Diagonalisasi Matriks: Panduan Komprehensif

Diagonalisasi matriks adalah teknik berguna dalam aljabar linear yang mengubah matriks kompleks menjadi bentuk paling sederhana, yaitu matriks diagonal. Diagonalisasi bermanfaat di banyak aplikasi ilmu data, mulai dari analisis komponen utama hingga menyelesaikan persamaan diferensial dan menganalisis rantai Markov. 

Artikel ini akan memulai dari dasar-dasar matriks diagonal, mengeksplorasi apa yang membuat sebuah matriks dapat didiagonalkan, dan menelusuri proses langkah demi langkah diagonalisasi dengan contoh terperinci. Kita juga akan mempelajari algoritma numerik canggih yang menangani matriks berukuran besar secara efisien.

Apa Itu Matriks Diagonal?

Matriks diagonal adalah matriks bujur sangkar yang semua elemen di luar diagonal utamanya bernilai nol. 

Dalam notasi matematis, sebuah matriks D disebut diagonal jika D[i,j] = 0 setiap kali i ≠ j.

Contoh paling sederhana adalah matriks diagonal 3×3:

Perhatikan bahwa semua elemen selain elemen diagonal bernilai nol. Jadi, apa yang membuat matriks-matriks ini istimewa?

Mengapa matriks diagonal penting?

Matriks diagonal memiliki banyak keunggulan komputasi karena strukturnya yang sederhana:

• Kemudahan perkalian: Saat mengalikan matriks diagonal, kita cukup mengalikan elemen diagonal yang bersesuaian. Dengan demikian, perkalian matriks-vektor hanya memerlukan n perkalian alih-alih n² untuk matriks umum.
• Perhitungan pangkat: Untuk menghitung D^n, kita dapat menaikkan setiap elemen diagonal ke pangkat n, tanpa perlu perkalian matriks yang kompleks.
• Perhitungan invers: Jika semua elemen diagonal tidak nol, invers dapat dihitung dengan mengambil kebalikan dari elemen diagonal, sehingga menghindari inversi matriks yang mahal.
• Determinan: Determinan sama dengan hasil kali semua elemen diagonal.
• Kebutuhan penyimpanan: Penyimpanan turun dari n^² menjadi n elemen, sehingga mengurangi penggunaan memori untuk matriks besar.
• Nilai eigen: Nilai eigen tampak langsung sebagai entri diagonal, sehingga analisis spektral menjadi sangat mudah.
• Menyelesaikan sistem linear: Menyelesaikan Dx = b berkurang menjadi pembagian per elemen, mengubah operasi yang kompleks menjadi operasi yang lugas.

Keunggulan komputasi ini juga menjelaskan mengapa proses diagonalisasi menjadi teknik yang sangat berharga dalam komputasi numerik.

Apa Itu Diagonalisasi Matriks?

Diagonalisasi matriks adalah proses menemukan matriks diagonal D dan matriks invertibel P sedemikian sehingga:

Secara ekuivalen, kita dapat menulis:

Ini menunjukkan bahwa D serupa dengan A melalui perubahan basis yang direpresentasikan oleh P.

Secara geometris, diagonalisasi mengungkap bahwa banyak transformasi linear dapat diuraikan menjadi tiga langkah:

1. Berubah ke sistem koordinat khusus (perkalian dengan P^-1)
2. Menerapkan penskalaan sederhana sepanjang sumbu koordinat (perkalian dengan D)
3. Kembali ke koordinat asal (perkalian dengan P)

Kolom-kolom P adalah vektor eigen dari A, sedangkan entri diagonal D adalah nilai eigen yang bersesuaian. Keterkaitan antara diagonalisasi dan sistem eigen dapat dipahami sebagai: sebuah matriks dapat didiagonalkan jika dan hanya jika ia memiliki cukup banyak vektor eigen yang saling bebas linear untuk membentuk suatu basis.

Kapan Sebuah Matriks Dapat Didiagonalkan?

Karena tidak semua matriks dapat didiagonalkan, mari pahami teorema diagonalisasi dan kondisi-kondisi untuk dapat didiagonalkan sebelum menerapkan tekniknya.

Teorema diagonalisasi

Teorema menyatakan: Sebuah matriks A berukuran n×n dapat didiagonalkan jika dan hanya jika A memiliki n vektor eigen yang saling bebas linear.

Ini berarti bahwa kemampuan untuk didiagonalkan sepenuhnya bergantung pada struktur geometris transformasi, khususnya apakah terdapat suatu basis yang seluruhnya terdiri dari vektor eigen.

Syarat perlu dan cukup

Kondisi-kondisi untuk proses diagonalisasi adalah sebagai berikut:

1. Kumpulan vektor eigen lengkap: Matriks memiliki n vektor eigen yang saling bebas linear.
2. Multiplikitas geometris sama dengan multiplikitas aljabar: Untuk setiap nilai eigen λ, dimensi ruang eigennya sama dengan banyaknya kemunculan λ sebagai akar dari polinomial karakteristik.
3. Polinomial minimal memiliki faktor linear berbeda: Polinomial minimal terfaktorisasi sepenuhnya menjadi faktor-faktor linear yang berbeda.

Uji paling praktis melibatkan pemeriksaan apakah setiap nilai eigen memiliki vektor eigen yang “cukup”. Jika suatu nilai eigen λ muncul k kali sebagai akar polinomial karakteristik, kita membutuhkan tepat k vektor eigen yang saling bebas linear terkait λ.

Matriks yang dapat vs. tidak dapat didiagonalkan

Jenis-jenis matriks tertentu selalu dapat didiagonalkan:

• Matriks simetris (nilai eigen real, vektor eigen ortogonal)
• Matriks dengan n nilai eigen berbeda (secara otomatis memiliki n vektor eigen yang bebas linear)
• Matriks Hermitian (analogi kompleks dari matriks simetris)

Matriks yang umum tidak dapat didiagonalkan adalah:

• Matriks nilpoten (seperti matriks segitiga atas dengan nol pada diagonal)
• Blok Jordan (matriks dengan nilai eigen berulang namun vektor eigen tidak mencukupi)
• Matriks cacat (kurang kumpulan vektor eigen yang lengkap)

Kesalahpahaman umum

Sebelum melangkah lebih jauh, mari bahas beberapa kesalahpahaman umum terkait kemampuan didiagonalkan:

• Dapat didiagonalkan ≠ dapat diinvers: Ini adalah sifat yang sepenuhnya independen. Sebuah matriks dapat diagonalizable but singular (having zero as an eigenvalue). If zero is an eigenvalue, the matrix is not invertible but can still be diagonalizable. Similarly, a matrix can be invertible but non-diagonalizable: A matrix with no zero eigenvalues (hence invertible) might still lack enough eigenvectors. 
• Dapat didiagonalkan ≠ memiliki nilai eigen real: Matriks dengan nilai eigen kompleks tetap dapat didiagonalkan pada bilangan kompleks.
• Nilai eigen berulang ≠ tidak dapat didiagonalkan: Matriks dapat memiliki nilai eigen berulang dan tetap dapat didiagonalkan jika memiliki vektor eigen yang cukup.

Sejauh ini, kita telah mempelajari semua konsep seputar Diagonalisasi. Anda sudah lebih dari siap untuk menyelami proses langkah demi langkah untuk diagonalisasi, beserta beberapa contoh.

Proses Diagonalisasi Langkah demi Langkah

Mari kita telusuri proses mendiagonalkan sebuah matriks secara bertahap.

Langkah 1: Menemukan nilai eigen

Pertama, kita selesaikan persamaan karakteristik untuk menemukan semua nilai eigen:

Mempertimbangkan matriks 2×2:

Polinomial karakteristiknya adalah:

Menyetarakannya dengan nol dan menyelesaikannya memberikan nilai-nilai eigen. Untuk matriks yang lebih besar, prosesnya melibatkan perhitungan determinan matriks (n×n), yang menjadi semakin kompleks.

Langkah 2: Menemukan vektor eigen

Untuk setiap nilai eigen λᵢ, kita selesaikan sistem untuk menemukan vektor eigen yang bersesuaian:

Ini melibatkan:

1. Mensubstitusikan λᵢ ke dalam (A — λᵢI)
2. Melakukan reduksi baris pada matriks hasil untuk menemukan ruang nol
3. Mengekspresikan solusi umum dalam parameter bebas
4. Memilih vektor eigen spesifik (biasanya dengan komponen bilangan bulat sederhana)

Banyaknya vektor eigen yang saling bebas linear untuk setiap nilai eigen menentukan apakah diagonalisasi memungkinkan.

Langkah 3: Menyusun P dan D

Setelah kita memiliki semua vektor eigen:

Di sini, urutan nilainya penting; kolom ke-i dari P harus bersesuaian dengan entri diagonal ke-i dari D.

Terakhir, kita dapat memverifikasi diagonalisasi melalui:

1. Menghitung P^-1 (atau memeriksa bahwa P dapat diinvers)
2. Memverifikasi bahwa A = PDP^-1 atau ekuivalen D = P^-1AP
3. Memeriksa bahwa Avᵢ = λᵢvᵢ untuk setiap pasangan vektor eigen–nilai eigen

Urutan vektor eigen dalam P bersifat sewenang-wenang, tetapi setelah dipilih, ia menentukan urutan nilai eigen dalam D. Pengurutan berbeda menghasilkan diagonalisasi yang berbeda namun ekuivalen.

Contoh Diagonalisasi yang Dikerjakan

Mari kita bahas berbagai skenario untuk memperkuat pemahaman tentang proses diagonalisasi.

Contoh 1: Matriks dengan nilai eigen berbeda

Pertimbangkan matriks berikut:

Kita jalankan langkah pertama mencari nilai eigen dengan menuliskan polinomial karakteristik sebagai berikut,

Jadi λ₁ = 4 dan λ₂ = 1.

Berikutnya, kita dapat menemukan vektor eigen dengan mensubstitusikan nilai λ.

Untuk λ₁ = 4:

Ini menghasilkan v₁ = [1, 1]ᵀ

Mensubstitusikan λ₂ = 1:

Ini menghasilkan v₂ = [1, -2]ᵀ

Kita dapat menyusun diagonalisasi sebagai berikut:

Karena kita telah menemukan semua matriks P, D, dan P^-1, kita dapat mendiagonalkan matriks asal.

Contoh 2: Matriks dengan nilai eigen berulang

Pertimbangkan:

Mari temukan nilai eigen melalui polinomial karakteristik:

Jadi λ = 4 adalah nilai eigen berulang dengan multiplikitas aljabar 2.

Mari temukan vektor eigen untuk λ = 4:

Sistem ini berderajat 1, memberi kita ruang eigen berdimensi 1 dengan vektor basis v = [1, 1]ᵀ.

Karena kita hanya memiliki satu vektor eigen yang saling bebas linear untuk nilai eigen dengan multiplikitas 2, matriks ini tidak dapat didiagonalkan.

Contoh 3: Nilai eigen kompleks

Pertimbangkan matriks rotasi:

Kita dapat menemukan nilai eigen melalui polinomial karakteristik:

Jadi λ₁ = i dan λ₂ = -i (dengan i adalah satuan imajiner).

Berikutnya, kita temukan vektor eigen. Untuk λ₁ = i:

Ini menghasilkan v₁ = [1, -i]ᵀ

Untuk λ₂ = -i:

Ini menghasilkan v₂ = [1, i]ᵀ

Ini adalah contoh klasik diagonalisasi kompleks:

Matriks ini dapat didiagonalkan pada bilangan kompleks tetapi tidak pada bilangan real.

Metode Komputasi dan Pertimbangan Numerik

Walaupun perhitungan manual bekerja baik untuk matriks kecil, aplikasi praktis memerlukan algoritma numerik yang dapat menangani matriks besar secara efisien.

Algoritma QR

Algoritma QR adalah metode standar untuk menemukan nilai eigen dalam perangkat lunak modern. Alih-alih menyelesaikan polinomial karakteristik (yang menjadi tidak praktis untuk matriks besar), algoritma ini menggunakan pendekatan iteratif yang secara bertahap mengungkap nilai eigen.

Algoritma bekerja melalui transformasi berulang:

1. Dekomposisi: Aₖ = QₖRₖ (dekomposisi QR)
2. Bentuk: Aₖ₊₁ = RₖQₖ
3. Ulangi hingga konvergen

Dengan setiap iterasi, matriks menjadi semakin segitiga sambil mempertahankan nilai eigennya. Pada akhirnya, nilai eigen muncul di sepanjang diagonal. Untuk matriks simetris, hasilnya adalah matriks diagonal, yang langsung memberi kita diagonalisasi.

Implementasi modern meningkatkan algoritma dasar ini dengan:

• Pra-pemrosesan untuk mengurangi biaya komputasi
• Shift yang mempercepat konvergensi
• Metode untuk mengekstrak nilai eigen yang sudah konvergen lebih awal
• Teknik khusus untuk pasangan nilai eigen kompleks

Kondisioning dan stabilitas numerik

Tidak semua masalah diagonalisasi sama stabilnya. Faktor kunci adalah seberapa “terpisah” vektor eigennya. Ketika vektor eigen hampir searah, kesalahan numerik kecil dapat menyebabkan kesalahan besar pada hasil.

Ketidakstabilan ini muncul dalam beberapa cara:

• Nilai eigen berdekatan: Ketika nilai eigen sangat mirip, vektor eigennya menjadi sulit dibedakan secara numerik.
• Matriks hampir cacat: Matriks yang hampir tidak dapat didiagonalkan memiliki vektor eigen yang sangat sensitif.
• Galat pembulatan: Aritmetika komputer dapat memperbesar kesalahan kecil menjadi ketidakakuratan signifikan

Saat menghadapi kasus tidak stabil ini, pustaka numerik sering menggunakan dekomposisi alternatif yang mengorbankan kesederhanaan bentuk diagonal demi perilaku numerik yang lebih baik.

Bekerja dengan matriks besar

Strategi berbeda berlaku tergantung ukuran dan struktur matriks kita.

Untuk matriks jarang (sebagian besar bernilai nol), algoritma khusus seperti metode Lanczos atau Arnoldi menemukan nilai eigen tanpa pernah membentuk matriks penuh. Ini bekerja baik ketika matriks terlalu besar untuk disimpan.

Ketika kita hanya membutuhkan beberapa nilai eigen (seperti yang terbesar atau terkecil), metode iteratif dapat menemukannya langsung tanpa menghitung seluruh spektrum.

Untuk masalah besar, algoritma paralel membagi pekerjaan ke banyak prosesor, sementara metode bebas-matriks menghindari penyimpanan matriks sepenuhnya, hanya memerlukan kemampuan mengalikannya dengan vektor.

Pendekatan terbaik umumnya bergantung pada kebutuhan spesifik masalah yang diselesaikan: struktur matriks, jumlah nilai eigen yang diperlukan, dan tingkat akurasi yang dibutuhkan untuk aplikasi kita.

Kesimpulan

Diagonalisasi matriks mengubah transformasi linear yang kompleks menjadi bentuk paling sederhana, menyingkap strukturnya melalui nilai eigen dan vektor eigen. Kita telah mengeksplorasi kapan matriks dapat didiagonalkan, yang memerlukan kumpulan lengkap vektor eigen yang saling bebas linear, dan menelusuri proses sistematis untuk menemukan dekomposisi eigen tersebut.

Melalui contoh praktis, kita telah melihat bagaimana nilai eigen berbeda menjamin kemampuan didiagonalkan, sementara nilai eigen berulang memerlukan analisis ruang eigen. Kita juga telah meninjau kasus ketika diagonalisasi gagal, dan mempelajari metode numerik yang membuat diagonalisasi skala besar layak secara komputasional.

Untuk mengeksplorasi lebih jauh diagonalisasi matriks dan penerapannya dalam ilmu data, pertimbangkan untuk mendaftar ke kursus Linear Algebra for Data Science kami, di mana Anda akan menguasai konsep-konsep ini melalui implementasi langsung dan contoh dunia nyata.