MAKALAH

ALJABAR LINIER DAN MATRIKS

“TRANSFORMASI LINIER”
DOSEN: WINDA SUCI LESTARI NASUTION , S.Pd.I.,
M.Pd.

KELOMPOK 8
Disusun oleh:
Bagas Wahyudi Putra (20230803021)
Muhamamd Luthfi (20230801421)
Gilbert Immanuel B Lestari S (20230801442)
Syaiful Adam (20230803033)

Fakultas ilmu komputer

UNIVERSITAS ESA UNGGUL
2023
 KATA PENGANTAR

Puji Syukur kami ucapkan kehadirat Allah SWT , karena dengan rahmat dan ridho – nya
Kami masih di berikan kesempatan untuk bekerja sama dalam menyelesaikan makalah ini .
Dimana makalah ini merupakan salah satu tugas mata kuliah ALJABAR LINIER Dan
MATRIKS ,yaitu “Transformasi Linier”. Tidak lupa kami ucapkan terimakasih kepada dosen
pengajar 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
 DAFTAR ISI
HALAMAN JUDUL i
KATA PENGANTAR ii
DAFTAR ISI iii
BAB 1 PENDAHULUAN 1
1. Latar Belakang 1
2. Rumusan Masalah 1
3. Tujuan 1
BAB 2 PEMBAHASAN 2
A. Pengantar Transformasi Linier 2
B. Sifat transformasi linier : kernel dan jangkuan 5
C. Transformasi linier dari Rn ke Rm Geometri Transformasi Linier dari R2 ke R2 11
D. Matriks transformasi Linier 13
E. Keserupaan 18
BAB 3 PENUTUP 23
A. KESIMPULAN 23
DAFTAR PUSTAKA

iii
 BAB 1
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.
dan Karena, hal itu adalah modal utama dalam penguasan ilmu pengetahuan 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

iv
 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. . 2. F(ku) = k F(u) untuk semua vektor u di dalam V dan semua skalar k. Untuk
melukiskannya, misalkan F : R2R 3 adalah fungsi yang didefinisikan oleh:

v
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 :
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

vi
 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.

vii
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

viii
Kernel dari T terdiri dari semua

Yang merupakan vektor pemecahan dari sistem homogeny

Jangkuan dari T terdiri dari vektor-vektor

Sehingga system

Konsisten.

ix
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) dalah 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 scalar
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

x
Contoh B.3
Misalkan T:Rn Rm adalah perkalian oleh sebuah matriks A yang berukuran
mxn
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

xi
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)

xii
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.

xiii
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 → R m 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 ∈ R n
2) Mendapatkan sifat sifat geometris dari Transformasi Linier dari R2 → R 2 Mula-mula kita
akan memperlihatkan bahwa tiap-tiap transformasi linier dari Rn ke R m adalah
transformasi matriks. Lebih tepat lagi, kita akan memperlihatkan bahwa jika T:Rn R m
adalah sebarang transformasi linier, maka kita dapat mencari sebuah matriks A yang
berukuran m x n sehingga T adalah perkalian oleh A.

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

Secara lebih umum jika

Selanjutnya untuk setiap x ∈ R n berlaku x =

xiv
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

Sampai disini dapat disimpulkan bahwa T(x ) = Ax

D. Matriks Transformasi Linier

xv
 Pada bagian ini kita memperhatikan bahwa jika V dan W adalah ruang vektor berdimensi
berhingga (tidak perlu R n dan R m ) maka dengan sedikit kelihaian sebarang transformasi linear
T:V  W dapat ditinjau sebagai transformasi matriks. Gagasan dasarnya adalah memilih basis
untuk V dan W yang bekerja dengan matriks koordinat vektor terhadap basis ini dan bukan
bekerja dengan vektor itu sendiri.

Misalkan bahwa V adalah ruang vektor berdimensi n dan W adalah ruang vektor
berdimensi m. Jika kita memilih basis B untuk V dan basis B ’ untuk W, maka untuk masing-
masing x di V, matriks koordinat [x]B akan merupakan vektor di R n sedangkan matriks koordinat
[T(x)]B’ akan merupakan vektor di R m . Jadi, proses pemetaan x kedalam T(x), transformasi
linear T “menghasilkan” sebuah pemetaan dari R n ke R m dengan menempatkan [x]B ke
[T(x)]B’. Kita dapat memperlihatkan bahwa pemetaan yang dihasilkan ini selalu merupakan
transformasi linear. Dengan demikian pemetaan tersebut dapat dilaksanakan dengan
menggunakan matriks A baku untuk transformasi tersebut; yakni,

A[x]B = [T(x)]B’ (5.16)

Untuk mencari matriks A yang memenuhi persamaan ini, misalkanlah V adalah ruang
berdimensi n dengan basis B={u1 , u2 ,…, un } , dan W adalah ruang
berdimensi m dengan basis B'={ v1 , v2 ,…, vm} . Selanjutnya, kita akan mencari matriks m x n
dengan

sehingga (5.16) memenuhi untuk semua vektor x di V. Khususnya, kita ingin agar persamaan ini
dapat memenuhi vektor basis u1 ,u2 ,…, un , yakni

xvi
 A[u1]B = [T(u1)]B’, A[u2]B = [T(u2)]B’, … , A[un]B = [T(un)]B’, (5.17)

Tetapi

Sehingga

Dengan menyulihkan hasil ini ke dalam (5.17) menghasilkan

xvii
Dengan menyulihkan hasil ini ke dalam (5.17) menghasilkan

yang menunjukkan bahwa kolom A yang berurutan merupakan matriks koordinat dari
T(u1), T(u2), … , T(un)
yang bertalian dengan basis B’. Dengan melanjutkan cara ini kita peroleh matriks unik A yang
kita namakan matriks untuk T yang bertalian dengan basis B dan B’. secara simbolis, kita dapat
menyatakan matriks ini dengan

Matriks A tersebut pada umumnya dinyatakan dengan symbol

[T ]B,B '
sehingga dengan demikian rumus yang baru saja kita peroleh dapat juga kita tuliskan sebagai

xviii
 (5.18a)

di mana B={u1 , u2 ,⋯,un } .

Dalam kasus di mana V = W (sehingga dengan demikian T:V V adalah operator

linear x) biasanya untuk mengambil B = B’ apabila kita membentuk matriks untuk T. Jika hal ini
Anda lakukan, maka matriks yang dihasilkan kita namakan matriks untuk T yang bertalian
dengan basis B. Untuk menyederhanakannya, kita akan menulis

di mana B={u1 ,u2 ,⋯,un}

Contoh 1
Misalkan T: P1 P2 adalah transformasi linear yang didefinisikan oleh
T(p(x)) = xp(x)
Carilah matriks untuk T yang bertalian dengan basis,
B={u1 , u2 } dan B'={ v1 , v2 , v3 }

di mana

Penyelesaian
Dari rumus T kita peroleh

xix
Dengan pemeriksaan, kita dapat menentukan matriks koordinat untuk dan

relatif terhadap B’, yakni

Jadi, matriks untuk T yang bertalian dengan basis B dan B’, adalah

Contoh 2
Jika adalah sebarang basis untuk ruang vektor V berdimensi
berhingga dan adalah operator identitas pada V, maka
Maka

Jadi,

xx
Akibatnya, matriks operator identitas yang bertalian dengan sebarang basis adalah matriks
identitas

E.KESERUPAAN

Definisi : Jika A dan B adalah matriks-matriks bujur sangkar, dikatakan bahwa B

serupa dengan A (B is similar to A) jika terdapat sebuah matriks P yang dapat
dibalik sedemikian rupa sehingga B = P-1APdimana P adalah matriks transisi dari
basis baru ke basis lama.

Matriks sederhana untuk operator linier basis standar tidak selalu menghasilkan matriks yang
paling sederhana untuk operator linier yang di definisikan oleh

Dan basis standar n untuk di mana

Berdasarkan teorema 8.4.1, matriks untuk T berkenaaan dengan basis ini adalah matriks standar
untuk T, yaitiu,

Dari [1] di peroleh

Sehingga

xxi
sebagai perbandingan, kita telah menunjukkan pada contoh 4 subbab 8.4 bahwa jika

Maka matriks untuk T berkenaan dengan basis adalah

ingat kembali dari Rumus (8) Subbab 6.5 bahwa jika himpunan dan
himpunan adalah basis- basis untuk sebuah

matriks transisi dari B ke B di definisikan oleh rumus

Matriks ini memiliki sifat bahwa untuk setiap vector v pada V

Yaitu perkalian dengan P memetakan matriks koordinat untuk v relative terhadap , B ke

matriks koordinat untuk v rekatif terhadap B [lihat rumus ke {7} subbab 6.5]. kita telah

menunjukkan dalam teorema 6.5.4 bahwa P dapat di balik dan adalah matriks transisi

xxii
CONTOH
Misalkan di definisikan oleh

Tentukan matriks untuk T berkenaan dengan basis standar untuk , kemudian

gunakan teorema 8.5.2 untuk menentukan matriks untuk T berkenaan dengan basis B
, dimana

Pennyelesaian
Kita telah menunjukkan sebelumnya pada subbab ini [lihat(2)] bahwa

Untuk menentukan [T]B ’ dari (10), kita harus menentukan matriks transisi

(lihat 5), melalui inspeksi

xxiii
Sehingga

Dengan demikian , matriks transisi dari B ’ ke B adalah

Anda daapat menemukan bahwa

Sehingga menurut teorema 8.5.2 mtriks untuk T relative terhadap B’ adalah

Yang konsiten dengan 4.

Keserupaan Hubungan yang ditunjukkan dalam Rumus (10) sedemikian pentingnya sehingga
etrdapat suatu terminologi yang berkaitan dengannya.

xxiv
 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

xxv
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.
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

DAFTAR PUSTAKA

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

xxvi
http://eprints.undip.ac.id/32244/5/M03_Hikmatul_Aini_chapter_I.pdf
Rorres , A. 2004. Aljabar Linier Elementer, jilid 1. Jakarta, penerbit Erlangga
https://id.scribd.com/doc/285952500/KESERUPAAN

xxvii