For AI agents: use /llms.txt for the Nakafa content index.
Kemampuan identifikasi menentukan apakah semua parameter dalam suatu model dapat ditentukan secara unik dari data yang tersedia. Bayangkan seperti seorang detektif yang mencoba mengidentifikasi tersangka dari petunjuk yang ada. Jika petunjuknya cukup dan tidak saling bertentangan, identifikasi dapat dilakukan dengan pasti.
Untuk matriks , vektor , dengan , masalah kuadrat terkecil
bertujuan mengestimasi parameter melalui sistem persamaan normal yang bersesuaian
Ketika sistem ini memiliki solusi yang unik, semua parameter dapat diidentifikasi.
Semua parameter dapat diidentifikasi dengan tepat ketika matriks memiliki peringkat penuh .
Secara matematis, kondisi ini dapat ditulis sebagai
Kondisi peringkat penuh seperti memastikan bahwa setiap parameter memberikan informasi yang benar-benar baru dan tidak tumpang tindih. Mirip dengan kasus detektif yang memiliki cukup petunjuk independen untuk mengidentifikasi setiap tersangka tanpa kebingungan. Setiap parameter memberikan informasi yang tidak dapat diperoleh dari parameter lainnya, sehingga estimasi menjadi unik dan stabil.
Peringkat matriks dapat diperoleh selama proses komputasi dekomposisi QR atau dekomposisi LU dari matriks . Namun, pendekatan yang lebih mahal secara komputasi tetapi lebih stabil secara numerik adalah menentukan peringkat menggunakan dekomposisi nilai singular dari .
Perbedaan antara kedua pendekatan ini seperti membandingkan pengukuran dengan penggaris biasa dibandingkan dengan pengukuran menggunakan alat presisi tinggi. Dekomposisi nilai singular memberikan informasi yang lebih detail dan stabil tentang struktur numerik matriks, terutama untuk kasus mendekati singular.
Untuk matriks dengan , terdapat matriks ortogonal dan serta matriks dengan untuk semua dan entri diagonal non-negatif , sehingga
Representasi ini disebut dekomposisi nilai singular dari . Nilai disebut nilai singular dari . Matriks dan tidak ditentukan secara unik.
Dekomposisi ini seperti membongkar sebuah mesin kompleks menjadi komponen dasarnya. Kita dapat melihat bagaimana matriks mentransformasi ruang vektor, termasuk arah utama transformasi dan seberapa besar scaling yang terjadi dalam setiap arah.
Jumlah nilai singular yang tidak nol dari matriks sama dengan .
Secara matematis, ini berarti
dimana menunjukkan jumlah elemen dalam himpunan.
Sifat fundamental ini memberikan cara numerik yang stabil untuk menentukan peringkat matriks. Nilai singular yang sangat kecil seperti sinyal radio yang lemah, masih ada tetapi hampir tidak terdeteksi.
Istilah defisiensi peringkat merujuk pada kondisi ketika matriks tidak memiliki peringkat penuh. Artinya, . Dalam konteks ini, beberapa baris atau kolom matriks saling bergantung secara linear.
Ketika matriks mengalami defisiensi peringkat, beberapa nilai singular menjadi nol atau sangat mendekati nol
Kondisi ini menandakan bahwa sistem persamaan memiliki lebih dari satu solusi atau bahkan tidak memiliki solusi unik. Dalam praktik numerik, kita sering menggunakan ambang batas (threshold) untuk menentukan apakah nilai singular dianggap nol
dimana biasanya berkisar antara hingga tergantung presisi komputasi.
Dekomposisi nilai singular dapat dihitung menggunakan nilai eigen dan vektor eigen dari . Hubungan matematisnya adalah
dimana adalah matriks diagonal yang memiliki nilai-nilai pada diagonal utama dan nol di tempat lain
Dalam pustaka numerik, tersedia fungsi khusus untuk komputasi ini yang disebut SVD (singular value decomposition). Implementasi SVD dalam pustaka numerik modern menggunakan algoritma yang sangat efisien dan stabil, menjadikannya alat yang dapat diandalkan untuk berbagai aplikasi dalam analisis matriks dan komputasi ilmiah.
