8.

1 Transformasi Linier Umum

Bukan lagi transformasi Rn Rm,
tetapi transformasi linier dari
ruang vektor V vektor W.

Definisi
Jika T: VW adalah suatu fungsi dari suatu ruang vektor V ke ruang
vektor W, maka T disebut tranformasi linier dari V ke W jika untuk
semua vektor u dan v pada V dan semua skalar c:
T (u+v) = T (u) + T (v)
T (cu) = cT (u)

Transformasi Linier

Pada kasus khusus dimana V=W, transformasi linierT:VV

disebut operator linier V.

Transformasi Nol
Pemetaan T:VW , disebut transformasi nol jika ,

T (u+v) = 0 T (u) = 0, T (v) = 0

dan T (k u) = 0

Dengan demikian,

T (u+v) =T (u) +T (v) dan T (k u) = kT (u)

Operator Identitas

Pemetaan I: VV yang didefinisikan oleh

I (v) = v disebut operator identitas pada V.

Dilation and Contraction operators

Jika V sebarang vektor dan k sebarang skalar, maka fungsi
T:V V yang didefinisikan oleh
T (v) = k v operator linier pada V
Dilation/Pelebaran V : k > 1
Contraction/ Penyempitan V: 0 < k < 1

Proyeksi Orthogonal
Jika W adalah sub ruang berdimensi terhingga dari
suatu ruang hasil kali dalam V, maka proyeksi orthogonal
dari V pada W adalah transformasi yang didefinisikan
oleh:

T (v ) = projwv

Proyeksi Orthogonal
T (v ) = projwv
Jika S = {w1, w2, , wr} sebarang basis ortonormal untuk W,
maka T (v ) :

T (v ) = projwv = <v,w1>w1 + <v,w2>w2 ++<v,wr>wr

Bukti bahwa T adalah suatu transformasi linier diperoleh dari sifatsifat hasil kali dalam, sbb:
T (u+v) = <u+v, w1>w1 + <u+v, w2>w2 + +<u+v, wr> wr
= <u, w1>w1 + <u, w2>w2 + + <u, wr>wr
+ <v, w1>w1 + <v, w2>w2 + + <v, wr>wr
= T (u) + T (v)
Dengan cara yang sama:
T (ku) = kT (u)

Computing an Orthogonal Projection

Anggap V = R3 memiliki hasil kali dalam Euclidean.

Vektor w1 = (1,0,0) dan w2 = (0,1,0) membentuk basis
ortonormal bidang xy. Jika v = (x,y,z) adalah sebarang vektor
R3 , proyeksi ortogonal dari R3 pada bidang xy adalah:
T (v ) = <v, w1>w1 + <v, w2>w2

= x (1, 0, 0) + y (0, 1, 0)
= ( x, y, 0 )

Proyeksi Ortogonal R3 pada bidang xy

Transformasi Linier Ruang Vektor V to Rn

Jika S = {w1 , w2 , , wn } adalah suatu basis untuk suatu
ruang vektor V, dan
(v)s = (k1, k2, , kn )
adalah vektor koordinat relatif terhadap S dari suatu vektor
v dalam V sehingga;
v = k1 w + k2 w2 + + kn wn

Definisikan T: VRn sebagai fungsi yang memetakan v pada

vektor koordinat relatif terhadap S; yaitu,
T (v) = (v)s = (k1, k2, , kn )

Transformasi Linier Ruang Vektor V to Rn

Fungsi T adalah suatu transformasi linier, dimana:
u = c1 w1+ c2 w2+ + cn wn
dan
v = d1 w1+ d2 w2+ + dn wn
Jadi
(u)s = (c1, c2, , cn ) dan (v)s = (d1, d2, , dn )
Tapi;
u+v = (c1+d1) w1+ (c2+d2) w2++ (cn+dn) wn
k u = (kc1) w1 +(kc2) w2 ++ (kcn) wn
Sehingga;
(u+v)s = (c1+d1, c2+d2 , cn+dn )
(k u)s = (kc1, kc2, , kcn )

Dengan demikian;
(u+v)s = (u)s + (v)s dan (k u)s = k (u)s

Transformasi Linier Ruang Vektor V to Rn

Dengan demikian;
(u+v)s = (u)s + (v)s dan (k u)s = k (u)s
Jika persamaan dalam bentuk T, maka:

T (u+v) = T (u) + T (v) and T (k u) = kT (u)

Yang menunjukkan bahwa T adalah suatu transformasi linier.
REMARK. Penulisan dalam bentuk matriks:
[u+v] = [u]s +[v]s and [k u]s = k [u]s

Contoh : Transformasi linier pn ke pn+1

Jika p = p(x) = C0 X + C1X2 + + CnX n+1 adalah polinom dalam
Pn , maka fungsi T: Pn Pn+1 :
T (p) = T (p(x)) = xp(x)= C0 X + C1X2 + + CnX

n+1

Fungsi T adalah suatu transformasi linier, dimana untuk

skalar k dan sebarang polinom p1 dan p2 dalam Pn
T (p1+p2) = T (p1(x) + p2 (x)) = x (p1(x)+p2 (x))
= x p1 (x) + x p2 (x) = T (p1) +T (p2)
dan
T (k p) = T (k p(x)) = x (k p(x))= k (x p(x))= k T(p)

Operator Linier dalam Pn

Jika p = p(x) = c0 X + c1X2 + + cnX n+1 adalah polinom
dalam Pn , dan anggap a dan b
sebarang skalar. Fungsi T didefinisikan sbb:
T (p) = T(p(x)) = p (ax+b) = c0 + c1 (ax+b) + + cn(ax+b)

adalah suatu operator linier.

Contoh, jika ax+b = 3x 5, maka T: P2 P2 akan menjadi

operator linier sbb:
T (c0 + c1x+ c2 x2 ) = c0 + c1 (3x-5) + c2 (3x-5) 2

A Linear Transformation Using an Inner Product

Jika V adalah suatu hasil kali dalam dan v0 adalah sebarang
vektor tetap pada V.
Anggap T:VR adalah transformasi yang memetakan suatu
vektor v ke hasil kali dalamnya dengan v0 ;
yaitu,
T (v) = <v, v0>
Dari sifat-sifat suatu hasil kali dalam:
T (u+v) = <u+v, v0>= <u, v0> + <v, v0>
dan
T (k u) = <k u, v0 > = k <u, v0 > = kT (u)
Sehingga T adalah suatu transformasi linear..

Sifat-sifat Transformasi Linear

Jika T:VW adalah suatu transformasi linear, maka untuk
sebarang vektor v1 dan v2 dalam V dan sebarang skalars c1 dan
c2 , kita dapatkan:
T (c1 v1 + c2 v2) = T (c1 v1 ) + T (c2 v2) = c1T (v1 ) + c2T (v2)
Dan secara lebih umum v1 , v2 , , vn adalah vektor-vektor pada
V dan c1 , c2 , , cn adalah skalar, maka:
T (c1 v1 + c2 v2 ++ cn vn ) = c1T (v1 ) + c2T ( v2 ) ++ cnT ( vn )

1)

transformasi linear mempertahankan kombinasi linear.

1)

Tiga Sifat Dasar Transformasi Linear

Theorem 8.1.1
Jika T:VW adalah suatu transformasi linear, maka:
(a) T (0) = 0
(b) T (-v ) = -T (v ) untuk semua v dalam V
(c) T (v-w ) = T (v ) - T (w) untuk semua v dan w dalam V
Proof.
(a) Let v be any vector in V. Since v=0, we have
T (0)=T (0v)=0T (v)=0
(b) T (-v) = T ((-1)v) = (-1)T (v)=-T (v)
(c) v-w=v+(-1)w; thus,
T (v-w)= T (v + (-1)w) = T (v) + (-1)T (w)
= T (v) -T (w)

Mencari Transformasi Linear dari Bayangan

Vektor Basis
Jika T:VW adalah suatu transformasi linear dan
{v1 , v2 , , vn } adalah sebarang basis untuk V,
maka bayangan T (v) dari sebarang vektor v pada V dapat
dihitung dari bayangan:
T (v1), T (v2), , T (vn)
dari vektor-vektor basis.
Nyatakan v sebagai kombinasi linear dari vektor-vektor basis;
v = c1 v1+ c2 v2+ + cn vn
Gunakan rumus (1) untuk menulis:
T (v) = c1 T (v1) + c2 T (v2) + + cn T (vn)
Suatu transformasi linear secara lengkap ditentukan oleh
bayangan sebarang vektor-vektor basis.
T (c1 v1 + c2 v2 ++ cn vn ) = c1T (v1 ) + c2T ( v2 ) ++ cnT ( vn )

Computing with Images of Basis Vectors

Contoh:

Tinjau basis S = {v1 , v2 , v3 } untuk R3 , dimana v1 = (1,1,1),

v2 =(1,1,0), dan v3 = (1,0,0).
Anggap T: R3 R2 adalah transformasi linear sedemikian
sehingga:
T (v1)=(1,0), T (v2)=(2,-1), T (v3)=(4,3)
Carilah rumus untuk T (x1 , x2 , x3 ); kemudian gunakan
untuk menghitung T (2,-3,5).

Computing with Images of Basis Vectors

Jawab:
Nyatakan x = (x1 , x2 , x3 ) sebagai kombinasi linear
v1 =(1,1,1), v2 =(1,1,0), and v3 = (1,0,0).
(x1 , x2 , x3 ) = c1 (1,1,1) + c2 (1,1,0) + c3 (1,0,0)
Dengan menyamakan komponen yang bersepadanan:
c1 + c2 + c3 = x1
c1 + c2
= x2
c1
= x3

c1 = x3 , c2 = x2 - x3 , c3 = x1 - x2

 c1 = x3 , c2 = x2 - x3 , c3 = x1 - x2 , sehingga
Kombinasi Liner:
(x1 , x2 , x3 ) = x3 (1,1,1) + (x2 - x3 ) (1,1,0) + (x1 - x2 ) (1,0,0)
= x3 v1 + (x2 - x3 ) v2 + (x1 - x2 ) v3

Jadi transformasi linear:

T (x1 , x2 , x3 ) = x3 T (v1) + (x2 - x3 ) T (v2) + (x1 - x2 ) T (v3)
= x3 (1,0) + (x2 - x3 ) (2,-1) + (x1 - x2 ) (4,3)
= (4x1 -2x2 -x3 , 3x1 - 4x2 +x3)
Dari rumus ini kita dapatkan
T (2 , -3 , 5 ) =(9,23)

Komposisi T2 dengan T1
Jika T1 :UV dan T2 :VW adalah transformasi linear,
komposisi T2 dan T1 , dinotasikan T2 oT1 (bacaT2 circle
T1 ), adalah fungsi yang didefinisikan oleh rumus
(T2 oT1 )(u) = T2 (T1 (u))
dimana u adalah vektor dalam U

(2)

Theorem 8.1.2
Jika T1 :UV dan T2 :VW adalah transformasi linear
maka (T2 o T1 ):UW juga merupakan transformasi linear.

Proof. If u and v are vectors in U and c is a scalar, then it follows from (2) and the linearity of T 1 andT2 that
(T2 oT1 )(u+v) = T2 (T1(u+v)) = T2 (T1(u)+T1 (v))
= T2 (T1(u)) + T2 (T1(v))
= (T2 oT1 )(u) + (T2 oT1 )(v)
and
(T2 oT1 )(c u) = T2 (T1 (c u)) = T2 (cT1(u))
= cT2 (T1 (u)) = c (T2 oT1 )(u)
Thus, T2 oT1 satisfies the two requirements of a linear transformation.

Composition with the Identify Operator

Jika T:VV adalah sebarang operator linear dan jika I:VV
adalah operator identitas, maka untuk semua vektor v pada
V kita dapatkan:
(T o I )(v) = T (I (v)) = T (v)
(I oT )(v) = I (T (v)) = T (v)
Kita dapatkan bahwa T o I dan I oT sama dengan T ;
T o I =T and I oT = T
(3)

Contoh

T3 o T2 oT1
Dapat disimpulkan bahwa komposisi bisa didefinisikan
untuk lebih dari dua transformasi linear. Misalnya:
T1 : U V and T2 : V W ,dan T3 : W Y
adalah transformasi linear, maka komposisi T3 o T2 oT1
didefinisikan oleh:
(4)

Contoh
Anggap T1 : P1 P1 dan T2 : P2 P2 adalah transformasi
linear yang diberikan oleh rumus
T1(p(x)) = xp(x) dan T2 (p(x)) = p (2x+4)
Komposisi (T2 T1 ): P1 P2 diberikan oleh rumus:

(T2 T1 )(p(x)) = (T2)(T1(p(x))) = T2 (xp(x)) = (2x+4)p (2x+4)

8.2 Kernel And Range

Definisi
ker(T ): the kernel of T
Jika T:V W adalah suatu transformasi linear, maka

himpunan vektor pada V yang dipetakan T ke 0

disebut kernel dari T

R (T ): the range of T
Jika T:V W adalah suatu transformasi linear maka

himpunan semua vektor pada W yang merupakan

bayangan dibawah T yang paling tidak merupakan satu
vektor pada V disebut daerah hasil dari T
dinyatakan R(T).

Kernel and Range of a Matrix Transformation

Jika TA :Rn Rm adalah perkalian matriks A,

mn, maka
the kernel of TA nullspace of A

the range of TA column space of A

Kernel and Range of the Zero Transformation

T:VW adalah transformasi nol. Karena T
memetakan setiap vektor pada V ke 0 ker(T ) = V.
Anggap

Apabila 0 adalah satu-satunya bayangan di bawah T dari

vektor-vektor pada V, R (T ) = {0}.

Kernel and Range of the Identity Operator

Jika I:VV adalah operator identitas.
Dimana I (v) = v untuk semua vektor pada V, setiap
vektor pada V adalah bayangan dari suatu vektor, yaitu
vektor itu sendiri,
R(I ) = V.
Karena satu-satunya vektor yang dipetakan I
adalah 0,
ker(I ) = {0}.

ke 0

Theorem 8.2.1
Jika T:VW adalah suatu transformasi linear , maka

(a) The kernel of T is a subspace of V.

(b) The range of T is a subspace of W.
Proof (a).
Let v1 and v2 be vectors in ker(T ), and let k be any
scalar. Then
T (v1 + v2) = T (v1) + T (v2) = 0+0 = 0
so that v1 + v2 is in ker(T ).
Also,
T (k v1) = kT (v1) = k 0 = 0
so that k v1 is in ker(T ).

Proof (b).
Let w1 and w2 be vectors in the range of T ,
and let k be any scalar. There are vectors a1
and a2 in V such that T (a1) = w1 and T(a2) = w2 .
Let a = a1 + a2 and b = k a1 .
Then
T (a) = T (a1 + a2) = T (a1) + T (a2) = w1 + w2
and
T (b) = T (k a1) = kT (a1) = k w1

Peringkat dan Kekosongan Transformasi Linear

rank (T): peringkat T

Jika T:VW adalah suatu transformasi linear,
maka dimensi daerah hasil dari T disebut
peringkat dari T rank(T).

nullity (T): the nullity of T

Dimensi kernel disebut kekosongan dari T
nullity (T).

Theorem 8.2.2
Jika A adalah suatu matriks mxn dan TA :Rn Rm
adalah perkalian dengan A, maka

nullity (TA ) = nullity (A )

rank (TA ) = rank (A )

Teorema Dimensi untuk Transformasi Linear

Theorem 8.2.3
Jika T:VW adalah suatu transformasi linear dari

suatu ruang vektor V berdimensi n ke suatu ruang

vektor W, maka
rank (T ) + nullity (T ) = n

Transformasi linear peringkat ditambah kekosongan

sama dengan dimensi daerah asal.

Contoh
Jika TA :R6 R4 dikalikan oleh

1
A=

7 2

5 2

9 2

Cari peringkat dan kekosongan TA

Cari peringkat dan kekosongan dari matriks A sbb:

Bentuk baris-eselon tereduksi A:

Ada 2 baris tak-nol atau ada dua utama 1,
maka;
Ruang baris dan ruang kolom berdimensi 2,
sehingga
rank(A) = 2

Untuk mencari kekosongan dari A, cari dimensi ruang penyelesaian

dari sistem liner homogen Ax = 0

Ruang Null
Empat vektor membentuk suatu basis untuk
ruang penyelesaian, sehingga;
kekosongan(A) = 4

rank(A) = 2

rank(TA) =2

kekosongan(A) = 4

kekosongan (TA) = 4

rank (T): peringkat T

Jika T:VW adalah suatu transformasi linear,
maka dimensi daerah hasil dari T disebut
peringkat dari T rank(T).

nullity (T): the nullity of T

Dimensi kernel disebut kekosongan dari T
nullity (T).

Jika A adakah suatu matriks mxn dan TA :Rn Rm

adalah perkalian dengan A, maka

nullity (TA ) = nullity (A ) Kernel TA

rank (TA ) = rank (A ) rank TA