Daftar isi

[sembunyikan]

 1 Persamaan Linear & Matriks

o 1.1 Penyelesaian Persamaan Linear dengan Matriks
 1.1.1 Bentuk Eselon-baris
 1.1.2 Operasi Eliminasi Gauss
 1.1.3 Operasi Eliminasi Gauss-Jordan
o 1.2 Operasi Dalam Matriks
o 1.3 Matriks Balikan (Invers)
o 1.4 Transpose Matriks
o 1.5 Matriks Diagonal, Segitiga, dan Matriks Simetris
 1.5.1 Matriks Diagonal
 1.5.2 Matriks Segitiga
 1.5.3 Matriks Simetris
 2 Determinan
o 2.1 Determinan dengan Ekspansi Kofaktor
 2.1.1 Determinan dengan Minor dan kofaktor
 2.1.2 Determinan dengan Ekspansi Kofaktor Pada Baris Pertama
 2.1.3 Determinan dengan Ekspansi Kofaktor Pada Kolom Pertama
 2.1.4 Adjoin Matriks 3 x 3
 2.1.5 Determinan Matriks Segitiga Atas
 2.1.6 Metode Cramer
 2.1.7 Tes Determinan untuk Invertibilitas
o 2.2 Mencari determinan dengan cara Sarrus
o 2.3 Metode Sarrus hanya untuk matrix berdimensi 3x3
o 2.4 Menghitung Inverse dari Matrix 3 x 3
o 2.5 Sistem Linear Dalam Bentuk Ax = λx
 3 Vektor dalam Ruang Euklide
o 3.1 Euklidian dalam n-Ruang
o 3.2 Contoh Penggunaan Vektor dalam Ruang Dimensi Tinggi
o 3.3 Menemukan norm dan jarak
o 3.4 Bentuk Newton
o 3.5 Operator Refleksi
o 3.6 Operator Proyeksi
o 3.7 Operator Rotasi
o 3.8 Interpolasi Polinomial

[sunting] Persamaan Linear & Matriks

Persamaan linear dapat dinyatakan sebagai matriks. Misalnya persamaan:
 3x1 + 4x2 − 2 x3 = 5
x1 − 5x2 + 2x3 = 7
2x1 + x2 − 3x3 = 9

dapat dinyatakan dalam matriks teraugmentasi sebagai berikut

Penyelesaian persamaan linier dalam bentuk matriks dapat dilakukan melalui beberapa cara,
yaitu dengan eliminasi Gauss atau dapat juga dengan cara eliminasi Gauss-Jordan. Namun,
suatu sistem persamaan linier dapat diselesaikan dengan eliminasi Gauss untuk mengubah
bentuk matriks teraugmentasi ke dalam bentuk eselon-baris tanpa menyederhanakannya. Cara
ini disebut dengan substitusi balik.

Sebuah sisitem persamaan linier dapat dikatakan homogen apabila mempunyai bentuk :

a11x1 + a12x2 + ... + a1nxn = 0

a21x1 + a22x2 + ... + a2nxn = 0
am1x1 + am2x2 + ... + amnxn = 0

Setiap sistem persamaan linier yang homogen bersifat adalah tetap apabila semua sistem
mepunyai x1 = 0 , x2 = 0 , ... , xn = 0 sebagai penyelesaian. Penyelesaian ini disebut solusi trivial.
Apabila mempunyai penyelesaian yang lain maka disebut solusi nontrivial.

[sunting] Penyelesaian Persamaan Linear dengan Matriks

[sunting] Bentuk Eselon-baris

Matriks dapat dikatakan Eselon-baris apabila memenuhi persyaratan berikut :

1.) Di setiap baris, angka pertama selain 0 harus 1 (leading 1).

2.) Jika ada baris yang semua elemennya nol, maka harus dikelompokkan di baris akhir
dari matriks.
3.) Jika ada baris yang leading 1 maka leading 1 di bawahnya, angka 1-nya harus berada
lebih kanan dari leading 1 di atasnya.
4.) Jika kolom yang memiliki leading 1 angka selain 1 adalah nol maka matriks tersebut
disebut Eselon-baris tereduksi

Contoh: syarat 1: baris pertama disebut leading 1

syarat 2: baris ke-3 dan ke-4 memenuhi syarat 2

syarat 3: baris pertama dan ke-2 memenuhi syarat 3

syarat 4: matriks dibawah ini memenuhi syarat ke 4 dan disebut Eselon-baris tereduksi

[sunting] Operasi Eliminasi Gauss

Eliminasi Gauss adalah suatu cara mengoperasikan nilai-nilai di dalam matriks sehingga menjadi
matriks yang lebih sederhana (ditemukan oleh Carl Friedrich Gauss). Caranya adalah dengan
melakukan operasi baris sehingga matriks tersebut menjadi matriks yang Eselon-baris. Ini dapat
digunakan sebagai salah satu metode penyelesaian persamaan linear dengan menggunakan
matriks. Caranya dengan mengubah persamaan linear tersebut ke dalam matriks teraugmentasi
dan mengoperasikannya. Setelah menjadi matriks Eselon-baris, lakukan substitusi balik untuk
mendapatkan nilai dari variabel-variabel tersebut.

Contoh: Diketahui persamaan linear

x + 2y + z = 6
x + 3y + 2z = 9
2x + y + 2z = 12
Tentukan Nilai x, y dan z

Jawab:

Bentuk persamaan tersebut ke dalam matriks:

Operasikan Matriks tersebut

Baris ke 2 dikurangi baris ke 1

Baris ke 3 dikurangi 2 kali baris ke 1

Baris ke 3 ditambah 3 kali baris ke 2

Baris ke 3 dibagi dengan 3 (Matriks menjadi Eselon-baris)

Maka mendapatkan 3 persamaan linier baru yaitu

x + 2y + z = 6
y+z=3
z=3

Kemudian lakukan substitusi balik maka didapatkan:

y+z=3
y+3=3
y=0
x + 2y + z = 6
 x+0+3=6
x=3

Jadi nilai dari x = 3 , y = 0 ,dan z = 3

[sunting] Operasi Eliminasi Gauss-Jordan

Eliminasi Gauss-Jordan adalah pengembangan dari eliminasi Gauss yang hasilnya lebih
sederhana. Caranya adalah dengan meneruskan operasi baris dari eliminasi Gauss sehingga
menghasilkan matriks yang Eselon-baris tereduksi. Ini juga dapat digunakan sebagai salah satu
metode penyelesaian persamaan linear dengan menggunakan matriks. Caranya dengan
mengubah persamaan linear tersebut ke dalam matriks teraugmentasi dan mengoperasikannya.
Setelah menjadi matriks Eselon-baris tereduksi, maka langsung dapat ditentukan nilai dari
variabel-variabelnya tanpa substitusi balik.

Contoh: Diketahui persamaan linear

x + 2y + 3z = 3
2x + 3y + 2z = 3
2x + y + 2z = 5

Tentukan Nilai x, y dan z

Jawab:

Bentuk persamaan tersebut ke dalam matriks:

Baris ke 2 dikurangi 2 kali baris ke 1

Baris ke 3 dikurangi 2 kali baris ke 1

Baris ke 3 dikurangi 3 kali baris ke 2

 Baris ke 3 dibagi 8 dan baris ke 2 dibagi -1

Baris ke 2 dikurangi 4 kali baris ke 3

Baris ke 1 dikurangi 3 kali baris ke 3

Baris ke 1 dikurangi 2 kali baris ke 2 (Matriks menjadi Eselon-baris

tereduksi)

Maka didapatkan nilai dari x = 2 , y = − 1 ,dan z = 1

[sunting] Operasi Dalam Matriks

Dua buah matriks dikatakan sama apabila matriks-matriks tersebut mempunyai ordo yang sama
dan setiap elemen yang seletak sama.

Jika A dan B adalah matriks yang mempunyai ordo sama, maka penjumlahan dari A + B adalah
matriks hasil dari penjumlahan elemen A dan B yang seletak. Begitu pula dengan hasil
selisihnya. Matriks yang mempunyai ordo berbeda tidak dapat dijumlahkan atau dikurangkan.

Jumlah dari k buah matriks A adalah suatu matriks yang berordo sama dengan A dan besar tiap
elemennya adalah k kali elemen A yang seletak. Didefinisikan: Jika k sebarang skalar maka kA =
A k adalah matriks yang diperoleh dari A dengan cara mengalikan setiap elemennya dengan k.
Negatif dari A atau -A adalah matriks yang diperoleh dari A dengan cara mengalikan semua
elemennya dengan -1. Untuk setiap A berlaku A + (-A) = 0. Hukum yang berlaku dalam
penjumlahan dan pengurangan matriks :

a.) A + B = B + A
b.) A + ( B + C ) = ( A + B ) + C
c.) k ( A + B ) = kA + kB = ( A + B ) k , k = skalar
Hasil kali matriks A yang ber-ordo m x p dengan matriks B yang berordo p x n dapat dituliskan
sebagi matriks C = [ cij ] berordo m x n dimana cij = ai1 b1j + ai2 b2j + ... + aip bpj

[sunting] Matriks Balikan (Invers)

JIka A dan B matriks bujur sangkar sedemikian rupa sehingga A B = B A = I , maka B disebut
balikan atau invers dari A dan dapat dituliskan B = A − 1 ( B sama dengan invers A ). Matriks B
juga mempunyai invers yaitu A maka dapat dituliskan A = B − 1. Jika tidak ditemukan matriks B,
maka A dikatakan matriks tunggal (singular). Jika matriks B dan C adalah invers dari A maka
B = C.

Matriks A = dapat di-invers apabila ad - bc ≠ 0

Dengan Rumus =

Apabila A dan B adalah matriks seordo dan memiliki balikan maka AB dapat di-invers dan (AB)
−1
= B − 1A − 1

Contoh 1:

Matriks

A= dan B =

AB = = = I (matriks identitas)

BA = = = I (matriks identitas)

Maka dapat dituliskan bahwa B = A − 1 (B Merupakan invers dari A)

Contoh 2:
Matriks

A= dan B =

AB = =

BA = =

Karena AB ≠ BA ≠ I maka matriks A dan matriks B disebut matriks tunggal.

Contoh 3:

Matriks

A=

Tentukan Nilai dari A-1

Jawab:

Contoh 4:

Matriks

A= ,B= , AB =

Dengan menggunakan rumus, maka didapatkan

, ,
Maka

Ini membuktikan bahwa (AB) − 1 = B − 1A − 1

[sunting] Transpose Matriks

Yang dimaksud dengan Transpose dari suatu matriks adalah mengubah komponen-komponen
dalam matriks, dari yang baris menjadi kolom, dan yang kolom di ubah menjadi baris.

Contoh:

Matriks

A= ditranspose menjadi AT =

Matriks

B= ditranspose menjadi BT =

Rumus-rumus operasi Transpose sebagai berikut:

1. ((A)T)T = A
2. (A + B)T = AT + BT dan (A − B)T = AT − BT
3. (kA)T = kAT dimana k adalah skalar
4. (AB)T = BTAT

[sunting] Matriks Diagonal, Segitiga, dan Matriks Simetris

[sunting] Matriks Diagonal

Sebuah matriks bujursangkar yang unsur-unsurnya berada di garis diagonal utama dari matriks
bukan nol dan unsur lainnya adalah nol disebut dengan matriks diagonal. Contoh :

secara umum matriks n x n bisa ditulis sebagai

Matriks diagonal dapat dibalik dengan menggunakan rumus berikut :

D − 1=

DD − 1 = D − 1D = I

jika D adalah matriks diagonal dan k adalah angka yang positif maka
Dk=

Contoh :

A=

maka

A5=

[sunting] Matriks Segitiga

Matriks segitiga adalah matriks persegi yang di bawah atau di atas garis diagonal utama nol.
Matriks segitiga bawah adalah matriks persegi yang di bawah garis diagonal utama nol. Matriks
segitiga atas adalah matriks persegi yang di atas garis diagonal utama nol.

Matriks segitiga

Matriks segitiga bawah

Teorema

 Transpos pada matriks segitiga bawah adalah matriks segitiga atas, dan transpose pada
matriks segitiga atas adalah segitiga bawah.
 Produk pada matriks segitiga bawah adalah matriks segitiga bawah, dan produk pada
matriks segitiga atas adalah matriks segitiga atas.
 Matriks segitiga bisa di-inverse jika hanya jika diagonalnya tidak ada yang nol.
 Inverse pada matriks segitiga bawah adalah matriks segitiga bawah, dan inverse pada
matriks segitiga atas adalah matriks segitiga atas.

Contoh :

Matriks segitiga yang bisa di invers

A=

Inversnya adalah

A − 1=

Matriks yang tidak bisa di invers

B=

[sunting] Matriks Simetris

Matriks kotak A disebut simetris jika A = AT

Contoh matriks simetris

Teorema

 Jika A dan B adalah matriks simetris dengan ukuran yang sama, dan jika k adalah skalar
maka

AT adalah simetris A + B dan A - B adalah simetris kA adalah simetris (AB)T = BTAT = BA

Jika A adalah matriks simetris yang bisa di inverse, maka A − 1 adalah matriks simetris.

Asumsikan bahwa A adalah matriks simetris dan bisa di inverse, bahwa A = AT maka :

(A − 1)T = (AT) − 1 = A − 1

Yang mana membuktikan bahwa A − 1 adalah simetris.

Produk AAT dan ATA

(AAT)T = (AT)TAT = AAT dan (ATA)T = AT(AT)T = ATA

Contoh

A adalah matriks 2 X 3

A=

lalu

ATA = =

AAT = =
Jika A adalah Matriks yang bisa di inverse, maka AAT dan ATA juga bisa di inverse

[sunting] Determinan
Determinan adalah suatu fungsi tertentu yang menghubungkan suatu bilangan real dengan suatu
matriks bujursangkar.

Sebagai contoh, kita ambil matriks A2x2

A= tentukan determinan A

untuk mencari determinan matrik A maka,

detA = ad - bc

[sunting] Determinan dengan Ekspansi Kofaktor

[sunting] Determinan dengan Minor dan kofaktor

A= tentukan determinan A

Pertama buat minor dari a11

M11 = = detM = a22a33 x a23a32

Kemudian kofaktor dari a11 adalah

c11 = (-1)1+1M11 = (-1)1+1a22a33 x a23a32

kofaktor dan minor hanya berbeda tanda Cij=±Mij untuk membedakan apakah kofaktor pada ij
adalah + atau - maka kita bisa melihat matrik dibawah ini
Begitu juga dengan minor dari a32

M32 = = detM = a11a23 x a13a21

Maka kofaktor dari a32 adalah

c32 = (-1)3+2M32 = (-1)3+2 x a11a23 x a13a21

Secara keseluruhan, definisi determinan ordo 3x3 adalah

det(A) = a11C11+a12C12+a13C13

[sunting] Determinan dengan Ekspansi Kofaktor Pada Baris Pertama

Misalkan ada sebuah matriks A3x3

A=

maka determinan dari matriks tersebut dengan ekspansi kofaktor adalah,

det(A) = a11 - a12 + a13

= a11(a22a33 - a23a32) - a12(a21a33 - a23a31) + a13(a21a32 - a22a31)
= a11a22a33 + a12a23a31 + a13a21a32 - a13a22a31 - a12a21a33 - a11a23a32

Contoh Soal:

A= tentukan determinan A dengan metode ekspansi kofaktor baris

pertama
Jawab:

det(A) = =1 -2 +3 = 1(-3) - 2(-8) + 3(-7) = -8

[sunting] Determinan dengan Ekspansi Kofaktor Pada Kolom Pertama

Pada dasarnya ekspansi kolom hampir sama dengan ekspansi baris seperti di atas. Tetapi ada satu
hal yang membedakan keduanya yaitu faktor pengali. Pada ekspansi baris, kita mengalikan
minor dengan komponen baris pertama. Sedangkan dengan ekspansi pada kolom pertama, kita
mengalikan minor dengan kompone kolom pertama.

Misalkan ada sebuah matriks A3x3

A=

maka determinan dari matriks tersebut dengan ekspansi kofaktor adalah,

det(A) = a11 - a21 + a31

= a11(a22a33 - a23a32) - a21(a21a33 - a23a31) + a31(a21a32 - a22a31)
= a11a22a33 + a21a23a31 + a31a21a32 - a22(a31)2 - (a21)2a33 - a11a23a32

Contoh Soal:

A= tentukan determinan A dengan metode ekspansi kofaktor kolom

pertama

Jawab:

det(A) = =1 -4 +3 = 1(-3) - 4(-8) + 3(-7) = 8

[sunting] Adjoin Matriks 3 x 3

Bila ada sebuah matriks A3x3

A=

Kofaktor dari matriks A adalah

C11 = 12 C12 = 6 C13 = -16

C21 = 4 C22 = 2 C23 = 16
C31 = 12 C32 = -10 C33 = 16

maka matriks yang terbentuk dari kofaktor tersebut adalah

untuk mencari adjoint sebuah matriks, kita cukup mengganti kolom menjadi baris dan baris
menjadi kolom

adj(A) =

[sunting] Determinan Matriks Segitiga Atas

Jika A adalah matriks segitiga nxn (segitiga atas, segitiga bawah atau segitiga diagonal) maka
det(A) adalah hasil kali diagonal matriks tersebut

Contoh

= (2)(-3)(6)(9)(4) = -1296
[sunting] Metode Cramer

jika Ax = b adalah sebuah sistem linear n yang tidak di ketahui dan det(A)≠ 0 maka persamaan
tersebut mempunyai penyelesaian yang unik

dimana A j adalah matrik yang didapat dengan mengganti kolom j dengan matrik b

Contoh soal:

Gunakan metode cramer untuk menyelesaikan persoalan di bawah ini

x1 + x3 = 6
-3x1 + 4x2 + 6x3 = 30
-x1 - 2x2 + 3x3 = 8

Jawab:

bentuk matrik A dan b

A= b=

kemudian ganti kolom j dengan matrik b

A1 = A2 = A3 =

dengan metode sarrus kita dapat dengan mudah mencari determinan dari matrik-matrik
di atas

maka,
[sunting] Tes Determinan untuk Invertibilitas

Pembuktian: Jika R di reduksi secara baris dari Ä. Sebagai langkah awal, kita akan
menunjukkan bahwa det(A) dan det(R) keduanya adalah nol atau tidak nol: E1,E2,...,Er
menjadi matrix element yang berhubungan dengan operasi baris yang menghasilkan Rdari A.
Maka,

R=Er...E2 E1 A

dan,

det(R)=det(Er)...det(E2)det(E1)det(EA)

Jika A dapat di-invers, maka sesuai dengan teorema equivalent statements , maka R = I, jadi
det(R) = 1 ≠ 0 dan det(A) ≠ 0. Sebaliknya, jika det(A) ≠ 0, maka det(R) ≠ 0, jadi R tidak memiliki
baris yang nol. Sesuai dengan teorema R = I, maka A adalah dapat di-invers. Tapi jika matrix
bujur sangkar dengan 2 baris/kolom yang proposional adalah tidak dapat diinvers.

Contoh Soal :

A=

karena det(A) = 0. Maka A adalah dapat diinvers.

[sunting] Mencari determinan dengan cara Sarrus

A= tentukan determinan A

untuk mencari determinan matrik A maka,

detA = (aei + bfg + cdh) - (bdi + afh + ceg)

[sunting] Metode Sarrus hanya untuk matrix berdimensi 3x3

[sunting] Menghitung Inverse dari Matrix 3 x 3

 A=

kemudian hitung kofaktor dari matrix A

C11 = 12 C12 = 6 C13 = -16

C21 = 4 C22 = 2 C23 = 16

C31 = 12 C32 = -10 C33 = 16

menjadi matrix kofaktor

cari adjoint dari matrix kofaktor tadi dengan mentranspose matrix kofaktor diatas, sehingga
menjadi

adj(A) =

dengan metode Sarrus, kita dapat menghitung determinan dari matrix A

det(A) = 64

[sunting] Sistem Linear Dalam Bentuk Ax = λx

dalam sistem aljabar linear sering ditemukan

Ax = λx ; dimana λ adalah skalar

sistem linear tersebut dapat juga ditulis dengan λx-Ax=0, atau dengan memasukkan matrix
identitas menjadi

(λI - A) x = 0

contoh:

diketahui persamaan linear

x1 + 3x2 = λx1
4x1 + 2x2 = λx2

dapat ditulis dalam bentuk

= λ

yang kemudian dapat diubah

A= dan x =

yang kemudian dapat ditulis ulang menjadi

λ
Gagal memparse (kesalahan lexing): \begin{bmatrix} {λ}-1 & -3\\ -4 & {λ}-
2\\ \end{bmatrix} \begin{bmatrix} x_1\\ x_2\\ \end{bmatrix} = \begin{bmatrix}
0\\ 0\\ \end{bmatrix}

sehingga didapat bentuk

λ I - A = Gagal memparse (kesalahan lexing): \begin{bmatrix} {λ}-1 & -3\\

-4 & {λ}-2\\ \end{bmatrix}

namun untuk menemukan besar dari λ perlu dilakukan operasi

det (λ I - A) = 0 ;λ adalah eigenvalue dari A

dan dari contoh diperoleh

det (λ I - A) = Gagal memparse (kesalahan lexing): \begin{bmatrix} {{λ-

1}} & -3\\ -4 & {{λ-2}}\\ \end{bmatrix}
= 0

atau λ^2 - 3λ - 10 = 0

dan dari hasil faktorisasi di dapat λ1 = -2 dan λ2 = 5

dengan memasukkan nilai λ pada persamaan (λ I - A) x = 0, maka eigenvector bisa didapat bila λ
= -2 maka diperoleh

dengan mengasumsikan x2 = t maka didapat x1 = t

x =

[sunting] Vektor dalam Ruang Euklide

[sunting] Euklidian dalam n-Ruang

Vektor di dalam n-Ruang Definisi : Jika n adalah sebuah integer positif, sebuah n- grup topel
adalah sekuens dari n bilangan real (a1.a2.....an). Set dari semua grup yang terdiri dari n- grup
topel dinamakan n-ruangdan dituliskan sebagai Rn.

Jika n = 2 atau 3, sudah menjadi kebiasaan untuk menggunakan istilah grup pasangan dan grup
dari tiga secara respektif, daripada 2-grup topel atau 3- grup topel. Keitka n = 1, setiap n – grup
topel terdiri dari satu bilangan real, sehingga R1 bisa dilihat sebagai set dari bilangan real. Kita
akan menuliskan R daripada R1 pada set ini.

Mungkin kita telah mmepelajari dalam bahan 3-ruang symbol dari (a1, a2, a3) mempunyai dua
interpretasi geometris yang berbeda : ini bisa diinterpretasikan sebagai titik, yang dalam kasus ini
a2, a2, a3 merupakan koordinat, atau ini bisa diinterpretasikan sebagai vector, dimana a1, a2, a3
merupakan komponen vector. Selanjutnya kita bisa melihat bahwa n – grup topel (a1, a2, ...., an)
bisa dilihat sebagai antara sebuah “poin umum” atau “vector umum”- perbedaan antara keduanya
tidak penting secara matematis. Dan juga kita bisa menjelaskan 5- topel (-2, 4, 0 ,1 ,6) antara
poin dalam R5 atau vector pada R5.
 u1 = v1 u2 = v2 un = vn

Penjumlahan u + v didefinisikan oleh

u + v = (u1 + v2, u2 + v2, ...., un + vn)

Dan jika k adalah konstanta scalar, maka perkalian scalar ku didefinisikan oleh

ku = (k u1, k u2,...,k un)

Operasi dari pertambahan dan perkalian scalar dalam definisi ini disebut operasi standar untuk
Rn Vektor nol dalam Rn didenotasikan oleh 0 dan difenisikan ke vektor

0 = (0, 0,...., 0)

Jika u = (u1, u2, ...., un) dalam setiap vector dalam Rn, maka negative (atau invers aditif) dari u
dituliskan oleh –u dan dijelaskan oleh

-u = (-u1, -u2, ...., -un)

Perbedaan dari vector dalam Rn dijelaskan oleh

v – u = v + (-u)

atau, dalam istilah komponen,

v – u = (v1-u1, v2-u2, ...., vn-un)

Sifat-sifat dari vektor dalam Rn

jika , , dan adalah vektor

dalam Rn sedangkan k dan m adalah skalar, maka :
(a) u + v = v + u

(b) u + 0 = 0 + u = u

(c) u + (v + w) = (u + v) + w

(d) u + (-u) = 0 ; berarti, u - u = 0

(e) k (m u) = (k m) u

(f) k (u + v) = k u + k v

(g) (k + m) u = k u + m u

(h) 1u = u

Perkalian dot product didefinisikan sebagai

[sunting] Contoh Penggunaan Vektor dalam Ruang Dimensi Tinggi

 Data Eksperimen – Ilmuwan melakukan experimen dan membuat n pengukuran numeris

setiap eksperimen dilakukan. Hasil dari setiap experiment bisa disebut sebagai vector y =
(y1,y2,...,yn) dalam Rn dalam setiap y1,y2,....,yn adalah nilai yang terukur.
 Penyimpanan dan Gudang – Sebuah perusahaan transportasi mempunyai 15 depot
untuk menyimpan dan mereparasi truknya. Pada setiap poin dalam waktu distribusi dari
truk dalam depot bisa disebut sebagai 15-topel x = (x1,x2,...,x15) dalam setiap x1 adalah
jumlah truk dalam depot pertama dan x2 adalah jumlah pada depot kedua., dan
seterusnya.
 Rangkaian listrik – Chip prosesor didesain untuk menerima 4 tegangan input dan
mengeluarkan 3 tegangan output. Tegangan input bisa ditulis sebagai vector dalam R4 dan
tegangan output bisa ditulis sebagaiR3. Lalu, chip bisa dilihat sebgai alat yang mengubah
setiap vektor input v = (v1,v2,v3,v4) dalam R4 ke vector keluaran w = (w1,w2,w3) dalamR3.
 Analisis citra – Satu hal dalam gambaran warna dibuat oleh layar komputer dibuat oleh
layar komputer dengan menyiapkan setiap [pixel] (sebuah titik yang mempunyai alamat
dalam layar) 3 angka yang menjelaskan hue, saturasi, dan kecerahan dari pixel. Lalu
sebuah gambaran warna yang komplit bisa diliahat sebgai 5-topel dari bentuk v =
(x,y,h,s,b) dalam x dan y adalah kordinat layar dari pixel dan h,s,b adalah hue, saturation,
dan brightness.
 Ekonomi – Pendekatan kita dalam analisa ekonomi adalah untuk membagi
ekonomidalam sector (manufaktur, pelayanan, utilitas, dan seterusnya ) dan untuk
 mengukur output dari setiap sector dengan nilai mata uang. Dalam ekonomi dengan 10
sektor output ekonomi dari semua ekonomi bisa direpresentasikan dngan 10-topel s =
(s1,s2,s3,...,s10) dalam setiap angka s1,s2,...,s10 adalah output dari sektor individual.
 Sistem Mekanis – Anggaplah ada 6 partikel yang bergerak dalam garis kordinat yang
sama sehingga pada waktu t koordinat mereka adalahx1,x2,...,x6 dan kecepatan mereka
adalah v1,v2,...,v6. Informasi ini bisa direpresentasikan sebagai vector

V = (x1,x2,x3,x4,x5,x6,v1,v2,v3,v4,v5,v6,t) Dalam R13. Vektor ini disebut kondisi dari sistem partikel
pada waktu t.

 Fisika - Pada teori benang komponen paling kecil dan tidak bisa dipecah dari Jagat raya
bukanlah partikel tetapi loop yang berlaku seperti benang yang bergetar. Dimana jagat
waktu Einstein adalah 4 dimensi, sedangkan benang ada dalam dunia 11-dimensi

[sunting] Menemukan norm dan jarak

Menghitung Panjang vektor u dalam ruang Rn

jika u = (u1,u2,u3,...,un)

Maka Panjang vektor u

dan Menghitung jarak antara vektor u dengan vektor v

[sunting] Bentuk Newton

interpolasi polinominal p(x)=anxn+an-1xn-1+...+a1x+a0 adalah bentuk standar. Tetapi ada juga yang
menggunakan bentuk lain . Contohnya , kita mencari interpolasi titik dari data (x0,y0),(x1,y1),
(x2,y2),(x3,y3).

Jika kita tuliskan P(x)=a3x3+a2x2+a1x+a0

bentuk equivalentnya : p(x)=a3(x-x0)3+p(x)=a2(x-x0)2+p(x)=a1(x-x0)+a0

dari kondisi interpolasi p(x0)=yo maka didapatkan a0=yo , sehingga dapat kita tuliskan menjadi

p(x)=b3(x-x0)(x-x1)(x-x2)+b2(x-x0)(x-x1)+b1(x-x0)+b0 inilah yang disebut newton form dari

interpolasi , sehingga kita dapatkan :

p(x0)=b0

p(x1)=b1h1+b0

p(x2)=b2(h1+h2)h2+b1(h1+h2)+b0

p(x3)=b3(h1+h2+h3)(h2+h3)h3+b2(h1+h2+h3)(h2+h3)+b1(h1+h2+h3)+b0

sehingga jika kita tuliskan dalam bentuk matrix:

[sunting] Operator Refleksi

Berdasarkan operator T:R2 -> R2 yang memetakan tiap vektor dalam gambaran simetris terhadap
sumbu y, dimisalkan w=T(x), maka persamaan yang berhubungan dengan x dan w adalah:

x1 = -x = -x + 0y

x2 = y = 0x + y

atau dalam bentuk matrik :

Secara umum, operator pada R2 dan R3 yang memetakan tiap vektor pada gambaran simetrinya
terhadap beberapa garis atau bidang datar dinamakan operator refleksi. Operator ini bersifat
linier.

[sunting] Operator Proyeksi

Berdasarkan operator T:R2 -> R2 yang memetakan tiap vektor dalam proyeksi tegak lurus
terhadap sumbu x, dimisalkan w=T(x), maka persamaan yang berhubungan dengan x dan w
adalah:

x1 = x = x + 0y

x2 = 0 = 0x + y
atau dalam bentuk matrik :

Persamaan tersebut bersifat linier, maka T merupakan operator linier dan matrikx T adalah:

Secara umum, sebuah operator proyeksi pada R2 dan R3 merupakan operator yang memetakan
tiap vektor dalam proyeksi ortogonal pada sebuah garis atau bidang melalui asalnya.

[sunting] Operator Rotasi

Sebuah operator yang merotasi tiap vektor dalam R2 melalui sudut ɵ disebut operator rotasi pada
R2. Untuk melihat bagaimana asalnya adalah dengan melihat operator rotasi yang memutar tiap
vektor searah jarum jam melalui sudut ɵ positif yang tetap. Unutk menemukan persamaan
hubungan x dan w=T(x), dimisalkan ɵ adalah sudut dari sumbu x positif ke x dan r adalah jarak x
dan w. Lalu, dari rumus trigonometri dasar x = r cos Θ ; y = r cos Θ dan w1 = r cos (ɵ + ɸ) ; w2= r
sin (ɵ + ɸ)

Menggunakan identitas trigonometri didapat:

w1 = r cos ɵ cos ɸ - r sin ɵ sin ɸ

w2 = r sin ɵ cos ɸ + r cos ɵ sin ɸ

kemudian disubtitusi sehingga:

w1 = x cos Θ - y sin Θ

w2 = x sin Θ + y cos Θ

Persamaan diatas merupakan persamaan linier, maka T merupakan operator linier sehingga

bentuk matrik dari persamaan diatas adalah:

[sunting] Interpolasi Polinomial

Dengan menganggap masalah pada interpolasi polinomial untuk deret n + 1 di titik (x0,y0)....,
(xn,yn). Maka, kita diminta untuk menemukan kurva p(x) = amxm + am-1xm − 1 + ... + a1x + a0 dari
sudut minimum yang melewati setiap dari titik data. Kurva ini harus memenuhi

karena xi diketahui, ini akan menuju pada sistem matrik di bawah ini

Ingat bahwa ini merupakan sistem persegi dimana n = m. Dengan menganggap n = m

memberikan sistem di bawah ini untuk koefisien interpolasi polinomial p(x):

= (1)

Matrix di atas diketahui sebagai Matrix Vandermonde; kolom j merupakan elemen pangkat j-1.
Sistem linier pada (1) disebut menjadi Sistem Vandermonde.

Contoh soal:

Cari interpolasi polinomial pada data (-1,0),(0,0),(1,0),(2,6) menggunakan Sistem Vandermonde.

Jawab:

Bentuk Sistem Vandermonde(1):

Untuk data di atas, kita mempunyai

Untuk mendapatkan solusinya, digunakan Gaussian Elimination

Baris ke-2, ke-3, dan ke-4 dikurangi baris pertama

Baris ke-3 dibagi dengan 2, sedangkan baris ke-4 dibagi dengan 3

 Baris ke-3 dikurangi baris ke-2

Baris ke-4 dikurangi baris ke-2

Baris ke-4 dibagi dengan 2

Baris ke-4 dikurangi baris ke-3

Didapatkan persamaan linier dari persamaan matrix di atas

Jadi, interpolasinya adalah

Silabus:

Materi kuliah Aljabar Linier yang akan dipelajari dalam satu semester Genap ke depan adalah
sebagai berikut:

1). Matriks dan Operasinya (Konsepsi Matriks, Operasi Aljabar Matriks, Jenis-jenis Matriks
Khusus, Transformasi Elementer (Operasi Elementer))

2). Determinan (Konsepsi Determinan, Determinan Matriks Ordo (2×2) dan (3×3), Sifat-sifat
Determinan, Minor , Kofaktor , Matriks Kofaktor dan Adjoin, Ekspansi Kofaktor, Determinan
Matriks ordo lebih dari (3×3)).

3). Matriks Invers (Konsepsi Invers, Metode Penyapuan, Invers Matriks dengan Adjoin).

4). Sistem Persamaan Linier (Konsepsi SPL, Pemecahan SPL dengan Eliminasi Gauss-Jordan
dan Kaidah Cramer, SPL Homogen).

5). Vektor (Vektor secara Ilmu Ukur, Operasi-operasi pada Vektor, Vektor pada Ruang Dimensi
n (Rn), Vektor Posisi, Proyeksi Ortogonal, Perkalian Titik (Dot Product), Perkalian Silang (Cross
Product), Kebebasan Linier, Ruang Vektor dan Kombinasi Linier, Basis dan Dimensi Ruang
Vektor, Persamaan Garis dan Persamaan Bidang)

6). Transformasi Linier (Konsepsi Transformasi Linier, Peta dan Propeta, Kernel dan Jangkauan,
Transformasi Linier dari Rn ke Rm , Rotasi, Refleksi, Ekspansi dan Kompresi, Geseran)

7). Nilai Eigen dan Vektor Eigen (Nilai Karakteristik dan Persamaan Karakteristik, Vektor
Eigen).

Referensi:

Charles D. Cullen, Aljabar Linier dengan Penerapannya, PT. Gramedia Pustaka Utama,
Jakarta, 1993. D. Suryadi HS, S. Harini M, Teori dan Soal Pendahuluan Aljabar Linier , PT.
Ghalia Indonesia, Jakarta, 1984. Frank Ayres, Linear Algebra , Schaum’s Outline Series.
Hadley G, Linear Algebra , Addison-Wesley, Reading Masachussetts, 1974. Howard Anton,
Aljabar Linier Elementer , edisi kelima, Penerbit Erlangga, Jakarta, 1991. Howard Anton, Chris
Rorres, Elementary Linear Algebra, Applications Version , John Wiley and Sons, Singapore,
2000.

Penilaian: Nilai akhir perkuliahan Aljabar Linier terdiri dari 5 komponen yaitu : Kehadiran
(Jumlah kehadiran dalam satu semester, bukan jumlah tanda tangan ), Tugas (minimal pernah
menulis jawaban dari soal yang diberikan, tidak dituliskan atau foto kopi, dan ada batas waktu
pengumpulannya. Jika pengumpulan tugas melebihi batas waktu yang diberikan dianggap sudah
kadaluwarsa (expired)), Kuis (merupakan media untuk menilai keberanian dalam mencoba
menjawab soal yang diberikan. Sekali mencoba soal akan mendapat nilai 10), Test Tengah
Semester (TTS), Test Akhir Semester (TAS). (TTS dan TAS merupakan sarana untuk
mengetahui kemampuan masing-masing mahasiswa dalam menguasai materi perkuliahan.
Apabila salah satu dari proses TTS atau TAS tidak diikuti maka nilai akan ditunda (diberi nilai
E) menunggu ada konfirmasi untuk mengikuti ujian susulan (dalam waktu yang memenuhi
kriteria atau sebelum nilai akhir diberikan)).

Bobot Penilaian

Bobot penilaian ditentukan berdasarkan kesepakatan pada pertemuan pertama kuliah. Adapun
hasil kesepakatan tersebut adalah sebagai berikut:

*) Kelompok TIS107K0 : Kehadiran (10% ), Tugas (20% ), Kuis (10% ), TTS (30% ), TAS
(30% ).

*) Kelompok TIS107K1 : Kehadiran (10% ), Tugas (20% ), Kuis (10% ), TTS (30% ), TAS
(30% ).

*) Kelompok SIS107K0 : Kehadiran (5% ), Tugas (25% ), Kuis (10% ), TTS (30% ), TAS
(30% ).

*) Kelompok SIS107K1 : Kehadiran (10% ), Tugas (20% ), Kuis (10% ), TTS (30% ), TAS
(30% ).

Materi Kuliah :

Pertemuan 1

Dalam pertemuan pertama digunakan untuk menyampaikan silabus, referensi, aturan penilaian,
dan teknis perkuliahan yang akan dilaksanakan dalam satu semester Genap 2007/2008.

Pertemuan 2

Pertemuan kedua dibahas tentang Konsep Matriks, Operasi Aljabar Matriks, dan Operasi
Elementer. Materi lengkapnya dapat diunduk disini (silakan klik disini )

Pertemuan 3

Pertemuan ketiga dibahas tentang Jenis-jenis Matriks, Konsep Determinan, Determinan Ordo
2×2, Determinan ordo 3×3. Materi lengkapnya dapat diunduk disini (silakan klik disini )

Pertemuan 4
Pertemuan keempat dibahas tentang Sifat-sifat Determinan, Konsep Minor, Kofaktor, Matriks
Kofaktor, Matriks Adjoin, dan Ekspansi Kofaktor . Materi lengkapnya dapat diunduk disini
(silakan klik disini )

Pertemuan 5

Pertemuan kelima dibahas tentang Menentukan Determinan matriks Ordo besar dengan
mengkombinasikan Sifat-sifat Determinan, Operasi Elementer, dan Ekspansi Kofaktor. Selain itu
juga dibahas materi tentang Invers Matriks. Materi lengkapnya dapat diunduk disini (silakan klik
disini )

Pertemuan 6

Pertemuan keenam dibahas tentang Sistem Persamaan Linier dan pemecahannya dengan Kaidah
Cramer dan Eliminasi Gauss-Jordan. Materi lengkapnya dapat diunduk disini (silakan klik disini
)

Pertemuan 7

Pertemuan keenam dibahas tentang Sistem Persamaan Linier Homogen dan pemecahannya
dengan Eliminasi Gauss-Jordan. Materi lengkapnya dapat diunduk disini (silakan klik disini )

Sebagai bahan belajar dalam rangka mempersiapkan Test Tengah Semester , silakan kerjakan
Soal-soal berikut (dengan mengunduh file  k l i k di sini ).
Kerjakan soal-soal tersebut dan dikumpulkan pada saat Test Tengah Semester (sebagai nilai
Tugas kedua).
Sebagai tambahan referensi, berikut ini materi Elementary Linear Algebra from K.R
Matthews , silakan klik di sini .