MAKALAH

ALJABAR LINIER & MATRIK

“TRANSFORMASI LINIER”
DOSEN : SAMSURIADI, M.Pd.

Oleh Kelompok 5 ( VB ) :
1. HENDRA KURNIAWAN / 13.48.55.038
2. MUHAMMAD FAUZAN / 13.48.55.094
3. SETIAH M BUDI / 13.48.55.130
4. SULAIMAN ALKONUNI / 13.48.55.141
5. ZAHID HABIBURRAHMAN / 13.48.55.153

PROGRAM STUDI TEKNIK INFORMATIKA

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
( STMIK ) SYAIKH ZAINUDDIN NW ANJANI
LOTIM 2015
 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 Aljabar
Linier & Matrik, 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

2
 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. Pengantar Transformasi Linier..................................................................2
B. Sifat Transformasi Linier : Kernel dan Jangkauan..............................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
DAFTAR PUSTAKA

3
 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
 BAB II
PEMBAHASAN

A. 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 .

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;

2
 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 v 1 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 :
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

3
 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 :

A= [cossinθθ cos
sinθ
θ ]

Jika v adalah vektor

v
= [ xy]
v v
Maka T( ) = A = [cossinθθ cos
sinθ
][ ] = [
θ y
x
x
x cos
sinθ
θ
]
y sinθ
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.

4
 Dan misalkan v’ = [x'y' ] adalah vektor yang dihasilkan bila v

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(+)

θ+∅
¿
x' ¿
Maka v’ = = θ
[y' ] ¿
r cos ¿
¿

= [r cos θ+∅−r sin θ sin ∅] r

sinθ+∅+r cos θ sin ∅

= [xxcossinθθ+−yycossinθθ ]
= [cossinθθ−cossinθθ ]
= Av = T(v)

Transformasi linear di dalam contoh ini dinamakan rotasi dari R2 melalui sudut

.

5
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:
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

6
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

7
 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)

8
B. 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.

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

9
Kernel dari T terdiri dari semua

Yang merupakan vektor pemecahan dari sistem homogeny

Jangkuan dari T terdiri dari vektor-vektor

Sehingga sistem

Konsisten.

10
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.

11
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.

Contoh B.5

12
 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)

13
 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.

C. 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 R n 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.

14
Misalkan e1 , 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.

T: R2 → R2 dengan T ([xx 11 ]) [xx +−2xx ]

= 1
1 2
2

Maka T (e1 )=T ([01]) [11] = dan

Te
( 2 )=
T
([10])=[−21]
A= [ x
x
1
1
+ 2 x2
− x 2 ]
¿↑ ↑
T (e1 ) T (e2)
Secara lebih umum, jika

Secara lebih umum jika

a a12 a13
11
a
21 2 a
21
2
3 a 23
e¿ ¿ e¿ ¿
)= m3
a a
T(e1 ) = m1 , T( )= m2 ,... ,T(
a a a
11 12 1n
a a a
21 22 2n

Maka A = T(e ) T(e T(e n )

1 2
)
= m1 m2 mn
a a a
Matriks A selanjutnya disebut matriks baku dari transformasi linier T.
x1
x
2
∈

x
Selanjutnya untuk setiap x Rn berlaku x = m = x1 e 1
2
+ x2 e + ... + xn en

Karena T adalah transformasi linier maka T(x ) = T (x1 e 1 + x2 e 2 + ... + xn en )

= x1 T(e1 ) + x2 T( e 2 )+ ... + xn T( en). Dilain pihak

15
 a11
a x1 x2 a x a x a1n xn
12 a1n 11 1 12
a x
2
a a x a x
a 21 22 a 2n xm = 21 1 22 2 2n n

mn xn
a a x a x
a

Ax = m1
m2 a mn m1 1 m2 2

a a a
11 12 13
a a 2 a
21 21 23

a a m3 a x2 T( e 2 )+ ... + xn T( en)
= x1 + x2 m2
m1 + .... + x3 = x1 T(e1 ) +
Sampai disini dapat disimpulkan bahwa T(x ) = Ax

D. 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 :

16
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
¿
a1 n
a a
11 12 ⋯
a a ¿a
A= 21 22 … 1m ¿a a … a ¿
⋮ ⋮ ¿ m1 m2 mn

⋮
Sehingga berlaku vektor basis
untuk semua vektor x di dalam V. Khususnya bila x adalah
u1 : A[u1]B
= [T(u1)]B’, Tetapi :

[]
¿
a1 n
a a
0 11 12 ⋯
a a
1 21 22 … ¿a1m
0 ⋮ ⋮ ¿
[U1]B= 0 sehingga ⋮

⋮
¿ [0 ] [a m 1 ]
1 a
11
a 0 a
A [U1 ]B=[am 1 m2 … amn¿] 0 = 21
⋮ ⋮

17
 [
a
am 1 ]
11
a
21
Jadi A[u1]B = [T(u1)]B’ berarti : = [T(u1)]B’
⋮

Matriks A yang unik yang didapatkan dengan cara ini dinamakan matriks T
terhadap basis B dan B’.

E. Keserupaan
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 :
'
[x ] A[T [ x ]]B
' [x ]B A [T [x ]]
dan
'

B → → 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’

18
Ini dapat dituliskan sebagai :

[x ]B P[T [ x ]]B dan

' [x ]B P−1 [T [ x ]]B
'

→ →

Dari kedua hubungan di atas dapat dikaitkan menjadi sebuah gambar sebagai
berikut :

[ x ]B A [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’

19
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.

20
 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 R 2,
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.
Di dalam transformasi linier terdapat sifat, yakni kernel dan jangkauan. Kernel
dan jangkauan merupakan sekali bayangan vektor basis dibawah transformasi linier
telah diketahui, maka kita mungkin mencari bayangan vektor yang selebihnya di
dalam ruang tersebut.
Pada transformasi linear terdapat istilah yang biasa disebutkan dalam
pembahasan kali ini, yakni Teorema. Teorema ini merupakan pernyataan yang dapat
dibuktikan kebenarannya, sehingga untuk membuktikan kebenaran dari suatu
pernyataan atau rumus dibutuhkan teorema.
Dan dalam matriks transformasi linier terdapat dua alasan utama mengapa
prosedur tak langsung penting untuk dilakukan, yaitu :
1. Prosedur tersebut menyediakan cara yang efisien untuk melakukan transformasi
linier pada komputer digital
2. Bersifat teoretis, tetapi dengan konsekuensi praktis yang penting

21
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.

22
 DAFTAR PUSTAKA

http://kseminar.staff.ipb.ac.id/files/2013/02/09_Transformasi-Linier.pdf

http://amriesagala.blogspot.com/2014/12/transformasi-linear.html

https://www.facebook.com/MentalMilyader/posts/390821624348617

http://eprints.undip.ac.id/32244/5/M03_Hikmatul_Aini_chapter_I.pdf