Perkalian Matriks dengan np.matmul dan @

Perkalian matriks merupakan inti ilmu data dan pembelajaran mesin. Perkalian ini mendasari jaringan saraf, reduksi dimensi, dan transformasi linear. Dalam Python, NumPy menyediakan dua cara praktis untuk mengalikan matriks: fungsi np.matmul() dan operator @ yang diperkenalkan pada Python 3.5. Keduanya cepat, tervectorisasi, dan jauh lebih efisien daripada loop Python bertingkat.

Untuk dua matriks A dan B, hasil kali A @ B hanya valid jika jumlah kolom pada A sama dengan jumlah baris pada B. Jika A berbentuk (m, n) dan B berbentuk (n, k), hasilnya berbentuk (m, k). Aturan ini disebut batasan dimensi dalam dan berlaku terlepas dari fungsi NumPy yang digunakan.

np.matmul(A, B) dan A @ B menghasilkan hasil yang identik untuk array 2-D. Operator @ hanyalah gula sintaksis — operator ini memanggil __matmul__ di balik layar, yang diimplementasikan NumPy menggunakan rutin BLAS tingkat-C yang sama. Gunakan @ dalam kode sehari-hari agar mudah dibaca; gunakan np.matmul ketika Anda ingin meneruskan fungsi sebagai callable atau menangani kasus khusus secara eksplisit.

NumPy memiliki tiga fungsi perkalian yang mudah tertukar. A * B adalah perkalian per elemen (hasil kali Hadamard). np.dot(A, B) berperilaku seperti np.matmul untuk array 2-D, tetapi memiliki semantik yang berbeda untuk dimensi yang lebih tinggi. A @ B secara khusus merupakan perkalian matriks dan mengikuti definisi matematis dengan tepat — pilihlah ini daripada np.dot untuk pekerjaan yang melibatkan matriks.

Berbeda dari perkalian skalar, perkalian matriks tidak komutatif: A @ B umumnya berbeda dari B @ A. Bentuk dimensinya bahkan mungkin tidak kompatibel untuk kedua arah. Hal ini penting saat menulis transformasi — urutan operasi mengubah hasilnya. Selalu perhatikan matriks mana yang berada di kiri dan mana yang berada di kanan.

Ketika array Anda memiliki lebih dari dua dimensi, np.matmul dan @ memperlakukan dimensi terdepan tambahan sebagai dimensi batch dan mengalikan matriks secara paralel. Misalnya, array berbentuk (32, 3, 4) yang dikalikan dengan array berbentuk (32, 4, 5) menghasilkan hasil berbentuk (32, 3, 5) — 32 perkalian independen 3×4 @ 4×5 sekaligus. Inilah cara kerangka kerja pembelajaran mendalam memproses batch mini secara efisien.

Salah satu kasus khusus yang umum adalah mengalikan matriks dengan vektor. Jika A berbentuk (m, n) dan v adalah array 1-D dengan panjang n, maka A @ v menghasilkan array 1-D dengan panjang m. NumPy menangani penyelarasan bentuk secara otomatis — Anda tidak perlu mengubah bentuk v menjadi vektor kolom. Pola ini muncul di berbagai tempat: menerapkan bobot dalam regresi linear, memproyeksikan fitur, dan menghitung hasil kali titik untuk setiap baris secara bersamaan.

Perkalian matriks NumPy memanggil rutin BLAS/LAPACK yang dioptimalkan dan berjalan dalam kode C terkompilasi. Loop bertingkat Python murni yang menerapkan operasi yang sama biasanya 100–1000× lebih lambat untuk matriks berukuran besar. Saat Anda memerlukan hasil kali matriks berulang dalam pipeline data — transformasi fitur, proyeksi PCA, pembaruan bobot — selalu gunakan @ atau np.matmul dan jangan pernah mengimplementasikan loop bagian dalamnya sendiri.

Anda dapat merangkai beberapa operasi @ dalam satu ekspresi: A @ B @ C dievaluasi dari kiri ke kanan. NumPy tidak mengoptimalkan urutan perkalian secara otomatis (berbeda dari MATLAB dengan mtimes), sehingga jika ukuran matriks sangat berbeda, urutannya dapat memengaruhi kecepatan. Untuk tiga matriks atau lebih, pertimbangkan penggunaan np.linalg.multi_dot([A, B, C]), yang secara otomatis memilih pasangan paling efisien.

Kesalahan yang paling umum dalam perkalian matriks adalah ketidakcocokan bentuk: ValueError: matmul: Input operand 1 has a mismatch in its core dimension 0. Solusinya adalah memeriksa bentuk dengan A.shape dan memastikan dimensi bagian dalamnya sesuai. Jika Anda memiliki vektor baris berbentuk (n,) yang perlu diperlakukan sebagai vektor kolom berbentuk (n, 1), gunakan v.reshape(-1, 1). Jika Anda memerlukan transpose, gunakan A.T.

Contoh penggunaan umum dalam ilmu data: Anda memiliki kumpulan data X berbentuk (n_samples, n_features) dan matriks bobot W berbentuk (n_features, n_outputs). Hasil kali matriks X @ W menerapkan transformasi linear pada setiap sampel secara bersamaan dan menghasilkan bentuk (n_samples, n_outputs). Ini merupakan perhitungan inti pada lapisan linear dalam jaringan saraf dan pada prediksi regresi linear.

Uji pemahaman Anda tentang perkalian matriks NumPy.

Dalam pelajaran ini Anda mempelajari bahwa: np.matmul dan @ menerapkan perkalian matriks yang sebenarnya (bukan perkalian per elemen), dimensi bagian dalam dari kedua matriks harus cocok, dan @ mendukung perkalian secara berkelompok pada dimensi awal. Selanjutnya kita akan membahas determinan, invers, dan transpose—operasi yang menunjukkan apakah suatu matriks dapat "dibatalkan".