1

BAB I
PENDAHULUAN

1.1 Latar Belakang
Mata kuliah Al-Jabar Linier sangat bermanfaat bagi kita dalam ketika mempelajari
matematika lanjutan dan penerapannya dalan sains dan teknologi. Pada makalah kita
kali ini kita akan membahas materi lanjutan dari mata kuliah Al-Jabar Linier yaitu nilai
eigen (eigen value), vektor eigen (eigen vector) dan diagonalisasi sebuah matriks,
termasuk diagonalisasi ortogonal dan matriks simetris.
Bahasan ini secara khusus merupakan bahasan tentang konsep vektor baik di Ruang
2 maupun di ruang tiga (R3) dan ruang (Rn). Sebagai tujuan instruksional umum setelah
mempelajari materi dalam makalah ini diharapkan dapat memahami nilai eigen, vektor
eigen dan permasalahan diagonalisasi dari sebuah matriks. Sedangkan sebagai tujuan
instruksional khususnya, diharapkan dapat:
- menentukan nilai eigen dan vektor eigen dari suatu matriks/ transformasi linear
- menentukan hasil diagonalisasi sebuah matriks.

2.3 Rumusan Masalah
Berdasarkan latar belakang diatas maka dapat diambil rumusan masalah sebagai
berikut:
1. Apa itu Nilai Eigen dan Vektor Eigen.
2. Apa itu Diagonalisasi.
3. Apa itu Diagonalisasi Ortogonal dan Matriks Simetris.

2

2.4 Tujuan
Adapaun tujuan makalah ini adalah:
1. Untuk mengetahui definisi Nilai Eigen dan Vektor Eigen.
2. Untuk mengetahui definisi Diagonalisasi
3. Untuk mengetahui definisi Diagonalisasi Ortogonal dan Matriks Simetris
















3

BAB II
LANDASAN TEORI

2.1 Nilai Eigen dan Vektor Eigen
Kata vektor eigen adalah rumusan bahasa jerman dan inggris. Dalam bahasa jerman
eigen dapat diterjemahkan sebagai sebenarnya atau karakteristik, oleh karena itu, nilai
eigen dapat juga kita namakan nilai sebenarnya atau nilai karakteristik. Dalam literatur
lama kadang-kadang dinamakan akar-akar latent.
Nilai eigen dan vektor eigen mempunyai tafsiran geometrik yang bermanfaat dalam
R
2
dan R
3
. Jika adalah nilai eigen dari A yang bersesuaian dengan x, maka Ax = x,
sehingga perkalian oleh A akan memperbesar x, atau membalik arah x, yang bergantung
pada nilai .
x = Ax
x
x x = Ax
x = Ax
(a) (b) (c)
(a) Dilatasi (pembesaran) > 1. (b) Kontraksi 0 < < 1. (c) Pembalikan arah < 0
Jika A adalah matriks n x n, maka vektor tak nol x di dalam R
n
dinamakan vektor
eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x; yaitu Ax = x untuk
suatu skalar . Skalar dinamakan nilai eigen (eigen value) dari A dan x dikatakan
vektor eigen yang bersesuaian dengan .

4

Definisi 2.1.1 Jika A adalah sebuah matriks nxn maka sebuah vektor tak nol x di dalam
R
n
dinamakan vektor eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x:
Ax =

dimana adalah suatu skalar dan x adalah vektor yang tidak nol. Skalar dinamakan
nilai Eigen dari matriks A.
Nilai eigen adalah nilai karakteristik dari suatu matriks bujur sangkar. Vektor x
dalam persamaan di atas adalah suatu vektor yang tidak nol yang memenuhi persamaan
di atas untuk nilai eigen yang sesuai dan disebut dengan vektor eigen. Jadi vektor x
mempunyai nilai tertentu untuk nilai eigen tertentu.
Untuk mencari nilai eigen dari matriks A yang berukuran n x n, maka kita perlu
memperhatikan kembali definisi nilai eigen dan vektor eigen, yaitu Ax =x. Bentuk ini
dapat kita tulis sebagai berikut:
Ax = x
x - Ax = 0
Ix - Ax = 0
(I - A) x = 0
Supaya menjadi nilai eigen, maka harus ada penyelesaian yang tidak nol dari sistem
persamaan (I-A) x = 0. Memiliki solusi nontrivial jika dan hanya jika det (I A) = 0.
Ini dsebut persamaan karateristik dari A.
Definisi 2.1.2 Persamaan det (I-A) = 0 dengan sebagai variabel disebut persamaan
karakteristik dari matriks A. Akar-akar atau skalar-skalar yang memenuhi persamaan ini
adalah nilai-nilai eigen (nilai-nilai karakteristik) dari matriks A. Det (I-A) f() yaitu
berupa polinom dalam yang dinamakan polinom karakteristik.
Teorema berikut ini adalah hasil-hasil yang telah kita peroleh dari penjelasan
diatas.
5

Teorema 2.1.1 Jika A adalah sebuah matriks nxn, maka pernyataan-pernyataan yang
berikut ekivalen satu sam lain.
- adalah nilai eigen dari A
- sistem persamaan (I-A) x = 0 mempunyai penyelesaian yang tak trivial
- ada sebuah vektor tak nol x di dalam R
n
sehingga Ax = x
- adalah pemecahan real dari persamaan karateristik det (I-A) = 0

Setelah kita memahami bagaimana mencari nilai-nilai eigen hubungannya
dengan persamaan karakteristik, maka sekarang akan beralih ke masalah untuk mencari
vektor eigen. Menurut definisi terdahulu bahwa vektor eigen dari matriks A yang
bersesuaian dengan nilai eigen adalah vektor x yang tidak nol dan haruslah memenuhi
Ax = x. Dengan kata lain, secara ekuivalen tentunya vektor eigen yang bersesuaian
dengan nilai eigen adalah vektor yang tak nol dalam ruang penyelesaian ( I A) x =
0. Ruang penyelesaian ini kita namakan sebagai ruang eigen (eigen space) dari matriks
A yang bersesuaian dengan nilai eigen .
Definisi 2.1.3 Ruang penyelesaian dari sistem persamaan linear:
( I A) x = 0 atau (A - I) x = 0
dinamakan ruang eigen dari matriks A yang berukuran n x n.

Kita tinjau sebuah matriks bujur sangkar orde 2 x 2 berikut:
A =
(

22 21
12 11
a a
a a

Persamaan X AX = dapat dituliskan:
(

22 21
12 11
a a
a a

(

=
(

2
1
2
1
x
x
x
x

Persamaan dikalikan dengan identitas didapatkan:
6

(

1 0
0 1

(

22 21
12 11
a a
a a

(

2
1
x
x
=
(

1 0
0 1

(

2
1
x
x


(

22 21
12 11
a a
a a

(

2
1
x
x
=
(

0
0

(

2
1
x
x


(

22 21
12 11
a a
a a
(

2
1
x
x
= 0
Persamaan dalam bentuk sistem persamaan linier dituliskan:

0 ) (
0 ) (
2 22 1 21
2 12 1 11
= +
= +
x a x a
x a x a

Persamaan di atas adalah sistem persamaan linier homogen, vektor dalam ruang R
n

yang tidak nol didapatkan jika dan hanya jika persamaan tersebut mempunyai solusi
non trivial untuk nilai eigen yang sesuai.


2.2 DIAGONALISASI
Terdapat masalah diagonalisasi seperti berikut: Diberikan sebuah operator
linear T: V V pada sebuah ruang vektor berdimensi berhingga, apakah terdapat
sebuah baris untuk V terhadap matriks T diagonal ? Jika A adalah matriks untuk T :
V V yang bertalian dengan beberapa baris sebarang, maka hal ini ekivalen dengan
masalah diatas yaitu terdapat perubahan basis yang menghasilkan matriks baru untuk T
yang sama dengan P
-1
AP dimana P adalah matriks transisi yang sesuai. Bentuk Matriks
dari Masalah diagonalisasi : Diketahui matriks kuadrat A, apakah terdapat matriks P
yang dapat dibalik sehingga P
-1
AP diagonal?
7

Definisi 2.2.1 : Matriks kuadrat A dinamakan dapat didiagonalisasi jika terdapat matriks
P yang dapat dibalik sehingga P
-1
AP diagonal ; matriks P dikatakan mendiagonalisasi
A.
Teorema 2.2.1: Jika A adalah matriks n x n, maka pernyataan-pernyataan berikut
ekivalen satu sama lain.
a). A dapat didiagonalisasi
b). A mempunyai n vektor eigen bebas linear.
Bukti a) b).
Karena A dianggap dapat didiagonalisasi, maka terdapat matriks yang dapat dibalik
yaitu :
P [

]
Sehingga P
-1
AP diagonal, anggaplah D = P
-1
AP dimana
D [

]
Jadi dapat diperoleh AP = PD yaitu :
AP = [

] [

] =[

]
Dari pembuktian diatas dimisalkan P
1,
P
2, ....,
P
n
menyatakan vektor-vektor kolom P,
maka bentuk kolom-kolom AP yang berurutan adalah
1
P
1,

2
P
2, ....,

n
P
n,
akan tetapi
kolom-kolom AP yang berurutan adalah AP
1,
AP
2, ....,
AP
n
. Jadi kita harus memperoleh
8

AP
1
=
1
P
1,
AP
2
=
2
P
2, ....,
AP
n
=

n
P
n
Karena P dapat dibalik, maka vektor-vektor kolomnya tak nol ; jadi nilai-nilai eigen A
adalah
1,

2, ....,

n
, dan P
1,
P
2, ....,
P
n
adalah vektor-vektor eigen yang bersesuaian. Karena
P dapat dibalik maka P
1,
P
2, ....,
P
n
bebas linear, jadi A mempunyai n vektor eigen bebas
linear.
Bukti b) a)
A dianggap mempunyai n vektor eigen bebas linear, maka P
1,
P
2, ....,
P
n
dengan nilai eigen
yang bersesuaian
1,

2, ....,

n
, dan misalkan
P [

]
Merupakan matriks yang vektor-vektor kolomnya adalah P
1,
P
2, ....,
P
n.
Kolom-kolom dari
hasil kali AP adalah AP
1,
AP
2, ....,
AP
n
tetapi AP
1
=
1
P
1,
AP
2
=
2
P
2, ....,
AP
n
=

n
P
n
sehingga
AP =[

] [

] [

] = PD
Dimana D adalah matriks diagonal yang mempunyai nilai-nilai eigen
1,

2, ....,

n
pada
diagonal utama. Karena vektor-vektor kolom dari P bbas linier, maka
P dapat dibalik; jadi dapat dituliskan kembali sebagai P
-1
AP = D; yaitu A
terdiagonalisasi.
Prosedur untuk mendiagonalkan matriks A yang berukuran n x n dapat didiagonalisasi
Langkah 1 :
Carilah n vektor eigen bebas linier A, P
1,
P
2, ....,
P
n

9

Langkah 2 :
Bentuklah matriks P yang mempunyai P
1,
P
2, ....,
P
n
sebagai vektor-vektor kolomnya
Langkah 3 :
Matriks P
-1
AP akan diagonal dengan
1,

2, ....,

n
sebagai entri-entri diagonalnya yang
berurutan, dimana
i
adalah nilai eigen yang bersesuaian dengan P
i
, i = 1,2,....,n.
Teorema 2.2.2 . Jika v
1
, v
2
, ., v
k
adalah vektor-vektor eigen A yang bersesuaian
dengan nilai-nilai eigen yang berbeda
1
,
2
, .,
k
, maka { v
1
, v
2
, ., v
k
} adalah
himpunan bebas linier.
Misalkan
1
,
2
, .,
k
adalah nilai-nilai eigen yang berbeda dan kita pilih himpunan
bebas linier pada masing-masing ruang eigen yang bersesuaian. Jika kita gabungkan
semua vektor ini ke dalam himpunan tunggal, maka hasil tersebut masih merupakan
himpunan bebas linier. Misalnya, jika kita memilih tiga vektor bebas linier dari sebuah
ruang eigen dan dua vektor eigen bebas linier dari ruang eigen lainnya, maka kelima
vektor tersebut bersama-sama membentuk sebuah himpunan bebas linier. Kita
mengabaikan buktinya.

Sebagai konsekuensi teorema ini, kita dapatkan hasil yang
berguna berikut.

Teorema2.2.3 . Jika matriks A yang berukuran n x n mempunyai n nilai eigen yang
berbeda, maka A dapat didiagonalisasi.
Bukti. Jika v
1
, v
2
, ., v
n
adalah vektor-vektor eigen yang bersesuaian dengan nilai-nilai
eigen yang berbeda
1
,
2
, .,
n
, maka menurut teorema 3, v
1
, v
2
, ., v
n
bebas linier.
Jadi, A dapat didiagonalisasi, oleh teorema 2.2.1.
Jika A adalah matriks n x n dengan nilai eigen yang lebih kecil dari n, maka kita
memperoleh teorema-teorema yang akan kita telaah dalam pelajaran lebih lanjut yang
dapat digunakan untuk menentukan apakah A dapat didiagonalisasi. Akan tetapi,
teorema ini tidak dapat memberikan prosedur perhitungan yang sederhana untuk
10

membuat determinasi ini; sesungguhnya kita dapat melakukan perhitungan apabila
diperlukan untuk melihat apakah A mempunyai n nilai eigen yang bebas linier.

2.3 DIAGONALISASI ORTOGONAL; MATRIK SIMETRIS
Kita mempunyai dua pertanyaan yang akan ditinjau yang pertama matriks-matriks
manakah yang dapat didiagonalisasi secara ortogonal dan yang kedua bagaimana kita
mencari matriks ortogonal untuk melaksanakan diagonalisasi.
Definisi 2.3.1. Matriks A kuadrat dinamakan dapat didiagonalisasi secara ortogonal jika
terdapat matriks P yang ortogonal sehingga

) diagonal; matriks P
dikatakan mendiagonalisasi A secara ortogonal.
Untuk membantu kita menjawab pertanyaan pertama kita akan memerlukan definisi
berikut :
Definisi 2.3.2. Matriks A kuadrat kita namakan simetris jika A =

Contoh :
Jika A = [



] maka

= [



] dengan demikian A simetris.
Adalah mudah mengakui matriks simetris dengan pemeriksaan: entri-entri pada
diagonal utama adalah sebarang, namun bayangan cermin dari entri yang melintasi
diagonal utama adalah sama
Teorema selanjutnya merupakan alat utama untuk menentukan apakah sebuah
matriks dapat didiagonalisasi secara ortogonal. Dalam teorema ini dan untuk teorema
selebihnya dari bagian ini, ortogonal akan berarti ortogonal yang bertalian dengan hasil
kali dalam Euclidis pada R
n
.
11

Teorema 2.3.1. Jika A adalah matriks n x n, maka pernyataan berikut ekuivalen satu
sama lain.
a) A dapat didioagonalisasi secara ortogonal
b) A mempunyai himpunan ortonormal dari n vektor eigen
c) A adalah simetris
Bukti (a) (b). Karena A dapat didiagonalisasi secara ortogonal, maka terdapat
matriks P yang ortogonal sehingga

diagonal. Seperti yang diperlihatkan dalam

bukti Teorema 2.2.1, maka vektor kolom ke n dari P adalah vektor eigen A. Karena P
ortogonal, maka vektor-vektor kolom ini ortonormal sehingga A mempunyai n vektor
eigen ortonormal.
(a) (b), anggaplah bahwa A mempunyai himpunan ortonormal dari n vektor eigen
{

}. Seperti yang diperlihatkan dalam bukti Teorema 2, maka matriks P

dengan vektor-vektor eigen ini sebagai kolom-kolom akan mendiagonalisasi A. Karena
vektor-vektor eigen ini ortonormal, maka P ortogonal sehingga akan mendiagonalisasi
A secara ortogonal.
(a) (c). Dalam bukti (a) (b) kita menunjukan bahwa matriks A yang berukuran
nxn dapat didiagonalisasi oleh matriks P yang berukuran n x n secara ortogonal yang
kolom-kolomnya membentuk himpunan ortonormal dari vektor-vektor eigen yang
berukuran A. misalkan D adalah matriks diagonal. D =

, jadi

atau,
karena P ortogonal, maka

, sehingga (

Teorema 2.3.2. Jika A adalah matriks simetris, maka vektor-vektor eigen dari ruang
eigen yang berbeda akan ortogonal.
Bukti.
misalkan

dan

adalah dua nilai eigen yang berbeda dari matriks A simetrik yang
berukuran m x n dan misalkan
12

]
adalah vektor-vektor eigen yang berssuaian. diperlihatkan bahwa
(v
1
. v
2
) = v
1
. v
1
+ v
2
. v
2
+ . . . + v
n
. v
n

karena v
1
t
v
2
adalah matriks 1x1 yang mempunyai v
1
. v
2
sebagai satu-satunya entrinya,
maka dapat melengkapi bukti tersebut dengan memperlihatkan bahwa v
1
t
v
2
= 0. Karena
v
1
dan v
2
merupakan vektor eigen yang bersesuaian dengan nilai eigen

dan

, kita
mempunyai :
Av
1
=

Av
2
=

(Av
1
)
t
= (

atau
v
1
t
A
t
=

juga, karena A adalah simetris
v
1
t
A =

dengan mengalikan kedua ruas dari persamaan ini pada bagian kanan
menggunkan v
2
akan menghasilkan
v
1
t
Av
2
=

dan dengan mengalikan kedua ruas pada bagian kiri menggunakan v1t
menghasilkan
v
1
t
Av
2
=

.
13

Jadi

atau
(

namun demikian

, sehingga

yang manakah yang kita cari untuk

membuktikannya.
Sebagai konsekuensi dari teorema ini maka kita dapatkan prosedur berikut untuk
mendiagonalisasi matriks secara ortogonal.
- Langkah 1 Carilah basis untuk masing-masing ruang eigen dari A.
- Langkah 2 : Terapkanlah proses Gram-Schmidt ke masing-masing basis ini
untuk mendapatkan basis ortonormal untuk setiap ruang eigen.
- Langkah 3 Bentuklah matriks P yang kolom-kolomnya adalah vektor-vektor
Basis yang dibangun dalam langkah 2; matriks ini akan
mendiagonalisasi A secara ortogonal.
Pembetulan prosedur ini sudah seharusnya jelas. Teorema 2.3.1 menjamin bahwa
vektor-vektor eigen dari ruang-ruang eigen yang berbeda akan ortogonal, sedangkan
penerapan proses Gram-Schmidt menjamin bahwa vektor-vektor eigen yang didapatkan
dalam ruang eigen yang sama akan ortonormal. Jadi, keseluruhan himpunan vektor
eigen yang didapatkan dengan prosedur ini akan ortonormal.
Kita simpulkan bagian ini dengan menyatakan dua sifat penting matrik simetris
Teorema 2.3.3.
- persamaan karakteristik matriks A simetrik hanya mempunyai akar-akar riil.
14

- jika nilai eigen dari matriks simetrik A diulangi k kali sebagai akar persamaan
karakteristik tersebut, maka ruang eigen yag bersesuaian dengan adalah ruang
berdimensi k.


















15

BAB III
HASIL DAN PEMBAHASAN

3.1 Contoh soal nilai eigen dan vektor eigen
1) Carilah nilai eigen yang bersesuaian dengan vektor x = *

+ adalah vektor eigen

dari A = *


+
Jawab :
Menurut definisi bahwa Ax =
Ax = *


+ *

+= *

+=3*

+
= 3*

+ = 3x
= 3
2) Carilah nilai eigen yang bersesuaian dengan x = [

] adalah vektor eigen dari A =

[



]
Jawab:
Menurut definisi bahwa Ax =
Ax = [



] [

]= [

]=2[

]
= 2[

]=2x
=2
3) Carilah nilai-nilai eigen dari matriks A= *


+
Jawab :
Karena *


+ *


+ *


+
16

Maka polinomial karakteristik dari A adalah
Det ( ) *


+

Dan persamaan karakteristik dari A adalah

( ) ( )


4) Carilah basis-basis untuk ruang eigen dari sistem linier x
1
+3x
2
= x
1
dan 4x
1
+2x
2

= x
2

Jawab:
Menurut definisi Ax =
*


+ *

+ = *

+
*

+ *


+ *

+ = 0
*

+ ( *


+ *


+) = 0
*

+ (*


+ *


+) = 0
*

+ *


+= 0
*


+

( )( )


Jika
*

+ *


+= 0 *

+ *


+= 0

17

(


) E
21(1)
(


)
4x
1
-3x
2
=0, mis x
2
=t maka
4x
1
-3t=0
x
1
=

)
untuk
*

+ *


+= 0 *

+ *


+= 0

(


) E
21(-

)
(


)
3x
1
-3x
2
=0, mis x
2
=t
3x
1
-3t=0
x
1
= -t
(

)

3.2 Contoh soal Diagonalisasi
1) Diketahui matriks A = *


+
Carilah : a) matriks P yang mendiagonalisasi A
b) matriks diagonal D = P
-1
AP
Jawab : det (I-A) = 0
det*


+ = 0
( ) ( ) = 0

1
=1dan
2
= -1(nilai-nilai eigen A)

untuk
1
=1
(I-A) x = 0
18

*


+ *

+ = *

+
-6x
1
+ 2x
2
= 0
x
1
=

x
2
{

x = [

] [

]
Jadi, basis ruang eigen yang bersesuaian
1
=1 adalah P
1
= [

]
Dengan demikian didapatkan bahwa (P
1,
P
2
) adalah bebas linear, sehingga
P = [

] akan mendiagonalkan matriks A.

D = P
-1
AP = 3 [

] *


+ [

]
= *


+ *


+ [

]
= *


+ [

]
= *


+
2) Persamaan karakteristik dari matriks A = *


+ adalah
det (I-A) = det *


+ = ( )
2
= 0
jadi

= -1 adalah satu-satunya nilai eigen dari A; vektor-vektor eigen yang
bersesuaian dengan

= -1 adalah pemecahan-pemecahan dari (I - A)x = 0; yakni,
dari 2x
1
2x
2
= 0
2x
1
2x
2
= 0
19

Pemecahan sistem ini adalah (


)

() (


)
Misalkan X
2
= t => 2x
1
2 x
2
= 0
2x
1
- 2(t) = 0
2x
1
= 2t
x
1
= t
Maka ruang eigen tersebut terdiri dari semua vektor yang berbentuk :
*

+ *

+
Karena ruang ini berdimensi 1, maka A tidak mempunyai dua vektor eigen yang
bebas linier, sehingga tidak dapat didiagonalisir.

3.3 Contoh soal Diagonalisasi Ortogonal; Matriks Simetrik
1. Carilah matriks ortogonal P yang mendiagonalisasi A = [



]
Pemecahan : persamaan karakteristik A adalah :
det ( ) [



]= ( )

( )
Jadi, nilai-nilai eigen A adalah dan Menurut metode yang digunakan
pada contoh soal diagonalisasi nomor 2, maka dapat diperlihatkan bahwa

] dan

] membentuk basis untuk ruang eigen yang bersesuaian

dengan
Dengan menerapkan proses Gram-Schmid t terhadap *

+ akan menhasilkan
vektor-vektor eigen ortonormal.
20

] dan

ruang-ruang eigen yang bersesuaian dengan

mempunyai

] sebagai basis. Dengan menerapkan proses Gram-Schmidt

terhadap *

+, maka akan menghasilkan

.
Akhirnya dengan menggunakan

sebagai vektor-vektor kolom maka kita

dapatkan
[

21

BAB III
KESIMPULAN
1. Definisi Vektor Eigen:
Jika A adalah sebuah matriks nxn maka sebuah vektor tak nol x di dalam R
n

dinamakan vektor eigen (eigen vector) dari A jika Ax adalah kelipatan skalar
dari x:
Ax =

2. Definisi persamaan karakteristik:
Persamaan det (I-A) = 0 dengan sebagai variabel disebut persamaan
karakteristik dari matriks A. Akar-akar atau skalar-skalar yang memenuhi
persamaan ini adalah nilai-nilai eigen (nilai-nilai karakteristik) dari matriks A.
Det (I-A) f() yaitu berupa polinom dalam yang dinamakan polinom
karakteristik.
3. Teorema 2.1.1 Jika A adalah sebuah matriks nxn, maka pernyataan-pernyataan
yang berikut ekivalen satu sam lain.
- adalah nilai eigen dari A
- sistem persamaan (I-A) x = 0 mempunyai penyelesaian yang tak trivial
- ada sebuah vektor tak nol x di dalam R
n
sehingga Ax = x
- adalah pemecahan real dari persamaan karateristik det (I-A) = 0
4. Definisi 2.2.1 : Matriks kuadrat A dinamakan dapat didiagonalisasi jika
terdapat matriks P yang dapat dibalik sehingga P
-1
AP diagonal ; matriks P
dikatakan mendiagonalisasi A.
5. Teorema 2.2.1: Jika A adalah matriks n x n, maka pernyataan-pernyataan
berikut ekivalen satu sama lain.
- A dapat didiagonalisasi
- A mempunyai n vektor eigen bebas linear.
- Prosedur untuk mendiagonalkan matriks A yang berukuran n x n dapat
didiagonalisasi
22

6. Prosedur untuk mendiagonalkan matriks A yang berukuran n x n dapat
didiagonalisasi
- Langkah 1 :
carilah n vektor eigen bebas linier A, P
1,
P
2, ....,
P
n

- Langkah 2 :
bentuklah matriks P yang mempunyai P
1,
P
2, ....,
P
n
sebagai vektor-vektor
kolomnya
- Langkah 3 :
Matriks P
-1
AP akan diagonal dengan
1,

2, ....,

n
sebagai entri-entri
diagonalnya yang berurutan, dimana
i
adalah nilai eigen yang
bersesuaian dengan P
i
, i = 1,2,....,n.
7. Definisi 2.3.1. Matriks A kuadrat dinamakan dapat didiagonalisasi secara
ortogonal jika terdapat matriks P yang ortogonal sehingga

)
diagonal; matriks P dikatakan mendiagonalisasi A secara ortogonal.
8. Teorema 2.3.1. Jika A adalah matriks n x n, maka pernyataan berikut ekuivalen
satu sama lain.
a) A dapat didioagonalisasi secara ortogonal
b) A mempunyai himpunan ortonormal dari n vektor eigen
c) A adalah simetrik







23

DAFTAR PUSTAKA
Anton, Howard. 1991. Aljabar Linier Elementer edisi 3.terj:Pantur Silaban, Jakarta:
Erlangga