Penjelasan Row Echelon Form: Panduan Transformasi Matriks

Jika Anda mulai mempelajari aljabar linear untuk data science, Anda mungkin sering mendengar istilah "row echelon form".

Row echelon form (REF) adalah bentuk suatu matriks yang membantu dalam menyelesaikan sistem persamaan linear. Dengan mengubah matriks ke bentuk khusus ini, kita dapat menentukan apakah suatu sistem memiliki solusi, menemukan solusi tersebut, dan memahami struktur sistem linear.

Dalam artikel ini, kita akan membahas apa itu row echelon form dan bagaimana perbedaannya dengan reduced row echelon form. Kita juga akan menguraikan proses langkah demi langkah mengubah matriks menggunakan operasi baris elementer, mempelajari cara menyelesaikan sistem linear dengan substitusi balik, serta mengeksplorasi teknik dan konsep lanjutan terkait row echelon form. 

Konsep Kunci di Balik Row Echelon Form

Mari pahami apa itu row echelon form dan konsep kunci di sekitarnya.

Apa itu row echelon form?

Sebuah matriks berada dalam row echelon form jika memenuhi tiga ketentuan berikut:

1. Semua baris yang seluruh elemennya nol berada di bagian bawah matriks
2. Entri utama (elemen tak nol pertama) dari setiap baris tak nol muncul di sebelah kanan entri utama pada baris di atasnya
3. Semua entri pada kolom di bawah entri utama bernilai nol

Ini membentuk pola “tangga” di mana entri utama (disebut pivot) menurun dari kiri ke kanan. 

Sebagai contoh, matriks berikut berada dalam row echelon form:

Row echelon form. (Gambar oleh Penulis)

Seperti terlihat di atas, pivot (2, 1, dan 3) membentuk pola tangga, dengan nol mengisi ruang di bawah setiap pivot. Struktur ini memudahkan penyelesaian sistem melalui substitusi balik (yang akan kita bahas nanti).

Reduced row echelon form (RREF)

Reduced row echelon form melanjutkan konsep ini dengan menambahkan dua persyaratan tambahan:

1. Setiap entri utama harus bernilai 1
2. Setiap 1 utama adalah satu-satunya entri tak nol pada kolomnya

Berikut sistem yang sama seperti di atas setelah diubah ke RREF:

Reduced row-echelon form. (Gambar oleh Penulis)

Meskipun sebuah sistem dapat memiliki banyak row echelon form, reduced row echelon form bersifat unik. 

Keunikan ini membuat RREF berguna untuk mengidentifikasi struktur himpunan solusi, tetapi langkah komputasi tambahan untuk mencapai RREF berarti row echelon form biasa yang dikombinasikan dengan substitusi balik sering kali lebih efisien untuk menyelesaikan sistem.

Operasi baris elementer untuk membentuk row echelon form

Ada tiga jenis operasi baris elementer yang mempertahankan himpunan solusi saat mentransformasi matriks.

Pertukaran baris

Pertukaran baris menukar dua baris, berguna ketika kita perlu menempatkan elemen tak nol sebagai pivot:

R₁ ↔ R₂

Skalasi baris

Skalasi baris mengalikan semua elemen dalam suatu baris dengan konstanta tak nol, membantu menormalkan nilai pivot:

R₁ → cR₁ (where c ≠ 0)

Penjumlahan baris

Penjumlahan baris mengganti satu baris dengan jumlah baris itu sendiri dan kelipatan dari baris lain, berguna saat membuat nol di bawah pivot:

R₂ → R₂ + cR₁

Operasi-operasi ini menjadi blok penyusun Gaussian elimination, algoritma yang memungkinkan kita secara sistematis mengubah matriks apa pun menjadi row echelon form sambil mempertahankan himpunan solusi yang sama.

Cara Mengubah Matriks ke Row Echelon Form

Mari kita kerjakan contoh secara bertahap, di mana kita terlebih dahulu mengambil sistem linear dan mereduksinya ke row echelon form.

Pertimbangkan sistem berikut:

Sistem persamaan linear. (Gambar oleh Penulis)

Langkah 1: Tulis matriks augmentasi

Pertama, kita membuat matriks augmentasi dengan menggabungkan matriks koefisien dengan konstanta:

Membuat matriks augmentasi (Gambar oleh Penulis)

Langkah 2: Buat pivot pertama

Kita ingin elemen kiri-atas menjadi pivot pertama. Meskipun kita bisa menggunakan 2, menukar baris untuk mendapatkan 1 sebagai pivot akan menyederhanakan perhitungan:

R₁ ↔ R₂

Membuat pivot pertama (Gambar oleh Penulis)

Langkah 3: Eliminasi di bawah pivot pertama

Sekarang kita membuat nol di bawah pivot pertama dengan mengurangkan kelipatan yang sesuai dari baris 1:

R₂ → R₂ - 2R₁
R₃ → R₃ - 3R₁

Eliminasi di bawah pivot pertama. (Gambar oleh Penulis)

Langkah 4: Buat pivot kedua

Beranjak ke kolom kedua, kita bisa menyederhanakan dengan menskalakan baris 2:

R₂ → -½R₂

Membuat pivot kedua. (Gambar oleh Penulis)

Langkah 5: Eliminasi di bawah pivot kedua

Buat nol di bawah pivot kedua:

R₃ → R₃ + 7R₂

Eliminasi di bawah pivot kedua. (Gambar oleh Penulis)

Matriks sekarang berada dalam row echelon form! Kita dapat mengidentifikasinya dengan memeriksa tiga kriteria kita:

• Tidak ada baris seluruhnya nol (atau jika ada, berada di bagian bawah)
• Pivot membentuk tangga: posisi (1,1), (2,2), dan (3,3)
• Semua entri di bawah setiap pivot adalah nol

Menyelesaikan Sistem Linear Menggunakan Row Echelon Form

Setelah matriks berada dalam row echelon form, kita dapat mengekstrak solusi menggunakan substitusi balik atau menganalisis sifat sistem melalui rank-nya.

Row echelon form untuk menyelesaikan persamaan linear

Dengan matriks kita dalam row echelon form, pendekatan substitusi balik dapat membantu menemukan nilai variabel mulai dari baris terbawah dan bergerak ke atas. 

Menggunakan contoh di atas:

Row-echelon form (Gambar oleh Penulis)

Dari matriks augmentasi, kita dapat menuliskan sistem ekuivalen:

• x + 3y + z = 11
• y + 2z = 4
• 12z = 6

Mulai dari bawah: 

• z = 6/12 = 1/2

Substitusikan ke persamaan kedua: 

• y + 2(1/2) = 4, sehingga y = 3

Terakhir, substitusikan kedua nilai tersebut: 

• x + 3(3) + 1/2 = 11, menghasilkan x = 3/2

Untuk sistem yang kurang terdefinisi (ketika jumlah variabel lebih besar daripada jumlah persamaan), row echelon form menyingkap variabel bebas.

Mari lihat contoh lainnya:

Row echelon form untuk sistem kurang terdefinisi. (Gambar oleh Penulis)

Di sini, y adalah variabel bebas (tidak ada pivot di kolom 2), menghasilkan solusi parametrik:

• z = -1–2w
• x = 5–2y + z — 3w = 5–2y — 1–5w = 4–2y — 5w

Solusi ini dapat dipahami sebagai membentuk sebuah bidang dalam ruang 4D, diparameterkan oleh y dan w.

Row echelon form untuk menemukan rank

Rank suatu matriks sama dengan jumlah baris tak nol dalam row echelon form-nya, yang sesuai dengan jumlah pivot. 

Ini membantu kita memahami ruang solusi:

• Jika rank matriks koefisien A sama dengan rank matriks augmentasi [A∣b], dan keduanya sama dengan jumlah variabel n, maka sistem memiliki solusi tunggal.
• Jika rank sama tetapi lebih kecil daripada jumlah variabel, terdapat tak hingga banyak solusi karena adanya variabel bebas.
• Jika rank A lebih kecil daripada rank [A∣b], sistem tidak konsisten dan tidak memiliki solusi.

Pendekatan menggunakan row echelon form ini memungkinkan kita memahami perilaku suatu sistem sebelum menyelesaikannya.

Topik Lanjutan: Stabilitas Numerik dan Pivoting

Jika Anda tertarik pada topik yang lebih lanjut terkait REF, bagian ini membahas berbagai teknik pivoting yang digunakan saat mentransformasi matriks.

Saat mencapai row echelon form secara komputasional, pemilihan pivot sangat memengaruhi akurasi numerik. 

Mari pahami ini dengan sebuah contoh:

Contoh stabilitas numerik. (Gambar oleh Penulis)

Tanpa pivoting, kita dapat membagi baris kedua dengan 0,0001 untuk menghilangkan pivot yang sangat kecil:

R₂ → R₂ — (1/0.0001)R₁ = R₂ — 10,000R₁

Perkalian dengan 10.000 ini memperbesar kesalahan pembulatan, sehingga berpotensi merusak akurasi solusi kita. 

Namun, jika kita menukar baris terlebih dahulu, matriks menjadi:

Contoh stabilitas numerik. (Gambar oleh Penulis)

Sekarang kita hanya perlu R₂ → R₂ — 0,0001R₁, operasi yang jauh lebih stabil dan menjaga akurasi numerik. Gagasan ini menjadi dasar partial pivoting, yang banyak digunakan dalam perangkat lunak numerik.

Partial pivoting 

Partial pivoting memilih entri dengan nilai absolut terbesar di kolom saat ini (mulai dari baris saat ini ke bawah) dan menukar baris untuk menempatkan nilai tersebut pada posisi pivot.

Pada contoh di bawah, saat memproses kolom 2:

Contoh partial pivoting. (Gambar oleh Penulis)

Partial pivoting akan menukar baris 2 dan 3 untuk menjadikan -0,5 sebagai pivot, karena |−0,5| > |0,1|. Strategi ini meningkatkan stabilitas dan telah menjadi standar di pustaka numerik seperti NumPy, SciPy, dan MATLAB.

Scaled partial pivoting

Scaled partial pivoting menambahkan satu langkah ekstra di mana setiap entri kandidat dibagi dengan nilai absolut terbesar pada barisnya sebelum memilih pivot.

“Faktor skala” ini memperhitungkan besaran entri di setiap baris, sehingga menghindari bias terhadap baris dengan nilai yang secara alami besar.

Complete pivoting

Dalam complete pivoting, baik baris maupun kolom dipertukarkan untuk memastikan pivot adalah nilai absolut terbesar di submatriks yang tersisa (bukan hanya kolomnya).

Meskipun menghasilkan proses eliminasi yang paling stabil secara numerik, hal ini datang dengan biaya beban komputasi yang meningkat. Karena itu jarang digunakan dalam praktik kecuali jika presisi ekstrem diperlukan, seperti dalam komputasi simbolik atau simulasi ilmiah bernilai tinggi.

Row Echelon Form vs. Reduced Row Echelon Form

Seperti yang telah kita pelajari, kedua bentuk ini berguna dalam aljabar linear, namun kita juga perlu tahu kapan menggunakan masing-masing bentuk.

Tabel di bawah merangkum perbedaan antara kedua bentuk:

Row echelon form paling cocok saat kita perlu menyelesaikan sistem dengan cepat, terutama untuk matriks besar di mana operasi tambahan untuk RREF akan mahal. Ini adalah bentuk yang disukai untuk algoritma numerik seperti dekomposisi LU.

Reduced row echelon form lebih unggul untuk keperluan riset dan teoretis, ketika kita perlu langsung memahami struktur fundamental dari suatu transformasi linear, menemukan basis untuk ruang baris dan kolom, atau mengidentifikasi kemandirian linear vektor. Representasi yang unik menjadikannya ideal untuk analisis teoretis dan pembuktian teorema otomatis.

Kesimpulan

Dalam artikel ini, kita mempelajari bagaimana operasi baris elementer dapat mentransformasi matriks sambil mempertahankan solusi, dan memahami perbedaan antara REF dan RREF. Selain itu, kita mempelajari beberapa strategi pivoting lanjutan dan variasi REF yang berguna dalam skenario khusus.

Untuk memperdalam pemahaman Anda tentang aljabar linear dan penerapannya dalam data science, pertimbangkan untuk mendaftar ke Linear Algebra for Data Science kami, di mana Anda akan menyelami berbagai konsep dan teknik lain dalam aljabar linear beserta operasi matriks yang esensial.