dan optimisasi.

Bab 21 menyatukan konsep melalui aplikasi terpadu. Bab 22 merangkum hubungan besar antara sistem linear, subruang, transformasi, determinan, basis, nilai eigen, dan ortogonalitas. Penutup kemudian memberi arah belajar berikutnya.

Sikap belajar yang disarankan

Saat membaca buku ini, jangan terburu-buru mengejar banyak rumus. Di aljabar linear, satu definisi kecil sering menjadi kunci untuk banyak bab. Misalnya, definisi kombinasi linear akan muncul saat membahas rentang, basis, ruang kolom, ruang nol, nilai eigen, dan proyeksi. Jika definisi awalnya rapuh, bab-bab berikutnya akan terasa berat.

Setiap kali bertemu konsep baru, lakukan tiga hal.

Pertama, baca definisinya. Tanyakan: “Objek apa yang sedang dibahas? Syarat apa yang harus dipenuhi?”

Kedua, uji dengan contoh. Jika dikatakan bahwa suatu himpunan adalah subruang, periksa apakah ia memuat vektor nol, tertutup terhadap penjumlahan, dan tertutup terhadap perkalian skalar.

Ketiga, cari makna geometris atau strukturalnya. Jika suatu matriks memiliki determinan nol, tanyakan: “Apa yang terjadi pada luas atau volume? Apakah ada arah yang diratakan? Mengapa invers tidak ada?”

Belajar aljabar linear berarti belajar melihat pola yang sama dalam banyak bentuk. Sebuah sistem persamaan, sebuah transformasi geometri, sebuah tabel data, dan sebuah persoalan aproksimasi dapat berbagi struktur yang serupa. Ketika struktur itu terlihat, perhitungan menjadi lebih terarah.

Pada akhirnya, buku ini ingin membawa Anda dari pertanyaan “rumus apa yang harus dipakai?” menuju pertanyaan yang lebih matang: “struktur apa yang sedang muncul, dan metode apa yang paling sesuai untuk membacanya?”

Itulah perjalanan kita: dari vektor hingga transformasi.

References

Axler, Sheldon. Linear Algebra Done Right. 3rd ed. Springer, 2015.

Lay, David C., Steven R. Lay, and Judi J. McDonald. Linear Algebra and Its Applications. 5th ed. Pearson, 2016.

Strang, Gilbert. Introduction to Linear Algebra. 5th ed. Wellesley-Cambridge Press, 2016.

Trefethen, Lloyd N., and David Bau III. Numerical Linear Algebra. SIAM, 1997.