i

MATEMATIKA TEKNIK 1

“Transformasi Linear”

(Pertemuan Ke – 12)

Disusun oleh :
Kelas 2IC05
Kelompok 2
1. Abdul Hamid Fadillah (20418026)
2. Ardiansyah Yudha Pratama (21418017)
3. Rifan Aldhiansyah (26418131)

JURUSAN TEKNIK MESIN

FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS GUNADARMA
KALIMALANG
2020

i
 ii

KATA PENGANTAR

Puji syukur kami ucapkan kehadirat Allah SWT, karena dengan

rahmat dan ridho-Nya kami masih diberikan kesempatan untuk bekerja
sama dalam menyelesaikan makalah ini. Dimana makalah ini merupakan
salah satu tugas
mata kuliah Matematika Teknik 1, yaitu “Transformasi Linier”. Tidak
lupa kami ucapkan terimakasih kepada Dosen Pembimbing dan teman-
teman yang telah memberikan dukungan dalam menyelesaikan makalah ini.
Kami menyadari bahwa dalam penulisan makalah ini masih banyak
kekurangan. Oleh karena itu kami sangat mengharapkan kritik dan saran
yang membangun. Dan semoga makalah ini dapat bermanfaat bagi pembaca
dan teman-teman. Amin-amin yarobbal alamin...

Penulis

ii
 iii

DAFTAR ISI

HALAMAN JUDUL ........................................................................................ i

KATA PENGANTAR ...................................................................................... ii
DAFTAR ISI .................................................................................................... iii
BAB I PENDAHULUAN ........................................................................... 1
A. Latar Belakang ............................................................................ 1
B. Rumusan Masalah ....................................................................... 1
C. Tujuan .......................................................................................... 1
BAB II PEMBAHASAN .............................................................................. 2
A. Ruang Peta dan Ruang Nol ........................................................ 2
B. Produk Transformasi ................................................................. 9
C. Transformasi Linier dari Rn ke Rm Geometri
Transformasi Linier dari R2 ke R2 ............................................ 14
D. Matriks Transformasi Linier ...................................................... 16
E. Keserupaan ................................................................................. 17
BAB III PENUTUP ........................................................................................ 20
A. Kesimpulan ................................................................................ 20
B. Saran ........................................................................................... 21

iii
 BAB I
PENDAHULUAN

A. Latar Belakang
Matematika merupakan ilmu dasar yang menjadi tolak ukur bagi
perkembangan ilmu pengetahuan serta teknologi. Matematika dapat
memberikan kemampuan berpikir logis dalam memecahkan masalah yang
rumit. Komputer merupakan serangkaian intruksi-intruksi yang berjalan
dengan metode matematika. Maka dari itu, harus mampu menguasai seluruh
materi. Karena, hal itu adalah modal utama dalam penguasan ilmu
pengetahuan dan teknologi untuk menghadapi persaingan global.
Salah satu materi yang harus benar-benar anak didik kuasai adalah materi
aljabar, materi ini banyak diterapkan pada kehidupan sehari-hari.

B. Rumusan Masalah
1. Menjabarkan tentang apa itu transformasi linier?

C. Tujuan Masalah
Diharapkan pembaca khususnya minimal mengetahui tentang apa itu
transformasi linier atau lebih bagus lagi jika memahami tentang transformasi
linier itu sendiri

1
 2

BAB II
PEMBAHASAN

A. RUANG PETA DAN RUANG NOL

T : Rn → Rm suatu transformasi linier, belum tentu semua vektor di Rm
menjadi peta dari vektor di Rn.
Contoh :
T : R2 → R3 dimana T[x1,x2] = [x2,0,x1].
Maka vektor [1,1,1] є R3 bukan peta dari vektor manapun di R2. Kalau
terjadi demikian, kita katakan transformasi tersebut tidak onto.
 DEFINISI
T : Rn → Rm suatu transformasi linier, maka Im(T) = {w | w = T(v), v є
Rn}, suatu himpunan bagian dari Rm, disebut RUANG PETA (IMAGE) dari
transformasi linier T. Ternyata bahwa Im(T) adalah suatu ruang vektor bagian
dari Rm.
 Catatan 1 :
Dapat terjadi bahwa 2 vektor atau lebih mempunyai peta yang sama. Bila terjadi
demikian, kita katakan bahwa transformasi tersebut “tidak satu-satu” (one-one).
Contoh :
T : R2 → R2 dimana T[x1, x2] = [x1+2x2, 2x1+4x2], terlihat bahwa :
T[0, 0] = [0, 0]
T[2,-1] = [0, 0]
T[-8, 4] = [0, 0]
dan lain-lain vektor lagi yang mempunyai peta [0, 0]. Jadi T tidak one-one.

B. PRODUK TRANSFORMASI
Pandang 2 buah transformasi linier :

T : Vn → Wr

S : Wr → Um

2
 3

dengan matriks transformasi berturut-turut A Dan B.

(dimensi Vn = n, dimensi Wr = r, dimensi Um = m)

Setiap vektor v є Vn oleh transformasi T dipetakan menjadi w = Av, kemudian

hasilnya w є Wr oleh
T transformasiT S dipetakan menjadi u = Bw = B(Av) =
(BA)v.

v є Vn → w є Wr → u є Um

ST

v → u dapat dipandang sebagai suatu transformasi baru ST, dengan matriks

transformasi BA.

ST disebut produk transformasi dari S dan T.

 Contoh :

T : R3 → R3 dengan T[x1,x2, x3] = [2x2+x3, 3x1+x2+x3, x2] dan

S : R3 → R3 dengan S[x1, x2, x3] = [2x1+x2+x3, x1+x3, 2x1+x2+2x3]

Maka produk transformasi ST mempunyai rumus :

(ST) [x1, x2, x3] = S(T[x1, x2, x3]) = S[2x2+x3, 3x1+x2+x3, x2] =
[2(2x2+x3)+1(3x1+x2+x3)+1(x2), 1(2x2+x3)+1(x2),
2(2x2+x3)+1(3x1+x2+x3)+2(x2)]=

[3x1+6x2+3x3, 3x2+x3, 3x1+7x2+3x3] dan matriks transformasinya :

3 6 3

[ST]ee = 0 3 1

3 7 3

2 1 1

Jelas [S]ee = B =
1 0 1

2 1 2
3
 4

0 2 1

[T]ee = A = 3 1 1

0 1 0

dan [ST]ee = [S]ee[T]ee = BA.

Peta dari vektor v = [1, 0, 2] adalah ST[1, 0, 2] = [9, 2, 9]

C. Pengantar Transformasi Linier

Di dalam bagian ini kita mulai mempelajari fungsi bernilai vector dari
sebuah variable vector. Yakni, fungsi yang berbentuk w = F(v), dimana
variable bebas v dan variable tak bebas w kedua-duanya adalah vector. Kita
akan memusatkan perhatian pada kelompok khusus fungsi vector yang
dinamakan transformasi linier. Kelompok fungsi ini mempunyai banyak
pemakaian penting di dalam fisika, ilmu sosial, dan berbagai cabang
matematika.
Jika V dan W adalah ruang vektor dan F adalah sebuah fungsi yang
mengasosiasikan sebuah vektor yang unik di dalam W dengan sebuah vektor
di dalam V, maka kita mengatakan F memetakan V ke dalam W, dan kita
menuliskan F : V W. Lebih lanjut lagi, jika F mengasosiasikan vektor w
dengan vektor v, maka kita menuliskan w = F(v) dan kita mengatakan bahwa
w adalah bayangan dari v di bawah F.
Untuk melukiskannya, maka jika v = (x,y) adalah sebuah vektor di dalam
R2 , maka rumus :
F(v) = ( x , x + y , x - y )

Mendefinisikan sebuah fungsi yang memetakan R2 ke dalam R3 .

4
 5

Khususnya, jika v = (1,1) , maka x = 1 dan y = 1 , sehingga bayangan

dari v di bawah F adalah F(v) = (1, 2, 0).

Definisi.
Jika F : V W adalah sebuah fungsi dari ruang vektor V ke dalam
ruang vektor W, maka F dinamakan transformasi linear jika :
1. F(u + v) = F(u) + F(v) untuk semua vektor u dan v di dalam V.
2. F(ku) = k F(u) untuk semua vektor u di dalam V dan semua skalar k.
Untuk melukiskannya, misalkan F : R2 R3 adalah fungsi yang
didefinisikan oleh;
Jika u = ( x1 , y1 ) dan v = ( x2 , y2 ), maka u + v = ( x1 + x2 , y1 + y2
), sehingga :
F(u + v) = (x1 +x2 , [x1 + x2] + [y1 + y2], [x1 + x2] - [y1 + y2])
= ( x1 , x1 + y1 , x1 - y1 ) + ( x2 , x2 + y2 ,x2 - y2)
F(u + v) = F(u) + F(v)
Juga , jika k adalah sebuah skalar , k u = (kx1 , ky1 ), sehingga
F(k u) = (kx1 , kx1 +ky1 , kx1 - ky1)
= k (x1 , x1 +y1 ,x1 - y1)
= k F(u)
Jadi F adalah sebuah transformasi linear.
Jika F : V W adalah sebuah transformasi linear, maka untuk sebarang
v1 dan v2 di dalam V dan sebarang k1 dan k2 , kita memperoleh :

F(k1 v1 + k2 v2) = F(k1 v1) + F(k2 v2) = k1 F(v1) + k2 F(v2)

Demikian juga, jika v1 , v2 , … , vn adalah vektor-vektor di dalam V dan

k1 , k2 , … , kn adalah skalar, maka :

F(k1 v1 + k2 v2 + … + kn vn) = k1 F(v1) + k2 F(v2) + … + kn F(vn)

 Contoh 1 :

5
 6

Misalkan A adalah sebuah matriks m x n yang tetap. Jika kita

menggunakan notasi matriks untuk vektor di dalam Rm dan Rn , maka
kita dapat mendefinisikan sebuah fungsi T: Rn Rm dengan :

T(x) = A x

Perhatikan jika bahwa x adalah sebuah matriks n x 1 , maka hasil kali A x adalah
matriks m x 1 ; jadi T memetakan Rn ke dakam Rm . Lagi pula , T linear, untuk
melihat ini , misalnya u dan v adalah matriks n x 1 dan misalkan k adalah sebuah
skalar. Dengan menggunakan sifat-sifat perkalaian matriks, maka kita
mendapatkan :

A (u + v) = A u + A v dan A (k u) = k (A u)

Atau

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

Kita akan menamakan transformasi linear di dalam contoh ini

perkalian oleh A. Transformasi linear semacam ini dinamakan
transformasi matriks.

Contoh 2 :
Sebagai kasus khusus dari contoh sebelumnya, misalkan adalah
sebuah sudut tetap, dan misalkan T : R2 R2 adalah perkalian oleh
matriks :

cos 𝜃 sin 𝜃
A=[ ]
sin 𝜃 cos 𝜃

𝑥
Jika v adalah vektor v = [𝑦 ]

6
 7

cos 𝜃 sin 𝜃 𝑥 x cos 𝜃 y sin 𝜃

Maka T(v) = A v = [ ] [ ]=[ ]
sin 𝜃 cos 𝜃 𝑦 x sin 𝜃 y cos 𝜃

Secara geometrik, maka T(v) adalah vektor yang dihasilkan jika v

dirotasikan melalui sudut . Untuk melihat ini, maka misalkan
adalah sudut di antara v dan sumbu x positif.
𝑥′
Dan misalkan v’ = [ ] adalah vektor yang dihasilkan bila v
𝑦′
dirotasikan melalui sudut. Kita akan memperlihatkan bahwa v’ = T(v).
Jika r menyatakan panjangnya v , maka :
x = r cos y = r sin

Demikian juga, karena v’ mempunyai panjang yang sama seperti v

maka kita memperoleh :

x’ = r cos( + ) y’ = r sin( + )

𝑥′ r cos( 𝜃 + ∅)
Maka v’ = [ ]=[ ]
𝑦′ r sin(𝜃 + ∅)

r cos 𝜃 + ∅ − 𝑟 sin 𝜃 sin ∅

=[ ]
r sin 𝜃 + ∅ + 𝑟 cos 𝜃 sin ∅

x cos 𝜃 − 𝑦 sin 𝜃
=[ ]
x sin 𝜃 + 𝑦 cos 𝜃

cos 𝜃 − sin 𝜃
=[ ]
sin 𝜃 cos 𝜃

= Av = T(v)

7
 8

Transformasi linear di dalam contoh ini dinamakan rotasi dari R2 melalui

sudut .

Contoh 3:
Misalkan V dan W adalah sebarang dua vektor. Pemetaan
T : V W sehingga T(v) = 0 untuk tiap-tiap v di dalam V adalah
sebuah transformasi linear yang dinamakan transformasi nol. Untuk
melihat bahwa T linear, perhatikanlah bahwa :

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

Maka

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

Contoh 4:
Misalkan V adalah sebarang ruang vektor. Pemetaan T : V V
yang didefinisikan oleh T(v) = v dinamakan transformasi identitas pada
V.
Jika seperti di dalam contoh 2 dan 4 , T : V V adalah
transformasi linear dari sebuah ruang vektor V ke dalam dirinya sendiri,
maka T dinamakan operator linear pada V.

Contoh 5:

8
 9

Misalkan V adalah sebarang ruang vektor dan k adalah sebarang

skalar tetap. Kita membiarkannya sebagai latihan untuk memeriksa
bahwa fungsi T : V V yang didefinisikan oleh : T(v) = k v
adalah sebuah operator linear pada V. Jika k 1 , T dinamakan dilatasi
dari V dan jika 0 k 1 , maka T dinamakan kontraksi dari V.
Secara geometrik, maka dilatasi “merenggangkan“ setiap vektor di dalam
V dengan sebuah faktor sebesar k , dan kontradiksi dari V
“memampatkan
“ setiap vektor dengan sebuah faktor sebesar k seperti gambar dibawah :

Contoh 6:
Misalkan V adalah sebuah ruang perkalian dalam, dan misalkan W
adalah sebuah sub-ruang dari V yang berdiameter berhingga yang
mempunyai :

S = {w1,w2,…,wr}

adalah sebuah basis ortonormal. Misalkan T : V W adalah fungsi

yang memetakan sebuah vektor v di dalam V ke dalam proyeksi
ortogonalnya pada W ; yakni :

T(v) = v, w1 w1 + v, w2 w2 + … + v, wr wr

9
 10

Pemetaan T dinamakan proyeksi ortogonal dari V pada W ; linearitasnya

didapatkan dari sifatsifat dasar perkalian dalam. Misalnya :

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)

Demikian juga, T(k u) = k T(u)

Contoh 7 :
Sebagai kasus khusus dari contoh sebelumnya, misalnya V = R3
mempunyai perkalian dalam Euclidis. Vektor-vektor w1 = (1, 0, 0) dan
w2 = (0, 1, 0) membentuk sebuah basis ortonormal untuk bidang xy. Jadi,
jika v = (x, y , z) adalah sebarang vektor di dalam R3 , maka proyeksi
ortogonal dari R3 pada bidang xy diberikan oleh :

T(v) = v, w1 w1 + v, w2 w2
= x(1, 0, 0 ) + y(0, 1, 0)
= (x, y , 0)

10
 11

Sifat Transformasi Linier : Kernel dan

Jangkauan
Di dalam bagian ini kita memperlihatkan bahwa sekali bayangan vektor
basis dibawah transformasi linier telah diketahui, maka kita mungkin mencari
bayangan vektor yang selebihnya di dalam ruang tersebut.
Teoremanya :
Jika T:VW adalah transformasi linier, maka:
1. T (0) = 0
2. T(-v) = -T(v) untuk semua v di dalam V
3. T(v-w) = T(v) - T(w) untuk semua v dan w di dalam V

Bukti misalkan v adalah sebarang vektor di dalam V. Karena 0 v = 0 maka

kita memperoleh T (0) = T (0v) = 0T (v) = 0 yang membuktikan 1. Juga, T(-v)
= T(-1(v)) = (-1)T(v), yang membuktikan 2. Akhirnya, v - w = v + (-1)w. Jadi
T(v -w) = T(v +(-1) w) = T(v)+(-1)T(w) = T(v)-T(w)
Jika T:V W adalah transformasi linier, maka himpunan vektor di dalam
V yang dipetakan T ke dalam 0 dinamakan kernel (atau ruang nol) dari T ;
himpunan tersebut dinyatakan oleh ker (T). Himpuanan semua vektor di dalam
w yang merupakan bayangan di bawah T dari paling sedikit satu vektor di
dalam V dinamakan jangkuan dari T ; himpunan tersebut dinyatakan oleh
R(T).
Contoh B.1
Misalkan T:V W adalah transformasi nol. Karena T memetakan tiap-tiap
vektor ke dalam 0, maka ker (T) = V. Karena 0 adalah satu-satunya bayangan
yang mungkin di bawah T, maka R(T) terdiri dari vektor nol.

11
 12

Contoh B.2
Misalkan T:Rn Rm adalah perkalian oleh

Kernel dari T terdiri dari semua

Yang merupakan vektor pemecahan dari sistem homogeny

Jangkuan dari T terdiri dari vektor-vektor

Sehingga sistem

Konsisten.

12
 13

13
 14

Teoremanya adalah :
Jika T:V W adalah trasnformasi linier maka :
1. Kernel dari T adalah subruang dari V.
2. Jangkuan dari T adalah subruang dari W.

Bukti
1. Untuk memperlihatkan bahwa ker (T) adalah subruang, maka kita harus
memperlihatkan bahwa ker (T) tersebut tertutup di bawah pertambahan
dan perkalian skalar.
Misalkan v1 dan v2 adalah vektor-vektor di dalam ker (T), dan
misalkan k adalah sebarang skalar.
Maka
T(v1 + v2 ) = T(v1 ) + T(v2 )
=0+0=0
sehingga v1 + v2 berada di dalam ker (T).
Juga T(kv1 ) = kT (v1 ) = k0 = 0
Sehingga kv1 berada di dalam ker (T).
2. Misalkan w1 dan w2 adalah vektor di dalam jangkauan dari T. Untuk
membuktikan bagian ini maka kita harus memperlihatkan bahwa w1 + w2
dan k w1 berada di dalam jangkuan dari T untuk sebarang skalar k; yakni
kita harus mencari vektor a dan b di dalam V sehingga T (a) = w1 + w2
dan T(b) = kw1. Karena w1 dan w2 berada di dalam jangkuan dari T,
maka ada vektor a1 dan a2 di dalam V sehingga T (a1) = w1 dan T(a2) =
w2. Misalkan a = a1 + a2 dan b = ka1.
Maka
T(a) = T (a1 + a2) = T(a1) + T(a2) = w1 + w2 dan
T(b) = T(ka1) = kT(a1) = kw1 yang melengkapkan bukti tersebut.

14
 15

Contoh B.3
Misalkan T:Rn Rm adalah perkalian oleh sebuah matriks A yang
berukuran m x n.
Dari contoh B.2 maka kernel dari T terdiri dari semua pemecahan dari
Ax = 0 ; jadi kernel tersebut adalah ruang pemecahan dari sistem ini. Juga dari
contoh B.2, jangkuan dari T terdiri dari semua vektor b sehingga Ax = b
konsisten. Jadi, menurut Teorema di atas dari bagian 4.6, jangkuan dari T
adalah ruang kolom dari matrik A.
Misalkan {v1 , v2,....., vn } adalah sebuah basis untuk ruang vektor V
dan T:V > W adalah transformasi linier. Jika kebetulan kita mengetahui
bayangan vektor basis, yakni T(v1), T(v2), ..., T(vn) maka kita dapat
memperoleh bayangan T(v) dari seberang vektor v dengan menyatakan dulu v
dalam basis tersebut, katakanlah v = k1 v1 + k2 v2 + ... + kn vn dan kemudian
menggunakan hubungan (5.2) dari bagian 5.1 untuk menuliskan T(v) = (1,0)
T(v2) = (2, - 1) T(v3) = (4,3) Carilah T(2, -3,5) !
Pemecahan
Mula-mula kita menyatakan v = (2, -3, 5) sebagai kombinasi dari
v1 = (1, 1, 1), v2 = (1, 1, 0), dan v3 = (1, 0, 0). Jadi (2, 3, 5) = k1 (1, 1, 1) +
k2 (1, 1, 0) + k3 (1, 0, 0) atau setelah menyamakan komponen-komponen
yang bersangkutan k1 + k2 + k3 = 2 k1 + k2 = -3 k1 = 5 yang menghasilkan
k1 = 5, k2 = -8, k3 = 5 sehingga (2, -3, 5) = 5v1 -8v2 + 5v3
Jadi T(2, -3, 5) = 5T(v1) - 8T(v2) + 5T3 = 5(1,0) - 8(2, -1) + 5(4,3) = (9, 23)
Jika T:V > W adalah transformasi linier, maka dimensi dari jangkauan
dari T dinamakan rank dari T dan dimensi dari kernel dinamakan nulitas
(nullity) dari T.

Contoh B.4
Misalkan T:R2 > R2 adalah rotasi dari R2 melalui sudut p/4. Jelaslah
secara geometrik bahwa jangkauan dari T adalah semuanya R2 dan kernel dari
T adalah (0). Maka T mempunyai rank 2 dan nulitas = 0.

15
 16

Contoh B.5
Misalkan T:Rn > Rm adalah perkalian sebuah matriks A yang
berukuran m x n. Didalam contoh B.3 kita mengamati bahwa jangkauan dari T
adalah ruang kolom dari A jadi rank dari T adalah dimensi ruang kolom dari
A, yang persis sama dengan rank dari A.
Secara ringkas, maka rank (T) = rank (A), dan juga didalam Contoh
B.3, kita melihat bahwa kernel dari T adalah ruang pemecahan dari Ax = 0.
Jadi nulitas dari T adalah dimensi ruang pemecahan ini. Teorema kita
berikutnya menghasilkan sebuah hubungan di antara rank dan nulitas dari
transformasi linier yang didefinisikan pada sebuah ruang vektor berdimensi
berhingga. Kita akan menangguhkan buktinya sampai keakhir bagian ini.
Teoremanya :
Jika T:V > W adalah transformasi linier dari sebuah ruang vektor V
yang berdimensi n kepada sebuah ruang vektor W, maka di dalam kasus
khusus di mana V=Rn-, W=Rm-, dan T:Rn > Rm adalah perkalian oleh
sebuah matriks A yang berukuran m x n, maka teorema dimensi tersebut
menghasilkan hasil yang berikut :
nulitas dari T = n - (rank dari T)
= (banyaknya kolom dari A) - (rank dari T)

Akan tetapi, kita memperhatikan di dalam Contoh B.5 bahwa nutilas

dari T adalah dimensi dari ruang pemecahan dari Ax = 0, dan rank dari T
adalah rank dari matriks A. Jadi (5.4) menghasilkan teorema yang berikut.
Teorema :
Jika A adalah matriks m x n maka dimensi ruang pemecahan dari Ax =
0 adalah : n - rank (A)

16
 17

Contoh B.6.
Di dalam Contoh diatas, kita memperlihatkan bahwa sistem homogeny

Mempunyai ruang pemecahan berdimensi dua, dengan memecahkan

sistem tersebut dan dengan mencari sebuah basis. Karena matriks koefisien

Mempunyai lima kolom, maka jelaslah dari Teorema 4 bahwa rank A

harus memenuhi 2 = 5 - rank (A)
Sehingga rank (A) = 3. Pada pembaca dapat memeriksa hasil ini
dengan mereduksi A kepada bentuk eselon baris dan dengan memperilihatkan
bahwa matriks yang dihasilkan mempunyai tiga baris yang tak nol.

A. Transformasi Linier dari Rn ke Rm Geometri Transformasi Linier dari R2

ke R2
Pada bagian ini akan dibahas mengenai :
1) Bahwa Transformasi Linier dari Rn →Rm adalah merupakan transformasi
matriks ( artinya kita dapat menentukan sebuah matriks berukuran mxn
sehingga T adalah perkalian oleh A. Ditulis T(x) = A x dengan x ∈ Rn
2) Mendapatkan sifat sifat geometris dari Transformasi Linier dari R2 →R2
Mula-mula kita akan memperlihatkan bahwa tiap-tiap transformasi linier dari
Rn ke Rm adalah transformasi matriks. Lebih tepat lagi, kita akan
memperlihatkan bahwa jika T:Rn Rm adalah sebarang transformasi linier,
maka kita dapat mencari sebuah matriks A yang berukuran m x n sehingga T
adalah perkalian oleh A.

17
 18

Misalkan e 1 , e 2 , ..., en adalah basis baku dari Rn dan A adalah matriks

berukuran mxn yang kolom kolomnya adalah T(e1), T(e2), ... , T(en) sebagai
vektor-vektor kolomnya.
𝑥1 𝑥 + 2𝑥2
T: R2 →R2 dengan 𝑇 ([𝑥 ]) = [ 1 ]
1 𝑥1 − 𝑥2
1 1 0 2
Maka 𝑇(𝑒1 ) = 𝑇 ([ ]) = [ ] dan 𝑇(𝑒2 ) = 𝑇 ([ ]) = [ ]
0 1 1 −1
𝑥1 + 2𝑥2
A = [ ]
𝑥1 − 𝑥2
↑ ↑
T(e1 ) T(e2 )
Secara lebih umum, jika

Secara lebih umum jika

 a 11   a 12   a 13 
a  a 2  a 
T(e 1 ) =  21  , T(𝒆𝟐) ) =  21  , ... , T(𝒆𝟑) ) =  23 
        
     
a m1   a m2  a m3 

 a 11 a 12  a 1n 
a a 22  a 2n 
Maka A = T(e 1 ) T(e 2 )  T(e n ) =  21
     
 
a m1 a m2  a mn 

Matriks A selanjutnya disebut matriks baku dari transformasi linier T.

 x1 
x 
Selanjutnya untuk setiap x ∈ Rn berlaku x =  2  = x1 e 1 + x2 e 2 + ... + xn
  
 
x m 
en
Karena T adalah transformasi linier maka T(x ) = T (x1 e 1 + x2 e 2 + ... + xn
en )
= x1 T(e 1 ) + x2 T( e 2 )+ ... + xn T( en). Dilain pihak

18
 19

 a 11 a 12  a 1n   x1   a 11 x1 a 12 x2  a 1n xn 
a a 22  a 2n   x 2  a x a 22 x2  a 2n xn 
Ax =  21 =  21 1
             
    
a m1 a m2  a mn   x m  a m1 x1 a m2 x2  a mn xn 

 a 11   a 12   a 13 
a  a 2   
= x1  21  + x2  21  + .... + x3  a 23  = x1 T(e 1 ) + x2 T( e 2 )+ ... + xn T(
        
     
a m1   a m2  a m3 
en)
Sampai disini dapat disimpulkan bahwa T(x ) = Ax

B. Matriks Transformasi Linier

Di dalam bagian ini kita memperlihatkan bahwa jika V dan W adalah
ruang vektor berdimensi berhingga (tidak perlu Rn dan Rm), maka dengan
sedikit kepintaran, setiap transformasi linier T:V W dapat dipandang
sebagai transformasi matriks. Pemikiran dasarnya adalah memilih basis untuk
V dan W dan bekerja dengan matriks koordinat relatif terhadap basis ini dan
buka bekerja dengan vektor itu sendiri.
Misalkan V berdimensi n dan W berdimensi m. Jika kita memilih basis
B dan B’ untuk V dan W, maka untuk setiap x di dalam V, matriks koordinat
[x]B akan merupakan sebuah vektor di dalam Rn dan matriks koordinat
[T(x)]B’ akan merupakan suatu vektor di dalam Rm. Jadi di dalam proses
pementaan x ke dalam T(x), transformasi linier T “menghasilkan” sebuah
pemetaan dari Rn ke dalam Rm dengan mengirimkan [x]B ke dalam [T(x)]B.
Dapat diperlihatkan bahwa pemetaan yang dihasilkan ini selalu merupakan
transformasi linier. Dengan ini maka pemetaan tersebut dapat dilangsungkan
dengan menggunakan matriks A standar untuk transformasi ini, yakni :
A[x]B = [T(x)]B’
Jika, bagaimanapun, kita dapat mencari matriks A, maka seperti yang
diperlihatkan pada gambar berikut :

19
 20

Dapat dihitung di dalam tiga langkah menurut prosedur tak langsung yang
berikut :
1. Hitunglah matriks koordinat [x]B
2. Kalikanlah [x]B di sebelah kiri dengan A untuk menghasilkan [T(x)]B’
3. Bangunlah kembali T(x) dari matriks koordinatnya [T(x)]B’

Untuk mencari nilai matriks A. Misalkan V adalah ruang berdimensi n

dengan basis B = {u1, u2, ... , un} dan W adalah sebuah ruang berdimensi m
dengan basis B’ = {v1, v2, ... , vn}. Kita mencari sebuah matriks m x n
𝑎11 𝑎12 ⋯ 𝑎1𝑛
𝑎 𝑎22 … 𝑎1𝑚
𝐴 = 21
⋮ ⋮ ⋮
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛
Sehingga berlaku untuk semua vektor x di dalam V. Khususnya bila x
adalah vektor basis u1 : A[u1]B = [T(u1)]B’, Tetapi :
1 𝑎11 𝑎12 ⋯ 𝑎1𝑛 1 𝑎11
0 𝑎 𝑎22 … 𝑎1𝑚 0 𝑎21
[𝑈1 ]𝐵 = 0 sehingga 𝐴[𝑈1 ]𝐵 = [ 21 ] 0 =[ ⋮ ]
⋮ ⋮ ⋮
⋮ 𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 ⋮ 𝑎𝑚1
[0] [0]
𝑎11
𝑎21
Jadi A[u1]B = [T(u1)]B’ berarti : [ ⋮ ] = [T(u1)]B’
𝑎𝑚1
Matriks A yang unik yang didapatkan dengan cara ini dinamakan matriks
T terhadap basis B dan B’.

C. Keserupaan

20
 21

Matriks sebuah operator ilnier T:V  V bergantung pada basis yang

dipilih untuk V. Pada soal fundamental dari aljabar linier kita perlu memilih
sebuah basisuntuk V yang membuat matriks T sesederhana mungkin.
Seringkali soal ini ditangani dengan terlebih dulu mencari matriks T relatif
terhadap suatu basis “sederhana’ seperti basis standar. Biasanya, pilihan ini
tidak menghasilkan matriks T yang paling sederhana, sehingga kita mencari
suatu cara untuk mengubah basis tersebut supaya menyederhanakan
matriksnya. Untuk memecahkan soal serupa ini, maka kita harus mengetahui
bagaimana perubahan basis akan mempengaruhi matriks operator linier.
Teoremanya :
Misalkan T:V  V adalah operator linier pada ruang vektor berdimensi
berhingga V. Jika A adalah matriks T terhadap basis B, dan A’ adalah matriks
T terhadap basis B’, maka A’ = P -1 AP dimana P adalah matriks transisi dari
B’ ke B.
Untuk membuktikan teorema ini, maka akan memudahkan untuk
menjelaskan hubungan Au = v
Karena A adalah matriks T terhadap B, dan A’ adalah matriks T terhadap
B’, maka hubungan yang berikut berlaku untuk semua “x” dalam V.
A[x]B’ = [T(x)]B dan A’[x]B = [T(x)]B’
Ini dapat dituliskan sebagai :
𝐴 𝐴′
[𝑥]𝐵′ → [𝑇[𝑥]]𝐵 dan [𝑥]𝐵 → [𝑇[𝑥]]𝐵′
Untuk melihat bagaimana matriks A dihubungkan dengan A’, sebelumnya
dibuat matriks transisi dari B’ ke B. Misalkan P adalah matriks transisi dari B’
ke B, sehingga P-1 adalah matriks transisi dari B ke B’.
P[x]B’ = [T(x)]B dan P-1[x]B = [T(x)]B’
Ini dapat dituliskan sebagai :
𝑃 𝑃 −1
[𝑥]𝐵′ → [𝑇[𝑥]]𝐵 dan [𝑥]𝐵 → [𝑇[𝑥]]𝐵′
Dari kedua hubungan di atas dapat dikaitkan menjadi sebuah gambar
sebagai berikut :

21
 22

𝐴
[𝑥]𝐵 → [𝑇[𝑥]]𝐵
𝑃 ↑ ↓ 𝑃 −1
[𝑥]𝐵′ 𝐴′ [𝑇[𝑥]]𝐵′
→
Gambar ini melukiskan bahwa ada dua cara untuk mendapatkan matriks
[ T ( x ) ] B’ dari matriks [ x ] B’. Yakni :
A’[x]B’ = [T(x)]B’ atau P-1AP[x]B’ = [T(x)]B’
Dari pernyataan di atas dapat dihasilkan :
P-1AP[x]B’ = A’[x]B’

Dan untuk semua x di dalam V adalah P-1AP = A’. Dengan begitu dari
kedua persamaan tersebut sudah membuktikan bahwa merupakan Teorema.

22
 23

BAB III
PENUTUP

A. KESIMPULAN
Jika V dan W adalah ruang vektor dan F adalah sebuah fungsi yang
mengasosiasikan sebuah vektor yang unik di dalam W dengan sebuah vektor
di dalam V, maka kita mengatakan F memetakan V ke dalam W, dan kita
menuliskan F : V → W. Lebih lanjut lagi, jika F mengasosiasikan vektor w
dengan vektor v, maka kita menuliskan w = F(v) dan kita mengatakan bahwa
w adalah bayangan dari v di bawah F.
Untuk melukiskannya, maka jika v = (x,y) adalah sebuah vektor di dalam
R2, maka rumus : F(v) = ( x , x + y , x - y ).
Definisi.
Jika F : V W adalah sebuah fungsi dari ruang vektor V ke dalam
ruang vektor W, maka F dinamakan transformasi linear jika :
1. F(u + v) = F(u) + F(v) untuk semua vektor u dan v di dalam V.
2. F(ku) = k F(u) untuk semua vektor u di dalam V dan semua skalar k.
B. SARAN
Penulis sangat menyadari dan memahami bahwa pembuatan makalah
ini jauh dari kekurangan dan kelemahan dalam pembuatannya. Maka dari itu,
penulis pun tidak menolak adanya saran dan kritik yang sifatnya mendukung
dan membangun dari para pembaca agar Makalah selanjutnya nanti, jauh
lebih sempurna dan layak untuk dibaca oleh para pembaca sekalian.

23
1