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

. . . . . . . . . . .1 Subruang . . . . . . . . . . .DAFTAR ISI KATA PENGANTAR DAFTAR ISI 1 Sistem Persamaan Linear dan Matriks 1. . . . . . . . . . . . . . . . . . . . . . . . . . .1 Sistem Persamaan Linear . . . . . . . . . . .2 Diagonalisasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . 2. . . . . . .1 Nilai dan Vektor Eigen . . . . . . . . . . . . . . . .2 Matriks Transformasi . . . . . . . . . . . . . . . . .3 Ruang Baris dan Ruang Kolom . . . . . . . . . . . . 18 5 Transformasi Linear 19 5. . . . . . . . . . . . . . . . 20 6 Nilai Eigen dan Diagonalisasi 21 6. . . . . 3 Determinan 2 3 1 1 9 9 11 12 14 14 15 4 Ruang Hasil Kali Dalam 17 4. . . . . . . . .2 Basis Ortonormal . . . . . . . . . . . . . . . . . . . . . .1 Kernel dan Peta . . . . . . . . . . . . . . . . . 17 4. . . . . 2 Ruang Vektor 2. . . . 21 6. . . . . . . . . 22 DAFTAR PUSTAKA 23 3 . .1 Hasil Kali Dalam . . . 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Sistem Persamaan Linear Homogen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 5.3 Operasi Pada Matriks . . . . . .2 Basis . . . . . . . . . . .

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

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

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

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

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

Dengan menyulihkan x3 = 11/4 pada persamaan kedua kita dapatkan x2 = −3 + x3 = −3 + 11/4 = −1/4. Baris ketiga sekarang berubah menjadi (0 0 4 11). kalikan baris kedua dengan 5.6 BAB 1. = 11      . dengan menyulihkan keduanya pada persamaan pertama kita peroleh x1 = 2 + 2x2 − x3 = 2 + (−2)/4 − 11/4 = −5/4. Oleh karena itu.    1 1 0 0 5 −1 −4 Selanjutnya. 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 .    . Tentukan solusi dari x1 − x2 + 2x3 x1 + x2 − 2x3 =1 =2 . SISTEM PERSAMAAN LINEAR DAN MATRIKS Tambahkan baris pertama pada baris kedua.  1 −2 1 2      ∼  0 1 −1 −3   0 0 4 11 Dari persamaan ketiga kita peroleh x3 = 11/4. Jadi SPL semula mempunyai solusi tunggal  −5 1  x =  −1 4 11 Contoh. 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 . Kemudian jika kita mengalikan baris kedua dengan (-1) maka menjadi (0 1 − 1 − 3). kemudian tambahkan pada baris ketiga. Terakhir.  3x1 − 3x2 + 6x3 = 2 .

x1 + 0. 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. SISTEM PERSAMAAN LINEAR Jawab: SPL di atas mempunyai matriks lengkap   1 −1 2 1      1 1 −2 2  . Jika memuat baris tak nol maka entri tak nol paling kiri adalah 1. x3 yang memenuhi persamaan ketiga.1.1.x2 + 0. Jika memuat baris-baris nol maka semuanya terletak di bagian bawah matriks . 7    . Untuk sebarang dua baris tak nol yang berurutan.   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 . 1 utama baris lebih bawah terletak lebih kanan c. Suatu matriks A dikatakan berbentuk eselon baris jika memenuhi tiga sifat berikut: a. Demi kepentingan pada pembahasan berikutnya kita akan mendefinisikan satu pola matriks yang disebut matriks eselon baris. selanjutnya kita sebut sebagai 1 utama b. x2 .  0. Oleh karena itu kita menyimpulkan bahwa SPL semula tidak mempunyai solusi.x3 = −1 Perhatikan bahwa tidaklah mungkin ada x1 .

Contoh. Yang lainnya kita sebut variabel non utama. Misalkan kita mempunyai SPL AX = B dengan matriks lengkap bentuk eselon baris [A |B ]. 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 SPL ini mempunyai matriks lengkap   1 1 −3 1 0 1      −2 −1 −1 −1 1 0  . Definisi.      1 0 0 0 2 0 0 0 0 Matriks A eselon baris. Perhatikan SPL x1 + x2 − 3x3 + x4 x1 + x2 + x3 − x4 − 2x5 =1 −2x1 − x2 − x3 − x4 + x5 = 0 . Contoh.   1 −7 1 1 2   0 1 −1/2 −1/2 1/4 . matriks C eselon baris tereduksi. sementara matriks B bukan eselon baris.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. Variabel yang bersesuaian dengan kolom yang mempunyai 1 utama disebut variabel utama.   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  .

Variabel non utama dari matriks A memunculkan parameter Contoh. Mengenali matriks lengkap [A|B] 2. x3 = 2 − s − t. x4 = s. Dengan demikian solusi SPL ini dapat kita tuliskan x1 = 3 − r − 2s − t. x2 = r. x3 merupakan variabel-variabel utama. x2 . Tentukan solusi dari x1 + x2 − x3 + x4 =1 . −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  . Setelah kita mengenal matriks eselon baris. Mengubah [A|B] ke bentuk eselon baris [A |B ] 3. ∼ Misalkan x2 = r. Jika setiap kolom matriks A mempunyai 1 utama maka solusi bersifat tunggal 4. x4 = s. SISTEM PERSAMAAN LINEAR HOMOGEN 9 Jelas bahwa hanya tiga kolom pertama yang mempunyai 1 utama sehingga x1 .1. x5 = t. x5 = t. Adapun x4 dan x5 adalah variabel-variabel non utama. sekarang kita dapat menetapkan salah satu prosedur mendapatkan solusi SPL. Kita peroleh x3 = 2 − s − t dan x1 = 3 − r − 2s − t.2 1.2. yaitu melalui tahap-tahap berikut: 1. Kriteria rank untuk eksistensi solusi 1.3 Sistem Persamaan Linear Homogen Operasi Pada Matriks .

10 BAB 1. SISTEM PERSAMAAN LINEAR DAN MATRIKS .

terdapat 0 ∈ X sehingga 0 + u = u.. Untuk setiap x ∈ X terdapat −x ∈ X sehingga x + (−x) = 0. V5. V4. v ∈ X dan perkalian dengan skalar αu. . α ∈ K.0. u + v = v + u V2. (u + v) + w = u + (v + w) V3. u ∈ X sehingga semua aksioma berikut terpenuhi: V1. 3. α(u + v) = αu + αv V7.. 2.. yaitu himpunan 11 . 1x = x Contoh 2. (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. u.1 Misalkan X = Rn dimana n = 1. (α + β)x = αx + βx V6.

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

.. 0) + b(0. c) ∈ X. β such that α(1. and S = {x1 . SUBRUANG 1. 0... 1. . 2) = (a. c) = a(1.. 1) + 2(3. Y2 = {(x. b). (0.1 Let X be a vector space over R.1) and (3. αn such that x = α1 x1 + . . 2x) | x ∈ R} Teorema 2.2. 2)} ⊂ X = R2 .5) is linear combination of (2. 0. S is linearly independent if 0 = α1 x1 + .3). 5) Definisi 2. b.. Y ⊆ X. 1).. x is called linear combination of S = {x1 . 0) + c(0.. Y is a subspace of X if Y satisfies two following conditions: 1. 1)} ⊂ X = R3 . because we can write −1(2. .. ∀x.. (Y = ∅). Definisi 2. 3) = (4. xn } if there exists scalars α1 . + αn xn (4.1. xn } are set of vectors in X. Consider S = {(1. Y1 = {(x. x ∈ Y 13 Let X be a vector space over R. (a.. X is spanned by S if every vector y in X is linear combination of S.. b. 1) + β(1. and S ⊆ X.. x + y ∈ Y. we can write (a. Consider the set S = {(1.1. 0) | x ∈ R} 2.1. 0).2 Let S = {x1 ..1 Let X be a vector space over R. (1. For every . we can find scalars α. If we take (a. 0. 1..1. 0). (0. 1). So we conclude that S spans X. + αn xn has unique solution.. . b) ∈ X arbitrarily. 0. ∀α ∈ R. xn } are set of vectors in X. αx ∈ Y. y ∈ Y 2.

..2.3 Ruang Baris dan Ruang Kolom . xn } are set of vectors in X. 2.1 Let S = {x1 .. The number n of all vectors in the basis is called dimension of X.2 Basis Definisi 2. . RUANG VEKTOR 2.14 BAB 2. (dim(X)=n). S is called basis of X if S linearly independent and Spans X.

BAB 3 Determinan 15 .

DETERMINAN .16 BAB 3.

. The angle between x and y is θ for which cos θ = Teorema 4. Norm (length) of x is the number x = x. y are nonzero vectors in X. y x . z The pair ( .. y = α x. . Let ( .BAB 4 Ruang Hasil Kali Dalam 4. y 4 x. y | ≤ x 17 y x. x 3 αx. y . is a function on X × X which satisfies: 1 x.. x ≥ 0. . .1.1. y + z = x. y = y. An inner product . X) be an inner product space.1 Untuk sebarang x. x = 0 ⇔ x = 0 2 x. . y ∈ X | x. . y + x.1 Hasil Kali Dalam Definisi 4. X) is called inner product space. and x ∈ X.1 Let X be a vector space over R. x 1 2 Let x. and x.

2 Basis Ortonormal Let S = {x1 .1 . The projection of x along W is P rojW x = x.. ∀i Suppose S = {x1 .. + x. S is an orthonormal set if S is orthogonal and xi = 1. xr xr Definisi 4. xn } are set of vectors in X.2.2. . Let S = {x1 ... xr } is orthonormal basis for subspace W of X... S is an orthogonal set if xi = xj when i = j... and x ∈ X. xn } are set of vectors in X.. x1 x1 + . ... RUANG HASIL KALI DALAM 4. .1 Teorema 4.18 BAB 4.

2 Let V. R(f ) is a subspace of W 19 . y ∈ V.1 Let f : V → W be a linear 1. Ker(f ) is a subspace of V . The transformation f :V →W is said to be linear if for all x. the following axioms hold: 1.0.BAB 5 Transformasi Linear Definisi 5. f (αx) = αf (x) 5. f (x + y) = f (x) + f (y) 2. u ∈ V } Teorema 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). 2. α ∈ R.1. W are vector spaces over R.

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

Therefore. Let λ be an eigenvalue of M .1 Nilai dan Vektor Eigen Definisi 6.1. This equation is equivalent to (λI − M )x = 0. λ is an eigenvalue of M 21 . 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.1 Let M be a n × n matrix over R. we have |(λI − M )| = 0.1 The following are equivalent: 1. Then x is a solution of the system (λI − M )x = 0. and x is the correspondence eigenvector. Consider the relation M x = λx.1. Teorema 6.BAB 6 Nilai Eigen dan Diagonalisasi 6.

|(λI − M )| = 0 6.2 Let M be a n × n matrix over R. x is a solution of the system (λI − M )x = 0.2 Diagonalisasi Definisi 6. Teorema 6. If M has linearly independent set of n eigenvectors then M is diagonalizable. If M has n distinct eigenvalues then M is diagonalizable. Moreover.2.1 Let M be a n × n matrix over R.22 BAB 6. 3.2. Teorema 6. NILAI EIGEN DAN DIAGONALISASI 2.2.1 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. .

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

Sign up to vote on this title
UsefulNot useful