Kalkulator Dekomposisi Nilai Singular (SVD)

Selamat datang di Kalkulator Dekomposisi Nilai Singular (SVD), alat aljabar linier canggih yang mengurai matriks apa pun menjadi komponen-komponen dasarnya. SVD memfaktorkan matriks A = UΣVᵀ dan memberikan solusi langkah demi langkah, visualisasi interaktif, analisis rank, nomor kondisi, kualitas pendekatan peringkat rendah, dan perhitungan pseudoinverse. Baik Anda sedang mempelajari aljabar linier, bekerja di bidang machine learning, atau menganalisis data, kalkulator ini menyediakan dekomposisi matriks tingkat profesional.

Apa itu Dekomposisi Nilai Singular?

Dekomposisi Nilai Singular (SVD) adalah faktorisasi dari matriks m×n A apa pun menjadi tiga matriks:

Di mana:

• A adalah matriks m×n asli
• U adalah matriks ortogonal m×m (vektor singular kiri, vektor eigen dari AAᵀ)
• Σ (Sigma) adalah matriks diagonal m×n dengan nilai singular non-negatif σ₁ ≥ σ₂ ≥ ... ≥ 0
• Vᵀ adalah matriks ortogonal n×n (vektor singular kanan, vektor eigen dari AᵀA)

Berbeda dengan dekomposisi nilai eigen, SVD selalu ada untuk matriks apa pun, termasuk matriks persegi panjang dan singular. Universalitas ini menjadikannya salah satu faktorisasi paling penting dalam matematika terapan.

Bagaimana SVD Dihitung

1. Bentuk AᵀA: Hitung matriks simetris n×n AᵀA
2. Cari nilai eigen: Selesaikan det(AᵀA − λI) = 0 untuk mendapatkan nilai eigen λ₁ ≥ λ₂ ≥ ... ≥ 0
3. Nilai singular: σᵢ = √λᵢ (akar kuadrat dari nilai eigen)
4. Vektor singular kanan (V): Cari vektor eigen dari AᵀA, ortonormalkan untuk mendapatkan kolom-kolom V
5. Vektor singular kiri (U): Hitung uᵢ = Avᵢ/σᵢ untuk setiap nilai singular bukan nol, perluas menjadi basis ortonormal lengkap

Properti Utama

Rank Matriks

Rank dari matriks A sama dengan jumlah nilai singular bukan nol. Ini adalah cara yang paling stabil secara numerik untuk menentukan rank, jauh lebih andal daripada reduksi baris yang dapat terganggu oleh kesalahan titik mengambang.

Nomor Kondisi

Nomor kondisi mengukur seberapa sensitif sistem linier Ax = b terhadap gangguan. κ yang besar menunjukkan matriks berkondisi buruk; κ = 1 adalah kasus ideal (matriks ortogonal).

Norma Matriks melalui SVD

• Norma spektral (norma-2): \(\|A\|_2 = \sigma_1\) — nilai singular terbesar
• Norma Frobenius: \(\|A\|_F = \sqrt{\sigma_1^2 + \sigma_2^2 + \cdots}\)
• Norma nuklir: \(\|A\|_* = \sigma_1 + \sigma_2 + \cdots\) — jumlah semua nilai singular

Aplikasi SVD

Pendekatan Peringkat Rendah (Teorema Eckart–Young)

Teorema Eckart–Young–Mirsky menyatakan bahwa pendekatan rank-k terbaik dari A (dalam norma Frobenius atau spektral) diperoleh dengan hanya mempertahankan k nilai singular terbesar:

Kesalahan pendekatan adalah: \(\|A - A_k\|_F = \sqrt{\sigma_{k+1}^2 + \cdots + \sigma_r^2}\)

SVD vs Dekomposisi Nilai Eigen

Pertanyaan yang Sering Diajukan

Apa itu Dekomposisi Nilai Singular (SVD)?

Dekomposisi Nilai Singular (SVD) adalah faktorisasi matriks yang mengurai matriks real m×n apa pun A menjadi tiga matriks: A = UΣVᵀ, di mana U adalah matriks ortogonal m×m dari vektor singular kiri, Σ adalah matriks diagonal m×n dari nilai-nilai singular, dan Vᵀ adalah matriks ortogonal n×n dari vektor singular kanan. SVD selalu ada untuk matriks apa pun.

Untuk apa nilai singular digunakan?

Nilai singular mengungkapkan properti dasar matriks: rank (jumlah nilai singular bukan nol), nomor kondisi (rasio terbesar terhadap terkecil), dan norma matriks. Mereka banyak digunakan dalam kompresi data (hanya mempertahankan nilai singular terbesar), analisis komponen utama (PCA), pengurangan noise, sistem rekomendasi, dan penyelesaian masalah kuadrat terkecil.

Apa perbedaan antara SVD dan dekomposisi nilai eigen?

Dekomposisi nilai eigen hanya berfungsi untuk matriks persegi dan mengharuskan matriks tersebut dapat didiagonalkan. SVD berfungsi untuk matriks m×n apa pun (termasuk yang persegi panjang) dan selalu ada. Untuk matriks simetris positif semi-definit, SVD dan eigen-dekomposisi berimpit. SVD menggunakan dua basis ortogonal yang berbeda (U dan V), sedangkan eigen-dekomposisi menggunakan satu.

Bagaimana hubungan SVD dengan PCA?

PCA (Principal Component Analysis) dihitung secara langsung menggunakan SVD. Ketika Anda memusatkan matriks data X dan menghitung SVD-nya sebagai X = UΣVᵀ, kolom-kolom V adalah komponen utama (arah varians maksimum), nilai singular dalam Σ mengkodekan standar deviasi di sepanjang setiap komponen, dan UΣ memberikan data yang diproyeksikan dalam sistem koordinat baru. Untuk N pengamatan yang telah dipusatkan (N > 1), Var(PCᵢ) = σᵢ²/(N−1), SD(PCᵢ) = σᵢ/√(N−1).

Apa itu pendekatan peringkat rendah?

Pendekatan rank-k dari matriks A hanya mempertahankan k nilai singular terbesar dan vektor yang bersesuaian: A_k = U_k Σ_k V_k^T. Berdasarkan teorema Eckart-Young, ini adalah pendekatan rank-k terbaik dalam norma Frobenius dan spektral. Ini adalah dasar matematika di balik kompresi gambar, analisis semantik laten, dan reduksi dimensionalitas.

Apa yang dimaksud dengan nomor kondisi matriks?

Nomor kondisi κ(A) = σ_max / σ_min adalah rasio nilai singular terbesar terhadap terkecil. Ini mengukur seberapa sensitif solusi sistem linier Ax = b terhadap gangguan. Nomor kondisi yang besar berarti matriks tersebut berkondisi buruk dan kesalahan kecil pada input dapat menyebabkan kesalahan besar pada solusi. Nomor kondisi 1 (matriks ortogonal) adalah yang ideal.

Sumber Daya Tambahan

• Pendekatan Peringkat Rendah - Wikipedia
• Pseudoinverse Moore-Penrose - Wikipedia