Versi Cetak

Aljabar Linear c 2012 The Author, Subiono
Aljabar Linear
c _2012 The Author, Subiono
Materi Kuliah Aljabar Linear 2012
Subiono
Email:subiono2008@matematika.its.ac.id
Jurusan Matematika-MIPA,
Institut Teknologi Sepuluh Nopember,
Surabaya
28 Juni 2012
Jurusan Matematika-MIPA, Institut Teknologi Sepuluh Nopember, Surabaya
Daftar Isi
1
Lapangan dan Ruang Vektor
2
Ruang Bagian
3
Himpunan Pembentang
4
Bebas Linear
5
Basis dan Dimensi
6
Pemetaan Linear
7
Matriks Transisi dari basis B ke basis C.
8
Vektor-eigen dan Nilai-eigen
9
Ke-Orthogonalan
10
Proyeksi dan General Invers
Abstrak
Abstrak
Dalam modul ajar ini diberikan beberapa materi dari mata kuliah
Aljabar Linier (SM 091323) untuk program Sarjana (S1) jurusan
matematika FMIPA-ITS. Materi kuliah berupa perencanaan yang
disajikan agar mempermudah peserta ajar dalam proses belajar
mengajar. Peserta ajar diharapkan mempersiapkan diri melalui
pemahaman yang dipunyai sebelumnya dan menambah kekurangan
pemahaman pengetahuannya yang dirasa kurang saat proses
belajar di kelas dan untuk mempermudah proses mengajar
digunakan alat bantu perangkat lunak SAGE Versi 5. Selain itu
materi kuliah ini disesuai dengan Kurikulum 2009-2014.
Rencana Materi Kuliah
Rencana Materi Kuliah
Lapangan dan Ruang Vektor atas suatu Lapangan.
Ruang-bagian dan Himpunan Pembentang.
Bebas linier dan Basis.
Dimensi, Jumlahan Langsung.
Koordinat dan Basis Terurut.
Pemetaan linier pada Ruang Vektor.
Aljabar Matriks
Perubahan dari Basis dan Rank
Determinan dan Invers.
Bentuk Echelon dari suatu Matriks.
Eigenvektor dan Eigenvalue.
Orthogonalitas (Proses Orthogonalitas Gram-Schmidt).
General Invers.
Lapangan (Field)
Suatu lapangan adalah suatu himpunan K ,= bersama-sama
dengan dua operasi tambah (+) dan kali (.) sehingga untuk semua
a, b, c K memenuhi:
(a + b) K (tertutup) dan a + b = b + a (komutatif).
(a + b) + c = a + (b + c) (assosiatif).
Ada 0 K sehingga a + 0 = 0 + a = a (elemen netral).
Untuk setiap a K ada suatu a K sehingga
a + (a) = a + a = 0 (invers).
(a.b) K (tertutup) dan a.b = ba (komutatif).
(a.b).c = a.(b.c) (assosiatif).
Ada 1 K sehingga a.1 = 1.a = a (elemen identitas).
Bila a ,= 0, maka ada a
1
K sehingga a.a
1
= a
1
.a = 1
(invers).
a.(b + c) = (a.b) + (a.c) (distributif).
Contoh
Contoh 1
Himpunan bilangan rasional Q, himpunan bilangan riil R dan
himpunan bilangan kompleks C.
Contoh 2
Himpunan bilangan bulat modulo p dinotasikan oleh Z
p
, dengan p
bilangan prima.
Contoh 1. adalah lapangan takhingga sedangkan Contoh 2.
lapangan hingga. Dalam Contoh 2., bila p bukan bilangan prima,
maka Z
p
bukan lapangan. Juga himpunan bilangan bulat Z bukan
suatu lapangan sebab elemen 4 Z tidak mempunyai invers
terhadap perkalian
_
1
4
/ Z
_
.
Ruang Vektor
Definisi
Suatu himpunan V dengan dua operasi tambah dan kali dikatakan
suatu ruang vektor atas lapangan K bila memenuhi:
1. Bila u, v, w V, maka u + v V dan
u + v = v + u
(u + v) + w = u + (v + w)
Ada 0 V sehingga v + 0 = v = 0 +v, v V
Untuk setiap v V ada w V sehingga v + w = w + v = 0
(biasanya w ditulis sebagai v).
2. Bila a, b K dan u, v V, maka av V dan
(a + b)v = av + bv
a(u + v) = av + au
(ab)v = a(bv) dan 1v = v
Contoh Ruang Vektor
Contoh 1
Himpunan R
2
adalah ruang vektor atas lapangan R, dengan
_
x
1
x
2
_
+
_
y
1
y
2
_
def
=
_
x
1
+ y
1
x
2
+ y
2
_
,
_
x
1
x
2
_
,
_
y
1
y
2
_
R
2
dan
a
_
x
1
x
2
_
def
=
_
ax
1
ax
2
_
, a K dan
_
x
1
x
2
_
R
2
.
Contoh 2
Himpunan R
n
juga ruang vektor atas R dengan denisi operasi tambah
dan kali diberikan seperti di Contoh 1. Penambahan dalam Contoh 1.
dinamakan penambahan secara komponen yang bersesuaian.
Contoh Ruang Vektor
Contoh 3
Himpunan matriks m n dengan elemen elemennya bilangan riil
M
m,n
(R) =
_
_
_
_
_
_
_
_
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
m1
. . . a
mn
_
_
_
_
a
ij
R
_
_
_
_
_
_
_
dan operasi tambah matriks diberikan oleh:
[a]
i ,j
+ [b]
i ,j
def
= [a + b]
i ,j
sedangkan perkalian skalar R dengan matriks diberikan oleh:
[a]
i ,j
def
= [a]
i ,j
.
Maka M
m,n
(R) adalah suatu ruang vektor atas lapangan R.
Contoh Ruang Vektor
Lanjutan Contoh...
4. Misalkan F adalah suatu lapangan dan himpunan semua fungsi,
yaitu V = f : F F dengan (f + g)(x)
def
= f (x) + g(x), x F
dan (f )(x)
def
= f (x), F. Maka V adalah ruang vektor atas F.
5. Misalkan F adalah suatu lapangan dan himpunan semua
polinomial berderajad kurang atau sama dengan n yaitu
P
n
(F) = p(x) = a
0
+ a
1
x + . . . + a
n
x
n
[ a
i
F dengan
(p + q)(x)
def
= p(x) + q(x), x F dan (p)(x)
def
= p(x), F.
Maka P
n
(F) adalah ruang vektor atas F.
Contoh Ruang Vektor
Lanjutan Contoh ...
6. Himpunan l
= a = (a
1
, a
2
, . . .) [ a
n
R, sup([a
n
[) <
dengan a +b
def
= (a
1
+b
1
, a
2
+b
2
, . . .) dan a
def
= (a
1
, a
2
, . . .), R.
Maka l
adalah ruang vektor atas lapangan R.

7. Himpunan fungsi terdierensial tak berhingga kali pada interval
[a, b], yaitu C
[a, b], denisi penambahan fungsi dan perkalian

skalar dengan fungsi seperti dalam Contoh 4. merupakan ruang
vektor atas lapangan riil R.
8. Himpunan fungsi-fungsi V = f : R R [
d
2
f
dx
2
+ f = 0 denisi
penambahan fungsi dan perkalian skalar dengan fungsi seperti
dalam Contoh 4. merupakan ruang vektor atas lapangan riil R.
Sifat Ruang Vektor
Sifat
Misalkan V adalah suatu ruang vektor atas lapangan K, maka:
(1). 0v = 0, 0 adalah elemen netral di K dan v V.
(2). (1v) + v = 0, dengan 1 K.
(3). 0 = 0, dengan K
Bukti
(1). v = (1 + 0)v = v + 0v, kedua ruas tambahkan dengan vektor
w yang memenuhi w + v = 0, didapat: w + v = w + v + 0v atau
0 = 0 + 0v. Terlihat bahwa 0v = 0.
(2). (1v) + v = (1 + 1)v = 0v = 0.
(3). 0 = (00) = ( 0)0 = 00 = 0.
Ruang Bagian
Ruang Bagian
Definisi Ruang Bagian
Misalkan V suatu ruang vektor atas lapangan K. Himpunan
S V (S ,= ) dikatakan suatu ruang bagian bila S sendiri dengan
operasi tambah dan kali seperti di V tetap merupakan ruang
vektor atas K.
Contoh Ruang Bagian
1. Himpunan
B =
_
_
_
_
_
x
y
z
_
_
x + y + z = 0
_
_
_
adalah ruang bagian dari ruang vektor R
3
atas R.
Ruang Bagian
Lanjutan Contoh Ruang Bagian
Contoh Ruang Bagian
2. Misalkan ruang vektor dari semua himpunan fungsi yaitu
V = f : R R dan D V, dengan D =
_
f V
d
2
f
dx
2
+ f = 0
_
,
maka D adalah ruang bagian dari ruang vektor V atas R.
3. Himpunan P
3
(R) adalah ruang bagian dari ruang vektor P
n
(R)
atas lapangan R dengan n 3.
4. Himpunan S =
_
(a
n
) l
[ lim
n
a
n
= x, x R
_
adalah ruang
bagian dari ruang vektor l
atas lapangan R.
5. Himpunan S = x R
n
[ Ax = 0, A M
m,n
(R) adalah ruang
bagian dari ruang vektor R
n
atas lapangan R.
6. Himpunan titik yang melalui garis 3x + 2y = 0 yaitu
S =
_
(2t, 3t)
R
2
[ t R
_
adalah ruang bagian dari ruang
vektor R
2
atas lapangan R.
Ruang Bagian
Sifat Ruang Bagian
Sifat Ruang Bagian
Himpunan S adalah suatu ruang bagian dari suatu ruang vektor V
atas lapangan K bila dan hanya bila x
1
s
1
+ x
2
s
2
S untuk setiap
x
1
, x
2
K dan s
1
, s
2
S.
Bukti
Misalkan S ruang bagian dan x
1
, x
2
K juga s
1
, s
2
S, maka
x
1
s
1
S dan x
2
s
2
S. Oleh karena itu, x
1
s
1
+ x
2
s
2
juga di S.
Sebaliknya, misalkan x
1
s
1
+ x
2
s
2
S untuk setiap x
1
, x
2
K dan
s
1
, s
2
S. Akan ditunjukkan bahwa S adalah ruang vektor atas K.
Ruang Bagian
Lanjutan Bukti
Lanjutan Bukti
Sifat 2. dari ruang vektor otomatis diwarisi dari V, begitu juga sifat
komutatif, assosiatif di sifat 1., diwarisi dari V. Untuk x
1
= x
2
= 1,
didapat 1s
1
+ 1s
2
= s
1
+ s
2
S (tertutup). Untuk x
1
= x
2
= 0 didapat
0s
1
+ 0s
2
= 0(s
1
+ s
2
) = 0 S. Oleh karena itu, untuk x
1
= x
2
= 1 dan
setiap s S, didapat 1s + 10 = s + 0 = s = 0 + s = 10 + 1s S.
Selanjutnya untuk x
1
= 1, x
2
= 1 dan setiap s S didapat
1s + (1)s = (1 + (1))s = 0s = 0 (s punya invers yaitu s)
Catatan:
Pernyataan x
1
s
1
+ x
2
s
2
S untuk setiap x
1
, x
2
K dan s
1
, s
2
S, dapat
diganti oleh x
1
s
1
+ x
2
s
2
+ . . . + x
n
s
n
S untuk setiap x
1
, x
2
, . . . , x
n
K
dan s
1
, s
2
, . . . , s
n
S.
Ruang Bagian
Contoh Penggunaan Sifat Ruang Bagian
Contoh 1
Himpunan
B =
_
_
_
_
_
x
y
z
_
_
R
3
x + y + z = 0
_
_
_
adalah ruang bagian dari ruang vektor R
3
atas R. Sebab, untuk setiap
v
1
, v
2
B, maka
v
1
=
_
_
x
1
y
1
z
1
_
_
=
_
_
y
1
z
1
y
1
z
1
_
_
= y
1
_
_
1
1
0
_
_
+ z
1
_
_
1
0
1
_
_
,
v
2
=
_
_
x
2
y
2
z
2
_
_
=
_
_
y
2
z
2
y
2
z
2
_
_
= y
2
_
_
1
1
0
_
_
+ z
2
_
_
1
0
1
_
_
.
Sehingga untuk a, b R, didapat:
av
1
+ bv
2
=
R
.
(ay
1
+ by
2
)
_
_
1
1
0
_
_
+
R
.
(az
1
+ bz
2
)
_
_
1
0
1
_
_
B.
Ruang Bagian
Contoh 2
Misalkan ruang vektor dari semua himpunan fungsi yaitu
V = f : R R dan D V, dengan
D =
_
f V
d
2
f
dx
2
+ f = 0
_
, maka D adalah ruang bagian dari ruang
vektor V atas R. Sebab, misalkan f , g D dan a, b R, maka
d
2
(af + bg)
dx
2
+ (af + bg) = a
d
2
f
dx
2
+ af + b
d
2
g
dx
2
+ bg
= a(
d
2
f
dx
2
+ f ) + b(
d
2
g
dx
2
+ g)
= a 0 + b 0 = 0.
Jadi af + bg D.
Ruang Bagian
Contoh 3
Himpunan P
3
(R) adalah ruang bagian dari ruang vektor P
n
(R)
atas lapangan R dengan n 3. Sebab, misalkan
p(x), q(x) P
3
(R) dan a, b R, maka
ap(x) + bq(x) = a(a
0
+ a
1
x + a
2
x
2
+ a
3
x
3
)
+b(b
0
+ b
1
x + b
2
x
2
+ b
3
x
3
)
= (aa
0
+ bb
0
)
. .
R
+(aa
1
+ bb
1
)
. .
R
x + (aa
2
+ bb
2
)
. .
R
x
2
+(aa
3
+ bb
3
)
. .
R
x
3
.
Jadi ap(x) + bq(x) P
3
(R).
Himpunan Pembentang
Himpunan Pembentang
Definisi
Misalkan V suatu ruang vektor atas K dan S V. Himpunan
pembentang dari S adalah himpunan:
< S >
def
= x
1
s
1
+ . . . + x
n
s
n
[ x
1
, . . . , x
n
K, s
1
, . . . , s
n
S.
Penulisan x
1
s
1
+ . . . + x
n
s
n
juga dinamakan kombinasi linier dari
vektor-vektor s
1
, . . . , s
n
.
Sifat
Bila V merupakan suatu ruang vektor atas K dan S V dengan
S ,= , maka < S > adalah suatu ruang bagian dari V.
Himpunan Pembentang
Bukti Sifat Pembentang
Bukti
Misalkan v = x
1
s
1
+ . . . + x
n
s
n
dan w = x
n+1
s
n+1
+ . . . + x
m
s
m
di
< S > dan a, b K, maka
av + bw = a(x
1
s
1
+ . . . + x
n
s
n
) + b(x
n+1
s
n+1
+ . . . + x
m
s
m
)
= (ax
1
)s
1
+ . . . + (ax
n
)s
n
+ (bx
n+1
)s
n+1
+ . . . + (bx
m
)s
m
.
Terlihat bahwa av + bw < S >, oleh karena itu < S > adalah
ruang bagian dari V.
Himpunan Pembentang
Contoh Himpunan Pembentang
Contoh 1
Misalkan V ruang vektor atas K untuk setiap v V, maka
v = kv [ k K.
Contoh 2
Misalkan ruang vektor R
3
atas R, maka e
1
, e
2
= R
2
dimana
e
1
= (1, 0, 0)
dan e
2
= (0, 1, 0)
. Sebab,
R
2
=
_
_
_
_
_
x
y
0
_
_
x, y R
_
_
_
=
_
_
_
x
_
_
1
0
0
_
_
+ y
_
_
0
1
0
_
_
x, y R
_
_
_
= {xe
1
+ ye
2
| x, y R} = {e
1
, e
2
} .
Himpunan Pembentang
Lanjutan Contoh
Contoh 3
Misalkan V = R
n
ruang vektor atas R dan diberikan suatu matriks
A M
n
(R). Didenisikan suatu himpunan
S = x V [ Ax = 0,
maka S adalah ruang bagian dari V. Sebab bila untuk sebarang
z, y S dan sebarang a, b R didapat
A(ay + bz) = a(Ay) + b(Az) = a 0 + b 0 = 0.
Jadi ay + bz S, maka dari itu S merupakan sub ruang dari V.
Himpunan Pembentang
Pembangun dan Sifat
Pembangun (generator)
Ruang bagian S dari suatu ruang vektor V juga dinamakan
ruang vektor yang dibangun oleh S. Dalam hal ini S dinamakan
generator atau pembangun dari S.
Sifat
Misalkan V suatu ruang vektor atas K, S adalah suatu
himpunan pembentang dari S dan v V, maka
S = S v
bila dan hanya bila v S.
Himpunan Pembentang
Bukti Sifat
Bukti
Misalkan S = S v, jelas bahwa v S v.Jadi juga
v S. Sebaliknya misalkan bahwa v S,akan ditunjukkan
bahwa S = S v. Jelas bahwa S S v.Tinggal
menunjukkan bahwa S v S. Tulis v = a
0
s
0
+ . . . + a
n
s
n
dan misalkan w S v.Didapat
w = b
0
v + a
n+1
s
n+1
+ . . . + a
m
s
m
= (b
0
a
0
)s
0
+ . . . + (b
0
a
n
)s
n
+ a
n+1
s
n+1
+ . . . + a
m
s
m
Terlihat bahwa w S.Jadi S v S dan karena
S S v, oleh karena itu haruslah S = S v
Himpunan Pembentang
Contoh Sifat Pembentang
Contoh
Misalkan dalam R
3
, vektor-vektor
v
1
=
_
_
1
0
0
_
_
, v
2
_
_
0
1
0
_
_
dan v
3
=
_
_
2
3
0
_
_
.
Didapat v
3
= 2v
1
+ 3v
2
, jadi v
3
v
1
, v
2
. Maka dari itu,
v
1
, v
2
= v
1
, v
2
, v
3
. Hasil bentangan v
1
, v
2
, v
3
adalah bidang B.
x
y
z
v
1
v
2
v
3
Bidang B
Himpunan Pembentang
Catatan
Sifat dari suatu himpunan pembentang yang dibahas sebelumnya,
menyatakan bahwa suatu vektor v di

S bisa dihapus untuk
memperoleh himpunan baru S dengan himpunan pembentang yang
sama yaitu
S
_
= S bila dan hanya bila v merupakan kombinasi
linier dari vektor-vektor di S. Jadi dengan pengertian ini, suatu
himpunan S V adalah minimal bila dan hanya bila himpunan ini
tidak memuat vektor-vektor yang merupakan kombinasi linier dari
vektor-vektor yang lainnya dalam himpunan tersebut (vektor-vektor
di S yang demikian ini nantinya dinamakan bebas linear). Dengan
demikian bila hasil bentangan

S diinginkan lebih luas dari
bentangan S yaitu
S S v =
S
_
,
maka haruslah dipilih v / S.
Bebas Linear
Bebas Linear
Definisi Bebas Linear
Vektor-vektor v
1
, v
2
, . . . , v
n
di suatu ruang vektor V atas lapangan
K dinamakan bebas linier bila vektor v
i
, i = 1, 2, . . . , n bukan
merupakan suatu kombinasi linier dari vektor-vektor yang lainnya.
Bila tidak demikian, maka vektor-vektor v
j
, j = 1, 2, . . . , n
dinamakan bergantungan linier
Sifat
Misalkan Vektor-vektor s
1
, . . . , s
n
S V, dengan V suatu ruang
vektor atas K, vektor-vektor s
i
, i = 1, 2 . . . , n bebas linier bila dan
hanya bila x
1
s
1
+ . . . + x
n
s
n
= 0, x
i
K dipenuhi hanya untuk
x
1
= . . . = x
n
= 0.
Bebas Linear
Bukti Sifat Bebas Linear
Misalkan s
i
S, i = 1, 2 . . . , n bebas linier dan andaikan
x
1
s
1
+ . . . + x
n
s
n
= 0. Tetapi untuk beberapa i , dengan x
i
,= 0 didapat
s
i
= (
x
1
x
i
)s
1
+ . . . + (
x
i 1
x
i
)s
i 1
+ (
x
i +1
x
i
)s
i +1
+ . . . + (
x
n
x
i
)s
n
. Terlihat
bahwa s
i
merupakan kombinasi linier dari vektor-vektor s
j
, j ,= i . Hal ini
bertentangan dengan kenyataan bahwa s
i
, i = 1, 2, . . . , n bebas linier.
Jadi haruslah x
1
s
1
+ . . . + x
n
s
n
= 0 dipenuhi hanya untuk
x
1
= . . . = x
n
= 0. Selanjutnya misalkan x
1
s
1
+ . . . + x
n
s
n
= 0, x
i
K
dipenuhi hanya untuk x
1
= . . . = x
n
= 0, maka jelas bahwa
s
i
, i = 1, 2 . . . , n bebas linier. Bila tidak berarti bahwa untuk beberapa i ,
s
i
= c
1
s
1
+ . . . + c
i 1
s
i 1
+ c
i +1
s
i +1
+ . . . + c
n
s
n
atau
0 = c
1
s
1
+ . . . + c
i 1
s
i 1
+ c
i
s
i
+ c
i +1
s
i +1
+ . . . + c
n
s
n
dengan c
i
= 1.
Ini bertentangan dengan kenyataan bahwa
0 = c
1
s
1
+ . . . + c
i 1
s
i 1
+ c
i
s
i
+ c
i +1
s
i +1
+ . . . + c
n
s
n
dipenuhi hanya
untuk c
i
= 0, i = 1, 2, . . . , n.
Bebas Linear
Komentar
Pernyataan vektor-vektor s
i
, i = 1, 2 . . . , n dalam ruang vektor V
atas K bebas linier ekivalen dengan x
1
s
1
+ . . . + x
n
s
n
= 0, x
i
K
dipenuhi hanya untuk x
1
= . . . = x
n
= 0. Bila V = R
n
dan K = R,
maka vektor-vektor s
i
, i = 1, 2 . . . , n dalam ruang vektor R
n
atas
R bebas linier mempunyai arti bahwa sistem persamaan linier
homogin x
1
s
1
+ . . . + x
n
s
n
= 0 mempunyai penyelesaian trivial,
yaitu x
i
= 0, i = 1, 2, . . . , n. Bila persamaan homogin ini
mempunyai jawab non trivial, yaitu x
i
,= 0 untuk beberapa i , maka
hal ini berarti bahwa vektor-vektor s
i
tsb. tidak bebas linier atau
bergantungan linier. Bila vektor s ,= 0 di ruang vektor R
n
dan
memenuhi s = x
1
s
1
+ . . . + x
n
s
n
, yaitu vektor s merupakan
kombinasi linier dari vektor-vektor s
1
, . . . , s
n
. Hal ini berarti bahwa
sistem persamaan linier tak homogin s = x
1
s
1
+ . . . + x
n
s
n
,
mempunyai jawab x = (x
1
, . . . , x
n
)
.
Bebas Linear
Contoh
Contoh 1
Dalam R
4
vektor (1, 4, 2, 6)
adalah kombinasi linier dari dua

vektor (1, 2, 0, 4)
dan (1, 1, 1, 3)
, sebab:
(1, 4, 2, 6)
= 3(1, 2, 0, 4)
2(1, 1, 1, 3)
. Sedangkan vektor
(2, 6, 0, 9)
bukan kombinasi linier (1, 2, 0, 4) dan (1, 1, 1, 3)
, sebab
bila (2, 6, 0, 9)
= x
1
(1, 2, 0, 4)
+ x
2
(1, 1, 1, 3)
ekivalen dengan
sistem persamaan linier
x
1
+ x
2
= 2
2x
1
+ x
2
= 6
x
2
= 0
4x
1
+ 3x
2
= 9
Mudah dicek bahwa sistem persamaan linier ini tidak mempunyai
jawab.
Bebas Linear
Contoh
Contoh 2
Misalkan ruang vektor V = f : R R atas R, maka fungsi
cos 2x merupakan kombinasi linier dari fungsi-fungsi cos
2
x, sinh
2
x
dan cosh
2
x, sebab cos 2x = 2 cos
2
x + sinh
2
x cosh
2
x, ingat
bahwa cos 2x = 2 cos
2
x 1 dan cosh
2
x sinh
2
x = 1.
Contoh 3
Misalkan tiga vektor v
1
= (1, 2, 3)
, v
2
= (3, 2, 1)
dan v
3
= (3, 3, 3)
di
R
3
. Maka
v
1
, v
2
, v
3
= x
1
v
1
+ x
2
v
2
+ x
3
v
3
[ x
1
, x
2
, x
3
R
= (x
1
+ 3x
2
+ 3x
3
, 2x
1
+ 2x
2
+ 3x
3
, 3x
1
+ x
2
+ 3x
3
)

Bebas Linear
Lanjutan Contoh
Lanjutan Contoh 3
Tulis (x, y, z)
= (x
1
+ 3x
2
+ 3x
3
, 2x
1
+ 2x
2
+ 3x
3
, 3x
1
+ x
2
+ 3x
3
)
.
Didapat:
_
_
x
y
z
_
_
=
_
_
1 3 3
2 2 3
3 1 3
_
_
_
_
x
1
x
2
x
3
_
_
,
(1 2 1)
_
_
x
y
z
_
_
= (1 2 1)
_
_
1 3 3
2 2 3
3 1 3
_
_
_
_
x
1
x
2
x
3
_
_
= 0,
atau x 2y + z = 0. Catatan 3v
1
+ 3v
2
4v
3
= 0 dan juga
det
_
_
1 3 3
2 2 3
3 1 3
_
_
= 0.
Bebas Linear
Lanjutan Contoh
Contoh 4
Dua vektor v
1
=
_
40 15
_
, v
2
=
_
50 25
_
R
2
adalah
bebas linear sebab x
1
v
1
+ x
2
v
2
= 0 dipenuhi hanya untuk
x
1
= x
2
= 0, hal ini bisa dicek sbb:
40x
1
50x
2
= 0
15x
1
+ 25x
2
= 0
_
15
40
B
1
+ B
2
40x
1
50x
2
= 0
175
4
x
2
= 0
_
,
didapat x
2
= 0, x
1
= 0.
Contoh 5
Diberikan S R
3
dengan
S =
_
_
_
_
_
1
0
0
_
_
,
_
_
0
2
0
_
_
,
_
_
1
2
0
_
_
,
_
_
0
1
1
_
_
,
_
_
3
3
0
_
_
_
_
_
Bebas Linear
Lanjutan Contoh
Lanjutan Contoh 5
Perhatikan persamaan berikut:
x
1
_
_
1
0
0
_
_
+ x
2
_
_
0
2
0
_
_
+ x
3
_
_
1
2
0
_
_
+ x
4
_
_
0
1
1
_
_
+ x
5
_
_
3
3
0
_
_
=
_
_
0
0
0
_
_
.
Himpunan penyelesaiannya adalah:
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
= x
3
_
_
_
_
_
1
1
1
0
0
_
_
_
_
_
+ x
5
_
_
_
_
_
3
3/2
0
0
1
_
_
_
_
_
x
3
, x
5
R
_
_
_
_
_
_
_
_
_
Hal ini menunjukkan bahwa semua vektor di S saling bergantungan
linier. Untuk x
3
= 0, x
5
= 1, didapat bahwa vektor ke-5 dalam S
merupakan kombinasi linier dari dua vektor pertama.
Bebas Linear
Lanjutan Contoh
Lanjutan Contoh 5
Gunakan sifat yang ada untuk menghapus vektor ke-5 didapat:
S
1
=
_
_
_
_
_
1
0
0
_
_
,
_
_
0
2
0
_
_
,
_
_
1
2
0
_
_
,
_
_
0
1
1
_
_
_
_
_
, jadi S = S
1
.
Vektor ke-3 dalam S
1
merupakan kombinasi linier dari dua vektor yang
pertama, sehingga vektor ke-3 ini bisa dihapus dan didapat:
S
2
=
_
_
_
_
_
1
0
0
_
_
,
_
_
0
2
0
_
_
,
_
_
0
1
1
_
_
_
_
_
.
Juga, dalam hal ini < S
1
>=< S
2
>. Jadi < S >=< S
2
>.
Bebas Linear
Lanjutan Contoh
Contoh 6
Misalkan tiga vektor v
1
= (1, 1, 0)
, v
2
= (5, 1, 3)
dan v
3
= (2, 7, 4)
di
R
3
, maka
{v
1
, v
2
, v
3
} = {x
1
v
1
+ x
2
v
2
+ x
3
v
3
| x
1
, x
2
, x
3
R}
= {x
1
(1, 1, 0)
+ x
2
(5, 1, 3)
+ x
3
(2, 7, 4)
| x
1
, x
2
, x
3
R}
= {(x
1
+ 5x
2
+ 2x
3
, x
1
+ x
2
+ 7x
3
, 3x
2
+ 4x
3
)
|x
1
, x
2
, x
3
R}.
Tulis (x, y, z)
= (x
1
+ 5x
2
+ 2x
3
, x
1
+ x
2
+ 7x
3
, 3x
2
+ 4x
3
)
, didapat:
_
_
x
y
z
_
_
=
_
_
1 5 2
1 1 7
0 3 4
_
_
_
_
x
1
x
2
x
3
_
_
.
Bebas Linear
Lanjutan Contoh
Lanjutan Contoh 6
Sehingga diperoleh:
_
_
25 26 33
4 4 5
3 3 4
_
_
_
_
x
y
z
_
_
=
_
_
25 26 33
4 4 5
3 3 4
_
_
_
_
1 5 2
1 1 7
0 3 4
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
x
1
x
2
x
3
_
_
.
Terlihat bahwa, untuk setiap (x, y, z)
R
3
selalu bisa diperoleh
x
1
, x
2
, x
3
R sehingga (x, y, z)
= x
1
v
1
+ x
2
v
2
+ x
3
v
3
v
1
, v
2
, v
3
.
Jadi R
3
v
1
, v
2
, v
3
, dilain pihak v
1
, v
2
, v
3
R
3
. Maka dari itu
R
3
= v
1
, v
2
, v
3
.
Basis dan Dimensi
Basis dan Dimensi
Difinisi Basis dan Dimensi
Misalkan B = b
1
, b
2
, . . . V dimana V adalah ruang vektor atas K.
Bila b
1
, b
2
, . . . = V dan vektor-vektor b
1
, b
2
, . . . bebas linier maka B
dikatakan suatu basis dari V. Banyaknya anggota dari B dinamakan
dimensi dari ruang vektor V.
Contoh 1
Dalam R
2
, B
1
= (2, 4)
, (1, 1)
adalah suatu basis dari R

2
, basis yang
lainnya adalah B
2
= (1, 0)
, (0, 1)
. Secara umum
B
3
= (a
11
, a
21
)
, (a
12
, a
22
)

2
bila
det
_
a
11
a
12
a
21
a
22
_
,= 0.
Basis dan Dimensi
Lanjutan Contoh
Contoh 2
Ruang vektor V = x
1
cos + x
2
sin [ x
1
, x
2
R atas R, maka suatu
basis dari V adalah cos , sin .
Contoh 3
Dalam ruang vektor P
3
(x), maka 1, x, x
2
, x
3
adalah suatu basis dari
P
3
(x). Sedangkan 1, x, x
2
, x
3
, x
4
. . . adalah suatu basis dari ruang
vektor P
(x).
Contoh 4
Dalam ruang vektor M
2,2
(R), yaitu himpunan matriks ukuran 2 2
dengan elemen-elemen di R, maka
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
__
adalah suatu basis dari
M
2,2
(R).
Basis dan Dimensi
Sifat Basis
Sifat
Misalkan V suatu ruang vektor atas K dan v
1
, . . . , v
n
adalah
suatu basis dari V, maka setiap elemen v V dapat diungkapkan
secara tunggal sebagai: v = x
1
v
1
+ . . . + x
n
v
n
, x
1
, . . . , x
n
K.
Bukti
Misalkan v = a
1
v
1
+ . . . + a
n
v
n
, dan v = x
1
v
1
+ . . . + x
n
v
n
,
didapat: (x
1
a
1
)v
1
+ . . . + (x
n
a
n
)v
n
= 0, karena vektor-vektor
v
1
, . . . , v
n
bebas linier, maka haruslah x
1
a
1
= 0, . . . , x
n
a
n
= 0.
Sehingga diperoleh x
1
= a
1
, . . . , x
n
= a
n
.
Basis dan Dimensi
Sifat Basis
Sifat
Misalkan v
i
R
n
, i = 1, 2, . . . , m. Bila m > n, maka vektor-vektor v
i
, i = 1, 2, . . . , m
bergantungan linier.
Bukti
Untuk setiap j = 1, 2, . . . , m, tulis vektor v
j
= (a
1j
, a
2j
, . . . , a
nj
)
, sehingga persamaan
x
1
v
1
+ . . . + x
m
v
m
= 0 dalam bentuk matriks adalah:
_
_
_
_
a
11
. . . a
1m
.
.
.
.
.
.
a
n1
. . . a
nm
_
_
_
_
_
_
_
_
x
1
.
.
.
x
m
_
_
_
_
=
_
_
_
_
0
.
.
.
0
_
_
_
_
.
Terlihat bahwa, persamaan homogin terdiri dari n persamaan dengan variabel yang
takdiketahui sebanyak m. Karena m > n, maka persamaan mempunyai suatu solusi
yang nontrivial, yaitu ada beberapa x
k
, k = 1, 2, . . . , m yang tidak semuanya sama
dengan nol. Jadi v
j
, j = 1, 2, . . . , m bergantungan linier.
Basis dan Dimensi
Contoh
Contoh
Dalam ruang vektor R
2
atas R, Misalkan v
1
= (a
11
, a
21
)
, v
2
= (a
12
, a
22
)
R
2
. Bila vektor-vektor v
1
, v
2
,
bebas linier, maka persamaan: x
1
v
1
+ x
2
v
2
= 0 atau dalam bentuk matriks: Ax = 0 dengan
A =
_
a
11
a
12
a
21
a
22
_
, x =
_
x
1
x
2
_
dan 0 =
_
0
0
_
mempunyai jawab trivial hanya bila det(A) ,= 0. Secara geometris, hal ini
menyatakan bahwa luas daerah jajaran genjang yang dibentuk oleh dua vektor v
1
dan
v
2
sama dengan [ det(A)[. Sebaliknya bila det(A) = 0, maka luas daerah ini sama
dengan 0. Hal ini menunjukkan bahwa dua vektor v
1
dan v
2
terletak pada satu garis
yang sama atau dengan kata lain dua vektor v
1
dan v
2
bergantungan linier. Jadi
v
1
, v
2
2
dengan dimensi 2 bila det(A) ,= 0.
x
y
o
v
1
v
2
x
y
o
v
1
v
2
Basis dan Dimensi
Sifat
Sifat
Misalkan V suatu ruang vektor atas K dan v
1
, . . . , v
n
suatu
basis dari V. Bila vektor-vektor u
1
, . . . , u
m
dengan m > n, maka
vektor-vektor u
1
, . . . , u
m
Bukti
Karena v
1
, . . . , v
n
suatu basis dari V, didapat:
u
1
= a
11
v
1
+ . . . + a
n1
v
n
,
.
.
.
u
m
= a
1m
v
1
+ . . . + a
nm
v
n
,
dengan a
ij
K, i = 1, 2, . . . , n dan j = 1, 2, . . . , m.
Basis dan Dimensi
Lanjutan Bukti
Lanjutan Bukti Sifat
Vektor-vektor v
1
, . . . , v
n
bebas linier, untuk x
1
, . . . , x
m
K didapat:
0 = x
1
u
1
+ . . . + x
m
u
m
= x
1
(a
11
v
1
+ . . . + a
n1
v
n
) + . . . + x
m
(a
1m
v
1
+ . . . + a
nm
v
n
)
= (a
11
x
1
+ . . . + a
1m
x
m
)v
1
+ . . . + (a
n1
x
1
+ . . . + a
nm
x
m
)v
n
dan haruslah a
11
x
1
+ . . . + a
1m
x
m
= 0, . . . , a
n1
x
1
+ . . . + a
nm
x
m
= 0 atau dengan
notasi matriks:
_
_
_
a
11
. . . a
1m
.
.
.
.
.
.
a
n1
. . . a
nm
_
_
_
_
_
_
x
1
.
.
.
x
m
_
_
_
=
_
_
_
0
.
.
.
0
_
_
_
.
Persamaan homogin diatas mempunyai jawab non-trivial (sebab m > n). Jadi
vektor-vektor u
1
, . . . , u
m
Basis dan Dimensi
Kesimpulan
Kesimpulan
Misalkan V suatu ruang vektor atas K dengan dimensi hingga.
Maka setiap dua basis yang berbeda dari V harus mempunyai
banyak elemen yang sama.
Contoh 1
Dalam ruang vektor P
3
(R) atas R, B = 1, x, x
2
, x
3
adalah suatu
basis baku dari P
3
(R). Basis yang lainnya adalah
B
2
= 1, 1 + x, 1 + x + x
2
, 1 + x + x
2
+ x
3
.
Basis dan Dimensi
Lanjutan Contoh
Contoh 2
Persamaan homogin Ax = 0, diberikan oleh :
_
_
_
_
1 3 5 1 5
1 4 7 3 2
1 5 9 5 9
0 3 6 2 1
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
=
_
_
_
_
0
0
0
0
_
_
_
_
.
Himpunan penyelesaiannya adalah:
v
1
, v
2
) =
_
_
_
_
_
_
_
_
_
x = a
_
_
_
_
_
1
2
1
0
0
_
_
_
_
_
+ b
_
_
_
_
_
1
3
0
5
1
_
_
_
_
_
a, b R
_
_
_
_
_
_
_
_
_
merupakan suatu ruang vektor atas R dengan dimensi dua.
Basis dan Dimensi
Sifat Perlusan Basis
Sifat
Misalkan V suatu ruang vektor atas K berdimensi hingga. Maka setiap himpunan
hingga S V yang terdiri dari vektor-vektor bebas linier di V tetapi S bukan
merupakan suatu basis dari V dapat diperluas sampai merupakan suatu basis dari V.
Bukti
Misalkan S = v
1
, . . . , v
m
dengan v
i
, i = 1, . . . , m adalah vektor-vektor yang bebas
linier. Karena S) ,= V, maka pilih vektor v
m+1
V sehingga v
m+1
bukan kombinasi
linier dari vektor-vektor v
j
, j = 1, 2, . . . , m. Selanjutnya namakan
T = v
1
, . . . , v
m
, v
m+1
, bila T) = V, maka T adalah basis dan sudah tidak bisa lagi
diperluas menjadi vektor-vektor yang bebas linier. Bila T) , = V, lakukan lagi cara
perluasan seperti sebelumnya sehingga diperoleh himpunan vektor-vektor yang bebas
linier di U yang memenuhi U) = V.
Basis dan Dimensi
Kesimpulan
Kesimpulan
Misalkan V ruang vektor atas K berdimensi n, maka setiap himpunan
dari n vektor yang bebas linier adalah suatu basis dari V.
Contoh
Misalkan S = (1, 1, 1)
, (0, 1, 0)
R
3
, jelas bahwa vektor-vektor di
S bebas linier dan
S = x(1, 1, 1)
+ y(0, 1, 0)
= (x, x y, x)
[ x, y R, jelas bahwa
bila (x
1
, x
2
, x
3
)
S, maka x
3
= x
1
. Oleh karena itu (x, y, z)
/ S bila
x ,= z. Pilih vektor (1, 0, 0) sehingga didapat
T = (1, 1, 1)
, (0, 1, 0)
, (1, 0, 0)
dimana vektor-vektor di T bebas

linier, maka dari itu T merupakan suatu basis dari R
3
.
Basis dan Dimensi
Jumlahan Langsung
Sifat
Misalkan U dan V adalah ruang bagian dari suatu ruang vektor W atas K dengan
dimensi hingga, maka dim(U + V) = dim(U) + dim(V) dim(U V), dimana
U + V = u + v [ u U, v V.
Bukti
Misalkan z
1
, . . . , z
r
suatu basis dari U V perluas basis ini masing-masing menjadi
z
1
, . . . , z
r
, u
1
, . . . , u
m
adalah suatu basis dari U dan z
1
, . . . , z
r
, v
1
, . . . , v
n
suatu
basis dari V. Terlihat bahwa, dim(U V) = r, dim(U) = r + m dan dim(V) = r + n.
Selanjutnya, ditunjukkan bahwa z
1
, . . . , z
r
, u
1
, . . . , u
m
, v
1
, . . . , v
n
adalah suatu basis
dari U + V. Sehingga, dalam hal ini didapat
dim(U + V) = r + m + n = (r +m) + (r +n) r = dim(U) + dim(V) dim(U V).
Misalkan sebarang w U + V, maka w = u + v untuk beberapa u U dan beberapa
v V.
Basis dan Dimensi
Lanjutan Bukti
Lanjutan Bukti
Dengan kenyataan bahwa u = a
1
z
1
+ . . . + a
r
z
r
+ b
1
u
1
+ . . . + b
m
u
m
untuk beberapa
skalar a
i
, b
j
dan v = c
1
z
1
+ . . . + c
r
z
r
+ d
1
v
1
+ . . . + d
m
v
n
untuk beberapa skalar
c
k
, d
l
, didapat:
w = u + v = (a
1
+ c
1
)z
1
+ . . . + (a
r
+c
r
)z
r
+ b
1
u
1
+ . . . + b
m
u
m
+ d
1
v
1
+ . . . +d
m
v
n
terlihat bahwa w z
1
, . . . , z
r
, u
1
, . . . , u
m
, v
1
, . . . , v
n
). Maka dari itu didapat
z
1
, . . . , z
r
, u
1
, . . . , u
m
, v
1
, . . . , v
n
) = U + V. Diberikan
x
1
z
1
+ . . . + x
r
z
r
+ x
r+1
u
1
+ . . . + x
r+m
u
m
+ x
r+m+1
v
1
+ . . . + x
r+m+n
v
n
= 0
untuk beberapa skalar x
j
. Tulis
w = x
1
z
1
+ . . . + x
r
z
r
+ x
r+1
u
1
+ . . . + x
r+m
u
m
,
didapat w = x
r+m+1
v
1
+ . . . x
r+m+n
v
n
.
Basis dan Dimensi
Lanjutan Bukti
Lanjutan Bukti
Terlihat bahwa w U dan w V, jadi w U V. Tetapi z
1
, . . . , z
r
adalah suatu
basis dari U V, jadi w = b
1
z
1
+ . . . + b
r
z
r
untuk beberapa skalar b
i
. Sehingga
didapat
b
1
z
1
+ . . . + b
r
z
r
= x
r+m+1
v
1
+ . . . x
r+m+n
v
n
atau
b
1
z
1
+ . . . + b
r
z
r
+ x
r+m+1
v
1
+ . . . + x
r+m+n
v
n
= 0.
Tetapi z
1
, . . . , z
r
, v
1
, . . . , v
n
adalah suatu basis dari V, pause maka dari itu haruslah
b
1
= . . . = b
r
= x
r+m+1
= . . . = x
r+m+n
= 0, sehingga persamaan
x
1
z
1
+ . . . + x
r
z
r
+ x
r+1
u
1
+ . . . + x
r+m
u
m
+ x
r+m+1
v
1
+ . . . + x
r+m+n
v
n
= 0 menjadi
x
1
z
1
+ . . . + x
r
z
r
+ x
r+1
u
1
+ . . . + x
r+m
u
m
= 0. Tetapi z
1
, . . . , z
r
, u
1
, . . . , u
m
juga
adalah suatu basis dari U. Jadi haruslah x
1
= . . . = x
r
= x
r+1
= . . . = x
r+m
= 0.
Sehingga didapat x
k
= 0, k = 1, 2, . . . , r + m + n. Jadi vektor-vektor
z
1
, . . . , z
r
, u
1
, . . . , u
m
, v
1
, . . . , v
n
bebas linier.
Basis dan Dimensi
Contoh
Contoh
Misalkan W = R
4
, u
1
= (1, 1, 0, 0)
, u
2
= (3, 7, 2, 1)
, U = u
1
, u
2
) dan
V = (x
1
, x
2
, x
3
, 0)
[ x
i
R. Vektor-vektor u
1
, u
2
bebas linier, sebab bila
a
1
u
1
+ a
2
u
2
= 0 atau a
1
(1, 1, 0, 0)
+ a
2
(3, 7, 2, 1)
= 0 didapat a
1
= a
2
= 0. Jadi
dim(U) = 2. Suatu basis dari V adalah
e
1
= (1, 0, 0, 0)
, e
2
= (0, 1, 0, 0)
, e
3
= (0, 0, 1, 0)
. Jadi dim(V) = 3. Perhatikan

bahwa e
4
= (0, 0, 0, 1)
= (3, 7, 2, 1)
+ 3(1, 0, 0, 0)
7(0, 1, 0, 0)
2(0, 0, 1, 0)
=
u
2
+ 3e
1
7e
2
2e
3
. Jadi e
4
U + V. Karena e
1
, e
2
, e
3
juga di U + V, maka
e
1
, e
2
, e
3
, e
4
adalah suatu basis dari U +V. Jadi dim(U +V) = 4. Sehingga didapat:
dim(U V) = dim(U) + dim(V) dim(U + V) = 2 + 3 4 = 1. Bisa dicek secara
langsung bahwa vektor-vektor di U V adalah vektor-vektor di U dengan komponen
ke-empat sama dengan nol, yaitu vektor b
1
u
1
+ b
2
u
2
= (b
1
3b
2
, b
1
+ 7b
2
, 2b
2
, b
2
)
dimana b
2
= 0. Jadi U V = u
1
). Terlihat bahwa dim(U V) = 1.
Basis dan Dimensi
Catatan
Catatan:
Bila U, V ruang bagian berdimensi hingga masing-masing dengan basis
u
1
, . . . , u
m
dan v
1
, . . . , v
n
. Misalkan W = U + V dan sebarang
w W. Didapat w = u + v = a
1
u
1
+ . . . + a
m
u
m
+ b
1
v
1
+ . . . + b
n
v
n
atau W = u
1
, . . . , u
m
, v
1
, . . . , v
n
. Selanjutnya reduksi vektor-vektor
u
1
, . . . , u
m
, v
1
, . . . , v
n
menjadi vektor-vektor yang bebas linier (sampai
minimal) dan himpun kedalam himpunan S, sehingga didapat
W = S. Jadi dimensi dari W sama dengan banyaknya vektor-vektor
di S.
Jumlahan Langsung
Bila U dan V adalah ruang bagian berdimensi hingga dengan
U V = 0, maka U + V dinamakan jumlahan langsung dari U dan V.
Basis dan Dimensi
Contoh
Contoh
Himpunan U = {(x
1
, x
2
, 0)
| x
1
, x
2
R} dan V = {(0, 0, x
3
)
| x
3
R} adalah ruang bagian dari ruang vektor
R
3
atas R dengan U V = {0}. Jadi U + V adalah jumlahan langsung dari U dan V,
U + V = {(x
1
, x
2
, 0)
+ (0, 0, x
3
)
= (x
1
, x
2
, x
3
)
| x
1
, x
2
, x
3
R} =
{x
1
(1, 0, 0)
+ x
2
(0, 1, 0)
+ x
3
(0, 0, 1)
| x
1
, x
2
, x
3
R} = R
3
, terlihat bahwa dim(U + V) = 3. Perhatikan
bahwa U = {(x
1
, x
2
, 0)
| x
1
, x
2
R} = {x
1
(1, 0, 0)
+ x
2
(0, 1, 0)
| x
1
, x
2
R} =
_
{(1, 0, 0)
, (0, 1, 0)
}
_
,
terlihat bahwa dim(U) = 2. Juga, V = {(0, 0, x
3
)
| x
3
R} = {x
3
(0, 0, 1)
| x
3
R} =
_
{(0, 0, 1)
}
_
dan
dim(V) = 1. Makna U + V merupakan jumlahan langsung dari U dan V tampak dari dimensi, yaitu
dim(U + V) = dim(U) + dim(V) dim(U V) = 2 + 1 0 = 3 = dim(U) + dim(V). Hal ini juga bisa dilihat
dari pengertian basis yaitu, himpunan {(1, 0, 0)
, (0, 1, 0)
} adalah suatu basis dari U dan himpunan {(0, 0, 1)
}
adalah suatu basis dari V sedangkan himpunan {(1, 0, 0)
, (0, 1, 0)
, (0, 0, 1)
} sudah bebas linier (tidak bisa lagi

direduksi lagi sehingga bebas linier). Jadi, dari sini juga langsung didapat bahwa dim(U +V) = dim(U) + dim(V).
Basis dan Dimensi
Kesimpulan dan Sifat
Kesimpulan
Dimensi dari suatu ruang jumlahan langsung sama dengan jumlah dari
masing-masing dimensi ruang.
Sifat
Setiap w W = U + V dengan U V = 0 mempunyai penulisan
tunggal w = u + v, u U, v V.
Bukti
Misalkan w = u + v = u +v, maka u u = v v. Tetapi u u U,
v v V dan U V = 0. Maka haruslah u u = 0 dan v v = 0
atau u = u dan v = v.
Basis dan Dimensi
Koordinat
Koordinat
Misalkan v
1
, . . . , v
n
adalah suatu basis dari suatu ruang vektor
atas K. Jadi setiap v V dapat ditulis secara tunggal oleh
v = x
1
v
1
+ . . . + x
n
v
n
untuk beberapa skalar x
1
, . . . , x
n
K.
Dalam hal ini skalar-skalar x
1
, . . . , x
n
dinamakan koordinat dari
vektor v terhadap basis v
1
, . . . , v
n
.
Basis dan Dimensi
Contoh
Contoh
Misalkan V = R
3
dengan basis baku
e
1
= (1, 0, 0)
, e
2
= (0, 1, 0)
, e
3
= (0, 0, 1)
dan misalkan
sebarang v = (x, y, z)
V, maka v = xe
1
+ ye
2
+ ze
3
. Jadi
koordinat dari v terhadap basis e
1
, e
2
, e
3
adalah x, y dan z.
Tetapi untuk basis yang lain dari V, misalkan
v
1
= (0, 1, 1)
, v
2
= (1, 0, 1)
, v
3
= (1, 1, 0)
, maka
v = (
x + y + z
2
)v
1
+ (
x y + z
2
)v
2
+ (
x + y z
2
)v
3
.
Koordinat dari vektor v terhadap basis v
1
, v
2
, v
3
adalah
x+y+z
2
,
xy+z
2
dan
x+yz
2
. Terlihat bahwa vektor v terhadap dua
basis yang berbeda dari ruang vektor V mempunyai dua koordinat
yang berbeda pula.
Basis dan Dimensi
Basis Terurut
Basis Terurut
Adalah perlu dijamin bahwa suatu vektor dikaitkan dengan suatu vektor basis yang
sesuai, cara baku untuk melakukan hal ini adalah menggunakan penyajian terurut
untuk koordinat dan vektor basis. Bila urutan dari vektor-vektor dalam suatu basis
dipersoalkan dalam hal ini dinamakan basis terurut dan basis ini ditulis sebagai suatu
barisan. Bila urutan dari vektor basis takdipersoalkan, basis tersebut ditulis sebagai
suatu himpunan, dalam hal ini penekanan mengenai diskusi dari suatu vektor basis,
urutan tidak bergantung pada urutan. Tetapi, bila koordinat dari suatu vektor
disajikan sebagai baris atau kolom dalam suatu matriks, maka secara esensi penyajian
bergantung pada urutan vektor-vektor basis. Begitu juga, bila suatu pemetaan linier
disajikan sebagai suatu matriks, maka sangatlah penting menggunakan vektor basis
terurut.
Pemetaan Linear
Pemetaan Pada Ruang Vektor
Definisi Pemetaan Linear
Misalkan U dan V adalah ruang vektor atas K, suatu pemetaan
f : U V adalah suatu pemetaan linier atau transformasi linier bila dan
hanya bila memenuhi f (k
1
u
1
+ k
2
u
2
) = k
1
f (u
1
) + k
2
f (u
2
) untuk semua
k
1
, k
2
K dan u
1
, u
2
U.
Sifat
Bila f : U V suatu pemetaan linier, maka f (0
U
) = 0
V
.
Bukti
f (0
U
) = f (0
U
+ 0
U
) = f (0
U
) + f (0
U
), didapat f (0
U
) f (0
U
)
.
0
V
= f (0
U
), jadi
0
V
= f (0
U
).
Pemetaan Linear
Contoh
Contoh 1
Misalkan f : U V, U = R
3
dan V = R
2
dengan f ((x, y, z)
)
def
= (2x y, y + z)
.
Maka f adalah pemetaan linier, sebab
f (k
1
u
1
+ k
2
u
2
) = f (k
1
(x
1
, y
1
, z
1
)
+ k
2
(x
2
, y
2
, z
2
)
) = f ((k
1
x
1
+ k
2
x
2
, k
1
y
1
+
k
2
y
2
, k
1
z
1
+ k
2
z
2
)
) = (2k
1
x
1
+ 2k
2
x
2
k
1
y
1
k
2
y
2
, k
1
y
1
+ k
2
y
2
+ k
1
z
1
+ k
2
z
2
)
=
(2k
1
x
1
k
1
y
1
, k
1
y
1
+ k
1
z
1
)
+ (2k
2
x
2
k
2
y
2
, k
2
y
2
+ k
2
z
2
)
=
k
1
(2x
1
y
1
, y
1
+ z
1
)
+ k
2
(2x
2
y
2
, y
2
+ z
2
)
= k
1
f ((x
1
, y
1
, z
1
)
) + k
2
f ((x
2
, y
2
, z
2
)
).
Contoh 2
Misalkan f : R
3
R
2
dengan f ((x, y, z)
)
def
= (x
2
, y + z)
, pemetaan f bukan
pemetaan linier, sebab
f (2(1, 0, 0)
) = f ((2, 0, 0)
) = (4, 0)
,= (2, 0)
= 2(1, 0)
= 2f ((1, 0, 0)
).
Pemetaan Linear
Kernel dan Image
Definisi
Misalkan f : U V suatu pemetaan
Image dari f adalah Im(f )=f (U)
def
= f (u) [ u U V.
Kernel dari f adalah ker(f )
def
= u U [ f (u) = 0 U.
Contoh
Dalam Contoh 1. sebelumnya
Im(f ) = f ((x, y, z)
) = (2x y, y + z)
[ x, y, z R, sedangkan
ker(f ) = (x, y, z)
[ 2x y = 0, y + z = 0, x, y, z R = y(
1
2
, 1, 1)
[ y R.
Pemetaan Linear
Beberapa Sifat
Sifat
Misalkan U dan V adalah ruang vektor atas K dan f : U V suatu pemetaan linier,
maka
1 Im(f ) adalah ruang bagian dari V.
2 Ker(f ) adalah ruang bagian dari U.
3 Pemetaan f satu-satu bila dan hanya bila ker(f ) = 0
U
.
Bukti
1. Jelas bahwa Im(f ) V. Misalkan sebarang v
1
, v
2
Im(f ) dan sebarang k
1
, k
2
K.
Untuk beberapa u
1
, u
2
U, maka kombinasi linier berikut dipenuhi
k
1
v
1
+k
2
v
2
= k
1
f (u
1
) + k
2
f (u
2
) = f (k
1
u
1
) + f (k
2
u
2
) = f (k
1
u
1
+ k
2
u
2
) Im(f ). Jadi
Im(f ) adalah ruang bagian dari V.
Pemetaan Linear
Lnjutan Bukti
Lanjutan Bukti
2 Jelas bahwa ker(f ) U. Misalkan sebarang u
1
, u
2
ker(f ) dan
sebarang k
1
, k
2
K, maka
f (k
1
u
1
+ k
2
u
2
) = k
1
f (u
1
) + k
2
f (u
2
) = k
1
0
V
+ k
2
0
V
= 0
V
. Terlihat
bahwa k
1
u
1
+ k
2
u
2
ker(f ). Jadi ker(f ) adalah ruang bagian dari
U.
3. Misalkan pemetaan f satu-satu dan sebarang u ker(f ), maka
f (0
U
) + f (u) = f (0
U
+ u) = f (u) = 0
V
. Sehingga didapat
f (u) = f (0
U
) = f (0
U
) = f (0
U
). Karena pemetaan f satu-satu
haruslah u = 0
U
. Jadi 0
U
= ker(f ). Selanjutnya misalkan
ker(f ) = 0 dan u
1
, u
2
U, maka untuk f (u
1
) = f (u
2
) didapat,
0 = f (u
1
) f (u
2
) = f (u
1
u
2
). Terlihat bahwa u
1
u
2
ker(f ).
Tetapi, ker(f ) = 0. Maka dari itu haruslah u
1
u
2
= 0 atau
u
1
= u
2
. Jadi pemetaan f adalah satu-satu.
Pemetaan Linear
Contoh
Contoh 1
Misalkan U ruang vektor atas K dan U = K
n
. Diberikan matriks
T = [a
ij
], a
ij
K dan T bertindak pada ruang vektor U dengan
aturan untuk setiap x U:
T(x)
def
=
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
=
_
_
_
y
1
.
.
.
y
n
_
_
_
,
dimana y
i
=
n
j =1
a
ij
x
j
, i = 1, 2, . . . , n. Maka T adalah suatu
transformasi linier dari U ke U, sebab untuk sebarang x, x U dan
sebarang k
1
, k
2
K berlaku:
Pemetaan Linear
Lanjutan Contoh
Lanjutan Contoh 1
T(k
1
x + k
2
x) =
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
k
1
_
_
_
x
1
.
.
.
x
n
_
_
_
+ k
2
_
_
_
x
1
.
.
.
x
n
_
_
_
_
_
= k
1
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
+k
2
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
= k
1
T(x) + k
2
T(x).
Pemetaan Linear
Lanjutan Contoh
Contoh 2
Dalam Contoh 1. sebelumnya, maka
Im(T) =
_
_
_
_
_
_
_
_
_
_
_
y
1
.
.
.
y
n
_
_
_
_
=
_
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
_
_
_
_
_
_
_
.
Bila T punya invers, maka ker(T) = 0, yaitu persamaan homogin
_
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
=
_
_
_
_
0
.
.
.
0
_
_
_
_
hanya mempunyai jawab trivial x
1
= . . . = x
n
= 0. Bila T tidak punya invers, maka
ker(T) =
_
_
_
_
_
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
_
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
=
_
_
_
_
0
.
.
.
0
_
_
_
_
_
_
_
_
_
_
_
Pemetaan Linear
Beberapa Sifat
Sifat
Misalkan U dan V ruang vektor berdimensi hingga atas K dan f : U V
suatu pemetaan linier.
1. Bila |u
1
, . . . , u
n
) = U, maka |f (u
1
), . . . , f (u
n
)) = Im(f ).
2. dim(U) = dim(ker(f )) + dim(Im(f )).
Bukti
1. Misalkan sebarang v Im(f ), pilih u U yang memenuhi f (u) = v. Tetapi
u = k
1
u
1
+. . . + k
n
u
n
, maka
v = f (u) = f (k
1
u
1
+. . .+k
n
u
n
) = k
1
f (u
1
)+. . .+k
n
f (u
n
) |f (u
1
), . . . , f (u
n
)).
Jadi Im(f ) = |f (u
1
), . . . , f (u
n
)).
Pemetaan Linear
Lanjutan Bukti
Bukti
2. Misalkan u
1
, . . . , u
m
basis dari ker(f ), perluas basis ini sampai didapat
u
1
, . . . , u
m
, w
1
, . . . , w
n
suatu basis dari U. Jelas bahwa dim(ker(f )) = m dan
dim(U) = m + n. Misalkan v
i
= f (w
i
), i = 1, 2 . . . , n. Akan ditunjukkan
v
i
, i = 1, 2 . . . , n suatu basis dari Im(f ). Gunakan hasil 1. didapat Im(f ) =
f (u
1
), . . . , f (u
m
), f (w
1
), . . . , f (w
n
)) = 0, . . . , 0, v
1
, . . . , v
n
) = v
1
, . . . , v
n
).
Selanjutnya selidiki apakah vektor-vektor v
i
, i = 1, 2 . . . , n bebas linier, yaitu
k
1
v
1
+ . . . + k
n
v
n
= 0 atau k
1
f (w
1
) + . . . + k
n
f (w
n
) = 0. Didapat
f (k
1
w
1
+ . . . + k
n
w
n
) = 0. Jadi k
1
w
1
+ . . . + k
n
w
n
ker(f ). Oleh karena itu
k
1
w
1
+ . . . + k
n
w
n
=

k
1
u
1
+ . . . +

k
m
u
m
untuk beberapa

k
i
, atau
k
1
u
1
+ . . . +

k
m
u
m
k
1
w
1
+ . . . k
n
w
n
= 0. Karena vektor-vektor
u
1
, . . . , u
m
, w
1
, . . . , w
n
bebas linier maka

k
1
= . . . =

k
m
= k
1
= . . . = k
n
= 0, Jadi
vektor-vektor v
1
, . . . , v
n
bebas linier.
Pemetaan Linear
Null Space dan Nullity
Null Space, Nullity dan Rank
Adakalanya kernel dari suatu pemetaan linier disebut null space dan dimensi dari
kernel dinamakan nullity dari pemetaan linier, sedangkan dimensi dari image suatu
pemetaan linier dinamakan rank dari pemetaan linier. Sehingga didapat
dim(U) = nullity(f ) + rank(f ).
Contoh
Misalkan pemetaan linier f : R
3
R
2
dengan f ((x, y, z)
) = (x + z, 2x y + z)
untuk setiap (x, y, z)
R
3
. Kernel dari f adalah penyelesaian dari persamaan vektor
f ((x, y, z)
) = (x + z, 2x y + z)
= (0, 0)
atau penyelesaian persamaan homogin

_
1 0 1
2 1 1
_
_
_
x
y
z
_
_
=
_
0
0
_
yang mempunyai penyelesaian x = x, y = x, z = x, x R.
Pemetaan Linear
Isomorpisma
Lanjutan Contoh
Jadi ker(f ) = |x(1, 1, 1)
[ x R = |(1, 1, 1)
). Terlihat bahwa
nullity(f ) = 1. Sedangkan Im(f ) = |(x + z, 2x y + z)
[ x, y, z R =
|x(1, 2)
y(0, 1)
+ z(1, 1)
[ x, y, z R = |(1, 2)
, (0, 1)
, (1, 1)
) =
|(1, 2)
= (0, 1)
+ (1, 1)
, (0, 1)
, (1, 1)
) = |(0, 1)
, (1, 1)
). Terlihat bahwa
rank(f ) = 2. Sehingga didapat dim(R
3
) = nullity(f ) +rank(f ) = 1 + 2 = 3.
Isomorpisma
Misalkan f : U V suatu pemetaan linier dari ruang vektor U ke ruang vektor V
masing-masing atas K. Bila pemetaan f satu-satu dan pada yaitu pemetaan f
mempunyai invers, maka f dinamakan suatu isomorpisma dari U ke V. Dalam hal ini,
U dan V dikatakan isomorpik dan dinotasikan oleh U

= V. Perhatikan bahwa, karena
f pemetaan satu-satu dan pada, maka Im(f ) = V dan ker(f ) = 0
U
.
Pemetaan Linear
Sifat
Sifat
Misalkan U dan V ruang vektor berdimensi hingga atas K masing-masing dengan
basis u
1
, . . . , u
m
dan v
1
, . . . , v
n
. Maka U dan V isomorpik bila dan hanya bila
dim(U) = dim(V) (m = n). Lagipula, ada suatu isomorpisma tunggal f : U V yang
memenuhi f (u
i
) = v
i
, i = 1, . . . , n.
Bukti
Bila f : U V suatu isomorpisma, maka f satu-satu dan pada. Maka dari itu,
ker(f ) = 0
U
dan Im(f ) = V. Sehingga didapat
dim(U) = dim(ker(f )) + dim(Im(f )) = 0 + dim(V) = dim(V). Sebaliknya, misalkan
m = n dan f suatu pemetaan linier yang memenuhi f (u
i
) = v
i
, i = 1, . . . , n. Akan
ditunjukkan bahwa f satu-satu dan pada. Misalkan sebarang u ker(f ), maka
f (u) = 0
V
. Tetapi u = k
1
u
1
+ . . . + k
m
u
m
.
Pemetaan Linear
Lanjutan Bukti
Lanjutan Bukti
Sehingga didapat 0
V
= f (u) = f (k
1
u
1
+ . . . + k
m
u
m
) = k
1
f (u
1
) + . . . + k
m
f (u
m
) = k
1
v
1
+ . . . + k
m
u
m
,
karena {v
1
, . . . , v
m
} suatu basis dari V, maka haruslah k
1
= . . . = k
n
= 0. Jadi u = 0
U
. Maka dari itu
ker(f ) = {0
U
}. Jadi pemetaan f satu-satu. Selanjutnya, misalkan sebarang v V, maka v = a
1
v
1
+ . . . + a
n
v
n
untuk beberapa skalar a
i
. Tetapi v
i
= f (u
i
), i = 1, . . . , n. Jadi
v = a
1
f (u
i
) + . . . + a
n
f (u
n
) = f (a
1
u
1
+ . . . + a
n
u
n
) Im(f ). Sehingga didapat V = Im(f ) atau pemetaan f
adalah pada. Kerena pemetaan linier f adalah satu-satu dan pada, maka U dan V isomorpik. Berikutnya,
ditunjukkan bahwa isomorphisma f yang memenuhi f (u
i
) = v
i
, i = 1, . . . , n adalah tunggal. Misalkan
g : U V adalah suatu isomorphisma yang juga memenuhi g(u
i
) = v
i
, i = 1, . . . , n dan misalkan sebarang
u = k
1
u
1
+ . . . + k
n
u
n
U untuk beberapa skalar k
i
K, maka
f (u) g(u) = f (k
1
u
1
+ . . . + k
n
u
n
) g(k
1
u
1
+ . . . + k
n
u
n
) =
k
1
f (u
1
) + . . . + k
n
f (u
n
) k
1
f (u
1
) . . . k
n
f (u
n
) = k
1
v
1
+ . . . + k
n
v
n
k
1
v
1
. . . k
n
v
n
= 0
V
.
Sehingga didapat g(u) = f (u), u U. Jadi g = f .
Pemetaan Linear
Ruang Pemetaan Linear
Ruang Pemetaan Linear
Misalkan U dan V ruang vektor atas K, himpunan L(U, V, K)
menyatakan himpunan semua pemetaan linier dari U ke V.
Misalkan f , g L(U, V, K) pemetaan f + g didenisikan sebagai
(f + g)(u)
def
= f (u) + g(u) untuk semua u U dan pemetaan kf
didenisikan sebagai (kf )(u)
def
= kf (u) untuk semua u U. Maka
L(U, V, K) adalah ruang vektor atas K.
Sifat
Misalkan f , g L(U, V, K) dan komposisi dari g f adalah
(gf )(u)
def
= g(f (u)) untuk semua u U, maka g f L(U, V, K).
Pemetaan Linear
Bukti Sifat
Bukti
(gf )(k
1
u
1
+ k
2
u
2
) = g(f (k
1
u
1
+ k
2
u
2
))
= g(k
1
f (u
1
) + k
2
f (u
2
))
= k
1
g(f (u
1
)) + k
2
g(f (u
2
))
= k
1
(gf )(u
1
) + k
2
(gf )(u
2
).
Pemetaan Linear dan Aljabar Matriks
Misalkan U, V ruang vektor berdimensi hingga atas K masing-masing dengan dimensi
m dan n. Misalkan Bu = u
1
, . . . , u
m
basis terurut di U, Bv = v
1
, . . . , v
n
basis terurut
di V dan f L(U, V, K). Untuk j = 1, . . . , m, f (u
j
) V, sehingga ada skalar
a
i ,j
K yang memenuhi f (u
j
) = a
1,j
v
1
+ . . . + a
n,j
v
n
.
Pemetaan Linear
Bila indeks i dan j dalam skalar a
i ,j
menyatakan elemen baris ke-i dan kolom ke-j dari
suatu matriks A, hal ini mendenisikan matriks representasi dari pemetaan linier f
diberikan oleh:
A =
_
_
_
a
1,1
. . . a
1,m
.
.
.
.
.
.
.
.
.
a
n,1
. . . a
n,m
_
_
_
.
Perhatikan bahwa, skalar-skalar a
i ,j
dalam persamaan f (u
j
) menyatakan kolom ke-j
dari matriks A. Sekali matriks-matriks representasi ini di konstruksi sesuai dengan
basis-basis yang ada, matriks-matriks ini bisa digunakan tanpa lagi merujuk pada
basis-basis yang ada, kecuali ada perubahan basis, maka matriks A juga berubah.
Untuk menjelaskan hal ini, misalkan sebarang u U, maka u = x
1
u
1
+ . . . + x
m
u
m
dan v = f (u) V.
Pemetaan Linear
Tetapi v = y
1
v
1
+ . . . + y
n
v
n
. Sehingga didapat
f (u) = x
1
f (u
1
) + . . . + x
m
f (u
m
)
= x
1
(a
1,1
v
1
+ . . . + a
n,1
v
n
) + . . . + x
m
(a
1,m
v
1
+ . . . + a
n,m
v
n
)
= (a
1,1
x
1
+ . . . + a
1,m
x
m
)v
1
+ . . . + (a
n,1
x
1
+ . . . + a
n,m
x
m
)v
n
= y
1
v
1
+ . . . + y
n
v
n
atau y = Ax, dengan
y =
_
_
_
y
1
.
.
.
y
n
_
_
_
, A =
_
_
_
a
1,1
. . . a
1,m
.
.
.
.
.
.
.
.
.
a
n,1
. . . a
n,m
_
_
_
dan x =
_
_
_
x
1
.
.
.
x
m
_
_
_
.
Pemetaan Linear
Sifat Matriks Representasi
Sifat
Misalkan f L(U, V, K) dan g L(V, W, K) dengan dim(U) = m, dim(V) = n dan dim(W) = p. Representasi
matriks dari f dan g masing-masing diberikan oleh A = (f , u
j
, v
i
) berukuran n m dan B = (g, v
i
, w
k
) beruran
p n. Maka representasi matriks dari komposisi gf L(U, W, K) diberikan oleh C = (gf , u
j
, w
k
) dimana
C = BA dengan c
k,j
=
n
i =1
b
k,i
a
i ,j
.
Bukti
Gunakan denisi representasi matriks dari suatu pemetaan, didapat f (u
j
) =
n
i =1
a
i ,j
v
i
dan g(v
i
) =
p
k=1
b
k,i
w
k
.
Maka dari itu (g(f (u
j
)) =
n
i =1
a
i ,j
g(v
i
) =
n
i =1
a
i ,j
_
p
k=1
b
k,i
w
k
_
=
p
k=1
_
n
i =1
b
k,i
a
i ,j
_
w
k
. Tetapi
(gf )(u
j
) =
p
k=1
c
k,j
w
k
, sehingga dengan menyamakan koesien masing-masing persamaan didapat
c
k,j
=
n
i =1
b
k,i
a
i ,j
.
Pemetaan Linear
Contoh Matriks Representasi
Contoh 1
Diberikan suatu transformasi linier f : R
3
R
3
oleh
f ((x, y, z)
) = (x y z, x + y + z, z)
dengan basis baku terurut didapat:

f ((1, 0, 0)
) = (1, 1, 0)
, f ((0, 1, 0)
) = (1, 1, 0)
dan f ((0, 0, 1)
) = (1, 1, 1)
,
sehingga matriks representasi dari f terhadap basis baku terurut diberikan oleh:
_
_
1 1 1
1 1 1
0 0 1
_
_
.
Selanjutnya bila digunakan basis terurut B = (1, 0, 0)
, (1, 1, 0)
, (1, 0, 1)
didapat
f ((1, 0, 0)
) = (1, 1, 0)
= 0(1, 0, 0)
+ 1(1, 1, 0)
+ 0(1, 0, 1)
= (0, 1, 0)
B
,
f ((1, 1, 0)
) = (0, 2, 0)
= 2(1, 0, 0)
+ 2(1, 1, 0)
+ 0(1, 0, 1)
= (2, 2, 0)
B
dan
f ((1, 0, 1)
) = (0, 2, 1)
= 3(1, 0, 0)
+ 2(1, 1, 0)
+ 1(1, 0, 1)
= (3, 2, 1)
B
.
Sehingga matriks representasi dari f dengan basis terurut B diberikan oleh:
_
_
0 2 3
1 2 2
0 0 1
_
_
.
Pemetaan Linear
Lanjutan Contoh Matriks Representasi
Contoh 2
Diberikan pemetaan linier f : P
3
(R) P
1
(R) oleh f (p(x)) =
d
2
p(x)
dx
2
.
a. Matriks representasi A dari f dengan basis terurut B
1
= 1, x, x
2
, x
3
untuk P
3
(R) dan basis terurut
B
2
= 1, x + 2 untuk P
1
(R) diberikan sebagai berikut: f (1) = 0 = 0.1 + 0(x + 2) = (0, 0)
B
2
,
f (x) = 0 = 0.1 + 0(x + 2) = (0, 0)
B
2
, f (x
2
) = 2 = 2.1 + 0(x + 2) = (2, 0)
B
2
dan
f (x
3
) = 6x = 12.1 + 6(x + 2) = (12, 6)
B
2
,
A =
_
0 0 2 12
0 0 0 6
_
.
b. Misalkan p(x) = a + bx + cx
2
+ dx
3
ker(f ), maka 0 = f (p(x)) = 2c + 6dx, x R. Sehingga
didapat c = 0, d = 0. Jadi ker(f ) = {a.1 + bx | a, b R} = {1, x}. Terlihat bahwa dim(ker(f )) = 2.
c. Sedangkan dimensi dari image f diberikan oleh: dim(Im(f )) = dim(P
3
(R)) dim(ker(f )) = 4 2 = 2.
Hal ini bisa dicek sebagai berikut, misalkan sebarang q(x) = + x + x
2
+ x
3
P
3
(R), maka
f (q(x)) = 2 + 6x = 2.1 + 6.x {1, x}. Jadi Im(f ) = {1, x} dan terlihat bahwa dimensi
Im(f ) sama dengan dua.
Pemetaan Linear
Lanjutan Contoh Matriks Representasi
Contoh 3
Misalkan u
1
, u
2
, u
3
basis terurut dari U, v
1
, v
2
, v
3
dan w
1
, w
2
adalah suatu basis terurut dari W. Selanjutnya
diberikan pemetaan linier f : U V dan g : V W masing-masing oleh f (u
1
) = v
1
+ 2v
2
v
3
,
f (u
2
) = v
2
+ 2v
3
, f (u
3
) = v
1
+ v
2
+ 3v
3
dan g(v
1
) = 2w
1
w
2
, g(v
2
) = w
1
+ w
2
, g(v
3
) = 2w
1
+ 3w
2
.
Bila A = (f , u
j
, v
i
) dan B = (g, v
i
, w
k
), maka didapat matriks representasi:
A =
_
_
1 0 1
2 1 1
1 2 3
_
_
, B =
_
2 1 2
1 1 3
_
dan matriks representasi C = (gf , u
j
, w
k
) diberikan oleh
C = BA =
_
2 1 2
1 1 3
_
_
_
1 0 1
2 1 1
1 2 3
_
_
=
_
6 3 7
2 7 11
_
.
Bisa dicek langsung lewat vektor-vektor basis
(gf )(u
1
) = g(v
1
+ 2v
2
v
3
) = 6w
1
2w
2
(gf )(u
2
) = g(v
2
+ 2v
3
) = 3w
1
+ 7w
2
(gf )(u
3
) = g(v
1
+ v
2
+ 3v
3
) = 7w
1
+ 11w
2
.
Pemetaan Linear
Pemetaan Identitas
Pemetaan Identitas
Pementaan I
U
: U U adalah pemetaan identitas bila I
U
(u) = u
untuk semua u U.
Bila pemetaan f : U V suatu isomorpisma (satu-satu dan
pada), maka ada pemetaan invers f
1
: V U sehingga
f
1
f = I
U
dan
1
= I
V
.
Bila f : U V suatu isomorpisma, maka f
1
: V U adalah
pemetaan linier. Bila matriks representasi f adalah A dan matriks
representasi dari f
1
adalah B, maka BA = I dan AB = I .
Pemetaan Linear
Contoh
Contoh
Misalkan u
i
, i = 1, 2, 3 adalah basis terurut dari U dan
v
j
, j = 1, 2, 3 adalah basis terurut dari V. Pemetaan linier
f : U V diberikan oleh: f (u
1
) = v
1
+2v
2
v
3
, f (u
2
) = v
2
+2v
3
dan f (u
3
) = v
1
+ v
2
+ 3v
3
, maka A = (f , u
i
, v
j
) diberikan oleh
A =
_
_
1 0 1
2 1 1
1 2 3
_
_
didapat B = A
1
adalah matriks representasi dari f
1
dimana:
B =
_
_
0.25 0.5 0.25
1.75 0.5 0.75
1.25 0.25 0.25
_
_
Pemetaan Linear
Perubahan Basis
Perubahan Basis
Perubahan basis dari suatu transformasi linier adalah penting. Sebagaimana
telah diketahui dari pembahasan sebelumnya bahwa, suatu transformasi linier
memberikan suatu matriks representasi melalu suatu basis yang telah
ditentukan. Tentunya matriks representasi ini akan berbeda bila digunakan
basis lain yang berbeda tetapi tetap merupakan suatu matriks representasi dari
suatu transformasi linier yang sama. Perubahan basis tujuan utamanya adalah
mendapatkan suatu matriks represenatsi yang mudah untuk penghitungan
(komputasi) dan bisa menjelaskan makna perubahan bentuk suatu benda
dalam domainnya menjadi bentuk yang lainnya dalam kodomainnya. Sebelum
membahas perubahan basis secara general, diberikan suatu pengertian matriks
transisi dan contoh pada ruang R
2
. Juga dibahas lagi perubahan basis dan
matriks representasi kusus di ruang R
n
dan konsistensi pemetaan linear
terhadap perubahan basis.
Pemetaan Linear
Matriks Transisi
Diberikan suatu basis terurut di R
2
B =
_
b
1
=
_
3
2
_
, b
2
=
_
1
1
__
dan v =
_
7
4
_
Maka koordinat dari v terhadap basis B adalah (x
1
, x
2
)
diberikan oleh:
v = x
1
b
1
+ x
2
b
2
(kombinasi linear dari b
1
dan b
2
).
atau dalam bentuk persamaan matriks
_
7
4
_
=
_
3 1
2 1
_
. .
[b
1
b
2
]
_
x
1
x
2
_

_
x
1
x
2
_
=
_
1 1
2 3
_ _
7
4
_
=
_
3
2
_
.
Matriks [b
1
b
2
] dinamakan matriks transisisi.
Matriks Transisi dari Basis B ke Basis C
Misalkan B = v
1
, v
2
, , v
n
dan C = u
1
, u
2
, , u
n
adalah dua basis terurut di R

n
dan
matriks M = [v
1
v
2
v
n
], N = [u
1
u
2
u
n
].
Maka matriks transisi dari B ke C diberikan oleh
T = N
1
M.
Yaitu untuk setiap v R
n
[v]
C
= N
1
[v]
E
= N
1
M[v]
B
,
dengan E = e
1
, e
2
, . . . , e
n
adalah basis terurut standart di
R
n
.
Diagram Matriks Transisi dari B ke C
B E
M
N
1
C
N
1
M
Himpunan E = e
1
, e
2
, , e
n
adalah basis standart (baku) di
R
n
,
Contoh
Diberikan basis terurut di R
3
B =
_
_
_
v
1
=
_
_
1
1
1
_
_
, v
2
=
_
_
2
3
2
_
_
, v
3
=
_
_
1
5
4
_
_
_
_
_
dan
C =
_
_
_
u
1
=
_
_
1
1
0
_
_
, u
2
=
_
_
1
2
0
_
_
, v
3
=
_
_
1
2
1
_
_
_
_
_
Maka matriks transisi dari basis B ke basis C adalah:
N
1
M =
_
_
1 1 1
1 2 2
0 0 1
_
_
1
_
_
1 2 1
1 3 5
1 2 4
_
_
=
_
_
1 1 3
1 1 0
1 2 4
_
_
Lanjutan Contoh
Bila v = v
1
+ 2v
2
+ 3v
3
,
maka koordinat v terhadap basis B adalah
[v]
B
=
_
_
1
2
3
_
_
.
Jadi
[v]
C
= N
1
M[v]
B
=
_
_
1 1 3
1 1 0
1 2 4
_
_
_
_
1
2
3
_
_
=
_
_
6
3
17
_
_
Cek terhadap basis standart (baku)
[v]
C
= 6u
1
3u
2
+ 17u
3
=
_
_
8
22
17
_
_
dan
[v]
B
= v
1
+ 2v
2
+ 3v
3
=
_
_
8
22
17
_
_
Matriks Representasi
Misalkan U, V adalah ruang vektor atas lapangan K dengan
/ = |u
i
, i = 1, 2, . . . m suatu basis terurut di U dan
B = |v
j
, j = 1, 2, . . . n suatu basis terurut di V.
Diberikan pemetaan linear L : U V.
Maka
L(u
1
) = a
1,1
v
1
+ a
2,1
v
2
+ + a
n,1
v
n
=
_
_
_
_
_
a
1,1
a
2,1
.
.
.
a
n,1
_
_
B
.
.
.
L(u
m
) = a
1,m
v
1
+ a
2,m
v
2
+ + a
n,m
v
n
=
_
_
_
_
_
a
1,m
a
2,m
.
.
.
a
n,m
_
_
B
Matriks Reperesentasi dari Pemetaan
Linear L
Didenisikan matriks representasi dari pemetaan linear L
oleh
A = (L, /, B)
def
=
_
_
a
1,1
a
1,2
a
1,m
a
2,1
a
2,2
. . . a
2,m
.
.
.
.
.
.
.
.
.
.
.
.
a
n,1
a
n,2
a
n,m
_
_
Maka untuk setiap u U
L(u) =

Au.
Catatan kolom ke-i dari matriks A adalah koordinat dari
vektor L(u
i
) terhadap basis B. Jadi
A =
_
[L(u
1
)]
B
[L(u
2
)]
B
[L(u
m
)]
B

Contoh
Diberikan pemetaan linear L : U V dengan U = V = R
2
dan L([x y]
) = [2x + y x + 3y]
.
/ = [1 0]
, [1 1]
basis terurut di U dan

B = [0 1]
, [1 2]
basis terurut di V.
Maka
L([1 0]
) = [2 1]
= 3 [0 1]
+ 2 [1 2]
= [3 2]
B
L([1 1]
) = [3 4]
= 2 [0 1]
+ 3 [1 2]
= [2 3]
B
.
Jadi matriks representasi dari L adalah
A = (L, /, B) =
_
3 2
2 3
_
.
Cek Konsistensi Terhadap Perubahan Basis
Misalkan sebarang u = [x y]
R
2
,
maka
[u]
,
= (x y) [1 0]
+ y [1 1]
= [(x y) y]
,
.
Didapat
A[u]
,
=
_
3 2
2 3
_ _
x y
y
_
=
_
3x + y
2x + y
_
Hasil

A[u]
,
dapat dilihat sebagai
(3x + y) [0 1]
+ (2x + y) [1 2]
= [2x + y x + 3y]
= L([x y]
).
Pembahasan Perubahan Basis Secara umum
Misalkan B = u
1
, . . . , u
m
suatu basis terurut di ruang vektor U, C = v
1
, . . . , v
n
suatu basis terurut di ruang vektor V, kedua ruang vektor atas skalar K. Suatu
pemetaan linier f : U V dengan matriks representasi A = (f , B, C). Misalkan
f (u) = v dengan u = x
1
u
1
+ . . . + x
m
u
m
U dan v = y
1
v
1
+ . . . + y
n
v
n
V. Dari
pembahasan sebelumnya dijelaskan bahwa v = f (u) dapat disajikan oleh persamaan
matriks y = Ax, dengan x = (x
1
, . . . , x
m
)
dan y = (y
1
, . . . , y
n
)
. Misalkan P adalah
pemetaan koordinat, maka x = P
B
(u), y = P
C
(v) dan matriks representasi dari
persamaan vektor v = f (u) adalah P
C
(v) = AP
B
(u). Sehingga didapat,
v = f (u) = P
1
C
AP
B
(u), u U. Jadi f = P
1
C
AP
B
atau A = P
C
fP
1
B
. Hasil-hasil
yang didapat ini dijelaskan dalam diagram berikut.
U
B
V
C
f
P
C
K
N
P
B
K
M
A
Pembahasan Perubahan Basis Secara umum
Sehingga didapat hubungan (f ,

B,

C) = (I
V
, C,

C)(f , B, C)(I
U
,

B, B) atau
A = QAP
1
. Selanjutnya misalkan x, x vektor-vektor koordinat dari u U
relatif terhadap basis B dan

B dan y, y vektor-vektor koordinat dari
v = f (u) V relatif terhadap basis C dan

C, maka x = Px dan y = Qy. Bila
y = Ax, maka y = Qy = QAx = QAP
1
x =

Ax. Terlihat bahwa vektor-vektor
koordinat dan matriks-matriks transformasi konsisten terhadap perubahan basis.
Contoh-Contoh
1. Diberikan pemetaan linier f : R
2
R
2
dengan
f ((x, y)
) = (2x + y, x + 3y)
. Untuk basis B = |(1, 0)
, (1, 1)
, maka
f
B
(1, 0) = (2, 1) = 1(1, 0)
+ 1(1, 1)
= (1, 1)
dan
f
B
((1, 1)
) = (3, 4)
= 1(1, 0)
+ 4(1, 1)
= (1, 4)
, sehingga diperoleh
matriks representasi dari f :
A = (f , B, B) =
_
1 1
1 4
_
.
Contoh-Contoh
Lanjutan Contoh 1
Misalkan sebarang (x, y)
R
2
, maka
B
((x, y)
) = a(1, 0)
+ b(1, 1)
= (a, b)
dimana skalar a, b memenuhi:

_
x
y
_
=
_
1 1
0 1
__
a
b
_
_
a
b
_
=
_
1 1
0 1
__
x
y
_
,
sehingga didapat a = x y dan b = y. Jadi
B
((x, y)
) = (x y, y)
. Dicek
apakah pemetaan f konsisten terhadap basis B sebagai berikut:
f ((x, y)
) = A
B
((x, y)
) =
_
1 1
1 4
__
x y
y
_
=
_
x 2y
x + 3y
_
= (x 2y)
_
1
0
_
+ (x + 3y)
_
1
1
_
=
_
2x + y
x + 3y
_
.
Contoh-Contoh
Contoh 2
Diberikan pemetaan linier f : P
3
(R) P
3
(R) dimana
f (p(x)) = (a + b) + (b + c)x + (c + d)x
2
+ (a + d)x
3
, p(x) P
3
(R) dengan
p(x) = a + bx + cx
2
+ dx
3
. Misalkan B = |1, x, x
2
, x
3
dan
B = |1, 1 + x, 1 + x + x
2
, 1 + x + x
2
+ x
3
dua basis dari P
3
(R). Maka
f (1) = 1 + x
3
= 1(1) + 0(x) + 0(x
2
) + 1(x
3
),
f (x) = 1 + x = 1(1) + 1(x) + 0(x
2
) + 0(x
3
),
f (x
2
) = x + x
2
= 0(1) + 1(x) + 1(x
2
) + 0(x
3
),
f (x
3
) = x
2
+ x
3
= 0(1) + 0(x) + 1(x
2
) + 1(x
3
) dan
I
P
3
(R)
(1) = 1 = 1 + 0(1 + x) + 0(1 + x + x
2
) + 0(1 + x + x
2
+ x
3
),
I
P
3
(R)
(x) = x = 1(1) + 1(1 + x) + 0(1 + x + x
2
) + 0(1 + x + x
2
+ x
3
),
I
P
3
(R)
(x
2
) = x
2
= 0(1) 1(1 + x) + 1(1 + x + x
2
) + 0(1 + x + x
2
+ x
3
),
I
P
3
(R)
(x
3
) = x
3
= 0(1) + 0(1 + x) 1(1 + x + x
2
) + 1(1 + x + x
2
+ x
3
)
Contoh-Contoh
Lanjutan Contoh 2
Sehingga didapat matriks representasi A = (f , B, B), P = (I
P
3
(R)
, B,

B) dan
P
1
diberikan oleh:
A =
_
_
_
_
1 1 0 0
0 1 1 0
0 0 1 1
1 0 0 1
_
_
_
_
, P =
_
_
_
_
1 1 0 0
0 1 1 0
0 0 1 1
0 0 0 1
_
_
_
_
dan P
1
=
_
_
_
_
1 1 1 1
0 1 1 1
0 0 1 1
0 0 0 1
_
_
_
_
.
Sedangkan matriks representasi

A = (f ,

B,

B) diberikan oleh
A = PAP
1
=
_
_
_
_
1 1 0 0
0 1 1 0
1 1 0 0
1 1 1 2
_
_
_
_
.
Contoh-Contoh
Contoh 3
Diberikan ruang vektor U dengan dua basis terurut B = |u
1
, u
2
, u
3
dan
B = |u
1
, u
2
, u
3
dimana u
1
= u
2
, u
2
= u
3
, u
3
= u
1
. Serta ruang vektor V
dengan dua basis terurut C = |v
1
, v
2
dan C = |v
1
, v
2
dimana
v
1
= v
1
+v
2
, v
2
= v
1
v
2
. Suatu pemetaan linier f : U V diberikan oleh
f (u
1
) = 2v
1
v
2
, f (u
2
) = v
1
+v
2
, f (u
3
) = 2v
1
+ 3v
2
, sehingga diperoleh
suatu matriks representasi
A = (f , B, C) =
_
2 1 2
1 1 3
_
.
Misalkan P adalah matriks dari pemetaan identitas di U dari basis B ke basis
B, yaitu I
U
(u
1
) = u
1
= u
3
= 0u
1
+ 0u
2
+ 1u
3
,
I
U
(u
2
) = u
2
= u
1
= 1u
1
+ 0u
2
+ 0u
3
, I
U
(u
3
) = u
3
= u
2
= 0 u
1
+ 1 u
2
+ 0 u
3
.
Contoh-Contoh
Lanjutan Contoh 3
Sehingga didapat P dan P
1
:
P =
_
_
0 1 0
0 0 1
1 0 0
_
_
dan P
1
=
_
_
0 0 1
1 0 0
0 1 0
_
_
.
Begitu juga, karena I
V
(v
1
) = v
1
= 1v
1
+ 1v
2
, I
V
(v
2
) = v
2
= 1v
1
1v
2
, maka
didapat matriks Q
1
dari pemetaan identitas pada V dari basis C ke basis C
dan juga didapat matriks Q diberikan oleh:
Q
1
=
_
1 1
1 1
_
dan Q =
_
1
2
1
2
1
2

1
2
_
.
Contoh-Contoh
Lanjutan Contoh 3
Matriks representasi

A = (f , B, C) diberikan oleh:
A = QAP
1
=
_
_
1
1
2
1
2
0
5
2
3
2
_
_
.
Hasil ini bisa dicek secara langsung pemetaan f didenisikan relatif terhadap
basis

B dan

C sebagai berikut:
f (u
1
) = f (u
2
) = v
1
+ v
2
= v
1
= 1v
1
+ 0v
2
f (u
2
) = f (u
3
) = 2v
1
+ 3v
2
=
1
2
v
1

5
2
v
2
f (u
3
) = f (u
1
) = 2v
1
v
2
=
1
2
v
1
+
3
2
v
2
.
Matriks Similar
Definisi
Dua matriks persegi A dan B dikatakan similar bila ada matriks P yang punya
invers sehingga B = PAP
1
.
Sifat
Kesemilaran matriks () adalah suatu relasi ekivalen.
Bukti
1. A A, sebab A = IAI
1
dengan I adalah matriks identitas.
2. Bila A B, maka B = PAP
1
, didapat A = P
1
BP = QBQ
1
. Terlihat
bahwa B A.
3. Bila A B dan B C, maka B = PAP
1
dan C = QBQ
1
. Didapat
C = Q(PAP
1
)Q
1
= (QP)A(P
1
Q
1
) = (QP)A(QP)
1
. Terlihat
bahwa A C.
Bentuk Normal Diagonal Satuan
Diberikan pemetaan linier f : U V terhadap basis terurut B dari ruang
vektor U dan basis terurut C dari ruang vektor V, bagaimana cara memilih
basis terurut B dari ruang vektor U dan basis terurut C dari ruang vektor V
supaya representasi matriks

A = (f , B, C) mempunyai bentuk normal diagonal
satuan yang sederhana, yaitu matriks:
_
_
_
_
I
r
.
.
. 0
. . . . . . . . .
0
.
.
. 0
_
_
_
_
,
dengan I
r
adalah matriks satuan berukuran r r dan
r min|dim(U), dim(V). Untuk memperoleh cara yang dimaksud ini
digunakan sifat berikut.
Bentuk Normal Diagonal Satuan
Sifat
Misalkan pemetaan linier f : U V, masing-masing dimensi U dan V adalah m dan
n dengan dim(Im(f )) = r. Maka ada basis terurut B dari U dan basis terurut C dari
V sehingga representasi matriks dari f berbentuk normal diagonal satuan, yaitu
A = (f , B, C) =
_
_
_
_
_
I
r
.
.
. 0
. . . . . . . . .
0
.
.
. 0
_
_
_
_
_
r
n r

r m r
Bukti
Dari sifat dimensi pemetaan linier didapat,
dim(ker(f )) = dim(U) dim(Im(f )) = m r. Misalkan u
r+1
, . . . , u
m
adalah suatu
basis terurut dari ker(f ).
Lanjutan Bukti
Perluas basis ini sampai diperoleh basis terurut B = u
1
, . . . , u
r
, u
r+1
, . . . , u
m
dari ruang vektor U. Dari pengertian kernel didapat
f (u
r+1
) = 0, . . . , f (u
m
) = 0. Selanjutnya pilih vektor-vektor v
1
, . . . , v
r
Im(f )
sehingga f (u
1
) = v
1
, . . . , f (u
r
) = v
r
. Jelas bahwa vektor-vektor v
1
, . . . , v
r
adalah suatu basis terurut dari Im(f ). Selanjutnya perluas basis ini sampai
diperoleh basis terurut C = v
1
, . . . , v
r
, v
r+1
, . . . , v
n
dari ruang vektor V. Jadi,
terhadap basis terurut B dari ruang vektor U dan basis terurut C dari ruang
vektor V, pemetaan f didenisikan oleh
f (u
1
) = v
1
, . . . , f (u
r
) = v
r
, f (u
r+1
) = 0, . . . , f (u
m
) = 0. Dari denisi ini
terlihat bahwa representasi matriks

A = (f , B, C) adalah:
A = (f , B, C) =
_
_
_
_
I
r
.
.
. 0
. . . . . . . . .
0
.
.
. 0
_
_
_
_
r
n r

r mr
Contoh
Misalkan representasi matriks dari suatu pemetaan linier terhadap
basis baku terurut, diberikan oleh:
A =
_
_
1 2 3
2 3 1
3 5 4
_
_
.
Dapatkan basis-basis terurut dari U dan V supaya dengan
basis-basis ini pemetaan linier mempunyai representasi matriks
berbentuk normal diagonal satuan.
Penyelesaian Contoh
Pertama, tentukan kernel dari A dengan menyelesaikan persamaan
Ax = 0, didapat: ker(A) = x(7, 5, 1)
[ x R atau
ker(A) = (7, 5, 1)
. Perluas basis dari kernel sehingga

diperoleh basis terurut B = (1, 0, 0)
, (0, 1, 0)
, (7, 5, 1)
.
Selanjutnya dapatkan basis terurut dari Image A sebagai berikut:
_
_
1 2 3
2 3 1
3 5 4
_
_
_
_
1
0
0
_
_
=
_
_
1
2
3
_
_
,
_
_
1 2 3
2 3 1
3 5 4
_
_
_
_
0
1
0
_
_
=
_
_
2
3
5
_
_
.
Perluas basis terurut ini sehingga diperoleh:
Lanjutan Penyelesaian Contoh
C = |(1, 2, 3)
, (2, 3, 5)
, (1, 0, 0)
adalah basis terurut dari ruang vektor V.

Selanjutnya cek dengan basis-basis terurut B dan C, representasi matriks
berbentuk normal diagonal satuan sebagaimana berikut ini.
Persamaan-persamaan yang memberikan matriks P
1
= (f , B, B) dengan B
basis terurut baku adalah: I
U
(u
1
) = u
1
= (1, 0, 0)
, I
U
( u
2
) = u
2
= (0, 1, 0)
dan
I
U
(u
3
) = u
3
= (7, 5, 1)
. Sehingga didapat:
P
1
=
_
_
1 0 7
0 1 5
0 0 1
_
_
.
Dengan cara serupa, persamaan-persamaan yang memberikan matriks
Q
1
= (f , C, C) dengan C basis terurut baku adalah: I
V
(v
1
) = v
1
= (1, 2, 3)
,
I
V
(v
2
) = v
2
= (2, 3, 5)
dan I
V
(v
3
) = v
3
= (1, 0, 0)
. Sehingga didapat:
Q
1
=
_
_
1 2 1
2 3 0
3 5 0
_
_
Q =
_
_
0 5 3
0 3 2
1 1 1
_
_
dan matriks

A = QAP
1
diberikan oleh:
A =
_
_
0 5 3
0 3 2
1 1 1
_
_
_
_
1 2 3
2 3 1
3 5 4
_
_
_
_
1 0 7
0 1 5
0 0 1
_
_
=
_
_
1 0 0
0 1 0
0 0 0
_
_
.
Rank Suatu Matriks
Suatu matriks A berukuran n m dengan elemen-elemen di K
mendenisikan suatu pemetaan linier f dari K
m
ke K
n
sedemikian hingga
A = (f , E
m
, E
n
) dimana E
m
dan E
n
masing-masing adalah basis baku dari
K
m
dan K
n
. Rank dari matriks A adalah rank dari f , jadi
rank(A) = rank(f ) = dim(Im(f )). Ruang bagian dari K
m
yang
dibentangkan oleh vektor-vektor baris dari A dinamakan ruang baris dari
A dan mempunyai dimensi rank baris dari A yang merupakan banyaknya
vektor-vektor baris dari A yang bebas linier. Ruang bagian dari K
n
yang
dibentangkan oleh vektor-vektor kolom dari A dinamakan ruang kolom
dari A dan mempunyai dimensi rank kolom dari A yang merupakan
banyaknya vektor-vektor kolom dari A yang bebas linier.
Sifat
Sifat
Ruang kolom dari suatu matriks adalah ruang imagenya, jadi rank kolom dari suatu
matriks sama dengan rank matriksnya.
Bukti
Misalkan A berukuran n m dan f suatu pemetaan linier dari K
m
ke K
n
sedemikian
hingga A = (f , E
m
, E
n
), dimana E
m
= e
1
, . . . , e
m
dan E
n
= e
1
, . . . , e
n
masing-masing
adalah basis baku terurut dari K
m
dan K
n
. Misalkan bahwa matriks
A =
_
_
a
1,1
. . . a
1,m
. . . . . . . . .
a
n,1
. . . a
n,m
_
_
,
maka untuk j = 1, . . . , m,
f (e
j
) =
n
i =1
a
i ,j
e
i
=
_
_
_
_
a
1,j
.
.
.
a
n,j
_
_
_
_
adalah kolom ke-j dari matriks A. Tetapi, Im(f ) dibangun oleh f (e
1
), . . . , f (e
m
), oleh
karena itu, Im(f ) = ruang kolom(A). Jadi rank(A)=rank kolom(A).
Sifat
Rank baris dan rank kolom dari setiap matriks adalah sama.
Bukti
Misalkan matriks A berukuran n m dengan eleme-elemen di K diberikan oleh
_
_
_
_
a
11
. . . a
1m
.
.
.
.
.
.
.
.
.
a
n1
. . . a
nm
_
_
_
_
dan misalkan B
i
, i = 1, 2, . . . , n menyatakan baris ke-i dari matriks A. Selanjutnya misalkan rank baris(A) = r
dan S
j
, j = 1, 2, . . . , r adalah basis dari ruang baris matriks A. Maka, untuk setiap
i = 1, 2, . . . , n, B
i
=
r
j =1
k
ij
S
j
untuk beberapa k
ij
K. Komponen ke-l dari vektor B
i
mempunyai bentuk
a
il
=
r
j =1
k
ij
s
jl
dengan i = 1, . . . , n, l = 1, . . . , m. Sehingga didapat kolom ke-l dari matriks A adalah
C
l
=
r
j =1
L
j
s
jl
=
r
j =1
s
jl
L
j
, dimana L
j
adalah vektor kolom dengan komponen ke-i adalah k
ij
. Terlihat bahwa setiap
kolom dari A adalah merupakan kombinasi linier dari sebanyak r vektor. Jadi rank kolom(A) rank baris(A).
Dengan menggunakan argumentasi (alasan yang sama) untuk matriks A
(matriks transpose dari A), didapat rank

baris(A) rank kolom(A). Jadi rank baris(A) = rank kolom(A).
Kesimpulan
Kesimpulan:
1. Suatu matriks A berukuran n n dengan elemen-elemen di
lapangan F mempunyai invers bila dan hanya bila rank(A) = n.
2. Misalkan A matriks berukuran n m dengan elemen-elemen di
lapangan F, bila Ax = 0, maka himpunan penyelesaian dari sistem
linier homogin tsb. merupakan ruang bagian dari F
m
dengan
dimensi m rank(A). Hal ini mempunyai arti bahwa ada sebanyak
m rank(A) parameter dalam himpunan penyelesaian dari Ax = 0.
3. Persamaan tak homogin Ax = b, mempunyai penyelesaian bila dan
hanya bila rank(A) = rank(A, b). Himpunan penyelesaian ini
mempunyai sebanyak m rank(A) parameter.
Contoh
Diberikan matriks
A =
_
_
1 2 1 1
0 1 0 1
0 0 0 3
_
_
.
Vektor vektor kolom dari A tidak bebas linier. Hanya sebanyak 3 vektor kolom yang
bebas linier, yaitu kolom ke-1, kolom ke-2 dan kolom ke-4. Jadi rank kolom(A) = 3
dan semua vektor baris dari A bebas linier (sebanyak 3). Penyelesaian dari Ax = 0
akan memuat sebanyak 4 3 = 1 paramater yaitu
x =
_
_
_
_
t
0
t
0
_
_
_
_
. Bila b =
_
_
2
1
9
_
_
,
rank(A, b) = 3. Jadi penyelesaian Ax = b akan memuat sebanyak 4 3 = 1 parameter
yaitu
x =
_
_
_
_
7 t
4
t
3
_
_
_
_
.
Definisi
Misalkan f : U U suatu pemetaan linier pada ruang vektor U
berdimensi n atas lapangan F. Bila u U dan F memenuhi
f (u) = u, maka u dinamakan suatu vektor-eigen dari f yang
bersesuaian dengan nilai-eigen .
Definisi
Misalkan A suatu matriks ukuran n n dengan elemen-elemennya di
suatu lapangan F. Bila ada vektor tak nol x F
n
dan skalar F yang
memenuhi Ax = x, maka x dikatakan suatu vektor-eigen dari matriks A
yang bersesuaian dengan nilai-eigen .
Sifat
Misalkan matriks A = (f , B, B) adalah representasi dari pemetaan linier
f : U U terhadap basis terurut B dari ruang vektor U. Selanjutnya bila
B
adalah pemetaan koordinat dari U ke F
n
, maka A =
B
f
1
B
dan x =
B
(u).
Jadi
Ax = x (
B
f
1
B
)(
B
(u)) =
B
(u)
B
(f (u)) =
B
(u) f (u) = u.
Sifat
Bila f : U U suatu pemetaan linier dan masing masing matriks A = (f , B, B)
dan

A = (f , B, B) adalah representasi dari f dengan basis terurut yang berbeda,
maka nilai-eigen dari A sama dengan nilai-eigen dari

A.
Bukti:
Misalkan P = (I
U
, B, B) matriks perubahan basis dari basis B ke basis B, maka
A = PAP
1
. Bila Ax = x didapat (PAP
1
)(Px) = (Px). Sehingga diperoleh
Ax = x dimana x = Px. Terlihat bahwa matriks A dan

A mempunyai
nilai-eigen yang sama.
Cara Menghitung Nilai dan Vektor Eigen
Misalkan A suatu matriks berukuran n n dan Ax = x dengan x ,= 0 dan
x F
n
, maka (I A)x = 0, dimana I adalah matriks identitas dengan ukuran
n n. Persamaan homogin (I A)x = 0 mempunyai jawab nontrivial bila dan
hanya bila det(I A) = 0. Persamaan det(I A) = 0 dinamakan persamaan
kharakteristik dari matriks A yang merupakan persamaan polinomial dalam
dengan derajad n.
Contoh Diberikan matriks
A =
_
0 1
2 3
_
det(
_
1
2 3
_
) =
2
3 + 2 = ( 1)( 2).
Untuk = 1 didapat:
_
1 1
2 2
__
x
1
x
2
_
=
_
0
0
_
x
1
= x
2
x =
_
1
1
_
,
sedangkan untuk = 2 didapat:
_
2 1
2 1
__
x
1
x
2
_
=
_
0
0
_
x
2
= 2x
1
x =
_
1
2
_
.
Pendiagonalan Matriks Persegi
Suatu matriks A berukuran n n dengan elemen-elemen di F similar dengan
matriks diagonal bila dan hanya bila eigenvektor-eigenvektornya membentang
ruang F
n
(span F
n
).
Bukti
Misalkan x
1
, x
2
, . . . , x
n
adalah vektor-eigen dari matriks A dimana
x
1
, x
2
, . . . , x
n
) = F
n
. Jadi matriks Q = [x
1
[ x
2
[ . . . [ x
n
] mempunyai invers,
misalkan Q
1
= P. Sehingga didapat
AQ = A[x
1
[ x
2
[ . . . [ x
n
]
= [Ax
1
[ Ax
2
[ . . . [ Ax
n
]
= [
1
x
1
[
2
x
2
[ . . . [
n
x
n
]
= [x
1
[ x
2
[ . . . [ x
n
]
_
_
_
_
_
_
_
1
. . . . . . 0
.
.
.
2
. . .
.
.
.
.
.
. . . .
.
.
.
.
.
.
0 . . . . . .
n
_
_
_
_
_
_
_
= Q

A

A = Q
1
AQ

A = PAP
1
.
Contoh
Selidiki apakah matriks dibawah ini bisa didiagonalkan!
A =
_
0 1
2 3
_
.
Dalam pembahasan sebelum didapat bahwa
AX
1
=
1
X
1
dan AX
2
=
2
X
2
dimana
1
= 1, X
1
=
_
1
1
_
dan
2
= 2, X
2
=
_
1
2
_
.
Untuk matriks
Q = [X
1
X
2
] =
_
1 1
1 2
_
didapat
A = Q
1
AQ =
_
2 1
1 1
__
0 1
2 3
__
1 1
1 2
_
=
_
1 0
0 2
_
.
Terlihat bahwa matriks A dapat didiagonalkan menjadi matriks

A.
Sifat
Bila matriks A berukuran n n mempunyai n eigenvalue yang berbeda
satu dengan yang lainnya, maka eigenvektor-eigenvektornya bebas linier.
Bukti
Misalkan
1
,
2
, . . . ,
n
adalah eigenvalue-eigenvalue yang berbeda satu
dengan yang lainnya dan X
1
, X
2
, . . . , X
n
adalah eigenvektor-eigenvektor
yang bersesuaian. Dengan menggunakan induksi dibuktikan bahwa
eigenvektor-eigenvektor tsb. bebas linier. Misalkan bahwa X
1
, X
2
, . . . , X
k
bebas linier dan untuk
a
1
X
1
+ a
2
X
2
+ . . . + a
k
X
k
+ a
k+1
X
k+1
= 0. (1)
Sehingga didapat
A(a
1
X
1
+ a
2
X
2
+ . . . + a
k
X
k
+ a
k+1
X
k+1
) = 0
atau
a
1
1
X
1
+ a
2
2
X
2
+ . . . + a
k
k
X
k
+ a
k+1
k+1
X
k+1
= 0. (2)
Lanjutan Bukti
Kalikan
k+1
pada persamaan (1) selanjutnya hasilnya kurangkan pada persamaan
(2), didapat:
a
1
(
1
k+1
)X
1
+ a
2
(
2
k+1
)X
2
+ . . . + a
k
(
k

k+1
)X
k
= 0.
Karena X
1
, . . . , X
k
bebas linier dan
i
,=
j
, i ,= j , maka haruslah
a
1
= a
2
= . . . = a
k
= 0. Sehingga persamaan (1) menjadi a
k+1
X
k+1
= 0 dan karena
X
k+1
,= 0, maka haruslah a
k+1
= 0. Terlihat bahwa bila dari kenyataan persamaan (1)
dipenuhi maka berakibat a
1
= a
2
= . . . = a
k
= a
k+1
= 0, hal ini menunjukkan bahwa
vektor-vektor X
1
, X
1
, . . . , X
k
, X
k+1
adalah bebas linier.
Kesimpulan
Bila matriks A berukuran n n dengan elemen-elemen di lapangan F mempunyai
eigenvalue-eigenvalue yang berbeda, maka matriks A dapat didiagonalkan.
Bukti
Dengan menggunakan dua hasil sebelumnya didapat bahwa, eigenvektor-eigenvektor
yang bersesuaian dengan eigenvalue-eigenvalue merupakan vektor-vektor yang bebas
linier. Sehingga vektor-vektor ini membentangkan keseluruhan ruang F
n
. Akibatnya
matriks A dapat didiagonalkan.
Contoh
Diberikan matriks
A =
_
_
0 1 0
0 0 1
6 11 6
_
_
.
Polinomial kharakteristik A adalah
p() =
1 0
0 1
6 11 6
1
11 6
+ 1
0 1
6 6

p() = (
2
6) +11 6 =
3
6
2
+11 6 = ( 1)( 2)( 3). Didapat
1
= 1,
2
= 2 dan
3
= 3. Sehingga didapat pasangan eigenvalue-eigenvektor:
1
= 1, X
1
=
_
_
1
1
1
_
_
;
2
= 2, X
2
=
_
_
1
2
4
_
_
;
3
= 3, X
3
=
_
_
1
3
9
_
_
.
dan
Q = [X
1
X
2
X
3
] =
_
_
1 1 1
1 2 3
1 4 9
_
_
Q
1
=
_
_
3
5
2
1
2
3 4 1
1
3
2
1
2
_
_
.
Matriks

A = Q
1
AQ adalah matriks diagonal dengan elemen-elemen diagonal
1
= 1,
2
= 2,
3
= 3.
Matriks Invarian
Suatu matriks persegi invarian adalah suatu sifat dari suatu matriks yang tidak
berubah bila matriks ditransformasi dengan suatu cara tertentu. Eigenvalue-eigenvalue
dari suatu matriks adalah invarian dibawah suatu transformasi kesemilaran, begitu
juga trace dan determinannya. (Trace suatu matriks A adalah jumlah keseluruhan
eleme-elemen diagonalnya: tr(A) =
n
i =1
a
i ,i
).
Sifat
Bila adalah eigenvalue dari matriks A, maka juga eigenvalue dari suatu matriks
PAP
1
,
Bukti Misalkan AX = X dan Y = PX dengan P matriks yang punya invers, jadi
X = P
1
Y. Sehingga didapat A(P
1
Y) = (P
1
Y) (PAP
1
)Y = Y. Terlihat
bahwa juga eigenvalue dari matriks PAP
1
.
Sifat
Sifat
Bila ABC adalah hasil kali matriks persegi, maka tr(ABC) = tr(BCA).
Bukti
(ABC)
i ,l
=
n
k=1
_
n
j =1
a
i ,j
b
j ,k
c
k,l
_
.
Didapat
tr(ABC) =
n
i =1
(ABC)
i ,i
=
n
i =1
_
n
k=1
_
n
j =1
a
i ,j
b
j ,k
c
k,i
__
=
n
j =1
_
n
i =1
_
n
k=1
b
j ,k
c
k,i
a
i ,j
__
=tr(BCA).
Sifat
Trace dan determinan dari suatu matriks persegi adalah invarian dalam suatu
tranformasi similar. Lagi pula bila matriks A dapat didiagonalkan dengan eigenvalue
i
, i = 1, . . . , n, maka tr(A) =
n
i =1
i
dan det(A) =
n
i =1
i
.
Bukti
Dari hasil sebelumnya, tr(PAP
1
) = tr(P
1
PA) = tr(A). Dan
det(PAP
1
) = det(P)det(A)det(P
1
)
= det(A)(det(P)det(P
1
))
= det(A)det(PP
1
)
= det(A)det(I ) = det(A).
Jelas bahwa bila PAP
1
=

A dimana

A matriks diagonal dengan elemen-elemen
diagonal
i
, i = 1, . . . , n, maka tr(A) =
n
i =1
i
dan det(A) =
n
i =1
i
.
Contoh
Diberikan matriks matriks
A =
_
_
0 1 0
0 0 1
6 11 6
_
_

1
= 1,
2
= 2,
3
= 3.
tr(A) = 0 + 0 + 6 = 6
1
+
2
+
3
= 1 + 2 + 3 = 6
_
tr(A) =
1
+
2
+
3
.
det(A) = 6
1 0
0 1
= 6
3
= 1(2)(3) = 6
_
_
det(A) =
1
3
.
Multiplisitas Geometri dan Aljabar
Multiplisitas Geometri dan Aljabar
Misalkan adalah suatu eigenvalue dari pemetaan linier
f : U U. Himpunan semua eigenvektor-eigenvektor yang
bersesuaian dengan eigenvalue beserta vektor nol dinamakan
ruang eigen dari U dinotasikan dengan E
(U). Ruang eigen E
(U)
adalah ruang bagian dari ruang vektor U, sebab merupakan kernel
dari pemetaan (I
U
). Dimensi dari subruang E
(U) dinamakan
multiplisitas geometri dari dan dan banyaknya yang sama
(kembar) dinamakan multiplisitas aljabar dari . Misalkan
multiplisitas geometri dari adalah a dan multiplisitas aljabar dari
adalah b, maka a b.
Contoh
1. Diberikan matriks
A =
_
_
2 1 1
0 3 1
0 1 3
_
_
det(I A) = ( 2)
2
( 4).
E
2
(R
3
) = ker(
_
_
0 1 1
0 1 1
0 1 1
_
_
) =
_
_
_
1
0
0
_
_
,
_
_
0
1
1
_
_
_
E
4
(R
3
) = ker(
_
_
2 1 1
0 1 1
0 1 1
_
_
) =
_
_
_
1
1
1
_
_
_
Terlihat bahwa untuk = 2 ataupun = 4 multiplisitas geometri =
multiplisitas aljabar.
Lanjutan Contoh
2. Diberikan matriks
A =
_
_
2 1 0
0 2 0
0 0 4
_
_
det(I A) = ( 2)
2
( 4).
E
2
(R
3
) = ker(
_
_
0 1 0
0 0 0
0 0 2
_
_
) =
_
_
_
1
0
0
_
_
_
E
4
(R
3
) = ker(
_
_
2 1 0
0 2 0
0 0 0
_
_
) =
_
_
_
0
0
1
_
_
_
Terlihat bahwa untuk = 2 multiplisitas geometri < multiplisitas aljabar
tetapi untuk = 4 multiplisitas geometri = multiplisitas aljabar.
Sifat
Bila det(I A) =
n
+ c
n1
n1
+ . . . + c
0
, maka
A
n
+ c
n1
A
n1
+ . . . + c
0
I = 0.
Bukti
Bila PAP
1
= D dimana matriks D adalah matriks diagonal dengan
elemen-elemen diagonal
i
, i = 1, . . . , n adalah eigenvalue-eigenvalue dari
matriks A. Sehingga didapat :
A
n
+ c
n1
A
n1
+ . . . + c
0
I =
P
1
(D
n
+ c
n1
D
n1
+ . . . + c
0
I )P =
P
1
_
_
_
n
1
+ c
n1
n1
1
+ . . . + c
0
. . . 0
.
.
.
.
.
.
.
.
.
0 . . .
n
n
+ c
n1
n1
n
+ . . . + c
0
_
_
_
P = 0.
Contoh
Diberikan matriks
A =
_
_
0 1 0
0 0 1
6 11 6
_
_
det(I A) =
3
6
2
+ 11 6.
Didapat matriks A
3
6A
2
+ 11A 6I adalah:
_
_
6 11 6
36 60 25
150 239 90
_
_
_
_
0 0 6
36 66 36
216 360 150
_
_
+
_
_
0 11 0
0 0 11
66 121 66
_
_
_
_
6 0 0
0 6 0
0 0 6
_
_
=
_
_
(6 6) (11 + 11) (6 6)
(36 36) (60 + 66 6) (25 36 + 11)
(150 216 + 66) (239 + 360 121) (90 150 + 66 6)
_
_
=
_
_
0 0 0
0 0 0
0 0 0
_
_
Ke-Orthogonalan
Ke-Orthogonalan
Misalkan V suatu ruang vektor atas lapangan riil R. Hasil kali dalam riil (real inner
product) juga dinamakan bilinier adalah fungsi dari V V ke R dinotasikan oleh u, v)
yang memenuhi
r
1
u
1
+ r
2
u
2
, v) = r
1
u
1
, v) + r
2
u
2
, v) untuk semua u
1
, u
2
, v V dan r
1
, r
2
R
(Linier).
u, v) = v, u) untuk semua u, v V (Simetri).
u, u) 0 untuk semua u V dan u, u) = 0 bila dan hanya bila u = 0 (semi
denit positip).
Bila x = (x
1
, . . . , x
n
), y = (y
1
, . . . , y
n
) R
n
maka hasil kali dalam baku diberikan oleh
x, y)
def
=
n
i =1
x
i
y
i
(juga dinamakan dot product dalam geometri Euclide). Bila
vektor-vektor x dan y disajikan dalam vektor kolom, maka x, y) = x
y.
Suatu norm dari ruang vektor V ke lapangan riil R adalah suatu fungsi dinotasikan
oleh [[ [[ yang memenuhi
[[v[[ 0 untuk semua v V dan [[v[[ = 0 bila dan hanya bila u = 0 (Denit
positip).
[[rv[[ = [r[ [[v[[ untuk semua v V, r R
[[u + v[[ [[u[[ +[[[v[[ untuk semua u, v V (Pertaksamaan segitiga).
Ke-Orthogonalan
Norm Euclide
Untuk setiap u R
n
norm Euclide diberikan oleh [[u[[
p
def
=
_
n
i =1
[u
i
[
p
_1
p
dalam
hal ini dinamakan norm-p. Khusus untuk p = 2 cukup ditulis
[[u[[ =
_
n
i =1
[u
i
[
2
_1
2
Misalkan V suatu ruang vektor atas lapangan R.
1. Dua vektor u, v V dikatakan orthogonal bila u, v) = 0.
2. Suatu himpunan dari vektor-vektor adalah orthogonal bila setiap dua
pasang vektor orthogonal.
3. Suatu vektor u V adalah ternormalisir bila [[u[[ = 1.
4. Dua vektor u, v V dikatakan orthonormal bila [[u[[ = [[v[[ = 1 dan
u, v) = 0.
Setiap vektor u V bisa dinormalisir kedalam bentuk
u
[[u[[
.
Ke-Orthogonalan
Contoh
Contoh
Himpunan vektor-vektor |(1, 0), (0, 1) adalah orthonormal, tetapi
|(1, 1), (1, 1) adalah orthogonal. Himpunan yang terakhir ini dapat dijadikan
orthonormal sebagai himpunan berikut ini
__
1
2
,
1
2
_
,
_
2
,
1
2
__
Suatu basis orthonormal dari suatu ruang vektor mempunyai beberapa
kemanfaatan dan basis baku dari ruang vektor R
n
adalah orthonormal, yaitu
basis baku dari ruang vektor R
3
adalah himpunan |(1, 0, 0), (0, 1, 0), (0, 0, 1).
Diberikan matriks A berukuran n n, matriks A dikatakan matriks simetri bila
A = A
dan dikatakan anti-simetri (skew-symmetric) bila A = A
. Matriks
simetri bermaanfaat dalam bentuk kuadrat, misalnya
_
x y
_
_
a
1,1
a
1,2
a
1,2
a
2,2
__
x
y
_
= a
1,1
x
2
+ 2a
1,2
xy + a
2,2
y
2
Ke-Orthogonalan
Sifat
Sifat
Bila matriks A simetri dengan elemen-elemen riil dan berlaku Ax = x dengan
x ,= 0, maka selalu merupakan bilangan riil.
Bukti
Digunakan tanda

untuk menyatakan komplek sekawan (complex conjugate).
Kedua ruas dari Ax = x kalikan dengan x
didapat
x
Ax = (x
x) (3)
Persamaan (3) kedua ruas ditranspose-konjuget didapat
x
Ax =
(x
x) (4)
Persamaan (4) dikurangi persamaan (3) didapat
0 = (
)(x
x) 0 =
(sebab x ,= 0). Jadi
= , maka dari itu

merupakan bilangan riil.
Ke-Orthogonalan
Sifat
Sifat
Misalkan A matriks simetri berukuran n n dengan elemen-elemen riil. Bila
dan adalah sebarang dua eigenvalue dari matriks A dengan masing-masing
eigenvektor adalah x dan y dan ,= , maka x, y) = 0.
Bukti
Kedua ruas persamaan Ax = x kalikan dengan y
didapat
y
Ax = (y
x). (5)
Kedua ruas persamaan Ay = y kalikan dengan x
didapat
x
Ay = (x
y). (6)
Kedua ruas persamaan (6) ditranspose didapat
y
Ax = (y
x). (7)
Persamaan (7) dikurangi persamaan (5) didapat
0 = ( )(y
x) 0 = y
x = x, y) (sebab ,= ).
Ke-Orthogonalan
Matriks Orthogonal
Matriks A berukuran n n dikatakan orthogonal bila AA
= I = A
A
yaitu A
1
= A
.
Sifat
Bila B
i
dan K
j
masing-masing menyatakan baris ke-i dan kolom ke-j dari
suatu matriks orthogonal A berukuran n n, maka B
i
, i = 1, . . . , n dan
K
j
, j = 1, . . . , n adalah himpunan dari vektor-vektor orthonormal.
Bukti
Dari elemen perkalian matriks (AA
)
i ,j
= B
i
, B
j
dan fakta AA
= I
didapat B
i
, B
j
=
_
1 i = j
0 yang lainnya
, terlihat bahwa baris-baris dari
A adalah orthonormal. Bila A orthogonal, maka A
juga orthogonal, jadi

kolom-kolom dari A juga orthonormal.
Ke-Orthogonalan
Contoh 1
Bila matriks A diberikan oleh
A =
_
_
0 1 0
0 0 1
1 0 0
_
_
,
maka
AA
=
_
_
0 1 0
0 0 1
1 0 0
_
_
_
_
0 0 1
1 0 0
0 1 0
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
= I .
Juga dapat dicek bahwa A
A = I . Jadi A adalah matriks

orthogonal.
Ke-Orthogonalan
Contoh 2
Bila matriks A diberikan oleh
A =
_
_
_
_
_
0
1
2
1
2
1 0 0
0
1
2
1
2
_
_
_
_
_
,
maka matriks A adalah orthogonal, sebab
AA
=
_
_
_
_
_
0
1
2
1
2
1 0 0
0
1
2
1
2
_
_
_
_
_
_
_
_
_
_
0 1 0
2
0
1
2
1
2
0
1
2
_
_
_
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
= I .
Juga dapat dicek bahwa A
A = I
Ke-Orthogonalan
Sifat
Suatu pemetaan linier yang direpresentasikan oleh suatu matriks orthogonal
adalah mempertahankan jarak dari suatu vektor, yaitu bila A suatu matriks
orthogonal, maka [[Ax[[ = [[x[[ untuk semua x R
n
.
Bukti
Dari persamaan [[x[[ =
_
x, x) dan x, x) = x
x, didapat [[x[[
2
= x
x. Oleh
karena itu [[Ax[[
2
= x
Ax = x
x = [[x[[
2
[[Ax[[ = [[x[[.
Contoh
Diberikan matriks orthogonal
A =
_
_
_
_
_
0
1
2
1
2
1 0 0
0
1
2
1
2
_
_
_
_
_
dan sebarang x =
_
_
x
1
x
2
x
3
_
_
R
n
,
maka dapat ditunjukkan bahwa [[Ax[[ = [[x[[ sebagai mana berikut ini:
Ke-Orthogonalan
Lanjutan Contoh
_
_
_
_
_
0
1
2
1
2
1 0 0
0
1
2
1
2
_
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_
_
_
_
_
2
x
2
+
1
2
x
3
x
1
1
2
x
2
+
1
2
x
3
_
_
_
_
_
=
_
(
1
2
x
2
+
1
2
x
3
)
2
+ x
2
1
+ (
1
2
x
2
+
1
2
x
3
)
2
=
_
1
2
x
2
2
x
2
x
3
+
1
2
x
2
3
+ x
2
1
+
1
2
x
2
2
+ x
2
x
3
+
1
2
x
2
3
_
x
2
1
+ x
2
2
+ x
2
3
= [[x[[.
Ke-Orthogonalan
Kesimpulan dan Komentar
Kesimpulan
Bila matriks simetri A berukuran n n mempunyai eigenvalue-eigenvalue yang
berbeda, maka A dapat didiagonalkan melalui suatu matriks orthogonal.
Komentar
Karena matriks A mempunyai eigenvalue-eigenvalue yang berbeda, maka dapat
didiagonalkan menjadi matriks Q
1
AQ dimana matriks Q = [x
1
[x
2
[ . . . [x
n
]
dengan x
i
, i = 1, . . . , n adalah eigenvektor-eigenvektor dari A yang sesuai
dengan eigenvaluenya. Berdasarkan hasil sebelumnya vektor-vektor
x
i
, i = 1, . . . , n saling orthogonal. Bila vektor-vektor ini dinormalkan maka
didapat matriks orthogonal
P =
_
x
1
[[x
1
[[
x
2
[[x
2
[[
. . .
x
n
[[x
n
[[
_
,
dengan demikian matriks P
AP juga merupakan matriks diagonal.

Ke-Orthogonalan
Contoh
Diberikan matriks simetri
A =
_
1
2 2
_
_
0
0
_
_
1
2 2
_
_
1
2 2
_
.
Sehingga didapat polinomial kharakteristik dari matriks A adalah
p() = ( 1)( 2) 2 =
2
3 = ( 3). Untuk eigenvalue
1
= 0 dan
2
= 3 didapat masing-masing eigenvektor yang sesuai adalah:
x
1
=
_

2
1
_
dan x
2
=
_
1
2
_
.
Sehingga diperoleh
x
1
[[x
1
[[
=
_
_
_
_
_
_
3
1
3
_
_
_
_
_
_
dan
x
2
[[x
2
[[
=
_
_
_
_
_
_
1
3
_
_
_
_
_
_
.
Bila matriks P =
_
x
1
[[x
1
[[
x
2
[[x
2
[[
_
, maka pendiagonalan dari matriks A adalah P
AP
dan hasilnya diberikan sebagai berikut
Ke-Orthogonalan
Lanjutan Contoh
_
_
_
_
_
_
3
1
3
1
3
_
_
_
_
_
_
_
1
2 2
_
_
_
_
_
_
_
3
1
3
1
3
_
_
_
_
_
_
=
_
_
_
_
_
_
3
+
3
+
2
3
1
3
+
2
3
+
2
3
_
_
_
_
_
_
_
_
_
_
_
_
3
1
3
1
3
_
_
_
_
_
_
=
_
_
_
_
0 0
3
3
3
3
_
_
_
_
_
_
_
_
_
_
3
1
3
1
3
_
_
_
_
_
_
=
_
0 0
0 3
_
Ke-Orthogonalan
Catatan
Berkaitan dengan matriks simetri dengan elemen-elemen riil. Sebagaimana telah diketahui matriks simetri pasti
semua eigenvaluenya adalah riil, tetapi tidak menjamin bahwa semua eigenvalue-eigenvalue ini berbeda satu dengan
yang lainnya, bila semuanya berbeda maka pasti matriks simetri tsb. bisa didiagonalkan. Bila ada yang rangkap,
maka hal ini ada dua kasus. Yang pertama bila masing-masing multiplisitas geometri = multiplisitas aljabar, maka
pendiagonalan matriks bisa dilakukan. Kedua, bila masing-masing multiplisitas geometri < multiplisitas aljabar,
maka pendiagonalan tidak dapat dilakukan. Pada khasus yang kedua tentunya hanya beberapa eigenvektor yang
orthogonal satu dengan yang lainnya, yaitu yang berkaitan dengan eigenvalue-eigenvalue yang saling berbeda satu
dengan lainnya. Tetapi untuk eigenvalue yang rangkap walaupun memberikan eigenvektor-eigenvektor yang saling
bebas linier tetapi tidak menjamin bahwa eigenvektor-eigenvektor ini orthogonal. Oleh karena itu matriks yang
kolom-kolomnya merupakan eigenvektor-eigenvektor bukan matriks orthogonal. Tetapi dengan beberapa modikasi
matriks tsb. bisa dijadikan matriks orthogonal, cara pengorthogonalan ini mengarah apa yang dinamakan proses
Pengorthogonalan Gram-Schmidt. Contoh berikut memberikan kejelasan mengenai pengorthogonalan suatu
matriks.
Ke-Orthogonalan
Contoh
Diberikan suatu matriks simetri
A =
_
_
1 1 1
1 1 1
1 1 1
_
_
I A =
_
_
1 1 1
1 1 1
1 1 1
_
_
.
Polinomial kharakteristik dari A diberikan oleh
p() = det(I A) = ( 2)
2
( + 1). Pasangan eigenvalue eigenvektor
diberikan oleh
1
= 2, x
1
=
_
_
1
0
1
_
_
;
2
= 2, x
2
=
_
_
1
1
0
_
_
;
3
= 1, x
3
=
_
_
1
1
1
_
_
.
Terlihat bahwa x
1
, x
3
) = x
2
, x
3
) = 0 tetapi x
1
, x
2
) = 1 ,= 0. Penormalan dari
x
2
dan x
3
didapat :
p
2
=
x
2
||x
2
||
=
_
_
_
_
_
_
2
1
2
0
_
_
_
_
_
_
dan p
3
=
x
3
||x
3
||
=
_
_
_
_
_
_
_
_
1
3
1
3
1
3
_
_
_
_
_
_
_
_
.
Ke-Orthogonalan
Lanjutan Contoh
Untuk memperoleh suatu vektor x
1
supaya x
1
, x
2
) = 0, adalah sebagai berikut.
Misalkan x
1
+ ax
2
= x
1
, didapat x
2
x
1
+ ax
2
x
2
= x
2
x
1
atau
x
1
, x
2
) + a x
2
, x
2
) = x
1
, x
2
) a =
x
1
, x
2
)
x
2
, x
2
)
. Sehingga didapat
x
1
= x
1

x
1
, x
2
)
x
2
, x
2
)
x
2
.
Jadi
x
1
=
_
_
1
0
1
_
_
1
2
_
_
1
1
0
_
_
=
_
_
_
_
_
1
2
1
2
1
_
_
_
_
_
Dengan menormalkan vektor x
1
didapat:
p
1
=
x
1
||x
1
||
=
_
_
_
_
_
_
_
_
6
2
6
_
_
_
_
_
_
_
_
.
Jadi matriks P = [p
1
[ p
2
[ p
3
] diberikan oleh:
Ke-Orthogonalan
Lanjutan Contoh
P =
_
_
_
_
_
_
_
2
1
6
1
2
1
3
2
6
0
1
3
_
_
_
_
_
_
_
P
P = I = PP
(P matriks orthogonal).
Sehingga didapat :
P
AP =
_
_
_
_
_
_
_
6
2
2
1
2
0
1
3
1
3
1
3
_
_
_
_
_
_
_
_
_
1 1 1
1 1 1
1 1 1
_
_
_
_
_
_
_
_
_
2
1
6
1
2
1
3
2
6
0
1
3
_
_
_
_
_
_
_
=
_
_
2 0 0
0 2 0
0 0 1
_
_
Ke-Orthogonalan
Proses Orthogonalisasi Gram-Schmidt
Diberikan himpunan vektor-vektor yang bebas linier S = |X
1
, X
2
, . . . , X
n
, dari
S dibentuk himpunan vektor-vektor orthormal T = |T
1
, T
2
, . . . , T
n
sebagi
berikut:
t
1
= X
1
T
1
=
t
1
[[t
1
[[
t
2
= X
2

X
2
, X
1
)
X
1
, X
1
)
t
1
T
2
=
t
2
[[t
2
[[
.
.
.
.
.
.
t
n
= X
n

X
n
, t
1
)
t
1
, t
1
)
t
1

X
n
, t
2
)
t
2
, t
2
)
t
2
. . .
X
n
, t
n1
)
t
n1
, t
n1
)
t
n1
T
n
=
t
n
[[t
n
[[
Didapat matriks orthogonal
T = [T
1
[ T
2
[ . . . [ T
n
] .
Ke-Orthogonalan
Contoh
Diberikan matriks dengan kolom-kolom merupakan vektor-vektor yang bebas
linier, yaitu
A =
_
_
1 1 1
0 1 1
0 0 1
_
_
Misalkan X
1
, X
2
dan X
3
merupakan vektor-vektor kolom dari A, maka
t
1
= X
1
=
_
_
1
0
0
_
_
T
1
=
t
1
[[t
1
[[
=
_
_
1
0
0
_
_
t
2
=
_
_
1
1
0
_
_
X
2
, t
1
)
t
1
, t
1
)
t
1
=
_
_
0
1
0
_
_
T
2
=
t
2
[[t
2
[[
=
_
_
0
1
0
_
_
t
3
=
_
_
1
1
1
_
_
X
3
, t
1
)
t
1
, t
1
)
t
1
X
3
, t
2
)
t
2
, t
2
)
t
2
=
_
_
0
0
1
_
_
T
3
=
t
3
[[t
3
[[
=
_
_
0
0
1
_
_
Terlihat bahwa matriks T = [T
1
T
2
T
3
] adalah matriks orthogonal.
Proses orthogonal Gram-Schmid erat kaitannya dengan apa yang dinamakan
proyeksi sebagaimana akan terlihat dalam pembahasan berikut ini. Ada kalanya
sistem persamaan linier Ax = y tidak mempunyai penyelesaian secara analitik
(eksak). Tetapi bila model linier yang dikaji ini merupakan suatu problem nyata
yang dijumpai, maka diperlukan suatu alternatif penyelesaian untuk menjawab
problem yang ada sehingga penyelesaian yang didapat cukup untuk menjawab
problem. Suatu contoh berikut menjelaskan hal ini:
Diberikan sistem persamaan linier Ax = y:
_
6 3
2 1
__
x
1
x
2
_
=
_
2
2
_
. (8)
Jawab eksak dari persamaan ini tidak ada. Dalam hal ini, selalu bisa didapat
penyelesaian pendekatan x melalui penggantian y dengan vektor y
di ruang
kolom dalam A yang dekat dengan y dan sebagi penggantinya selesaikan
persamaan Ax = y
.
Untuk kasus yang diberikan dalam persamaan (8) ruang kolom dari A adalah
span:
W =
_
r
_
3
1
_
r R
_
.
Dengan demikian dipilih y
= r
_
3
1
_
sehingga panjang
| y y
|=
_
2
2
_
r
_
3
1
_
sekecil mungkin. Gambar berikut secara geometri menjelaskan pilihan dari

vektor y
.
O
y =
_
2
2
_
_
3
1
_
y
= Proj
w
(y)
Pembahasan Masalah
Sebelum menyelesaikan masalah yang ada diberikan pengertian berikut.
Misalkan W suatu ruang bagian dari R
n
dan tulis y R
n
= W W
sebagai
y = y
1
+ y
2
, dimana y
1
W dan y
2
W
, maka y
1
dikatakan proyeksi dari y
pada W dan dinotasikan oleh y
1
= Proj
w
(y). Selanjutnya diselesaikan masalah
persamaan linier
_
6 3
2 1
__
x
1
x
2
_
=
_
2
2
_
.
Pilih W =
__
3
1
__
dengan demikian didapat W
=
__
1
3
__
. Jadi
_
2
2
_
=
4
5
_
3
1
_
+
2
5
_
1
3
_
. Untuk meminimumkan panjang
y y
_
2
2
_
r
_
3
1
_
4
5
_
3
1
_
+
2
5
_
1
3
_
r
_
3
1
_
(
4
5
r)
_
3
1
_
+
2
5
_
1
3
_
,
dan karena
_
3
1
_
dan
_
1
3
_
orthogonal, maka haruslah r =
4
5
.
Lanjutan Pembahasan
Dengan demikian didapat
y
= Proj
w
_
2
2
_
=
4
5
_
3
1
_
= 0
_
6
2
_
+
4
5
_
3
1
_
. Terlihat bahwa
penyelesaian pendekatan adalah x
1
= 0 dan x
2
=
4
5
.
Sifat
n
, maka vektor y
W yang dekat ke
y R
n
adalah y
= Proj
w
(y).
Bukti
Tulis y = y
1
+y
2
dengan y
1
W dan y
2
W
. Jadi y
1
= Proj
w
(y). Untuk
sebarang w W jarak kuadrat | y w |
2
diberikan oleh
| (y
1
w) + y
2
|
2
= < (y
1
w) + y
2
, (y
1
w) +y
2
>
= < y
1
w, y
1
w > + < y
2
, y
2
>
= | y
1
w |
2
+ | y
2
|
2
,
akan minimal bila w = y
1
= Proj
w
(y).
langkah-langkah mendapatkan Proyeksi
Suatu cara singkat untuk menentukan proyeksi dari suatu rauang bagian W
yang dibangun hanya oleh satu vektor w, dimana V = W W
diberikan oleh
Proj
w
(y) =
< y, w >
< w, w >
w. (9)
Dalam hal ini adalah:
1.
< y, w >
< w, w >
w W.
2. y
< y, w >
< w, w >
w W
3. y =
< y, w >
< w, w >
w +
_
y
< y, w >
< w, w >
w
_
Persoalan sebelumnya dapat diselesaikan menggunakan hasil dalam (9) didapat
Proj
w
_
2
2
_
=
2.3 + 2.1
3.3 + 1.1
_
3
1
_
=
4
5
_
3
1
_
.
Sifat
Sifat
n
dibangun oleh basis orthogonal
w
1
, . . . , w
k
dan misalkan y R
n
, maka
Proj
w
(y) =
< y, w
1
>
< w
1
, w
1
>
w
1
+. . . +
< y, w
k
>
< w
k
, w
k
>
w
k
. (10)
Bukti
Misalkan y
1
=
< y, w
1
>
< w
1
, w
1
>
w
1
+. . . +
< y, w
k
>
< w
k
, w
k
>
w
k
. Maka untuk 1 i k
didapat < y y
1
, w
i
>=< y, w
i
>
< y, w
i
>
< w
i
, w
i
>
< w
i
, w
i
>= 0. Jadi
y y
1
W
dan y
1
= Proj
w
(y).
Bila W suatu ruang bagian dari R
n
dengan basis orthonormal w
1
, . . . , w
k
,
maka persamaan (10) menjadi
Proj
w
(y) =< y, w
1
> w
1
+. . . + < y, w
k
> w
k
. (11)
Contoh 1
Dapatkan elemen dari ruang bagian W yang dekat dengan vektor (1, 2, 3)
,
dimana W dibangun oleh vektor-vektor (1, 2, 1)
, (1, 4, 1)
.
W =
_
{(1, 2, 1)
, (1, 4, 1)
}
_
(1, 2, 1)
(1, 4, 1)
(1, 2, 3)
P
Jawab:
Dari gambar diatas, vektor P di bidang W = |(1, 2, 1)
, (1, 4, 1)
) adalah
proyeksi vektor (1, 2, 3)
pada bidang W = |(1, 2, 1)
, (1, 4, 1)
).
Lanjutan Pembahasan Contoh 1
Dengan menggunakan proses Gram-Schmidt, didapat basis orthonormal:
1
6
(1, 2, 1)
,
1
3
(1, 1, 1)
. Sehingga proyeksi dari (1, 2, 3)
pada W adalah:
Proj
w
_
_
1
2
3
_
_
=
1
6
(1 + 4 3)
1
6
_
_
1
2
1
_
_
+
1
3
(1 + 2 + 3)
1
3
_
_
1
1
1
_
_
=
1
3
_
_
1
2
1
_
_
+
4
3
_
_
1
1
1
_
_
=
_
_
1
2
1
_
_
.
Sehingga didapat vektor
_
_
1
2
3
_
_
=
_
_
1
2
1
_
_
+
_
_
2
0
2
_
_
W W
,
elemen dari W dekat ke
_
_
1
2
3
_
_
adalah Proj
w
_
_
1
2
3
_
_
=
_
_
1
2
1
_
_
.
Contoh 2
Misalkan dipunyai suatu supply dari 5000 unit S, 4000 unit T dan 2000 unit U.
Bahan digunakan dalam pabrik untuk memproduksi P dan Q. Bila setiap unit
dari P menggunakan 2 unit S, 0 unit T dan 0 unit U; dan setiap unit dari Q
menggunakan 3 unit S, 4 unit T dan 1 unit U. Berapa banyak unit p dari P dan
q dari Q yang harus dibuat supaya keseluruhan supply digunakan?
Model matematika dari persoalan yang ada diberikan oleh persamaan:
_
_
2 3
0 4
0 1
_
_
_
p
q
_
=
_
_
5000
4000
2000
_
_
.
Persamaan dari model tidak mempunyai jawab eksak (analitik) sebab vektor
_
_
5000
4000
2000
_
_
bukan merupakan kombinasi linier dari vektor- vektor
_
_
2
0
0
_
_
dan
_
_
3
4
1
_
_
.
Pembahasan Contoh 2
Untuk meyelesaikan persamaan secara pendekatan, dilakukan hal berikut: Cari
vektor didalam ruang bagian W yang merupakan bentuk kombinasi linier
p
_
_
2
0
0
_
_
+ q
_
_
3
4
1
_
_
yang dekat dengan vektor
_
_
5000
4000
2000
_
_
Dengan melakukan
proses Gram-Schmidt di vektor-vektor pembangun yang merupakan basis dari
W, didapat basis orthonormal:
w
1
=
_
_
1
0
0
_
_
, w
2
=
1
17
_
_
0
4
1
_
_
.
Sehingga diperoleh:
Proj
w
_
_
5000
4000
2000
_
_
= 5000
_
_
1
0
0
_
_
+ (
16000
17
+
2000
17
)
1
17
_
_
0
4
1
_
_
= 5000
_
_
1
0
0
_
_
+
18000
17
_
_
0
4
1
_
_
= (2500 (
3
2
)(
18000
17
))
_
_
2
0
0
_
_
+
18000
17
_
_
3
4
1
_
_
.
Terlihat bahwa p = 2500 (
3
2
)(
18000
17
) = 911.76 dan q =
18000
17
= 1058.82.
Cara Penyelesaian Menggunakan General
Invers atau Psedo Invers
Untuk setiap matriks A berukuran m n dengan elemen-elemen riil, matriks
A
berukuran n n dinamakan pendekatan invers (psedoinverse) yang

memenuhi A
y merupakan penyelesaian pendekatan dari persamaan Ax = y.

Kolom-kolom dari matriks A
adalah penyelesaian pendekatan dari Ax = e

i
,
dimana e
i
, i = 1, . . . , m merupakan basis baku dari R
m
.
Contoh 1
Dapatkan matriks A
bila A =
_
_
2 3
0 4
0 1
_
_
dan hitung A
_
_
5000
4000
2000
_
_
.
Jawab Ruang kolom orthonormal dari matriks A adalah span dari vektor-vektor:
w
1
=
_
_
1
0
0
_
_
, w
2
=
1
17
_
_
0
4
1
_
_
.
Lanjutan Contoh 1
Sehingga didapat
Proj
w
_
_
1
0
0
_
_
=
_
_
1
0
0
_
_
, Proj
w
_
_
0
1
0
_
_
=
_
_
0
16
17
4
17
_
_
, Proj
w
_
_
0
0
1
_
_
=
_
_
0
4
17
1
17
_
_
.
Dan kolom-kolom matriks A
didapat sebagai berikut

_
_
2 3
0 4
0 1
_
_
x =
_
_
1
0
0
_
_
x =
_
1
2
0
_
_
_
2 3
0 4
0 1
_
_
x =
_
_
0
16
17
4
17
_
_
x =
_

16
17
4
17
_
_
_
2 3
0 4
0 1
_
_
x =
_
_
0
4
17
1
17
_
_
x =
_

3
34
1
17
_
Sehingga didapat matriks A
adalah:
A
=
_
1
2

6
17

3
34
0
4
17
1
17
_
.
Penyelesaian pendekatan dari persamaan
_
_
2 3
0 4
0 1
_
_
_
p
q
_
=
_
_
5000
4000
2000
_
_
diberikan oleh
_
p
q
_
= A
_
_
5000
4000
2000
_
_
=
_
1
2

6
17

3
34
0
4
17
1
17
_
_
_
5000
4000
2000
_
_
=
_
911.76
1058.82
_
.
Hasil yang didapat sama dengan hasil perhitungan sebelumnya.
Contoh 2
Dengan general invers cari garis lurus y = ax + b yang paling mendekati
titik-titik (1, 2), (2, 3) dan (3, 1).
Jawab:
_
_
1 1
2 1
3 1
_
_
_
a
b
_
=
_
_
2
3
1
_
_
A
=
_
_
_
_
1 2 3
1 1 1
_
_
_
1 1
2 1
3 1
_
_
_
_
_
1
_
1 2 3
1 1 1
_
A
_
_
2
3
1
_
_
=
__
1
2
1
1
7
3
_
_
1 2 3
1 1 1
_
_
_
_
2
3
1
_
_
=
_

1
2
0
1
2
4
3
1
3

2
3
_
_
_
2
3
1
_
_
Didapat a = 1 +
1
2
=
1
2
dan b =
8
3
+ 1
2
3
= 3.
Contoh 3
Dengan general invers dapatkan parabola y = ax
2
+ bx + c yang mendekati titik-titik
(3, 0), (2, 0), (1, 2), (1, 12). Jelaskan apakah hasilnya pendekatan atau tidak!
Jawab :
Untuk titik (3, 0), (2, 0), (1, 2), (1, 12) didapat empat persamaan :
9a + 3b + c = 0, 4a + 2a + c = 0, a + b + c = 2, a b + c = 12
atau dalam bentuk matriks
_
_
_
_
9 3 1
4 2 1
1 1 1
1 1 1
_
_
_
_
a
b
c
_
_
=
_
_
_
_
0
0
2
12
_
_
_
a
b
c
_
_
=
_
_
_
_
_
_
_
_
_
9 4 1 1
3 2 1 1
1 1 1 1
_
_
_
_
_
_
9 3 1
4 2 1
1 1 1
1 1 1
_
_
_
_
_
_
_
_
_
1
_
_
9 4 1 1
3 2 1 1
1 1 1 1
_
_
_
_
_
_
0
0
2
12
_
_
=
_
_
1
5
6
_
_
.
Cek!
_
_
_
_
9 3 1
4 2 1
1 1 1
1 1 1
_
_
_
_
1
5
6
_
_
=
_
_
_
_
0
0
2
12
_
_
.
Terlihat, hasilnya eksak bukan pendekatan.
Catatan dan Komentar Psedo dan General
Invers
1. Psedo invers dan General Invers secara umum berbeda. Umumnya
Psedo invers matrix berukuran m n, sedangkan General invers
matriks persegi.
2. Misalkan matriks A berukuran m n. Bila kolom-kolom dari A
bebas linear, maka dijamin matriks (A
A)
1
jadi matriks A dijamin
mempunyai General Invers yang diberikan oleh A
= (A
A)
1
A
3. Sebaliknya bila kolom-kolom matriks A tidak bebas linear, maka

(A
A)
1
tidak ada. Jadi persoalan Ax = y tidak bisa diselesaiakan
dengan cara general invers x = (A
A)
1
A
y. Hal ini bisa

diselesaikan dengan cara psedo invers sebagaimana pada Contoh 1.
4. Sebagai kesimpulan penyelesaian terdekat dari masalah Ax = y bisa
dilakukan dengan cara Psedo Invers atau General Invers.
Daftar Pustaka
Daftar Pustaka
Paul A. Fuhrmann, A Polynomial Approach to Linear
Algebra, Second Edition, Springer, (2012)
Robert A.Beezer, A First Course in Linear Algebra, Version
2.30, Department of Mathematics and Computer Science,
University of Puget Sound, Washington, USA, (2011).
Website: http://buzzard.ups.edu
Kamran Dadkhan, Foundations of Mathematical and
Computational Economics, Second Edition, Springer,(2011)
J. DeFranza and D. Gagliardi, Introduction to Linear Algebra
with Applications , Mc Graw Hill, Higher Education, (2009)
David Poole, Linear Algebra A Modern Introduction, Second
Edition , Thomson Brooks/Cole, (2006)
Daftar Pustaka
David C. Lay, Linear Algebra and its Applications, Fourth
Edition , Pearson Education, (2012)
K. Kuttler, Linear Algebra, Theory and Applications ,
Brigham Young University, (2012). URL:
http://www.saylor.org./courses/ma212/
J.E. Gentle, Matrix Algebra, Theory, Computations and
Applications in Statistics , Springer, (2007)
Carl D. Meyer, Matrix Analysis and Applied Linear Algebra
, SIAM, (2000)
Fuzhen Zhang, Matrix Theory, Basic Results and Techniques
, Springer, (2011)
Sage, URL: http://www.sagemath.org
Daftar Pustaka
I.N. Herstein and David J. Winter, Matrix Theory and Linear
Algebra , Macmillan Publishing Company, (1989)

Versi Cetak

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Versi Cetak

Diunggah oleh

Hak Cipta:

Format Tersedia

Aljabar Linear c 2012 The Author, Subiono

adalah ruang vektor atas lapangan R.

[a, b], denisi penambahan fungsi dan perkalian

adalah kombinasi linier dari dua

bukan kombinasi linier (1, 2, 0, 4) dan (1, 1, 1, 3)

Jurusan Matematika-MIPA, Institut Teknologi Sepuluh Nopember, Surabaya

adalah suatu basis dari R

adalah suatu basis dari R

dimana vektor-vektor di T bebas

. Jadi dim(V) = 3. Perhatikan

} adalah suatu basis dari U dan himpunan {(0, 0, 1)

} sudah bebas linier (tidak bisa lagi

untuk setiap (x, y, z)

atau penyelesaian persamaan homogin

dengan basis baku terurut didapat:

adalah dua basis terurut di R

Jurusan Matematika-MIPA, Institut Teknologi Sepuluh Nopember, Surabaya

basis terurut di U dan

. Untuk basis B = |(1, 0)

dimana skalar a, b memenuhi:

. Perluas basis dari kernel sehingga

adalah basis terurut dari ruang vektor V.

(matriks transpose dari A), didapat rank

Ax = x dimana x = Px. Terlihat bahwa matriks A dan

(U). Ruang eigen E

dan dikatakan anti-simetri (skew-symmetric) bila A = A

(sebab x ,= 0). Jadi

= , maka dari itu

juga orthogonal, jadi

A = I . Jadi A adalah matriks

AP juga merupakan matriks diagonal.

sekecil mungkin. Gambar berikut secara geometri menjelaskan pilihan dari

pada bidang W = |(1, 2, 1)

. Sehingga proyeksi dari (1, 2, 3)

berukuran n n dinamakan pendekatan invers (psedoinverse) yang

y merupakan penyelesaian pendekatan dari persamaan Ax = y.

adalah penyelesaian pendekatan dari Ax = e

didapat sebagai berikut

3. Sebaliknya bila kolom-kolom matriks A tidak bebas linear, maka

y. Hal ini bisa

Anda mungkin juga menyukai