Perkalian Dot dalam Vektor
Perkalian dot (sering juga disebut dot product atau hasil kali skalar ) adalah salah satu operasi paling penting dalam matematika vektor. Operasi ini sering muncul dalam fisika, teknik, statistika, ilmu komputer (misalnya machine learning), hingga grafika komputer. Berbeda dari perkalian biasa yang menghasilkan angka dari dua bilangan, perkalian dot mengambil dua vektor sebagai masukan dan menghasilkan sebuah skalar (bilangan tunggal). Melalui perkalian dot, kita dapat memahami hubungan antara dua vektor: apakah mereka searah, berlawanan arah, atau saling tegak lurus.
Pengertian Perkalian Dot
Secara umum, jika kita memiliki dua vektor a dan b , perkalian dot ditulis sebagai:
a · b
Hasilnya adalah sebuah bilangan skalar yang mencerminkan “seberapa besar” vektor a searah dengan vektor b . Konsep ini bisa dipahami dengan bayangan berikut: ketika kita memproyeksikan vektor a ke arah vektor b , kita mengukur seberapa jauh komponen a yang “menumpang” pada arah b . Semakin searah dua vektor, semakin besar hasil dot-nya; semakin berlawanan arah, semakin kecil (bahkan negatif) hasilnya; dan jika tegak lurus, hasil dot bernilai nol.
Rumus Perkalian Dot secara Komponen
Misalkan vektor dua dimensi:
a = (a₁, a₂)
b = (b₁, b₂)
Maka perkalian dot-nya adalah:
a · b = a₁b₁ + a₂b₂
Untuk vektor tiga dimensi:
a = (a₁, a₂, a₃)
b = (b₁, b₂, b₃)
Maka:
a · b = a₁b₁ + a₂b₂ + a₃b₃
Secara lebih umum, untuk vektor berdimensi n :
a · b = Σ (aᵢ bᵢ) untuk i = 1 sampai n.
Rumus ini sederhana namun sangat kuat. Kita hanya mengalikan komponen yang bersesuaian lalu menjumlahkannya. Inilah alasan mengapa perkalian dot banyak dipakai dalam komputasi: mudah diimplementasikan dan efisien.
Rumus Perkalian Dot dengan Sudut Antara Vektor
Selain melalui komponen, perkalian dot juga dapat dinyatakan dalam bentuk sudut (geometris). Jika θ adalah sudut antara vektor a dan b , maka:
a · b = |a| |b| cos(θ)
Keterangan:
– |a| adalah panjang (magnitudo) vektor a
– |b| adalah panjang vektor b
– cos(θ) adalah kosinus sudut antara kedua vektor
Rumus ini menekankan makna geometris: dot product mengukur “keselarasan” arah dua vektor. Bila θ kecil (mendekati 0°), cos(θ) mendekati 1 sehingga dot product besar dan positif. Bila θ = 90°, cos(90°)=0 sehingga dot product nol. Bila θ > 90°, cos(θ) negatif sehingga dot product negatif.
Contoh Perhitungan Dot Product
Contoh 1 (Vektor 2D)
Misalkan:
– a = (2, 3)
– b = (4, -1)
Maka:
a · b = 2·4 + 3·(-1) = 8 – 3 = 5
Hasilnya 5 (skalar). Artinya, secara keseluruhan arah vektor a masih memiliki komponen searah dengan b , meski salah satu komponennya berlawanan.
Contoh 2 (Tegak lurus)
Misalkan:
– a = (1, 2)
– b = (2, -1)
Dot:
a · b = 1·2 + 2·(-1) = 2 – 2 = 0
Karena dot product bernilai 0, maka kedua vektor tersebut tegak lurus (ortogonal) .
Sifat-sifat Perkalian Dot
Perkalian dot memiliki beberapa sifat penting:
1. Komutatif
a · b = b · a
2. Distributif terhadap penjumlahan
a · (b + c) = a · b + a · c
3. Asosiatif dengan perkalian skalar
(k a) · b = k (a · b) untuk skalar k
4. Dot product dengan vektor nol
a · 0 = 0
5. Hubungan dengan panjang vektor
a · a = |a|²
Ini sangat berguna karena dari sini kita bisa mendapatkan panjang vektor:
|a| = √(a · a)
Sifat-sifat ini membuat dot product menjadi operasi dasar dalam aljabar linear yang membangun banyak konsep lanjutan.
Makna Geometris dan Interpretasi
Perkalian dot dapat dimaknai sebagai ukuran proyeksi. Jika kita ingin mengetahui proyeksi vektor a pada arah b , kita bisa menggunakan dot product. Komponen vektor a yang searah dengan b secara kuantitatif dapat diperoleh melalui:
Proyeksi skalar a ke b :
comp_b(a) = (a · b) / |b|
Proyeksi vektor a ke b :
proj_b(a) = ((a · b) / |b|²) b
Interpretasi ini sangat bermanfaat, misalnya saat menghitung bayangan suatu gaya pada arah tertentu atau saat memecah gerak ke komponen horizontal dan vertikal.
Aplikasi Perkalian Dot dalam Kehidupan dan Ilmu
1. Fisika (Usaha dan Energi)
Dalam fisika, usaha (work) oleh gaya didefinisikan sebagai:
W = F · s = |F||s|cos(θ)
di mana F adalah gaya dan s adalah perpindahan. Jika gaya searah perpindahan, usaha positif; jika berlawanan arah, usaha negatif; jika tegak lurus (misalnya gaya normal pada bidang datar), usaha nol.
2. Menentukan Sudut Antar Vektor
Jika kita tahu a · b , |a|, dan |b|, maka sudut θ bisa dihitung:
cos(θ) = (a · b) / (|a||b|)
Lalu θ dapat diperoleh dengan fungsi inverse cosine (arccos).
3. Machine Learning dan Data Science
Dot product digunakan untuk menghitung skor atau kesamaan antara dua vektor fitur. Pada model linear, prediksi sering berbentuk:
y = w · x + b
di mana w adalah bobot dan x adalah vektor input. Dot product di sini menjadi pusat dari mekanisme pengambilan keputusan.
4. Grafika Komputer (Pencahayaan)
Dalam rendering 3D, dot product digunakan untuk menentukan intensitas cahaya pada permukaan. Intensitas sering bergantung pada cosinus sudut antara arah cahaya dan normal permukaan. Dengan dot product, perhitungan tersebut menjadi:
I ∝ n · l
dengan n normal permukaan dan l arah cahaya (biasanya dinormalisasi).
Kesalahan Umum yang Perlu Dihindari
Beberapa kesalahan yang sering terjadi saat mempelajari dot product:
– Mengira hasil dot product adalah vektor (padahal skalar).
– Salah memasangkan komponen (harus komponen yang bersesuaian).
– Lupa bahwa dot product bisa bernilai negatif.
– Menggunakan rumus sudut tanpa memastikan vektor yang dipakai dan magnitudo dihitung benar.
– Salah memahami bahwa dot product nol berarti tegak lurus (ini benar), tetapi hanya jika kedua vektornya bukan vektor nol.
Penutup
Perkalian dot dalam vektor adalah konsep fundamental yang menghubungkan aljabar dan geometri. Dengan dot product, kita tidak hanya bisa menghitung angka dari dua vektor, tetapi juga memahami hubungan arah di antara keduanya: searah, berlawanan, atau ortogonal. Rumusnya yang sederhana membuatnya mudah diterapkan dalam perhitungan manual maupun komputasi skala besar. Karena banyaknya aplikasi di berbagai bidang—mulai dari fisika, analisis data, hingga grafika komputer—memahami dot product adalah langkah penting bagi siapa pun yang belajar matematika vektor dan aljabar linear.
Jika Anda ingin, saya juga bisa menambahkan ilustrasi, latihan soal beserta pembahasan, atau versi artikel yang lebih fokus pada aplikasi tertentu (fisika, machine learning, atau geometri).
