7.

NILAI EIGEN DAN VEKTOR EIGEN

7.1. Nilai eigen dan vektor eigen
Definisi :
Jika A suatu matrix n n, maka vektor x 0 , x R n , disebut vektor eigen dari A jika Ax
adalah kelipatan skalar dari x, yaitu:
Ax x
untuk skalar.
disebut nilai eigen dari A dan x disebut vektor eigen yang bersesuaian dengan .
Secara geometris di R2, dapat digambarkan sebagai berikut:

Contoh 1.
3 0
1
, x
8 1
2

1
3 0 1 3
3 3 x
2
8 1 2 6

karena Ax

1
maka = 3 adalah nilai eigen dari A, dengan vektor eigen x
2
Untuk mencari nilai eigen dari Ann , tulis Ax x sebagai:
Ax Ix
( I A) x 0

...(7.1)

dan agar menjadi nilai eigen, maka solusi dari (7.1) haruslah vektor x 0 ,
hal ini dapat terpenuhi jika:
det( I A) 0

...(7.2)

Persamaan (7.2) disebut persamaan karakteristik dari A.

Jika persamaan (7.2) diuraikan, maka diperoleh suatu polinomial dalam , sehingga
det( I A) 0 disebut juga polinomial karakteristik dari A.
Untuk kasus Ann, det( I A) 0 dapat diuraikan menjadi
det( I A) n c1 n 1 ... cn = 0

...(7.3)

yaitu polinomial berderajat n dengan koefisien pangkat tertinggi n adalah 1.

Dari (7.3) diperoleh bahwa A mempunyai paling banyak n nilai eigen yang berbeda.
Contoh 2.

4
0
1
1 0 1

A 2 1 0 , det( I A) 2
1 0
2 0 1
2
0
1

( 4)( 1)( 1) 2( 1)
= 3 6 2 11 6 0
3 6 2 11 6 0 adalah persamaan karakteristik dari A
Nilai Eigen Matrix Segitiga
Teorema 7.1.1.
Jika A adalah matrix segitiga (segitiga atas, segitiga bawah atau diagonal) berukuran n n,
maka nilai eigen dari A adalah entri-entri pada diagonal utama dari A.
Contoh 3.

12

A 1

1
2
1
2
0 , nilai eigen , , =3
2
3
4

1
8
4
0

Teorema 7.1.2.
Jika A adalah matrix n n dan adalah bilangan real, maka pernyataan berikut ekivalen.
a. adalah nilai eigen dari A
b. Sistem persamaan linear ( I A) x 0
c. x 0 R n Ax x
d. adalah solusi dari det( I A) 0

mempunyai solusi nontrivial

Mencari Basis dari Ruang Eigen

Telah diketahui bahwa masalah mencari nilai eigen berkembang menjadi masalah mencari
vektor eigen.
Vektor eigen dari suatu matrix A yang bersesuaian dengan nilai eigen , adalah vektor tak nol
yang memenuhi Ax x atau vektor eigen tersebut merupakan solusi dari ( I A) x 0 .
Ruang solusi dari ( I A) x 0 disebut ruang eigen dari A yang bersesuaian dengan .
Contoh 4.
0 0 2

Cari basis ruang eigen dari A 1 2 1

1 0 3

Jawab:
persamaan karakteristik dari A adalah 3 5 2 8 4 0
( 1)( 2) 2 0
nilai eigen dari A adalah = 1 dan = 2

untuk = 2

I A x 0
2 0 2 x1

1 0 1 x2
1 0 1 x

0
0

sistem di atas mempunyai solusi x1 s, x2 t , x3 s

maka vektor-vektor eigen dari A yang bersesuaian dengan = 2 adalah
s
1 0


x t s 0 t 1
s


1 0
1
0


karena 0 dan 1 saling bebas linear, maka vektor-vektor tersebut membentuk
1


0
basis untuk ruang eigen yang bersesuaian dengan = 2.

untuk = 1

I A x 0
1 0 2 x1

1 1 1 x2
1 0 2 x

0
0

sistem di atas mempunyai solusi x1 2 s, x2 s, x3 s

maka vektor-vektor eigen dari A yang bersesuaian dengan = 1 adalah
2 s
2

x s s 1
s

1
2

maka vektor 1 membentuk basis untuk ruang eigen = 1.
1

Nilai Eigen dari Pangkat Suatu Matrix
Teorema 7.1.3.
Jika k suatu bilangan bulat, suatu nilai eigen dari A dan x vektor eigen yang bersesuaian,
maka k adalah nilai eigen dari Ak dengan x vektor eigen yang bersesuaian.
Sebagai ilustrasi:
Misalkan dan x adalah nilai dan vektor eigen yang bersesuaian dari A, maka
A2 x A( Ax) A( x) ( Ax) ( x) 2 x
Contoh 5.
0 0 2

Dari contoh 4, diperoleh nilai eigen dari A 1 2 1 adalah = 2 dan =1

1 0 3

Maka = 27 = 128 dan =17 = 1 adalah nilai eigen dari A7. Sedangkan vektor-vektor eigen
dari A yang bersesuaian dengan , juga merupakan vektor-vektor eigen dari A7.

Nilai Eigen dan Invertible

Teorema 7.1.4.
Suatu matrix bujur sangkar A invertible jika dan hanya jika = 0 bukan suatu nilai eigen
dari A.
Bukti:
Asumsikan Ann dan perhatikan bahwa = 0 adalah suatu solusi dari persamaan karakteristik

n c1 n 1 ... cn = 0, jika dan hanya jika suku konstan cn = 0.

Maka untuk membuktikan A invertible, cukup dengan membuktikan cn 0.

n
n 1
Tapi det( I A) c1 ... cn ,
n
maka untuk = 0 maka det(-A) = cn atau (1) det( A) cn

Sehingga det(A) = 0 jika dan hanya jika cn = 0.

Jadi A invertible jika dan hanya jika cn 0.

7.2. Diagonalisasi
Masalah vektor eigen
Diberikan matrix A berukuran n n, apakah terdapat suatu basis untuk Rn yang terdiri dari vektorvektor eigen dari A
Masalah diagonalisasi (bentuk matrix)
Diberikan matrix A berukuran n n, apakah terdapat suatu matrix invertible P sedemikian sehingga
P-1AP adalah matrix diagonal
Definisi
Suatu matrix bujur sangkar A dikatakan dapat didiagonalisasi jika terdapat matrix P sedemikian
sehingga P-1AP adalah matrix diagonal. Matrix P dikatakan mendiagonalisasi A.
Teorema 7.2.1.
Jika A adalah matrix n n, maka pernyataan berikut ekivalen
a. A dapat didiagonalisasi
b. A mempunyai n vektor eigen yang bebas linear
Bukti:
Prosedur untuk mendiagonalisasi suatu matrix An n :
1. Cari n vektor eigen dari A yang bebas linear, misalkan p1, p2, , pn.
2. Bentuk matrix P dengan p1, p2, , pn sebagai vektor-vektor kolomnya.
3. Diperoleh matrix P-1AP adalah matrix diagonal dengan 1, 2, , n sebagai entri-entri
diagonal utamanya, dimana i adalah nilai eigen yang bersesuaian dengan pi, i = 1,2,, n
Contoh 1:
1
6

Cari matrix P yang mendiagonalisasi matrix A

Jawab:
det(I A)

( 1)( 1) 0

Maka nilai eigen dari A adalah = 1 dan = -1.

Untuk = 1 (I - A) x = 0

, misalkan

Basis

Untuk = -1 (I - A) x = 0
, misalkan

Basis

A matrix 22 dan mempunyai 2 vektor eigen yang bebas linear, maka A dapat di
diagonalisasi dengan matrix

Check:
Teorema 7.2.2
Jika

adalah vektor-vektor eigen dari A yang bersesuaian dengan

maka

bebas linear.
Cara lain untuk menentukan apakah suatu matrix dapat didiagonalisasi atau tidak, adalah dengan
menentukan dimensi dari ruang eigen.
Contoh 2: (dari contoh 1)

ruang eigen untuk = 1 adalah ruang solusi dari

Matrix koefisiennya mempunyai rank =1 , sehingga nulitas = 2-1 = 1

terdapat 1 vektor basis dimensi ruang eigen = 1 adalah 1.

ruang eigen dari = -1 adalah ruang solusi dari

maka rank =1 , dan nulitas = 2-1 = 1 terdapat 1 vektor basis.

dimensi ruang eigen = -1 adalah 1.
Jadi total dimensi ruang eigen = 2 terdapat 2 vektor eigen yang bebas linear A dapat
didiagonalisasi
Teorema 7.2.3.
Jika An n mempunyai n nilai eigen yang berbeda, maka A dapat didiagonalisasi.
Contoh 3:

=
Diperoleh = 4, = 2 +

dan = 2 -

Karena A matrix 33 mempunyai 3 nilai eigen yang berbeda, maka A dapat didiagonalisasi

dimana

Apakah matrix n n yang tidak mempunyai n nilai eigen yang berbeda tidak dapat didiagonalisasi?
Contoh 4:
0

A 1
1

1 , det(I A) ( 1)( 2) 2 0
3

0
2
0

2 0 2 x1 0

Untuk =2 1 0 1 x 2 0
1 0 1 x 0

rank = 1, nulitas = 2, Dim ruang eigen = 2

0
2 x1 0
1

Untuk =1 1 1 1 x 2 0 rank = 2, nulitas = 1, Dim ruang eigen = 1
1 0 2 x 0

3
Total dimensi ruang eigen = 3 terdapat 3 vektor eigen bebas linear A dapat
didiagonalisasi.
Contoh 5:
1

A 1
3

0
2
5

0 , det(I A) ( 1)( 2) 2 0
2

0
0
0

Untuk =2 1 1 0
3 5 1

x1 0

x 2 0 rank = 2, nulitas = 1, Dim ruang eigen = 1
x 0
3
x1 0

x 2 0 rank = 2, nulitas = 1, Dim ruang eigen = 1
x3 0

0 0
1

Untuk =1 1 0 0
3 5 0

Total dimensi ruang eigen = 2 terdapat 2 vektor eigen bebas linear A tidak dapat
didiagonalisasi.
Multiplisitas geometri dari 0 adalah dimensi dari ruang eigen yang bersesuaian dengan 0
Multiplisitas aljabar dari 0 adalah jumlah (-0 ) muncul sebagai faktor dari polinomial
karakteristik dari A.

Teorema 7.2.4.
1. Untuk setiap nilai eigen dari A multiplisitas geometris multiplisitas aljabar
2. A dapat didiagonalisasi jika dan hanya jika multiplisitas geometri = multiplisitas aljabar,
untuk setiap nilai eigen
Jika A adalah matrix n n dan P matrix invertible, maka
( P 1 AP ) 2 ( P 1 AP )( P 1 AP ) P 1 A( PP 1 ) AP P 1 A 2 P
Secara umum: ( P 1 AP ) K P 1 A K P

Maka jika A dapat didiagonalisasi dan P-1AP = D matrix diagonal,

P 1 A K P ( P 1 AP) K D K

A K PD K P 1
d1 0 0

0 d2 0
Jika D

0 0 d
n

Contoh 6:
1
6

Jika A

d1K

0
K
maka D

0

0
d 2K

d 2K

maka hitung A 25

0
3 dan D
1 1

3
0 1
0
= 3

3 1
1 1

Jawab : dari contoh sebelumnya diperoleh P

Maka A =PD P = 3
1 1

1 0 1 0

= 3
1 1 0 1

25

25

-1

1
0

25

1
6

125
0

0 3

125 3

7.3. Diagonalisasi Ortogonal

Masalah vektor eigen yang ortonormal:
Diberikan matrix A berukuran n n, apakah terdapat basis ortonormal untuk Rn dengan hasil kali
dalam Euclid yang terdiri dari vektor-vektor eigen dari A?
Masalah diagonalisasi orthogonal:
Diberikan matrix An n, apakah terdapat matrix orthogonal P sedemikian sehingga P-1AP = PTAP
diagonal?
A dikatakan dapat didiagonalisasi secara orthogonal dan P mendiagonalisasi A secara orthogonal.
Teorema 7.3.1.
Jika A adalah matrix n n, maka pernyataan berikut ekivalen
a. A dapat didiagonalisasi secara orthogonal
b. A mempunyai himpunan ortonormal dari n vektor eigen
c. A simetris
Bukti:
(ac)

A didiagonalisasi secara orthogonal terdapat matrix orthogonal P, dan matrix diagonal D

P-1AP = D. maka A=PDP-1 = PDPT (karena P orthogonal)
Sehingga AT= ( PDPT )T = (PT)T DTPT = PDPT = A
Jadi A simetris.
Teorema 7.3.2.
Jika A adalah matrix simetris, maka:
a. Nilai eigen dari A adalah bilangan real
b. Vektor-vektor eigen dari ruang eigen yang berbeda, saling orthogonal.
Bukti:

b. Misalkan v1 vektor eigen untuk 1, v 2 vektor eigen untuk 2, dengan 1 2

Adib. v1 v 2 = 0

A v1 v 2 = v1 AT v 2 = v1 A v 2 (karena A simetris)

1 v1 v 2 = v1 2 v 2 1 (v1 v 2 ) = 2 (v1 v 2 ) (1 - 2) (v1 v 2 ) = 0

Karena 1 2 maka (v1 v 2 ) = 0
Diagonalisasi matrix simetris:
1. Cari basis untuk setiap ruang eigen dari A
2. Gunakan proses GramSchmidt dan normalisasi untuk mendapatkan basis ortonormal
3. Bentuk matrix P dengan vektor basis (yang diperoleh dari no.2) sebagai vektor kolomnya.
Contoh 7: (Latihan 7.3, no.6)
1

A 1
0

0
1

0 , det(I A) 1
0
0

1
1
0

1
1
0

0
0 2 2

Nilai eigen =0 dan =2

1 1

0 1 1
0
0

x s
t

1 1

2 1 1
0
0

0
1

0 0
0
0

s 1 t
0

0
1

0 0
0
2

x s s
0

Karena p1 p 2

v1

0 x 2 s, x3 t , x1 x 2 s
0 0
0
1
0

0 p1 1 , p 2 0
0
1
1

1 0

0 0 x3 0, x1 x 2 s
0 2
1
0

1

1 p3 1
0
0

p 3 , maka lakukan proses normalisasi:

p1 1

,
2
p1
0

v2

p2
p2

0

0 ,
1

v3

p3 1

2
p3
0

Maka P

Check: P AP
T

2
2

mendiagonalisasi A secara orthogonal.

0 1 1 0 1 2 0
2

0 1 1 1 0 1
0

2
1
0 0 0 0 0
1
2

1
1

= 0
0