ALJABAR LINEAR

SUMANANG MUHTAR GOZALI
KBK ANALISIS
UNIVERSITAS PENDIDIKAN INDONESIA
BANDUNG
2010
2
KATA PENGANTAR
Bismillahirrahmanirrahim
Segala puji bagi Allah Rabb semesta alam. Shalawat serta salam bagi Rasul-
ullah Muhammad shallallahu alaihi wasallam. Tulisan ini merupakan hasil rangku-
man materi kuliah Aljabar Linear yang pernah diampu oleh Penulis. Uraian dibuat
sesederhana mungkin yang diharapkan dapat dipahami dengan mudah oleh peng-
guna tulisan ini. Terakhir, Penulis berharap semoga tulisan ini bermanfaat, khusus-
nya bagi para pembaca yang berminat dalam bidang aljabar.
Bandung, Maret 2010
Penulis,
Sumanang Muhtar Gozali
DAFTAR ISI
KATA PENGANTAR 2
DAFTAR ISI 3
1 Sistem Persamaan Linear dan Matriks 1
1.1 Sistem Persamaan Linear . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Sistem Persamaan Linear Homogen . . . . . . . . . . . . . . . . . . . 9
1.3 Operasi Pada Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Ruang Vektor 11
2.1 Subruang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Basis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Ruang Baris dan Ruang Kolom . . . . . . . . . . . . . . . . . . . . . 14
3 Determinan 15
4 Ruang Hasil Kali Dalam 17
4.1 Hasil Kali Dalam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2 Basis Ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5 Transformasi Linear 19
5.1 Kernel dan Peta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.2 Matriks Transformasi . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
6 Nilai Eigen dan Diagonalisasi 21
6.1 Nilai dan Vektor Eigen . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6.2 Diagonalisasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
DAFTAR PUSTAKA 23
3
BAB 1
Sistem Persamaan Linear dan
Matriks
Pada bab pertama ini kita akan mempelajari sistem persamaan linear (SPL). Pem-
bahasan ditujukan untuk memahami metode dalam mencari solusi sistem persamaan
linear. Pemahaman yang mendalam akan metode ini akan sangat membantu mema-
hami bab-bab berikutnya. Selain itu kita juga akan mempelajari dasar-dasar operasi
pada matriks. Pembahasan meliputi operasi penjumlahan, perkalian, transpose dan
metode mencari invers matriks.
1.1 Sistem Persamaan Linear
Persamaan linear adalah suatu persamaan dimana variabel yang terlibat berderajat
paling tinggi satu. Jika kita mempunyai beberapa persamaan linear maka sekumpu-
lan persamaan linear itu disebut sistem persamaan linear. Suatu pasangan beberapa
bilangan disebut solusi dari suatu SPL jika pasangan tersebut memenuhi kebenaran
masing-masing persamaan dari SPL tersebut.
Sebagai contoh, perhatikan SPL dengan dua persamaan dan dua variabel
berikut
2x
1
+ x
2
= 4
2x
2
= −4
.
Dari persamaan kedua kita mendapatkan x
2
= −2, sehingga dengan menyulihkan-
nya pada persamaan pertama kita peroleh x
1
= 3. Dengan demikian SPL di atas
1
2 BAB 1. SISTEM PERSAMAAN LINEAR DAN MATRIKS
mempunyai solusi x
1
= 3, x
2
= −2, dan tidak ada solusi lain. Jadi solusi SPL di
atas adalah tunggal.
Sekarang, perhatikan SPL berikutnya
x
1
−2x
2
= 3
3x
1
−6x
2
= 9
.
Perhatikan bahwa jika kita mengalikan persamaan kedua dengan 1/3 maka diperoleh
persamaan pertama. Dengan kata lain, SPL ini ekuivalen dengan satu persamaan
x
1
−2x
2
= 3.
Kita mempunyai banyak pilihan dari pasangan x
1
dan x
2
yang memenuhi persamaan
ini. Jika kita mengambil t ∈ R sebarang maka x
1
= 3+2t, x
2
= t merupakan solusi
persamaan ini. Dengan demikian SPL semula mempunyai solusi tak hingga banyak.
Selanjutnya, perhatikan SPL
x
1
+ 2x
2
= 2
4x
1
+ 8x
2
= 6
.
Jika kita mengalikan persamaan kedua dengan 1/4 maka kita peroleh persamaan
x
1
+ 2x
2
= 3/2.
Jadi SPL semula ekuivalen dengan
x
1
+ 2x
2
= 2
x
1
+ 2x
2
= 3/2
.
Jelas bahwa tidak ada pasangan x
1
dan x
2
yang memenuhi persamaan ini. Oleh
karena itu SPL ini tidak mempunyai solusi.
Tiga kemungkinan di atas juga berlaku pada sebarang SPL dengan m buah
persamaan dan n variabel. Sifat ini kita nyatakan dalam teorema berikut.
Teorema. Jika kita mempunyai sebuah SPL maka persis hanya satu dari tiga
kemungkinan berikut dipenuhi:
a. SPL mempunyai solusi tunggal
1.1. SISTEM PERSAMAAN LINEAR 3
b. SPL mempunyai solusi tak hingga banyak
c. SPL tidak mempunyai solusi.
Pada tiga contoh di atas kita tidak menemui kesulitan untuk menguji eksis-
tensi solusi karena banyaknya persamaan dan variabel hanya dua. Jika persamaan
atau variabelnya lebih banyak tentu masalahnya sedikit lebih sulit. Kita akan mem-
pelajari metode praktis untuk menguji eksistensi solusi SPL secara umum.
Sistem persamaan linear yang terdiri dari m buah persamaan linear dengan n
buah variabel x
1
, ..., x
n
mempunyai bentuk umum
a
11
x
1
+ + a
1n
x
n
= b
1
a
21
x
1
+ + a
2n
x
n
= b
2
.
.
.
.
.
.
a
m1
x
1
+ + a
mn
x
n
= b
m
Sistem ini dapat kita nyatakan dalam bentuk persamaan matriks
AX = B
dimana
A =





a
11
... a
1n
.
.
.
.
.
.
.
.
.
a
m1
... a
mn





, x =





x
1
.
.
.
x
n





, b =





b
1
.
.
.
b
m





.
Dalam hal ini, A disebut matriks koefisien, X adalah matriks variabel, dan B ma-
triks konstan. Mulai sekarang kita akan mengidentifikasi SPL melalui persamaan
matriks AX = B seperti di atas. Selain itu, kita juga akan mengenali sifat-sifat
SPL melalui pengetahuan kita perihal matriks-matriks ini.
Oleh karena itu, perhatikan kembali SPL berikut
a
11
x
1
+ + a
1n
x
n
= b
1
a
21
x
1
+ + a
2n
x
n
= b
2
.
.
.
.
.
.
a
m1
x
1
+ + a
mn
x
n
= b
m
.
Jika kita menukar posisi dua buah persamaan atau mengalikan salah satu persamaan
dari SPL di atas dengan sebarang bilangan tak nol maka hal itu tidak akan mem-
pengaruhi solusi. Demikian pula jika kita menambahkan kelipatan suatu persamaan
4 BAB 1. SISTEM PERSAMAAN LINEAR DAN MATRIKS
kepada persamaan lain maka tidaklah mengubah solusi SPL semula. Semua sifat ini
akan kita gunakan dalam menyederhanakan SPL sehingga solusinya mudah diper-
oleh.
Untuk kepraktisan kita akan bekerja dengan matriks lengkap dari SPL bersangku-
tan, yaitu matriks hasil penggabungan matriks koefisien dan matriks konstanta.
Kita akan menotasikan matriks lengkap ini dengan [A[B]. Sebagai contoh, per-
hatikan SPL
2x
1
+ x
2
+ 3x
3
= 1
−x
1
+ x
2
= 2
3x
1
−2x
2
+ x
3
= 0
.
SPL ini mempunyai matriks lengkap





2 1 3 1
−1 1 0 2
3 −2 1 0





.
Operasi Baris Elementer (OBE)
Perhatikan matriks berukuran mn berikut
A =





a
11
... a
1n
.
.
.
.
.
.
.
.
.
a
m1
... a
mn





.
Kita menyebut masing-masing (a
i1
... a
in
) sebagai baris-baris dari matriks A. Pada
matriks A kita dapat melakukan operasi-operasi berikut:
a. mengalikan suatu baris dengan bilangan tak nol
b. menambahkan kelipatan suatu baris pada baris lain
c. menukarkan sebarang dua buah baris
Ketiga operasi di atas disebut operasi baris elementer. Suatu matriks
˜
A yang diper-
oleh dari proses sejumlah hingga OBE pada matriks A, dikatakan ekuivalen (baris)
dengan matriks A. Dalam hal ini kita akan menggunakan notasi A ∼
˜
A.
1.1. SISTEM PERSAMAAN LINEAR 5
Contoh Pandang matriks
A =





1 0 −1
2 1 −3
−3 2 0





.
Jika kita mengalikan baris pertama dengan -2, kemudian kita tambahkan pada per-
samaan kedua maka baris kedua berubah menjadi (0 1 − 1). Demikian pula jika
kita mengalikan baris pertama dengan 3, kemudian ditambahkan pada baris ketiga
diperoleh baris ketiga yang baru, yaitu (0 2 −3). Jadi kita mendapatkan
A =





1 0 −1
2 1 −3
−3 2 0











1 0 −1
0 1 −1
0 2 −3





.
Berkaitan dengan ekivalensi baris dua buah matriks kita mempunyai lema berikut.
Lema. Perhatikan SPL yang dinyatakan dalam matriks lengkap [A[B]. Jika [A

[B

]
ekuivalen baris dengan [A[B] maka SPL AX = B ekuivalen dengan A

X = B

.
Lema di atas mengatakan bahwa kedua SPL AX = B dan A

X = B

mempun-
yai solusi yang sama, atau keduanya sama-sama tidak mempunyai solusi. Kita akan
menggunakan lema ini untuk mencari solusi suatu SPL. Secara umum, langkah yang
dilakukan adalah melakukan OBE pada matriks lengkap sehingga berubah menjadi
matriks segitiga atas.
Contoh. Tentukan solusi SPL
x
1
−2x
2
+ x
3
= 2
−x
1
+ x
2
= 1
2x
1
+ x
2
+ x
3
= 0
.
Jawab: SPL di atas mempunyai matriks lengkap





1 −2 1 2
−1 1 0 1
2 1 1 0





.
6 BAB 1. SISTEM PERSAMAAN LINEAR DAN MATRIKS
Tambahkan baris pertama pada baris kedua. Kemudian kalikan baris pertama den-
gan (-2) dan ditambahkan pada baris ketiga maka kita peroleh





1 −2 1 2
−1 1 0 1
2 1 1 0











1 −2 1 2
0 −1 1 3
0 5 −1 −4





.
Selanjutnya, kalikan baris kedua dengan 5, kemudian tambahkan pada baris ketiga.
Baris ketiga sekarang berubah menjadi (0 0 4 11). Kemudian jika kita mengalikan
baris kedua dengan (-1) maka menjadi (0 1 − 1 − 3). Oleh karena itu, sekarang
kita mempunyai





1 −2 1 2
−1 1 0 1
2 1 1 0











1 −2 1 2
0 −1 1 3
0 5 −1 −4











1 −2 1 2
0 1 −1 −3
0 0 4 11





.
Matriks terakhir ini bersesuaian dengan SPL
x
1
−2x
2
+ x
3
= 2
x
2
−x
3
= −3
4x
3
= 11
.
Dari persamaan ketiga kita peroleh x
3
= 11/4. Dengan menyulihkan x
3
= 11/4
pada persamaan kedua kita dapatkan
x
2
= −3 + x
3
= −3 + 11/4 = −1/4.
Terakhir, dengan menyulihkan keduanya pada persamaan pertama kita peroleh
x
1
= 2 + 2x
2
−x
3
= 2 + (−2)/4 −11/4 = −5/4.
Jadi SPL semula mempunyai solusi tunggal
x =
1
4





−5
−1
11





.
Contoh. Tentukan solusi dari
x
1
−x
2
+ 2x
3
= 1
x
1
+ x
2
−2x
3
= 2
3x
1
−3x
2
+ 6x
3
= 2
.
1.1. SISTEM PERSAMAAN LINEAR 7
Jawab: SPL di atas mempunyai matriks lengkap





1 −1 2 1
1 1 −2 2
3 −3 6 2





.
Dengan melakukan OBE kita peroleh





1 −1 2 1
1 1 −2 2
3 −3 6 2











1 −1 2 1
0 2 −4 1
0 0 0 −1





.
Perhatikan bahwa matriks terakhir bersesuaian dengan SPL
x
1
−x
2
+ 2x
3
= 1
2x
2
−4x
3
= 1
0.x
1
+ 0.x
2
+ 0.x
3
= −1
.
Perhatikan bahwa tidaklah mungkin ada x
1
, x
2
, x
3
yang memenuhi persamaan
ketiga. Oleh karena itu kita menyimpulkan bahwa SPL semula tidak mempunyai
solusi.
Matriks Eselon Baris
Berdasarkan contoh-contoh di atas kita mengetahui bahwa jika matriks lengkap SPL
itu berbentuk segitiga atas maka proses mendapatkan solusi menjadi lebih mudah.
Demi kepentingan pada pembahasan berikutnya kita akan mendefinisikan satu pola
matriks yang disebut matriks eselon baris. Suatu matriks A dikatakan berbentuk
eselon baris jika memenuhi tiga sifat berikut:
a. Jika memuat baris tak nol maka entri tak nol paling kiri adalah 1,
selanjutnya kita sebut sebagai 1 utama
b. Untuk sebarang dua baris tak nol yang berurutan, 1 utama baris
lebih bawah terletak lebih kanan
c. Jika memuat baris-baris nol maka semuanya terletak di bagian bawah
matriks
8 BAB 1. SISTEM PERSAMAAN LINEAR DAN MATRIKS
Selanjutnya, jika A adalah matriks eselon baris dan setiap kolom yang mempunyai
1 utama mempunyai entri 0 di tempat lain maka A disebut eselon baris tereduksi.
Contoh. Perhatikan tiga matriks berikut
A =





1 1 0 3
0 1 1 1
0 0 1 1





B =





1 −1 1 2
0 1 1 1
0 0 0 2





C =





0 1 0 −1
0 0 1 1
0 0 0 0





.
Matriks A eselon baris, matriks C eselon baris tereduksi, sementara matriks B bukan
eselon baris.
Definisi. Misalkan kita mempunyai SPL AX = B dengan matriks lengkap bentuk
eselon baris [A

[B

]. Variabel yang bersesuaian dengan kolom yang mempunyai 1
utama disebut variabel utama. Yang lainnya kita sebut variabel non utama.
Contoh. Perhatikan SPL
x
1
+ x
2
−3x
3
+ x
4
= 1
−2x
1
−x
2
−x
3
−x
4
+ x
5
= 0
x
1
+ x
2
+ x
3
−x
4
−2x
5
= 2
.
SPL ini mempunyai matriks lengkap





1 1 −3 1 0 1
−2 −1 −1 −1 1 0
1 1 1 −1 −2 2





.
Dengan melakukan OBE kita peroleh





1 1 −3 1 0 1
−2 −1 −1 −1 1 0
1 1 1 −1 −2 2











1 1 −3 1 0 1
0 1 −7 1 1 2
0 0 4 −2 −2 1











1 1 −3 1 0 1
0 1 −7 1 1 2
0 0 1 −1/2 −1/2 1/4





.
1.2. SISTEM PERSAMAAN LINEAR HOMOGEN 9
Jelas bahwa hanya tiga kolom pertama yang mempunyai 1 utama sehingga x
1
, x
2
, x
3
merupakan variabel-variabel utama. Adapun x
4
dan x
5
adalah variabel-variabel non
utama.
Setelah kita mengenal matriks eselon baris, sekarang kita dapat menetapkan
salah satu prosedur mendapatkan solusi SPL, yaitu melalui tahap-tahap berikut:
1. Mengenali matriks lengkap [A[B]
2. Mengubah [A[B] ke bentuk eselon baris [A

[B

]
3. Jika setiap kolom matriks A

mempunyai 1 utama maka solusi bersi-
fat tunggal
4. Variabel non utama dari matriks A

memunculkan parameter
Contoh. Tentukan solusi dari
x
1
+ x
2
−x
3
+ x
4
= 1
−2x
1
−2x
2
+ 3x
3
−x
4
+ x
5
= 0
.
Solusi: Kita lakukan OBE pada matriks lengkap untuk memperoleh bentuk eselon
baris


1 1 −1 1 0 1
−2 −2 3 −1 1 0





1 1 −1 1 0 1
0 0 1 1 1 2


.
Misalkan x
2
= r, x
4
= s, x
5
= t. Kita peroleh x
3
= 2−s−t dan x
1
= 3−r −2s−t.
Dengan demikian solusi SPL ini dapat kita tuliskan x
1
= 3−r−2s−t, x
2
= r, x
3
=
2 −s −t, x
4
= s, x
5
= t.
Kriteria rank untuk eksistensi solusi
1.2 Sistem Persamaan Linear Homogen
1.3 Operasi Pada Matriks
10 BAB 1. SISTEM PERSAMAAN LINEAR DAN MATRIKS
BAB 2
Ruang Vektor
Suatu ruang vektor X atas K adalah suatu himpunan X yang dilengkapi dengan
operasi penjumlahan
u + v, u, v ∈ X
dan perkalian dengan skalar
αu, α ∈ K, u ∈ X
sehingga semua aksioma berikut terpenuhi:
V1. u + v = v + u
V2. (u + v) + w = u + (v + w)
V3. terdapat 0 ∈ X sehingga 0 + u = u.
V4. Untuk setiap x ∈ X terdapat −x ∈ X sehingga x + (−x) = 0.
V5. (α + β)x = αx + βx
V6. α(u + v) = αu + αv
V7. (αβ)x = α(βx)
V8. 1x = x
Contoh 2.0.1 Misalkan X = R
n
dimana n = 1, 2, 3, ...; yaitu himpunan
11
12 BAB 2. RUANG VEKTOR
X = ¦x = (x
1
, ..., x
n
) : x
i
∈ R¦
Definisikan
(x
1
, ..., x
n
) + (y
1
, ..., y
n
) = (x
1
+ y
1
, ..., x
n
+ y
n
)
α(x
1
, ..., x
n
) = (αx
1
, ..., αx
n
)
Contoh 2.0.2 Perhatikan himpunan polinom dengan derajat paling tinggi 2,
P
2
= ¦a
0
+ a
1
x + a
2
x
2
[ a
0
, a
1
, a
2
∈ R¦.
Definisikan
(a
0
+ a
1
x + a
2
x
2
) + (b
0
+ b
1
x + b
2
x
2
) = (a
0
+ b
0
) + (a
1
+ b
1
)x + (a
2
+ b
2
)x
2
α(a
0
+ a
1
x + a
2
x
2
) = (αa
0
) + (αa
1
)x + (αa
2
)x
2
Contoh 2.0.3 Misalkan X = M
m×n
(R); yaitu himpunan X yang memuat semua
matriks berukuran mn.
Definisikan





a
11
... a
1n
.
.
. ...
.
.
.
a
m1
... a
mn





+





b
11
... b
1n
.
.
. ...
.
.
.
b
m1
... b
mn





=





a
11
+ b
11
... a
1n
+ b
1n
.
.
. ...
.
.
.
a
m1
+ b
m1
... a
mn
+ b
mn





α





a
11
... a
1n
.
.
. ...
.
.
.
a
m1
... a
mn





=





αa
11
... αa
1n
.
.
. ...
.
.
.
αa
m1
... αa
mn





2.1 Subruang
Let X be a vector space over R, and Y ⊆ X, (Y ,= ∅).
Y is a subspace of X if Y is itself a vector space over R with respect to the operations
of vector addition and scalar multiplication X.
Contoh 2.1.1 Let X = R
2
.
Consider the following subsets of X:
2.1. SUBRUANG 13
1. Y
1
= ¦(x, 0) [ x ∈ R¦
2. Y
2
= ¦(x, 2x) [ x ∈ R¦
Teorema 2.1.1 Let X be a vector space over R, Y ⊆ X, (Y ,= ∅).
Y is a subspace of X if Y satisfies two following conditions:
1. x + y ∈ Y, ∀x, y ∈ Y
2. αx ∈ Y, ∀α ∈ R, x ∈ Y
Let X be a vector space over R, and S = ¦x
1
, ..., x
n
¦ are set of vectors in
X. x is called linear combination of S = ¦x
1
, ..., x
n
¦ if there exists scalars α
1
, ..., α
n
such that
x = α
1
x
1
+ ... + α
n
x
n
(4,5) is linear combination of (2,1) and (3,3), because we can write
−1(2, 1) + 2(3, 3) = (4, 5)
Definisi 2.1.1 Let X be a vector space over R, and S ⊆ X.
X is spanned by S if every vector y in X is linear combination of S.
Consider S = ¦(1, 1), (1, 2)¦ ⊂ X = R
2
.
If we take (a, b) ∈ X arbitrarily, we can find scalars α, β such that
α(1, 1) + β(1, 2) = (a, b).
Consider the set S = ¦(1, 0, 0), (0, 1, 0), (0, 0, 1)¦ ⊂ X = R
3
. For every
(a, b, c) ∈ X, we can write
(a, b, c) = a(1, 0, 0) + b(0, 1, 0) + c(0, 0, 1).
So we conclude that S spans X.
Definisi 2.1.2 Let S = ¦x
1
, ..., x
n
¦ are set of vectors in X. S is linearly indepen-
dent if
0 = α
1
x
1
+ ... + α
n
x
n
has unique solution.
14 BAB 2. RUANG VEKTOR
2.2 Basis
Definisi 2.2.1 Let S = ¦x
1
, ..., x
n
¦ are set of vectors in X.
S is called basis of X if S linearly independent and Spans X.
The number n of all vectors in the basis is called dimension of X. (dim(X)=n).
2.3 Ruang Baris dan Ruang Kolom
BAB 3
Determinan
15
16 BAB 3. DETERMINAN
BAB 4
Ruang Hasil Kali Dalam
4.1 Hasil Kali Dalam
Definisi 4.1.1 Let X be a vector space over R. An inner product ¸., .) is a function
on X X which satisfies:
1 ¸x, x) ≥ 0; and ¸x, x) = 0 ⇔ x = 0
2 ¸x, y) = ¸y, x)
3 ¸αx, y) = α¸x, y)
4 ¸x, y + z) = ¸x, y) +¸x, z)
The pair (¸., .), X) is called inner product space.
Let (¸., .), X) be an inner product space, and x ∈ X.
Norm (length) of x is the number
|x| = ¸x, x)
1
2
Let x, y are nonzero vectors in X. The angle between x and y is θ for which
cos θ =
¸x, y)
|x|.|y|
Teorema 4.1.1 Untuk sebarang x, y ∈ X
[¸x, y)[ ≤ |x||y|
17
18 BAB 4. RUANG HASIL KALI DALAM
4.2 Basis Ortonormal
Let S = ¦x
1
, ..., x
n
¦ are set of vectors in X.
S is an orthogonal set if x
i
,= x
j
when i ,= j.
Let S = ¦x
1
, ..., x
n
¦ are set of vectors in X.
S is an orthonormal set if S is orthogonal and |x
i
| = 1, ∀i
Suppose S = ¦x
1
, ..., x
r
¦ is orthonormal basis for subspace W of X, and
x ∈ X.
The projection of x along W is
Proj
W
x = ¸x, x
1
)x
1
+ ... +¸x, x
r
)x
r
Definisi 4.2.1
Teorema 4.2.1
BAB 5
Transformasi Linear
Definisi 5.0.2 Let V, W are vector spaces over R.
The transformation
f : V → W
is said to be linear if for all x, y ∈ V, α ∈ R, the following axioms hold:
1. f(x + y) = f(x) + f(y)
2. f(αx) = αf(x)
5.1 Kernel dan Peta
Let f : V → W be a linear transformation.
We define Kernel and Range of f as sets
Ker(f) = ¦v ∈ V [f(v) = 0¦
and
R(f) = ¦w ∈ W [w = f(u), u ∈ V ¦
Teorema 5.1.1 Let f : V → W be a linear
1. Ker(f) is a subspace of V .
2. R(f) is a subspace of W
19
20 BAB 5. TRANSFORMASI LINEAR
5.2 Matriks Transformasi
Let V, W be finite dimensional vector spaces with basis B = ¦v
1
, ..., v
n
¦ for V , and
B

= ¦w
1
, ..., w
n
¦ for W. If f : V → W is linear, representation matrix of f is
defined by
[f]
BB
=

[f(v
1
)]
B
... [f(v
n
)]
B

BAB 6
Nilai Eigen dan Diagonalisasi
6.1 Nilai dan Vektor Eigen
Definisi 6.1.1 Let M be a n n matrix over R. λ ∈ R is called an eigenvalue of
M if there exists a nonzero vector x ∈ R
n
for which
Mx = λx
Every vector satisfying this relation is then called an eigenvector of M belonging to
the eigenvalue λ.
Let λ be an eigenvalue of M, and x is the correspondence eigenvector. Con-
sider the relation
Mx = λx.
This equation is equivalent to
(λI −M)x = 0.
Then x is a solution of the system (λI −M)x = 0.
Therefore, we have
[(λI −M)[ = 0.
Teorema 6.1.1 The following are equivalent:
1. λ is an eigenvalue of M
21
22 BAB 6. NILAI EIGEN DAN DIAGONALISASI
2. x is a solution of the system (λI −M)x = 0.
3. [(λI −M)[ = 0
6.2 Diagonalisasi
Definisi 6.2.1 A n n matrix M is said to be diagonalizable if there exists a non-
singular matrix P for which
D = P
−1
MP
where D is a diagonal matrix.
Teorema 6.2.1 Let M be a n n matrix over R. If M has linearly independent
set of n eigenvectors then M is diagonalizable. Moreover,
Teorema 6.2.2 Let M be a n n matrix over R. If M has n distinct eigenvalues
then M is diagonalizable.
DAFTAR PUSTAKA
[1] Anton, Howard (1985), Aljabar Linear Elementer, Erlangga.
[2] Jacob, Bill. (1978), Linear Algebra, W.H. FREEMAN & COMPANY.
[3] Arifin, Achmad (2000), Aljabar Linier, Penerbit ITB.
[4] Friedberg, Stephen H., Insel Arnold J., Spence, Lawrence E. . (1997), Linear
Algebra, Prentice Hall.
23

2

KATA PENGANTAR Bismillahirrahmanirrahim

Segala puji bagi Allah Rabb semesta alam. Shalawat serta salam bagi Rasulullah Muhammad shallallahu alaihi wasallam. Tulisan ini merupakan hasil rangkuman materi kuliah Aljabar Linear yang pernah diampu oleh Penulis. Uraian dibuat sesederhana mungkin yang diharapkan dapat dipahami dengan mudah oleh pengguna tulisan ini. Terakhir, Penulis berharap semoga tulisan ini bermanfaat, khususnya bagi para pembaca yang berminat dalam bidang aljabar.

Bandung, Maret 2010 Penulis, Sumanang Muhtar Gozali

. . . . . .2 Basis Ortonormal . . . . .1 Hasil Kali Dalam . . . . . . 2 Ruang Vektor 2. . . . . . . . . . . . . . . . .2 Sistem Persamaan Linear Homogen . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1. . . . . . . . . . . . . .1 Sistem Persamaan Linear . . . . . . . . . . 19 5. . . . . . . . . . . . . . . . . . . 1. . . . .2 Basis . . . . . . . . . . . . . . . . . . 17 4. . . . . . . . . . . . . . . . . . . 21 6.1 Nilai dan Vektor Eigen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .DAFTAR ISI KATA PENGANTAR DAFTAR ISI 1 Sistem Persamaan Linear dan Matriks 1. . . . . . . . .1 Subruang . . 22 DAFTAR PUSTAKA 23 3 . . .2 Diagonalisasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Matriks Transformasi . . . . . . . . . . . . .1 Kernel dan Peta . . . . . . . . . . . . 20 6 Nilai Eigen dan Diagonalisasi 21 6. . . . . . . . . . .3 Ruang Baris dan Ruang Kolom . . . . . . . . . 3 Determinan 2 3 1 1 9 9 11 12 14 14 15 4 Ruang Hasil Kali Dalam 17 4. . . . . . . . . . 18 5 Transformasi Linear 19 5. . . . .3 Operasi Pada Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . .

Jika kita mempunyai beberapa persamaan linear maka sekumpulan persamaan linear itu disebut sistem persamaan linear. Dengan demikian SPL di atas 1 . Suatu pasangan beberapa bilangan disebut solusi dari suatu SPL jika pasangan tersebut memenuhi kebenaran masing-masing persamaan dari SPL tersebut. Dari persamaan kedua kita mendapatkan x2 = −2.BAB 1 Sistem Persamaan Linear dan Matriks Pada bab pertama ini kita akan mempelajari sistem persamaan linear (SPL). transpose dan metode mencari invers matriks. Selain itu kita juga akan mempelajari dasar-dasar operasi pada matriks. sehingga dengan menyulihkannya pada persamaan pertama kita peroleh x1 = 3. Pemahaman yang mendalam akan metode ini akan sangat membantu memahami bab-bab berikutnya.1 Sistem Persamaan Linear Persamaan linear adalah suatu persamaan dimana variabel yang terlibat berderajat paling tinggi satu. perkalian. Pembahasan meliputi operasi penjumlahan. Sebagai contoh. Pembahasan ditujukan untuk memahami metode dalam mencari solusi sistem persamaan linear. 1. perhatikan SPL dengan dua persamaan dan dua variabel berikut 2x1 + x2 = 4 2x2 = −4 .

3x1 − 6x2 = 9 Perhatikan bahwa jika kita mengalikan persamaan kedua dengan 1/3 maka diperoleh persamaan pertama. Sifat ini kita nyatakan dalam teorema berikut. Teorema. perhatikan SPL berikutnya x1 − 2x2 =3 . Jelas bahwa tidak ada pasangan x1 dan x2 yang memenuhi persamaan ini. dan tidak ada solusi lain. SPL mempunyai solusi tunggal . Jadi solusi SPL di atas adalah tunggal. 4x1 + 8x2 = 6 Jika kita mengalikan persamaan kedua dengan 1/4 maka kita peroleh persamaan x1 + 2x2 = 3/2. Selanjutnya.2 BAB 1. Jadi SPL semula ekuivalen dengan x1 + 2x2 = 2 x1 + 2x2 = 3/2 . SPL ini ekuivalen dengan satu persamaan x1 − 2x2 = 3. Tiga kemungkinan di atas juga berlaku pada sebarang SPL dengan m buah persamaan dan n variabel. Jika kita mempunyai sebuah SPL maka persis hanya satu dari tiga kemungkinan berikut dipenuhi: a. Sekarang. x2 = t merupakan solusi persamaan ini. x2 = −2. Oleh karena itu SPL ini tidak mempunyai solusi. perhatikan SPL x1 + 2x2 =2 . Dengan kata lain. Jika kita mengambil t ∈ R sebarang maka x1 = 3 + 2t. Dengan demikian SPL semula mempunyai solusi tak hingga banyak. SISTEM PERSAMAAN LINEAR DAN MATRIKS mempunyai solusi x1 = 3. Kita mempunyai banyak pilihan dari pasangan x1 dan x2 yang memenuhi persamaan ini.

. Oleh karena itu. . perhatikan kembali SPL berikut a11 x1 + · · · + a1n xn = a21 x1 + · · · + a2n xn = .  b =  . . . SPL tidak mempunyai solusi. Kita akan mempelajari metode praktis untuk menguji eksistensi solusi SPL secara umum.   bm  Dalam hal ini.   xn   b1    . . A= .. xn mempunyai bentuk umum a11 x1 + · · · + a1n xn = a21 x1 + · · · + a2n xn = . .  . X adalah matriks variabel. Jika persamaan atau variabelnya lebih banyak tentu masalahnya sedikit lebih sulit. .. . .. .  am1 . A disebut matriks koefisien. Selain itu.1. . .. 3 Pada tiga contoh di atas kita tidak menemui kesulitan untuk menguji eksistensi solusi karena banyaknya persamaan dan variabel hanya dua. . .. SISTEM PERSAMAAN LINEAR b. am1 x1 + · · · + amn xn = bm Sistem ini dapat kita nyatakan dalam bentuk persamaan matriks AX = B dimana  a . b1 b2 . am1 x1 + · · · + amn xn = bm Jika kita menukar posisi dua buah persamaan atau mengalikan salah satu persamaan dari SPL di atas dengan sebarang bilangan tak nol maka hal itu tidak akan mempengaruhi solusi. Mulai sekarang kita akan mengidentifikasi SPL melalui persamaan matriks AX = B seperti di atas.   x1    . Sistem persamaan linear yang terdiri dari m buah persamaan linear dengan n buah variabel x1 .. . .1.  x =  . amn    . b1 b2 . . dan B matriks konstan. Demikian pula jika kita menambahkan kelipatan suatu persamaan . kita juga akan mengenali sifat-sifat SPL melalui pengetahuan kita perihal matriks-matriks ini. .. SPL mempunyai solusi tak hingga banyak c. . a1n  11 . .

Pada matriks A kita dapat melakukan operasi-operasi berikut: a. .4 BAB 1. . dikatakan ekuivalen (baris) ˜ dengan matriks A.. .. yaitu matriks hasil penggabungan matriks koefisien dan matriks konstanta. ain ) sebagai baris-baris dari matriks A..   . . menukarkan sebarang dua buah baris ˜ Ketiga operasi di atas disebut operasi baris elementer. . amn Kita menyebut masing-masing (ai1 . Kita akan menotasikan matriks lengkap ini dengan [A|B]. a1n  11  . Sebagai contoh.. 3x1 − 2x2 + x3 = 0 SPL ini mempunyai matriks lengkap   2 1 3 1      −1 1 0 2  . Untuk kepraktisan kita akan bekerja dengan matriks lengkap dari SPL bersangkutan..   3 −2 1 0 Operasi Baris Elementer (OBE) Perhatikan matriks berukuran m × n berikut   a . Dalam hal ini kita akan menggunakan notasi A ∼ A. mengalikan suatu baris dengan bilangan tak nol b. menambahkan kelipatan suatu baris pada baris lain c. Semua sifat ini akan kita gunakan dalam menyederhanakan SPL sehingga solusinya mudah diperoleh. SISTEM PERSAMAAN LINEAR DAN MATRIKS kepada persamaan lain maka tidaklah mengubah solusi SPL semula. . A= .   am1 .. . Suatu matriks A yang diperoleh dari proses sejumlah hingga OBE pada matriks A. . perhatikan SPL 2x1 + x2 + 3x3 = 1 −x1 + x2 =2 .

SISTEM PERSAMAAN LINEAR 5 Contoh Pandang matriks   1 0 −1     A =  2 1 −3  . Tentukan solusi SPL x1 − 2x2 + x3 = 2 −x1 + x2 =1 . Secara umum. 2x1 + x2 + x3 = 0 Jawab: SPL di atas mempunyai matriks  1 −2    −1 1  2 1 lengkap  1 2   0 1 .1.  1   A= 2  −3 yaitu (0 2 − 3). kemudian kita tambahkan pada persamaan kedua maka baris kedua berubah menjadi (0 1 − 1). Lema di atas mengatakan bahwa kedua SPL AX = B dan A X = B mempunyai solusi yang sama. Jika [A |B ] ekuivalen baris dengan [A|B] maka SPL AX = B ekuivalen dengan A X = B .   1 0 −1     1 −3  ∼  0   0 2 0 Jadi kita mendapatkan  0 −1   1 −1  . Kita akan menggunakan lema ini untuk mencari solusi suatu SPL. atau keduanya sama-sama tidak mempunyai solusi. Perhatikan SPL yang dinyatakan dalam matriks lengkap [A|B]. Contoh. Demikian pula jika kita mengalikan baris pertama dengan 3. Lema.1. langkah yang dilakukan adalah melakukan OBE pada matriks lengkap sehingga berubah menjadi matriks segitiga atas.   −3 2 0 Jika kita mengalikan baris pertama dengan -2. kemudian ditambahkan pada baris ketiga diperoleh baris ketiga yang baru.  1 0 .  2 −3 Berkaitan dengan ekivalensi baris dua buah matriks kita mempunyai lema berikut.

= 11      . kemudian tambahkan pada baris ketiga.  1 −2 1 2      ∼  0 1 −1 −3   0 0 4 11 Dari persamaan ketiga kita peroleh x3 = 11/4. Tentukan solusi dari x1 − x2 + 2x3 x1 + x2 − 2x3 =1 =2 . kalikan baris kedua dengan 5. Kemudian jika kita mengalikan baris kedua dengan (-1) maka menjadi (0 1 − 1 − 3). Baris ketiga sekarang berubah menjadi (0 0 4 11). Terakhir. Jadi SPL semula mempunyai solusi tunggal  −5 1  x =  −1 4 11 Contoh.6 BAB 1. sekarang kita mempunyai    1 −2 1 2 1 −2 1 2        −1 1 0 1  ∼  0 −1 1 3    0 5 −1 −4 2 1 1 0 Matriks terakhir ini bersesuaian dengan SPL x1 − 2x2 + x3 x2 − x3 4x3 =2 = −3 . SISTEM PERSAMAAN LINEAR DAN MATRIKS Tambahkan baris pertama pada baris kedua. Oleh karena itu.  3x1 − 3x2 + 6x3 = 2 . Kemudian kalikan baris pertama dengan (-2) dan ditambahkan  1    −1  2 pada baris ketiga maka kita peroleh    −2 1 2 1 −2 1 2       1 0 1  ∼  0 −1 1 3 . Dengan menyulihkan x3 = 11/4 pada persamaan kedua kita dapatkan x2 = −3 + x3 = −3 + 11/4 = −1/4.    .    1 1 0 0 5 −1 −4 Selanjutnya. dengan menyulihkan keduanya pada persamaan pertama kita peroleh x1 = 2 + 2x2 − x3 = 2 + (−2)/4 − 11/4 = −5/4.

1. Oleh karena itu kita menyimpulkan bahwa SPL semula tidak mempunyai solusi.  0.x1 + 0.x2 + 0.1. 7    . x3 yang memenuhi persamaan ketiga. Untuk sebarang dua baris tak nol yang berurutan. 1 utama baris lebih bawah terletak lebih kanan c. x2 . Matriks Eselon Baris Berdasarkan contoh-contoh di atas kita mengetahui bahwa jika matriks lengkap SPL itu berbentuk segitiga atas maka proses mendapatkan solusi menjadi lebih mudah.   3 −3 6 2 Dengan melakukan OBE kita peroleh    1 −1 2 1 1 −1 2 1        1 1 −2 2  ∼  0 2 −4 1    3 −3 6 2 0 0 0 −1 Perhatikan bahwa matriks terakhir bersesuaian dengan SPL x1 − x2 + 2x3 2x2 − 4x3 =1 =1 . Demi kepentingan pada pembahasan berikutnya kita akan mendefinisikan satu pola matriks yang disebut matriks eselon baris. selanjutnya kita sebut sebagai 1 utama b. Jika memuat baris-baris nol maka semuanya terletak di bagian bawah matriks .x3 = −1 Perhatikan bahwa tidaklah mungkin ada x1 . Jika memuat baris tak nol maka entri tak nol paling kiri adalah 1. Suatu matriks A dikatakan berbentuk eselon baris jika memenuhi tiga sifat berikut: a. SISTEM PERSAMAAN LINEAR Jawab: SPL di atas mempunyai matriks lengkap   1 −1 2 1      1 1 −2 2  .

Contoh. jika A adalah matriks eselon baris dan setiap kolom yang mempunyai 1 utama mempunyai entri 0 di tempat lain maka A disebut eselon baris tereduksi. =2 SPL ini mempunyai matriks lengkap   1 1 −3 1 0 1      −2 −1 −1 −1 1 0  . Misalkan kita mempunyai SPL AX = B dengan matriks lengkap bentuk eselon baris [A |B ].   1 1 1 −1 −2 2 Dengan melakukan OBE kita peroleh    1 1 1 −3 1 0 1        −2 −1 −1 −1 1 0  ∼  0    0 1 1 1 −1 −2 2  1   ∼ 0  0  1 −3   1 −7 1 1 2   0 4 −2 −2 1 1 −3 1 0 1 1 0 1  .   1 −7 1 1 2   0 1 −1/2 −1/2 1/4 . SISTEM PERSAMAAN LINEAR DAN MATRIKS Selanjutnya. Contoh. Yang lainnya kita sebut variabel non utama.      1 0 0 0 2 0 0 0 0 Matriks A eselon baris.8 BAB 1. sementara matriks B bukan eselon baris. matriks C eselon baris tereduksi. Definisi. Perhatikan SPL x1 + x2 − 3x3 + x4 x1 + x2 + x3 − x4 − 2x5 =1 −2x1 − x2 − x3 − x4 + x5 = 0 . Variabel yang bersesuaian dengan kolom yang mempunyai 1 utama disebut variabel utama. Perhatikan  1 1 0   A= 0 1 1  0 0 1 tiga matriks berikut      3 1 −1 1 2 0 1 0 −1           1  B =  0 1 1 1  C =  0 0 1 1 .

2. −2x1 − 2x2 + 3x3 − x4 + x5 = 0 Solusi: Kita lakukan OBE pada matriks lengkap untuk memperoleh bentuk eselon baris   1 1 −1 3 1 0 1 −2 −2 −1 1 0   1 1 −1 1 0 1 0 0 1 1 1 2  . ∼ Misalkan x2 = r. Variabel non utama dari matriks A memunculkan parameter Contoh. Mengubah [A|B] ke bentuk eselon baris [A |B ] 3. Dengan demikian solusi SPL ini dapat kita tuliskan x1 = 3 − r − 2s − t. sekarang kita dapat menetapkan salah satu prosedur mendapatkan solusi SPL. Adapun x4 dan x5 adalah variabel-variabel non utama. x4 = s. yaitu melalui tahap-tahap berikut: 1.1. SISTEM PERSAMAAN LINEAR HOMOGEN 9 Jelas bahwa hanya tiga kolom pertama yang mempunyai 1 utama sehingga x1 . x5 = t.3 Sistem Persamaan Linear Homogen Operasi Pada Matriks . Tentukan solusi dari x1 + x2 − x3 + x4 =1 . x5 = t.2 1. x3 = 2 − s − t. x3 merupakan variabel-variabel utama. Kriteria rank untuk eksistensi solusi 1. Jika setiap kolom matriks A mempunyai 1 utama maka solusi bersifat tunggal 4. Kita peroleh x3 = 2 − s − t dan x1 = 3 − r − 2s − t. Setelah kita mengenal matriks eselon baris. Mengenali matriks lengkap [A|B] 2. x4 = s. x2 = r. x2 .

SISTEM PERSAMAAN LINEAR DAN MATRIKS .10 BAB 1.

V5. terdapat 0 ∈ X sehingga 0 + u = u. (α + β)x = αx + βx V6.. 1x = x Contoh 2. u ∈ X sehingga semua aksioma berikut terpenuhi: V1. 2. α(u + v) = αu + αv V7.. (αβ)x = α(βx) V8.BAB 2 Ruang Vektor Suatu ruang vektor X atas K adalah suatu himpunan X yang dilengkapi dengan operasi penjumlahan u + v. α ∈ K.1 Misalkan X = Rn dimana n = 1.0.. V4. . u. (u + v) + w = u + (v + w) V3. yaitu himpunan 11 . v ∈ X dan perkalian dengan skalar αu. 3. u + v = v + u V2. Untuk setiap x ∈ X terdapat −x ∈ X sehingga x + (−x) = 0.

. ..   .12 BAB 2. amn αam1 .. . . . am1 + bm1  .. . αamn 2..  .. ..... xn + yn ) α(x1 . .. .. .0.. xn ) = (αx1 .   .. .1.. a1n αa11 ..   .. . am1     =     α  . ..  ... a2 ∈ R}. (Y = ∅). yaitu himpunan X yang memuat semua matriks berukuran m × n.  =  .   bm1 . . Definisikan (a0 + a1 x + a2 x2 ) + (b0 + b1 x + b2 x2 ) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 α(a0 + a1 x + a2 x2 ) = (αa0 ) + (αa1 )x + (αa2 )x2 Contoh 2... ... and Y ⊆ X.1 Let X = R2 .. amn + bmn      b .. Y is a subspace of X if Y is itself a vector space over R with respect to the operations of vector addition and scalar multiplication X. RUANG VEKTOR X = {x = (x1 .  am1 . .1 Subruang Let X be a vector space over R... Consider the following subsets of X: . amn     a11 + b11 . xn ) : xi ∈ R} Definisikan (x1 ... Contoh 2.  a1n + b1n  . αxn ) Contoh 2. xn ) + (y1 ...  +  . b1n   11 .... a1 .. . . P2 = {a0 + a1 x + a2 x2 | a0 .. ...  ... . bmn   a11 .2 Perhatikan himpunan polinom dengan derajat paling tinggi 2. yn ) = (x1 + y1 ...  . a1n  11 .  .. ..3 Misalkan X = Mm×n (R).0. . . Definisikan  a .. αa1n   . . .. .. . .

Y2 = {(x.. (1. 0) | x ∈ R} 2. 1).... and S = {x1 . ∀α ∈ R. 2x) | x ∈ R} Teorema 2. we can write (a. .3). . because we can write −1(2. (0. 0) + c(0. y ∈ Y 2. (Y = ∅). x + y ∈ Y. ∀x. Consider the set S = {(1. 0)..1 Let X be a vector space over R. xn } are set of vectors in X. 2)} ⊂ X = R2 .1.1. αx ∈ Y.. (a.1. xn } if there exists scalars α1 . 1.. For every . 3) = (4. So we conclude that S spans X.2 Let S = {x1 .1 Let X be a vector space over R. . Y1 = {(x. b). and S ⊆ X.. x is called linear combination of S = {x1 . αn such that x = α1 x1 + . 0) + b(0. 1. 1)} ⊂ X = R3 . b) ∈ X arbitrarily. 0. 0). 0. Y is a subspace of X if Y satisfies two following conditions: 1. 1). ... 0. S is linearly independent if 0 = α1 x1 + . Y ⊆ X. 1) + β(1. we can find scalars α. xn } are set of vectors in X.1) and (3. Definisi 2. X is spanned by S if every vector y in X is linear combination of S. Consider S = {(1. + αn xn has unique solution. SUBRUANG 1. b. 0. c) ∈ X.5) is linear combination of (2.1. (0. x ∈ Y 13 Let X be a vector space over R. 1) + 2(3. c) = a(1.. 2) = (a...2. 5) Definisi 2. If we take (a. b. + αn xn (4. β such that α(1....

.2.3 Ruang Baris dan Ruang Kolom .. RUANG VEKTOR 2. . The number n of all vectors in the basis is called dimension of X.2 Basis Definisi 2. S is called basis of X if S linearly independent and Spans X.1 Let S = {x1 . xn } are set of vectors in X. 2.14 BAB 2. (dim(X)=n)..

BAB 3 Determinan 15 .

DETERMINAN .16 BAB 3.

y = α x. y + x. x ≥ 0. . y 4 x. y .BAB 4 Ruang Hasil Kali Dalam 4. and x. z The pair ( . y + z = x.1 Hasil Kali Dalam Definisi 4. X) be an inner product space. and x ∈ X.1. y ∈ X | x. .. The angle between x and y is θ for which cos θ = Teorema 4. . is a function on X × X which satisfies: 1 x. X) is called inner product space. y = y. y are nonzero vectors in X. y x .1.. x = 0 ⇔ x = 0 2 x. x 1 2 Let x. . Let ( . y | ≤ x 17 y x.1 Untuk sebarang x. x 3 αx. Norm (length) of x is the number x = x.. An inner product .1 Let X be a vector space over R. .

. x1 x1 + .2.1 .. RUANG HASIL KALI DALAM 4...2 Basis Ortonormal Let S = {x1 .. xn } are set of vectors in X.1 Teorema 4. S is an orthonormal set if S is orthogonal and xi = 1..18 BAB 4. . xn } are set of vectors in X. and x ∈ X. ∀i Suppose S = {x1 . Let S = {x1 . xr xr Definisi 4. ....2.. The projection of x along W is P rojW x = x. S is an orthogonal set if xi = xj when i = j. .. xr } is orthonormal basis for subspace W of X. + x.

f (x + y) = f (x) + f (y) 2.BAB 5 Transformasi Linear Definisi 5.1 Let f : V → W be a linear 1.1 Kernel dan Peta Let f : V → W be a linear transformation. the following axioms hold: 1. 2. y ∈ V. R(f ) is a subspace of W 19 . W are vector spaces over R. α ∈ R. Ker(f ) is a subspace of V . The transformation f :V →W is said to be linear if for all x.2 Let V. We define Kernel and Range of f as sets Ker(f ) = {v ∈ V |f (v) = 0} and R(f ) = {w ∈ W |w = f (u).0. f (αx) = αf (x) 5.1. u ∈ V } Teorema 5.

W be finite dimensional vector spaces with basis B = {v1 .20 BAB 5.... and B = {w1 . If f : V → W is linear.2 Matriks Transformasi Let V.. wn } for W . representation matrix of f is defined by [f ]BB = [f (v1 )]B .. TRANSFORMASI LINEAR 5. . [f (vn )]B . . vn } for V ....

1 Nilai dan Vektor Eigen Definisi 6.1.BAB 6 Nilai Eigen dan Diagonalisasi 6. Consider the relation M x = λx. λ ∈ R is called an eigenvalue of M if there exists a nonzero vector x ∈ Rn for which M x = λx Every vector satisfying this relation is then called an eigenvector of M belonging to the eigenvalue λ. Therefore. we have |(λI − M )| = 0. λ is an eigenvalue of M 21 .1 Let M be a n × n matrix over R. This equation is equivalent to (λI − M )x = 0.1. Then x is a solution of the system (λI − M )x = 0.1 The following are equivalent: 1. Teorema 6. Let λ be an eigenvalue of M . and x is the correspondence eigenvector.

Teorema 6. If M has n distinct eigenvalues then M is diagonalizable.2. If M has linearly independent set of n eigenvectors then M is diagonalizable.2 Diagonalisasi Definisi 6.1 A n × n matrix M is said to be diagonalizable if there exists a nonsingular matrix P for which D = P −1 M P where D is a diagonal matrix.2 Let M be a n × n matrix over R. NILAI EIGEN DAN DIAGONALISASI 2. Moreover.2.2. x is a solution of the system (λI − M )x = 0. 3. |(λI − M )| = 0 6. Teorema 6.1 Let M be a n × n matrix over R.22 BAB 6. .

Bill. [2] Jacob. Howard (1985). (1997). Stephen H. Prentice Hall. Penerbit ITB. Linear Algebra. 23 . Insel Arnold J. Erlangga..H. FREEMAN & COMPANY. [3] Arifin. . Achmad (2000). (1978). Aljabar Linier.DAFTAR PUSTAKA [1] Anton. Lawrence E. W.. Linear Algebra. Aljabar Linear Elementer. [4] Friedberg. Spence.

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer: Get 4 months of Scribd and The New York Times for just $1.87 per week!

Master Your Semester with a Special Offer from Scribd & The New York Times