Matrix Calculator

Apa itu kalkulator matriks?

Sebuah kalkulator matriks adalah alat online yang melakukan operasi aljabar linear pada susunan angka berbentuk persegi panjang. Operasi umum meliputi penjumlahan, pengurangan, perkalian, perkalian skalar, transpos, determinan, invers, dan reduksi baris ke bentuk eselon baris tereduksi (RREF). Operasi-operasi ini menjadi inti aljabar linear, yang menjadi fondasi machine learning, grafika komputer, teknik struktur, ekonomi, dan sebagian besar sains kuantitatif.

Kalkulator matriks gratis ini mendukung matriks hingga 4×4 dan menjalankan delapan operasi berbeda: A+B, A−B, A×B, k·A, Aᵀ, det(A), A⁻¹, dan RREF(A). Untuk perhitungan determinan dan invers, langkah penyelesaian lengkap ditampilkan — menunjukkan ekspansi kofaktor untuk determinan dan metode adjoin untuk invers. RREF menampilkan setiap operasi baris (tukar, skala, eliminasi) secara berurutan, membuatnya berguna untuk mengecek pekerjaan rumah dan memahami eliminasi Gauss.

Cara memakai kalkulator matriks

Atur dimensi Matriks A dan Matriks B memakai dropdown baris dan kolom (1 sampai 4 untuk setiap dimensi). Klik sel mana pun di grid untuk memasukkan nilai — Tab berpindah ke sel berikutnya secara horizontal, membuat input data cepat lewat keyboard. Nilai desimal dan angka negatif sepenuhnya didukung; biarkan sel bernilai 0 jika tidak dibutuhkan. Untuk operasi yang hanya membutuhkan satu matriks (transpos, determinan, invers, RREF), hanya Matriks A yang perlu diisi nilai. Untuk operasi biner (A+B, A−B, A×B), kedua matriks harus memiliki dimensi yang kompatibel.

Klik tombol operasi untuk menghitung dan melihat grid hasil di bawahnya. Untuk menyelesaikan sistem persamaan linear, buat matriks augmented [A|b] dengan mengatur Matriks A memiliki satu kolom tambahan untuk konstanta, lalu jalankan RREF(A). Solusinya bisa langsung dibaca dari kolom paling kanan hasil.

Operasi matriks, determinan, dan invers dijelaskan

Penjumlahan dan pengurangan adalah operasi elemen-per-elemen yang membutuhkan dimensi identik. Perkalian A×B mensyaratkan jumlah kolom A sama dengan jumlah baris B; hasilnya memiliki jumlah baris A dan jumlah kolom B. Elemen (i,j) dari hasil kali adalah dot product baris i dari A dan kolom j dari B. Perkalian skalar kA mengalikan setiap elemen dengan k. Transpos Aᵀ mencerminkan matriks di sepanjang diagonal utamanya, mengubah matriks m×n menjadi n×m.

Determinan menyandikan apakah sebuah matriks bisa dibalik (det ≠ 0) dan dengan faktor berapa ia menskalakan luas atau volume. Invers A⁻¹ 'membatalkan' A: mengalikan A dengan A⁻¹ menghasilkan matriks identitas. Untuk penyelesaian persamaan praktis, RREF yang diterapkan pada matriks augmented [A|b] secara numerik lebih stabil dibanding menghitung A⁻¹ lalu mengalikannya — ia sekaligus mengungkap konsistensi, keunikan, dan nilai solusinya. Rank dari A (jumlah baris tak-nol di RREF) menentukan mana dari tiga jenis solusi (unik, tak hingga, tidak ada) yang berlaku.

Mengapa langkah penyelesaian itu penting

Kebanyakan kalkulator matriks online hanya menampilkan jawaban, bukan cara mendapatkannya. Alat ini menampilkan setiap langkah antara untuk tiga operasi yang paling perlu dipahami mahasiswa: ekspansi kofaktor untuk determinan, metode adjoin untuk invers matriks, dan operasi baris satu per satu (skala, tukar, eliminasi) untuk RREF. Output langkah demi langkah itulah yang membuat alat ini berguna untuk mengecek pekerjaan rumah, bukan sekadar mengambil jawaban.

Implementasi RREF-nya memakai partial pivoting — bertukar ke elemen dengan nilai absolut terbesar di setiap kolom sebelum membagi — yang meningkatkan stabilitas numerik dan menghindari kesalahan pembagian floating-point yang muncul pada implementasi naif. Nilai di bawah 1e-10 diset menjadi nol eksak, sehingga hasilnya tetap bersih bahkan untuk input yang ill-conditioned, di mana algoritma yang lebih sederhana akan menampilkan 0,0000000001 alih-alih 0.

Perbandingan dengan Wolfram Alpha, Symbolab, dan Mathway

Wolfram Alpha adalah alternatif paling kuat tapi membatasi query matriks gratis dan menyembunyikan langkah penyelesaian di balik langganan Pro seharga $7/bulan. Symbolab dan Mathway sama-sama membutuhkan pendaftaran akun dan membatasi perhitungan langkah demi langkah gratis harian sekitar 5–10 per hari. Desmos menangani grafik dengan baik tapi tidak mendukung operasi matriks. Kalkulator ini berbeda: tanpa akun, tanpa batas harian, dan tanpa paywall. Setiap operasi — termasuk langkah lengkap untuk determinan, invers, dan RREF — gratis di setiap penggunaan.

Alat ini juga berjalan sepenuhnya di browser Anda. Input matriks Anda tidak pernah meninggalkan perangkat. Ini penting saat Anda mengerjakan soal pekerjaan rumah atau data teknik proprietary yang tidak seharusnya dikirim ke server pihak ketiga. Tutup tab dan datanya hilang.

Perkalian matriks dijelaskan: aturan dot product dan non-komutatif

Perkalian matriks bukan operasi elemen-per-elemen — Anda tidak bisa begitu saja mengalikan posisi yang cocok seperti pada penjumlahan. Hasil kali C = A×B hanya didefinisikan ketika A berdimensi m×n dan B berdimensi n×p; dimensi bersama n harus cocok. Hasil C berdimensi m×p. Setiap entri C(i,j) dihitung sebagai dot product baris i dari A dengan kolom j dari B: C(i,j) = A(i,1)·B(1,j) + A(i,2)·B(2,j) + … + A(i,n)·B(n,j). Untuk contoh konkret 2×2 dengan A = [[1,2],[3,4]] dan B = [[5,6],[7,8]]: C(1,1) = 1·5 + 2·7 = 19, C(1,2) = 1·6 + 2·8 = 22, C(2,1) = 3·5 + 4·7 = 43, C(2,2) = 3·6 + 4·8 = 50, sehingga C = [[19,22],[43,50]].

Properti penting dari perkalian matriks adalah non-komutatif: AB ≠ BA secara umum. Bahkan ketika kedua hasil kali sama-sama terdefinisi (yaitu A dan B sama-sama persegi), membalik urutannya hampir selalu mengubah hasilnya. Secara geometris, jika A dan B mewakili transformasi linear seperti rotasi dan penskalaan, AB menerapkan B terlebih dahulu lalu A, sementara BA menerapkan A terlebih dahulu lalu B — urutan yang berbeda menghasilkan keluaran yang berbeda, sama seperti memutar lalu menskalakan sebuah bentuk tidak sama dengan menskalakan lalu memutarnya.

Biaya komputasi perkalian matriks juga layak diperhatikan. Algoritma naif membutuhkan O(n³) operasi aritmetika untuk mengalikan dua matriks n×n — menggandakan ukurannya melipatgandakan pekerjaan sebanyak delapan kali. Untuk matriks besar (n dalam orde ribuan, seperti yang dijumpai dalam deep learning dan komputasi ilmiah), ini sangat memberatkan. Algoritma Strassen mengurangi kompleksitas menjadi kira-kira O(n^2,807) dengan secara cerdik mengurangi jumlah perkalian skalar dari 8 menjadi 7 per blok 2×2. Algoritma yang lebih baru mendorong eksponennya lebih jauh mendekati O(n^2,37), dan library praktis seperti BLAS dan LAPACK mengimplementasikan varian blocked yang sangat dioptimalkan yang memanfaatkan arsitektur cache CPU, membuat perkalian matriks besar layak dilakukan dalam pelatihan jaringan saraf.

Determinan: makna geometris dan matriks singular

Determinan adalah satu skalar yang menyandikan informasi struktural fundamental tentang matriks persegi. Untuk matriks 2×2 A = [[a,b],[c,d]], det(A) = ad − bc. Untuk matriks 3×3, ekspansi kofaktor di sepanjang baris pertama memberikan det(A) = a(ei − fh) − b(di − fg) + c(dh − eg), di mana huruf-hurufnya melabeli sembilan entri sesuai urutan baca. Pola tanda bergantian mengikuti pola papan catur + − + / − + − / + − + untuk 3×3, dan prinsip yang sama berlanjut secara rekursif untuk ukuran berapa pun.

Secara geometris, nilai absolut determinan mengukur seberapa besar transformasi linear yang diwakili matriks itu menskalakan luas (dalam 2D) atau volume (dalam 3D). Matriks 2×2 dengan |det| = 3 meregangkan jajaran genjang sebanyak faktor 3. Tandanya menunjukkan orientasi: determinan positif mempertahankan kidal-kanan (handedness) sumbu koordinat (tanpa refleksi), sementara determinan negatif menyertakan refleksi. Determinan tepat 1 berarti transformasinya mempertahankan luas atau volume secara sempurna — matriks ortogonal (rotasi dan refleksi murni) selalu memenuhi |det| = 1.

Ketika det(A) = 0, matriks tersebut disebut singular. Secara geometris, transformasi singular meruntuhkan ruang: transformasi 2D dengan determinan nol memetakan seluruh bidang ke sebuah garis (atau titik), menghancurkan informasi secara ireversibel. Secara aljabar, ini berarti baris (atau kolom) matriks tersebut bergantung secara linear — setidaknya satu baris bisa dinyatakan sebagai kombinasi baris lainnya. Matriks singular tidak memiliki invers, dan sistem Ax = b apa pun dengan A yang singular selalu tidak punya solusi atau punya tak hingga banyak solusi, tidak pernah tunggal. Mengecek det(A) sebelum mencoba invers karenanya selalu menjadi langkah diagnostik pertama.

Invers matriks dan penyelesaian sistem linear

Invers dari matriks persegi A, ditulis A⁻¹, adalah matriks unik yang memenuhi A·A⁻¹ = A⁻¹·A = I (identitas). Ia ada jika dan hanya jika det(A) ≠ 0. Untuk matriks 2×2 A = [[a,b],[c,d]], invers bentuk tertutupnya adalah A⁻¹ = (1/(ad−bc)) × [[d,−b],[−c,a]] — tukar diagonal utama, negasikan elemen di luar diagonal, bagi dengan determinan. Untuk matriks yang lebih besar, rumus umumnya adalah A⁻¹ = (1/det(A)) × adj(A), di mana adj(A) (adjoin) adalah transpos dari matriks kofaktor. Setiap kofaktor C(i,j) = (−1)^(i+j) × det(M(i,j)), di mana M(i,j) adalah submatriks yang terbentuk dengan menghapus baris i dan kolom j dari A.

Aplikasi terpenting dari invers adalah menyelesaikan sistem persamaan linear. Sistem dari n persamaan dengan n bilangan tak diketahui bisa ditulis sebagai Ax = b, di mana A adalah matriks koefisien, x adalah vektor kolom bilangan tak diketahui, dan b adalah vektor kolom konstanta. Jika A bisa dibalik, solusi uniknya adalah x = A⁻¹b — kalikan kedua sisi dari kiri dengan A⁻¹. Ini secara konsep bersih tapi boros secara komputasi untuk sistem besar. Eliminasi Gauss (yang setara dengan RREF pada matriks augmented [A|b]) menemukan solusi yang sama dengan kira-kira sepertiga operasi aritmetika dan secara numerik lebih stabil.

Stabilitas numerik adalah perhatian serius untuk invers matriks. Matriks yang ill-conditioned — yang determinannya mendekati nol tapi tidak persis nol — memperbesar kesalahan pembulatan secara luar biasa selama proses invers. Bilangan kondisi (condition number) sebuah matriks (rasio singular value terbesar terhadap terkecil) mengukur sensitivitas ini: bilangan kondisi 10⁶ berarti enam digit desimal presisi pada input bisa sepenuhnya hilang pada output. Library numerik profesional karenanya menghindari invers eksplisit dan lebih memilih dekomposisi LU, yang memfaktorkan A menjadi matriks segitiga bawah L dan matriks segitiga atas U (A = LU), lalu menyelesaikan Ly = b dan Ux = y dengan dua penyelesaian segitiga yang cepat. Pendekatan ini lebih cepat sekaligus jauh lebih tangguh secara numerik dibanding menghitung A⁻¹ secara langsung.

Eigenvalue, eigenvektor, dan aplikasinya

Eigenvektor dari matriks persegi A adalah vektor tak-nol v yang memenuhi Av = λv, di mana λ adalah eigenvalue yang bersesuaian. Dalam istilah sederhana: ketika A bertindak pada v sebagai transformasi linear, ia hanya menskalakan v dengan faktor λ — tidak memutar v keluar dari arah aslinya. Setiap arah yang tidak diubah oleh sebuah matriks (kecuali skalanya) sesuai dengan sebuah eigenvektor, dan besarnya penskalaan pada arah itu adalah eigenvalue-nya. Ini menjadikan eigenvektor sebagai 'sumbu alami' dari sebuah transformasi linear.

Untuk mencari eigenvalue, susun ulang Av = λv menjadi (A − λI)v = 0. Sistem homogen ini punya solusi tak-nol hanya ketika A − λI bersifat singular, yaitu ketika det(A − λI) = 0. Menguraikan determinan itu menghasilkan polinomial karakteristik — polinomial berderajat n dalam λ yang akar-akarnya adalah eigenvalue. Untuk matriks 2×2 [[a,b],[c,d]], polinomial karakteristiknya adalah λ² − (a+d)λ + (ad−bc) = 0, mengungkap bahwa jumlah eigenvalue sama dengan trace (a+d) dan hasil kalinya sama dengan determinan (ad−bc). Begitu setiap eigenvalue diketahui, mensubstitusikannya kembali ke (A − λI)v = 0 dan menyelesaikan untuk v memberikan eigenvektor yang bersesuaian.

Eigenvalue dan eigenvektor bukan sekadar teori — mereka menggerakkan beberapa algoritma paling berdampak dalam dunia komputasi. Algoritma PageRank Google mengurutkan halaman web dengan mencari eigenvektor dominan dari matriks transisi tautan: eigenvektor yang bersesuaian dengan eigenvalue 1 memberikan probabilitas jangka panjang untuk mendarat di setiap halaman selama random walk melalui web. Dalam machine learning, Principal Component Analysis (PCA) menemukan arah varians maksimum dalam dataset dengan menghitung eigenvektor dari matriks kovarians data; eigenvalue-nya mengukur berapa banyak varians yang ditangkap setiap arah, memungkinkan data berdimensi tinggi dikompresi dengan hanya mempertahankan eigenvektor teratas. Dalam teknik struktur, eigenvalue dari matriks kekakuan (stiffness matrix) bersesuaian dengan frekuensi getaran alami sebuah struktur, yang harus dihitung untuk memastikan jembatan atau gedung tidak beresonansi secara katastrofik di bawah beban eksternal.