# Nakafa Learning Content > For AI agents: use [llms.txt](https://nakafa.com/llms.txt) for the site index. Markdown versions are available by appending `.md` to content URLs or sending `Accept: text/markdown`. URL: https://nakafa.com/id/materi/ai-ds/metode-linear-ai/matriks-definit-positif Source: https://raw.githubusercontent.com/nakafaai/nakafa.com/refs/heads/main/packages/contents/material/lesson/ai-ds/linear-methods/positive-definite-matrix/id.mdx Pelajari matriks definit positif dengan kriteria nilai eigen, minor utama, sifat geometris, dan aplikasi optimasi untuk solusi matematika andal. --- ## Definisi Positif dan Semidefinit Bayangkan kita memiliki sebuah mangkuk yang selalu mengarah ke atas. Tidak peduli dari arah mana kita melemparkan bola ke dalamnya, bola tersebut akan selalu menggelinding ke titik terendah. Matriks definit positif memiliki sifat yang mirip dengan mangkuk ini dalam ruang matematika. Sebuah matriks simetris $$A \in \mathbb{R}^{n \times n}$$ atau matriks Hermitian $$A \in \mathbb{C}^{n \times n}$$ disebut **positif semidefinit** jika: Visible text: Sebuah matriks simetris atau matriks Hermitian disebut **positif semidefinit** jika: Component: MathContainer Children: ```math x^T A x \geq 0 \text{ untuk semua } x \in \mathbb{R}^n ``` ```math x^H A x \geq 0 \text{ untuk semua } x \in \mathbb{C}^n ``` Matriks disebut **positif definit** jika kondisi yang lebih kuat terpenuhi: Component: MathContainer Children: ```math x^T A x > 0 \text{ untuk semua } x \neq 0 \text{ dalam } \mathbb{R}^n ``` ```math x^H A x > 0 \text{ untuk semua } x \neq 0 \text{ dalam } \mathbb{C}^n ``` Sebaliknya, matriks disebut **negatif semidefinit** jika $$-A$$ adalah positif semidefinit, dan **negatif definit** jika $$-A$$ adalah positif definit. Matriks yang tidak positif maupun negatif semidefinit disebut **indefinit**. Visible text: Sebaliknya, matriks disebut **negatif semidefinit** jika adalah positif semidefinit, dan **negatif definit** jika adalah positif definit. Matriks yang tidak positif maupun negatif semidefinit disebut **indefinit**. ## Sifat Geometris Elipsoid Mengapa konsep ini penting? Mari kita lihat dari sudut pandang geometris yang menarik. Jika $$A$$ adalah matriks definit positif, maka himpunan: Visible text: Jika adalah matriks definit positif, maka himpunan: ```math E = \{x \in \mathbb{R}^n : x^T A x = 1\} ``` membentuk sebuah elipsoid dalam ruang $$n$$ dimensi dengan pusat di titik origin. Bentuk elipsoid ini memberikan gambaran visual tentang bagaimana matriks tersebut "meregangkan" ruang di berbagai arah. Visible text: membentuk sebuah elipsoid dalam ruang dimensi dengan pusat di titik origin. Bentuk elipsoid ini memberikan gambaran visual tentang bagaimana matriks tersebut "meregangkan" ruang di berbagai arah. Secara khusus, jika $$A = \frac{1}{r^2} I$$ dimana $$I$$ adalah matriks identitas, maka $$E$$ menjadi sebuah bola dengan jari-jari $$r$$. Visible text: Secara khusus, jika dimana adalah matriks identitas, maka menjadi sebuah bola dengan jari-jari . ## Sifat Elemen Diagonal Salah satu sifat sederhana namun penting dari matriks definit positif adalah bahwa semua elemen diagonalnya harus positif. Jika $$A$$ adalah matriks definit positif, maka semua elemen diagonal $$a_{ii} > 0$$ untuk $$i = 1, 2, \ldots, n$$. Visible text: Jika adalah matriks definit positif, maka semua elemen diagonal untuk . Mengapa demikian? Karena jika kita ambil vektor basis standar $$e_i$$ yang hanya memiliki komponen $$1$$ pada posisi ke-$$i$$ dan $$0$$ di tempat lain, maka: Visible text: Mengapa demikian? Karena jika kita ambil vektor basis standar yang hanya memiliki komponen pada posisi ke- dan di tempat lain, maka: ```math a_{ii} = e_i^T A e_i > 0 ``` Namun, kondisi ini tidak cukup untuk menjamin definit positif. Kita bisa memiliki matriks dengan semua elemen diagonal positif tetapi tidak definit positif. ## Kriteria Nilai Eigen Cara paling elegant untuk menentukan definit positif adalah melalui nilai eigennya. Mari kita lihat kriteria yang sangat berguna ini. Sebuah matriks simetris $$A \in \mathbb{R}^{n \times n}$$ atau Hermitian $$A \in \mathbb{C}^{n \times n}$$ adalah definit positif jika dan hanya jika semua nilai eigennya positif: Visible text: Sebuah matriks simetris atau Hermitian adalah definit positif jika dan hanya jika semua nilai eigennya positif: ```math \lambda_1, \lambda_2, \ldots, \lambda_n > 0 ``` Untuk semidefinit positif, semua nilai eigen harus non-negatif ($$\lambda_i \geq 0$$). Visible text: Untuk semidefinit positif, semua nilai eigen harus non-negatif (). Mengapa hal ini benar? Karena untuk matriks simetris atau Hermitian, kita dapat melakukan diagonalisasi ortogonal. Jika $$A = Q \Lambda Q^T$$ dimana $$\Lambda$$ adalah matriks diagonal berisi nilai eigen, maka: Visible text: Mengapa hal ini benar? Karena untuk matriks simetris atau Hermitian, kita dapat melakukan diagonalisasi ortogonal. Jika dimana adalah matriks diagonal berisi nilai eigen, maka: ```math x^T A x = x^T Q \Lambda Q^T x = y^T \Lambda y = \sum_{i=1}^n \lambda_i y_i^2 ``` dimana $$y = Q^T x$$. Ekspresi ini positif untuk semua $$x \neq 0$$ jika dan hanya jika semua $$\lambda_i > 0$$. Visible text: dimana . Ekspresi ini positif untuk semua jika dan hanya jika semua . ## Kriteria Minor Utama Ada cara praktis lain untuk memeriksa definit positif tanpa harus menghitung nilai eigen. Metode ini disebut **kriteria minor utama** atau Hauptminorenkriterium. Misalkan $$A \in \mathbb{R}^{n \times n}$$ adalah matriks simetris. Untuk $$k = 1, 2, \ldots, n$$, definisikan minor utama ke-$$k$$ sebagai: Visible text: Misalkan adalah matriks simetris. Untuk , definisikan minor utama ke- sebagai: ```math A_k = \begin{pmatrix} a_{11} & \cdots & a_{1k} \\ \vdots & \ddots & \vdots \\ a_{k1} & \cdots & a_{kk} \end{pmatrix} ``` Ini adalah submatriks kiri-atas berukuran $$k \times k$$ dari matriks $$A$$. Determinan dari $$A_k$$ disebut **minor utama ke-$$k$$**. Visible text: Ini adalah submatriks kiri-atas berukuran dari matriks . Determinan dari disebut **minor utama ke-**. Matriks simetris $$A$$ adalah definit positif jika dan hanya jika semua minor utamanya positif: Visible text: Matriks simetris adalah definit positif jika dan hanya jika semua minor utamanya positif: ```math \det A_k > 0 \text{ untuk semua } k = 1, 2, \ldots, n ``` > Kriteria minor utama ini hanya mendeteksi definit positif, bukan semidefinit positif. ## Contoh Penerapan Mari kita lihat beberapa contoh untuk memahami konsep ini lebih baik. ### Matriks Indefinit dengan Nilai Eigen Campuran Perhatikan matriks $$A = \begin{pmatrix} 1 & 5 \\ 5 & 4 \end{pmatrix}$$. Matriks ini memiliki nilai eigen sekitar $$\lambda_1 \approx 7.7202$$ dan $$\lambda_2 \approx -2.7202$$. Visible text: Perhatikan matriks . Matriks ini memiliki nilai eigen sekitar dan . Karena ada nilai eigen negatif, matriks ini adalah **indefinit**. Meskipun elemen diagonalnya ($$1$$ dan $$4$$) keduanya positif, hal ini tidak menjamin definit positif. Visible text: Karena ada nilai eigen negatif, matriks ini adalah **indefinit**. Meskipun elemen diagonalnya ( dan ) keduanya positif, hal ini tidak menjamin definit positif. ### Matriks Definit Positif dengan Verifikasi Sekarang perhatikan matriks $$A = \begin{pmatrix} 5 & 1 \\ 1 & 4 \end{pmatrix}$$. Matriks ini memiliki nilai eigen $$\lambda_1 \approx 5.6180$$ dan $$\lambda_2 \approx 3.3820$$. Kedua nilai eigen positif, sehingga matriks ini **definit positif**. Visible text: Sekarang perhatikan matriks . Matriks ini memiliki nilai eigen dan . Kedua nilai eigen positif, sehingga matriks ini **definit positif**. Kita juga dapat memverifikasi dengan kriteria minor utama: Component: MathContainer Children: ```math A_1 = (5), \quad \det A_1 = 5 > 0 ``` ```math A_2 = \begin{pmatrix} 5 & 1 \\ 1 & 4 \end{pmatrix}, \quad \det A_2 = 20 - 1 = 19 > 0 ``` Karena semua minor utama positif, matriks ini definit positif. ### Inverse Matriks Definit Positif Dari contoh sebelumnya, inverse dari matriks definit positif adalah: ```math A^{-1} = \begin{pmatrix} 4/19 & -1/19 \\ -1/19 & 5/19 \end{pmatrix} ``` Matriks ini memiliki nilai eigen sekitar $$\lambda_1 \approx 0.17800$$ dan $$\lambda_2 \approx 0.29569$$. Keduanya positif, sehingga $$A^{-1}$$ juga definit positif. Visible text: Matriks ini memiliki nilai eigen sekitar dan . Keduanya positif, sehingga juga definit positif. ## Sifat Matriks Transpose Salah satu hasil penting dalam aljabar linear adalah sifat matriks $$A^T A$$ untuk matriks persegi panjang. Visible text: Salah satu hasil penting dalam aljabar linear adalah sifat matriks untuk matriks persegi panjang. Jika $$A \in \mathbb{R}^{m \times n}$$ dengan $$m \geq n$$, maka matriks $$A^T A \in \mathbb{R}^{n \times n}$$ adalah **positif semidefinit**. Matriks ini menjadi **positif definit** jika dan hanya jika $$A$$ memiliki peringkat penuh (peringkat $$n$$). Visible text: Jika dengan , maka matriks adalah **positif semidefinit**. Matriks ini menjadi **positif definit** jika dan hanya jika memiliki peringkat penuh (peringkat ). Mengapa demikian? Karena untuk setiap vektor $$x \in \mathbb{R}^n$$: Visible text: Mengapa demikian? Karena untuk setiap vektor : ```math x^T (A^T A) x = (Ax)^T (Ax) = \|Ax\|^2 \geq 0 ``` Ekspresi ini sama dengan nol hanya jika $$Ax = 0$$. Jika $$A$$ memiliki peringkat penuh, maka $$Ax = 0$$ hanya untuk $$x = 0$$, sehingga $$A^T A$$ definit positif. Visible text: Ekspresi ini sama dengan nol hanya jika . Jika memiliki peringkat penuh, maka hanya untuk , sehingga definit positif. ## Transformasi Spektral Konsep yang sangat berguna dalam praktik adalah kemampuan untuk "menggeser" spektrum matriks. Jika $$A \in \mathbb{R}^{n \times n}$$ adalah matriks simetris atau $$A \in \mathbb{C}^{n \times n}$$ adalah matriks Hermitian, dan $$t$$ adalah bilangan real yang lebih kecil dari semua nilai eigen $$A$$, maka matriks: Visible text: Jika adalah matriks simetris atau adalah matriks Hermitian, dan adalah bilangan real yang lebih kecil dari semua nilai eigen , maka matriks: ```math A - tI ``` adalah definit positif. Ini memberikan cara praktis untuk membuat matriks menjadi definit positif dengan menggeser nilai eigennya. Jika kita tahu batas bawah nilai eigen terkecil, kita dapat menggeser spektrum sehingga semua nilai eigen menjadi positif. > Matriks definit positif memiliki peran sentral dalam optimasi, analisis numerik, dan pembelajaran mesin karena sifat geometrisnya yang menjamin adanya minimum global yang unik.