Matriks Ortogonal: Penjelasan dengan Contoh dan Kode

Matriks ortogonal adalah matriks persegi yang kolom dan barisnya membentuk basis ortonormal, artinya saling ortogonal dan berdimensi satu. Sifat yang tampak sederhana ini membuka kemampuan yang berguna: matriks tersebut mempertahankan jarak, sudut, dan hasil kali dalam ketika diterapkan sebagai transformasi linear. 

Dalam artikel ini, kita akan terlebih dahulu mendefinisikan apa itu matriks ortogonal dan meninjau sifat-sifat kuncinya beserta contohnya. Lalu kita akan mengeksplorasi penerapan praktis, membedakan matriks ortogonal dengan ortonormal, dan mendemonstrasikan cara mengidentifikasi matriks ortogonal dalam praktik. Dengan memahami matriks khusus ini, Anda akan mendapatkan wawasan tentang berbagai teknik komputasi yang digunakan dalam data science, machine learning, dan komputasi numerik.

Apa itu Matriks Ortogonal?

Matriks ortogonal adalah matriks persegi Q yang transposenya sama dengan inversnya:

Definisi matriks ortogonal. Gambar oleh Penulis.

Ketika kita mengalikan matriks ortogonal dengan transposenya, kita memperoleh matriks identitas:

Definisi matriks ortogonal. Gambar oleh Penulis.

Dari perspektif geometris, matriks ortogonal merepresentasikan transformasi linear yang mempertahankan panjang vektor dan sudut antarvektor. Transformasi semacam ini mencakup rotasi, refleksi, atau kombinasi keduanya dalam ruang berdimensi n. Artinya, ketika kita mengalikan vektor dengan matriks ortogonal, hanya orientasinya yang berubah — bukan magnitudo-nya.

Cara lain untuk memahami matriks ortogonal adalah melalui strukturnya. Dalam matriks ortogonal, semua kolom membentuk himpunan vektor ortonormal — setiap kolom berdimensi satu (norma = 1), dan setiap pasangan kolom yang berbeda saling ortogonal (hasil kali titiknya sama dengan nol). Sifat yang sama juga berlaku untuk baris-baris matriks.

Sebagai contoh, agar matriks 2×2 menjadi ortogonal, kolom-kolomnya harus berupa vektor satuan yang saling tegak lurus. Ini menciptakan transformasi geometris kaku yang mempertahankan struktur ruang tempatnya beroperasi, menjadikan matriks ortogonal alat fundamental dalam aplikasi yang membutuhkan integritas geometris.

Sifat-Sifat Matriks Ortogonal

Bertumpu pada definisi dasar, berikutnya kita mengeksplorasi sifat matematis dan komputasional yang membuat matriks ortogonal sangat berharga dalam aplikasi numerik.

Klasifikasi determinan 

Determinan matriks ortogonal selalu bernilai +1 atau -1, yang mengklasifikasikan matriks ini ke dalam dua kategori geometris:

• Saat det(Q) = +1, matriks merepresentasikan rotasi murni
• Saat det(Q) = -1, matriks merepresentasikan refleksi (atau rotasi yang dikombinasikan dengan refleksi)

Keterbatasan determinan ini memastikan bahwa transformasi ortogonal mempertahankan volume, mengubah orientasi ruang alih-alih meregangkan atau memampatkannya.

Sifat pelestarian 

Matriks ortogonal mempertahankan hubungan geometris selama transformasi. 

Untuk setiap matriks ortogonal Q dan vektor u dan v:

• Norma vektor terjaga: ||Qu|| = ||u||
• Hasil kali dalam terpelihara: (Qu) · (Qv) = u · v
• Sudut antar vektor tidak berubah

Pelestarian ini melampaui vektor individual — konfigurasi geometris secara keseluruhan mempertahankan struktur relatifnya di bawah transformasi ortogonal.

Sifat aljabar 

Semua nilai eigen matriks ortogonal memiliki nilai absolut sama dengan 1. Untuk matriks ortogonal real, nilai eigennya adalah 1, -1, atau muncul dalam pasangan konjugat kompleks pada lingkaran satuan. Batasan ini memastikan bahwa transformasi tidak memperkuat atau mengurangi keseluruhan “energi” sistem.

Selain itu, hasil kali dua matriks ortogonal selalu ortogonal, menciptakan sifat tertutup yang membuat matriks-matriks ini tertata baik untuk transformasi kompleks dan algoritma iteratif.

Stabilitas numerik 

Dari sudut pandang komputasional, matriks ortogonal memiliki sifat numerik yang sangat baik. Mereka memiliki bilangan kondisi sebesar 1, sehingga sangat stabil untuk algoritma numerik. Artinya, kesalahan kecil pada input tidak diperbesar selama komputasi, menghasilkan keluaran yang andal dan akurat bahkan dalam perhitungan kompleks. Stabilitas ini menjadi alasan mengapa matriks ortogonal lebih disukai dalam banyak metode numerik dan mengapa algoritme seperti dekomposisi QR sangat bergantung pada transformasi ortogonal.

Sekarang setelah kita memahami definisi dan sifat yang membuat matriks ortogonal istimewa, mari lihat beberapa contoh untuk memahaminya lebih baik.

Contoh Matriks Ortogonal

Memahami matriks ortogonal menjadi lebih jelas saat kita meninjau contoh-contoh matriks.

Matriks identitas

Matriks ortogonal paling dasar adalah matriks identitas, yang tidak mengubah vektor apa pun:

Matriks identitas. Gambar oleh Penulis.

Meski sepele, matriks identitas memenuhi persyaratan mendasar: I^T × I = I, sehingga ortogonal menurut definisi.

Matriks rotasi 2D

Salah satu contoh paling intuitif adalah matriks rotasi 2D yang memutar vektor sebesar sudut θ:

Matriks 2D. Gambar oleh Penulis.

Sebagai contoh, rotasi sebesar 45 derajat (π/4 radian) memberikan:

Matriks hasil rotasi 45 derajat. Gambar oleh Penulis.

Matriks ini memutar vektor apa pun sebesar 45 derajat berlawanan arah jarum jam sambil mempertahankan panjangnya — contoh sempurna transformasi ortogonal yang menjaga sifat-sifat geometris.

Matriks refleksi

Matriks refleksi membalik vektor terhadap sumbu atau bidang tertentu. Refleksi sederhana terhadap sumbu-x adalah:

Contoh matriks refleksi. Gambar oleh Penulis.

Matriks ini mempertahankan koordinat x sementara menegasikan koordinat y, secara efektif mencerminkan vektor terhadap sumbu horizontal.

Transformasi 3D

Ke tiga dimensi, kita dapat membuat matriks rotasi untuk ruang 3D. Rotasi terhadap sumbu-z sebesar sudut θ tampak seperti:

Melakukan transformasi 3D. Gambar oleh Penulis.

Perhatikan bagaimana ini mempertahankan koordinat z sambil memutar komponen x dan y, menunjukkan bagaimana matriks ortogonal dapat mentransformasi dimensi tertentu secara selektif.

Setiap contoh ini menunjukkan prinsip inti matriks ortogonal: mereka mentransformasi vektor sambil mempertahankan sifat geometris esensialnya — panjang tetap tidak berubah, dan sudut antar vektor tetap terjaga.

Aplikasi Praktis Matriks Ortogonal

Matriks ortogonal digunakan secara luas di berbagai domain karena sifat geometris dan numeriknya. 

Beberapa di antaranya meliputi:

• Principal component analysis: PCA memanfaatkan matriks ortogonal untuk mentransformasi data ke sistem koordinat baru di mana varians terbesar berada di sepanjang koordinat pertama. Matriks transformasinya terdiri dari vektor eigen ortogonal yang mempertahankan struktur geometris data sambil mengurangi dimensi.
• Dekomposisi QR: Setiap matriks dapat didekomposisi sebagai A = QR, di mana Q ortogonal dan R segitiga atas. Dekomposisi ini fundamental dalam menyelesaikan sistem linear, masalah kuadrat terkecil, dan komputasi nilai eigen.
• Grafika komputer dan transformasi 3D Matriks ortogonal sangat penting untuk rotasi 3D dalam grafika komputer, robotika, dan visi komputer. Matriks ini memastikan objek mempertahankan bentuk dan ukurannya selama rotasi, mencegah distorsi.
• Pemrosesan sinyal: Discrete Cosine Transform (DCT) dan Discrete Fourier Transform menggunakan matriks ortogonal untuk mentransformasi sinyal antara domain waktu dan frekuensi. Kompresi JPEG sangat bergantung pada DCT, yang menggunakan transformasi ortogonal.
• Komputasi kuantum: Gerbang kuantum direpresentasikan oleh matriks unitary, yaitu generalisasi kompleks dari matriks ortogonal. Transformasi ini mempertahankan amplitudo probabilitas dalam sistem kuantum.

Matriks Ortogonal vs. Ortonormal

Istilah matriks ortogonal dan matriks ortonormal kadang membingungkan, tetapi dalam konteks matriks, yang digunakan hanyalah matriks ortogonal, dan itu sudah menyiratkan ortonormalitas. Kebingungan biasanya muncul saat mencampurkan terminologi himpunan vektor dengan terminologi matriks.

Untuk membedakan keduanya:

• Sebuah himpunan ortogonal terdiri dari vektor-vektor yang saling tegak lurus, tetapi tidak harus berdimensi satu.
• Sebuah himpunan ortonormal terdiri dari vektor-vektor yang saling tegak lurus dan berdimensi satu (yakni ternormalisasi).

Maka timbul pertanyaan: mengapa kita menyebutnya “ortogonal” dan bukan “ortonormal”?

Meskipun kolom-kolom matriks ortogonal secara teknis ortonormal, istilah matriks ortogonal adalah nama baku yang secara historis sudah mapan dalam aljabar linear. Label “matriks ortonormal” bersifat redundan dan jarang, jika pernah, digunakan dalam matematika formal.

Ketika kita mengatakan sebuah matriks ortogonal, kita selalu bermakna bahwa kolom (dan baris)nya ortonormal — saling tegak lurus dan berdimensi satu. Tidak perlu istilah terpisah seperti “matriks ortonormal” dalam konteks ini.

Sekarang setelah kita meluruskan kebingungan penamaan, mari cari tahu cara mengidentifikasi matriks ortogonal.

Cara Mengidentifikasi Matriks Ortogonal

Metode umum untuk memverifikasi apakah sebuah matriks ortogonal adalah dengan memeriksa apakah matriks dikalikan dengan transposenya sama dengan matriks identitas: Q^T Q = I.

Pendekatan ini secara langsung menguji definisi dasar matriks ortogonal dan efisien secara komputasional untuk matriks ukuran berapa pun. Ketika Q^T Q menghasilkan matriks identitas, itu menegaskan bahwa semua kolom ortonormal (berdimensi satu dan saling ortogonal).

Kita dapat menulis fungsi sederhana menggunakan Python untuk melakukan ini:

import numpy as np

def is_orthogonal(Q, tolerance=1e-10):
   """Check if Q^T * Q equals identity matrix"""
   # Matrix must be square
   if Q.shape[0] != Q.shape[1]:
       return False
  
   # Compute Q^T * Q
   QT_Q = np.dot(Q.T, Q)
   identity = np.eye(Q.shape[0])
  
   # Check if result is close to identity matrix
   return np.allclose(QT_Q, identity, atol=tolerance)

Kita dapat menguji fungsi di atas menggunakan beberapa contoh:

# Test a 2D rotation matrix
theta = np.pi/3  # 60 degrees
rotation_matrix = np.array([[np.cos(theta), -np.sin(theta)],
                          [np.sin(theta),  np.cos(theta)]])

print("Rotation matrix:")
print(rotation_matrix)
print("Is orthogonal:", is_orthogonal(rotation_matrix))

# Verify by computing Q^T * Q
QT_Q = np.dot(rotation_matrix.T, rotation_matrix)
print("Q^T * Q =")
print(QT_Q)

Seperti yang diperkirakan, kita melihat keluaran yang memverifikasi matriks ortogonal di bawah ini:

Keluaran untuk matriks ortogonal. Gambar oleh Penulis.

Selain itu, kita juga dapat memverifikasi fungsi menggunakan matriks non-ortogonal di bawah ini:

# Test with a non-orthogonal matrix
non_orthogonal = np.array([[1, 2], [3, 4]])
print("\nNon-orthogonal matrix:")
print(non_orthogonal)
print("Is orthogonal:", is_orthogonal(non_orthogonal))

Keluaran mengonfirmasi hal yang sama:

Keluaran untuk matriks non-ortogonal. Gambar oleh Penulis.

Parameter toleransi memperhitungkan presisi aritmetika floating-point. Dalam praktiknya, matriks yang secara komputasional ortogonal (dalam batas presisi numerik) dapat diterima untuk sebagian besar aplikasi, meskipun tidak sempurna secara matematis karena kesalahan pembulatan.

Kesimpulan

Artikel ini membahas matriks ortogonal, matriks persegi khusus di mana transpose sama dengan invers, beserta sifat-sifatnya yang luar biasa yang membuatnya esensial dalam data science dan komputasi numerik. Kita mempelajari bagaimana matriks ini mempertahankan jarak dan sudut selama transformasi, meninjau penerapannya dalam PCA, dekomposisi QR, grafika komputer, dan pemrosesan sinyal, serta menemukan metode praktis untuk mengidentifikasinya menggunakan implementasi Python.

Untuk memperdalam pengetahuan Anda tentang aljabar linear dan penerapannya dalam data science, pertimbangkan untuk mengikuti kursus Linear Algebra for Data Science kami, di mana Anda akan mengeksplorasi konsep matriks yang lebih lanjut dan implementasinya dalam skenario dunia nyata.