Anda di halaman 1dari 21

Dosen : Prof. Dr. Suradi Tahmir, M.S.

MK : Problematika Pendidikan Matematika

MENYELESAIKAN SISTEM PERSAMAAN LINIER (SPL) DENGAN


ANALISIS SVD (SINGULAR VALUE DECOMPOSITION)

OLEH :
KELOMPOK 4 (ALJABAR LINIER)
SITTI AISYAH (161050701033)
YULIANA (161050701035)
ADY AKBAR (161050701036)
ANDI NAJMIAH JAMAL (161050701037)
ASMAUN (161050701038)

PRORAM PASCASARJANA
PROGRAM STUDI PENDIDIKAN MATEMATIKA
UNIVERSITAS NEGERI MAKASSAR
2016

MENYELESAIKAN SISTEM PERSAMAAN LINIER (SPL) DENGAN


ANALISIS SVD (SINGULAR VALUE DECOMPOSITION)
A. Latar Belakang
Sebagian besar dari sejarah ilmu pengetahuan alam adalah catatan dari usaha
manusia secara kontinu untuk merumuskan konsep-konsep yang dapat menguraikan
permasalahan dalam dunia nyata ke dalam istilah-istilah matematika. Menyelesaikan
sistem persamaan linier merupakan salah satu permasalahan yang cukup penting
dalam matematika, karena lebih dari 75 persen dari semua masalah matematika yang
dijumpai dalam aplikasi ilmiah maupun industri melibatkan penyelesaian sistem
linier hingga tahap tertentu. Dengan menggunakan metode-metode matematika
modern, sering kali suatu masalah yang rumit dapat direduksi menjadi suatu sistem
persamaan linier.Dalam dunia nyata, sistem linier dapat digunakan untuk
menyelesaikan permasalahan pada beberapa bidang, di antaranya pada bidang
perdagangan, ekonomi, elektronika, fisika, kimia dan lain sebagainya.
Bentuk umum dari Sistem Persamaan Linier (SPL) adalah :
Ax=b

suatu persamaan semacam ini dinamakan persamaan linier dalam variabel (peubah)
x di mana A adalah koefisien persamaan dan b adalah konstanta persamaan. Sistem
persamaan linear mempunyai beberapa bentuk pemecahan atau solusi, yaitu solusi
tunggal, banyak solusi dan tidak ada solusi (tidak konsisten).Metode yang sangat
klasik untuk menyelesaikan SPL adalah dengan Eliminasi-subtitusi, tetapi metode
ini menjadi tidak efektif bila jumlah variabel dan jumlah persamaan dari SPL
tersebut tidak sedikit. Untuk memudahkannya, maka SPL tersebut dinyatakan dalam
bentuk matriks, di mana A merupakan matriks koefisien dan b merupakan matriks
konstanta persamaan. Untuk menyelesaikan SPL tersebut, sehingga didapatkan
solusi yang memenuhi persamaannya, banyak metode yang dapat digunakan.
Metode yang biasa digunakan adalah Eliminasi Gauss, Eliminasi Gauss-Jordan,
aturan Cramer, atau menggunakan invers matriks koefisien, di mana solusinya
diberikan oleh:

x= A1 b
Namun bila matriks yang terbentuk bukanlah matriks persegi, maka aturan
Cramer dan metode invers matriks koefisien tidak dapat digunakan.Hal ini di
karenakan determinan dari matriks koefisien tidak dapat dicari, sehingga inversnyapun tidak dapat ditentukan.Selain itu, tidak semua matriks persegi mempunyai
invers. Kelemahan lain dari keempat metode di atas adalah apabila SPL tersebut
tidak mempunyai pemecahan (tidak konsisten), maka solusi dari SPL tersebut tidak
dapat ditentukan.
Untuk mengatasi kekurangan dari metode-metode di atas, ada suatu metode
yang juga dapat digunakan untuk menyelesaikan SPL.Metode tersebut adalah
dengan analisis Dekomposisi Nilai Singular atau Singular Value Decomposition
(SVD).Dengan menggunakan analisis SVD, solusi dari persamaan selalu dapat
dicari meskipun matriks koefisien yang terbentuk bukanlah matriks persegi maupun
matriks yang tidak mempunyai invers. Kelebihan lain dari metode ini adalah solusi
dari SPL tetap dapat dicari meskipun SPL tersebut tidak mempunyai pemecahan,
dalam hal ini solusi yang diperoleh adalah solusi pendekatan terbaik.
B. Rumusan Masalah
Berdasarkan latar belakang di atas, maka permasalahan yang akan dibahas
dalam makalah ini adalah bagaimana menyelesaikan Sistem Persamaan Linier
dengan Menggunakan Analisis SVD (Singular Value Decomposition).
C. Kajian Pustaka dan Penyelesaian Masalah
1. Sistem Persamaan Linier (SPL) dan
Decomposition (SVD)
a. Sistem Persamaan Linier (SPL)
Sebuah garis dalam bidang

xy

Metode

Singular

Value

secara alajabar dapat dinyatakan

oleh persamaan yang berbentuk


a1 x+ a2 y =b
Persamaan semacam ini kita namakan persamaan linier dalam peubah
(variable)

dan peubah

y . Secara lebih umum, kita

mendefinisikan persamaan linier dalam

peubah

x1 , x2 , , xn

sebagai persamaan yang dapat dinyatakan dalam bentuk


a1 x1 + a2 x 2 ++a n x n=b
a1 , a2 , , an

dimana

dan b adalah konstanta-konstanta riil.

Sistem persamaan linear adalah sekumpulan persamaan linear yang


m

terdiri dari
x1 , x2 , , xn

L1 , L2 , , Lm

persamaan

n variable

, dengan

, yang dapat disusun dalam bentuk standar

a11 x 1+ a12 x 2 ++ a1 n x n=b 1


a21 x 1 +a 22 x2 + + a2 n xn =b2

am 1 x 1+ am 2 x 2 ++ amn x n=bm
yang mana

aij

bi

dan

koefisien dari variable

xj

adalah konstanta. Dimana


Lt

pada persamaan
Lt

adalah konstanta dari persamaan

aij

adalah

, dan bilangan

bt

Sistem persamaan linier pada persamaan diatas yang terdiri dari


m

persamaan linier dengan

variable ekuivalen dengan

persamaan matriks
a11 a12 a1 n x 1
b1
a 21 a22 a2 n x 2 = b2

am 1 a m 2 amn x n
bn

atau

][ ] [ ]

AX =B , yang mana

X =[ x j ]

A=[aij ]

adalah matriks koefisien,

adalah vector kolom dari variable-variabel, dan

B=[b i ]

adalah vector kolom dari konstanta.


Untuk menyelesaikan SPL tersebut, sehingga didapatkan solusi
yang

memenuhi

persamaannya,

banyak

metode

yang

dapat

digunakan.Metode yang biasa digunakan adalah Eliminasi Gauss,

Eliminasi Gauss-Jordan, aturan Cramer atau menggunakan invers


matriks koefisien.
1) Eliminasi Gauss
Eliminasi Gauss adalah suatu cara mengoperasikan nilai-nilai di
dalam matriks dimana mereduksi matriks yang diperbesar menjadi
bentuk yang lebih sederhana. Caranya dengan mengubah system
persamaan linier tersebut kedalam matriks teraugmentasi dan
mengoperasikannya.Setelah menjadi matriks Eselon-baris, lakukan
substitusi balik untuk mendapatkan nilai dari variable-variabel
tersebut.
2) Eliminasi Gauss-Jordan
Eliminasi Gauss-Jordan adalah pengembangan dari eliminasi Gauss
yang

hasilnya

meneruskan

lebih

operasi

sederhana
baris

dari

lagi.Caranya
eliminasi

adalah
Gauss

dengan
sehingga

menghasilkan matriks yang Eselon-baris tereduksi.Ini juga dapat


digunakan sebagai salah satu metode penyelesaian persamaan linear
dengan menggunakan matriks.
3) Aturan Cramer
Metode Crammer didasarkan atas perhitungan determinan matriks.
Suatu SPL yang berbentuk

A x=b

dengan A adalah matriks bujur

sangkar dapat dikerjakan dengan metode Crammer jika hasil


perhitugan menunjukkan bahwa

det ( A ) 0 , maka system tersebut

mempunyai pemecahan yang unik. Pemecahan ini adalah


det ( A 1)
det ( A 2)
det ( A n)
x 1=
, x 2=
, , x n=
det ( A)
det ( A )
det ( A )
Dimana

Aj

adalah matriks yang kita dapatkan dengan

menggantikan entri-entri dalam kolom ke


entri-entri dalam matriks

dari

dengan

[]

b1
B= b2

bn

4) Invers matriks koefisien


Jika suatu SPL berbentuk
yang dapat dibalik atau

Ax=b

dan

matriks bujur sangkar

det ( A) 0 , dengan menggunakan invers

matriks maka system tersebut mempunyai persis satu pemecahan,


yakni

x= A b dimana

adalah invers matriks.

Beberapa bentuk pemecahan atau solusi dari sistem persamaan


linear adalah sebagai berikut:
1) Solusi tunggal
Dikatakan memiliki solusi tunggal apabila terdapat satu titik potong
dari sistem persamaan linear.
2) Banyak solusi
Dikatakan memiliki banyak solusi apabila terdapat banyak titik
potong dari sistem persamaan linear atau berupa garis-garis lurus
yang saling berhimpit.
3) Tidak ada solusi (tidak konsisten)
Dikatakan tidak ada solusi apabila tidak ada titik potong dari sistem
persamaan linear.
Koefisien pada sistem persamaan linear ada yang berbentuk
bilangan riil dan ada yang berbentuk bilangan kompleks. Sistem
persamaan linear kompleks merupakan sistem persamaan linear dengan
koefisien bilangan kompleks. Bilangan kompleks adalah bilangan yang
terdiri dari bilangan riil dan bilangan imajiner. Menurut Nicholson (2001)
sistem persamaan linear kompleks dapat juga diselesaikan dengan
menggunakan Operasi Baris Elementer.
b. Metode Singular Value Decomposition (SVD)
Singular Value Decomposition atau Dekomposisi Nilai Singular
yang selanjutnya ditulis dengan SVD adalah suatu teknik yang
digunakan secara luas untuk mendekomposisikan suatu matriks kedalam
beberapa komponen matriks yang berkaitan erat dengan nilai singular

dari matriksnya. Proses dekomposisi ini sering juga disebut dengan


Faktorisasi.
Dalam SVD, suatu matriks difaktorkan menjadi tiga buah matriks,
dimana salah satu dari matriks tersebut entrinya merupakan nilai singular
dari matriksnya. Berikut ini akan diberikan definisi dari nilai singular.
Definisi 1. Diberikan matriks dengan elemen-elemennya anggota
himpunan

kompleks

r min ( m , n ) ,

nilai

1 2 r > r +1=
H

A A

A C mxn dengan
eigen
=

dari

rank ( A )=r ,
AH A

matriks

dimana
adalah

= 0 akar nilai eigen positif dari

disebut dengan nilai singular

( )

dari matriks A dan

dinyatakan dengan
i= i , dimana i=1,2, , n

(1)

Catatan
Untuk matriks A dengan elemen-elemennya anggota himpunan bilangan
rill

A Rmxn

maka nilai eigen yang digunakan berasal dari matriks

ATA, tetapi pada pembahasan selanjutnya akan digunakan matriks dengan


anggota-anggota kompleks mengingat himpunan bilangan rill adalah
elemen dari himpunan bilangan kompleks

R C .

Definisi 2(Anton, 2000:335)


Jika A adalah suatu matriks dengan anggota-anggota kompleks, maka
transpose konjugat dari A, yang dinyatakan dengan A H, didefinisikan
oleh
AH=

A T

Dimana

adalah matriks yang anggota-anggotanya adalah

konjugat kompleks dari anggota-anggota yang berpadanan pada A dan


T
A

adalah transpose dari

A .

Suatu matriks A yang berukuran

m n dan

m n

(asumsi ini

hanya dibuat untuk memudahkan, semua hasil juga akan berlaku jika
m<n ) dengan

rank ( A)=r

dan

r min (m, n) ,dapat difaktorkan

kedalam bentuk :
A=US V

yang disebut dengan SVD dari matriks

(2)
A , dimana:

U=[u1 u2 um ] adalah matriks uniter berukuran m m


V =[v 1 v 2 v n ] adalah matriks uniter berukuran n n
S=

[ ]
0
0 0

adalah matriks yang berukuran

m n , dimana

adalah matriks diagonal yang berukuran r r


Definisi 3(Ayres, 1989:113)
Matriks bujur sangkar disebut uniter jika AH A = AAH = I, yaitu jika
AH = A-1.
Teorema. Diberikan matriks A berukuran m n yang mempunyai
rank r dan nilai singularnya adalah

1 2 r

. Jika terdapat

matriks U, S, dan V maka matriks A dapat difaktorkan kedalam bentuk :


A=US V H
Dimana

dan

adalah matriks uniter,

S=

[ ]
0
0 0

, dengan

adalah matriks diagonal yang entrinya adalah nilai singular dari

matriks A.
Berikut ini akan diberikan penjelasan tentang matriks U, S, dan V.
1) Matriks S

Matriks S disebut matriks nilai singular dari A karena entri diagonal


dari matriks S diisi dengan nilai singular dari A sedangkan entri selain
m n

diagonalnya adalah nol. Matriks S berukuran

dan

mempunyai bentuk :

S=

[ ]
0
0 0

, dengan

1 0 0
0
0 2 0
0
=

0 0 r 1 0
0 0 0 r

2) Matriks V
Misalkan

V =[ v 1 v 2 v r v r +1 v n ] . V adalah matriks

uniter berukuran

n n . Karena V adalah matriks uniter, maka

vektor-vektor kolom dari V membentuk himpunan ortonormal.


Vektor-vektor kolom dari matriks V adalah vektor-vektor eigen dari
matriks

A H A . Agar vektor-vektor kolom matriks V membentuk


AH A

himpunan ortonormal, maka vector-vektor eigen dari


tersebut dinormalisasikan, yaitu:
1
v i=
x
x i i

x i adalah vector eigen yang bersesuaian dengan nilai eigen


Untuk setiap
untuk

r +1 i n ,

vi

akan membentuk basis ortonormal

N ( A) . Sedangkan untuk setiap

membentuk basis ortonormal untuk

1 i r ,

R( A H )

vi

akan

dan himpunan

{ v1 , v 2 , , v n } membentuk basis ortonormal untuk Cn .


Definisi 4(Sutojo, T, 2010)

i .

Jika A adalah matriks n n , maka vektor tak nol x di dalam R n


dinamakan vektor eigen dari A jika Ax adalah kelipatan skalar dari
x, yaitu: Ax = x , untuk suatu skalar . Skalar disebut nilai eigen
dari A dan x dikatakan vektor eigen yang bersesuaian dengan .
Defenisi 5 Ortogonal dan Ortonormal
Misalkan V adalah sebuah RHKD (Ruang Hasil Kali Dalam).
Himpunan vektor S dikatakan himpunan ortogonal apabila setiap
sepasang vektor berbeda di S saling ortogonal, yaitu

u , v =0, u , v S dengan u v
Selanjutnya himpunan ortogonal S juga dikatakan sebagai
himpunan ortonormal apabila setiap vektor di S memiliki norm 1,
yaitu

u , v =0, u , v S dengan u v dan


u= u , v =1, u S
3) Matriks U
Misalkan

U=[u1 u2 ur ur +1 um ] .

matriks uniter berukuran

m m . Basis ortonormal dari

adalah
R( A)

didefinisikan oleh
1
ui= A v i
i
untuk setiap

ui

dengan

1 i r , akan berada di dalam ruang

kolom dari R(A). Sedangkan untuk setiap


akan membentuk basis ortonormal untuk

ui

dengan r +1 i m

N ( AH)

dan himpunan

{u1 ,u 2 , , um } membentuk basis ortonormal untuk Cm .


Selanjutnya akan diperlihatkan bahwa

A=US V H ,

AV = A(v 1 v r v r +1 v n )
H

U AV =U A ( v 1 v r v r +1 v n )
U H ( A v1 A vr

Av r +1 A v n )

U H ( 1 u 1 r ur 0 0)
( 1 U u 1 r U ur 0 0 )
H

( 1 e1 r er 0 0 )
U H AV =S
AV =US
atau dengan kata lain

A=US V H

Contoh 1

[ ]

i i
A= 0 1
1 0

Diketahui matriks

, akan dicari SVD dari matriks A.

Penyelesaian:
H
i 0 1
H
2 1
A =
,
A A=
i 1 0 maka
1 2

Matriks

[ ]

berukuran

adalah

1=3

dengan

nilai-nilai

x 2=[ 1 1 ]

dan

2=1

eigen

, vector-vektor eigen yang bersesuaian


tersebut

adalah

Menyusun matriks S
Nilai singular dari matriks
1= 1 = 3
2= 2= 1=1

AH A

3 2 , nilai eigen dari matriks

adalah

x 1=[ 1 1 ]

dan

Matriks

yang terbentuk adalah

= 3 0
0 1

, maka

[ ]
3 0

S= 0
0

1
0

Menyusun matriks V
v i=

1
x
x i i

[] []
[ ]

1
2
Maka v 1= 1
2

1
2
dan v 2= 1
2

1
2
Sehingga V = 1
2

1
2
1
2

Menyusun matriks U
ui=

1
A vi
i

[]
[ ]

i 6
3
u = 6
Maka 1
6
6
6

[]

0
2
u
=
2
dan 2
2
2

i 6
3
U= 6
Sehingga
6
6
6

2
2
2

matriks tersebut mempunyai ukuran 3x2, padahal seharusnya


berukuran 3x3. Agar berukuran 3x3, maka matriks U harus

ditambahkan satu kolom lagi, di mana kolom tersebut saling


ortonormal dengan vector kolom lainnya. Misalnya diambil

[] [ ]

i
3
1
u3=
3
1
3

i 6
3
6
, sehingga U= 6
6
6

i
3
1
3
1
3

2
2
2

A , yaitu :

Akhirnya didapatkan SVD dari matriks


A=US V H

[ ]

i 6
3
6
A=
6
6
6

2
2
2

i
3
1
3
1
3

[ ][

1
2

1
2

][

3 0 2 2 i i
=0 1
0 1
0

1 0

2. Menyelesaikan Sistem Persamaan Linier (SPL) dengan Metode Singular


Value Decomposition (SVD)
Pada bagian ini, akan dijelaskan bagaimana analisis SVD dapat
digunakan untuk menyelesaikan suatu SPL. Seperti yang telah diketahui, suatu
SPL mempunyai bentuk umum

Dimana

Adapun

langkah-langkah

Ax=b

(3)

merupakan matriks koefisien yang akan dicari bentuk SVD-nya.


yang

dilakukan

untuk

menyelesaikan

SPL

menggunakan analisis SVD.


Sebelum memasuki langkah-langkahnya terlebih dahulu diberikan
defenisi basis ortonormal dari empat subruang pokok dari matriks
basis

R ( A ) , R ( A H ) , N ( A ) , dan

yaitu

N ( AH) .

Defenisi 6. Jika A adalah sebuah matriks mxn, maka subruang R n yang


direntang oleh vektor baris A disebut ruang baris A atau R(AT), dan subruang

Rm yang direntang oleh vektor kolom A disebut ruang kolom A atau R(A). Ruang
solusi dari sistem persamaan linear homogen Ax=0 yang merupakan subruang
Rn, disebut ruang nol A atau N(A).
Langkah 1
Dengan menggunakan analisis SVD dari matriks
didapatkan vector

{ v1 , v 2 , , v r }

dan vector

vector

{ vr +1 , v r +2 , , v n }

R( A H )

masing-masing merupakan basis ortonormal dari

A :Cn C m , akan

dan

yang

N ( A) , serta

{ u1 ,u 2 , , ur } dan vector { ur +1 ,u r+2 , ,u m } yang masing-masing

merupakan basis ortonormal dari

R( A) dan

N ( AH) .

Langkah 2
Suatu SPL akan konsisten jika dan hanya jika b berada dalam R(A).
Untuk mengetahui bahwa b berada dalam R(A), maka akan diuji apakah b sama
dengan proyeksi b pada R(A), dimana R(A) direntang oleh vector

{ u1 ,u 2 , , ur } . Proyeksi b pada R(A) diberikan olehpersamaan di bawah ini :


r

proyR ( A ) b= b , uk uk (4 )
k=1

Berdasarkan pengujian di atas akan diperoleh dua kasus, yaitu :


a. Kasus A
b R( A) . Pada kasus ini, system mempunyai paling sedikit

Untuk

satu solusi.Karena

b R( A) , maka

menurut persamaan (4) diperoleh persamaan :


r

b= b , uk u k
k=1

Karena

uk =

1
A vk
, maka
k

b=proy R ( A ) b

sehingga

b= b , uk
k=1

A vk
k

operasi matriks bersifat linier, maka persamaan di atas dapat ditulis


menjadi
r

b=A b ,u k
k=1

vk
(5)
k

Dengan membandingkan persamaan (5) dengan persamaan (3),


didapatkan
r
b ,u k
x=
v k (6)
k
k=1
yang merupakan solusi dari SPL pada persamaan (3). Tetapi, nilai solusi
dari sistem linier bergantung pada ruang nol dari matriks A yaitu N(A).
Sehingga ada dua subkasus, yaitu :
1) Jika

N ( A)={0 } , maka sistem linier mempunyai satu solusi

(solusi tunggal) di mana solusinya diberikan oleh persamaan (6).


Untuk membuktikan ketunggalan dari solusinya, akan dibuktikan
dengan menggunakan kontradiksi.
Misalkan terdapat solusi lain dari persamaan (3) yaitu
Ax=b dan

A x =b kedua-duanya bernilai benar. Dengan

mengurangkan

keduanya,

akan

A (x x )= Ax A x =b b=0 Karena
berlaku

x , maka

A 0=0 . Hal ini berarti

didapatkan

N ( A)={0 } ,

x x =0 atau

x=x

maka
, dengan

kata lain solusinya adalah tunggal.


2) Jika N ( A) {0 } , maka sistem linier mempunyai tak terhingga
banyaknya solusi dan solusinya diberikan oleh :
r
r
b , uk
x inf =
v k + k v k (7)
k
k=1
k=1
yang diperoleh dari :

Setiap solusi umum dari SPL dapat dinyatakan dengan


x N N (A ) . Pada subkasus 1),

dimana

N ( A) {0 } , maka

x N N ( A ) sedemikian sehingga

solusi umum untuk kasus ini adalah

N ( A)={0 } sehingga

X =x . Namun karena pada kasus ini

terdapat titik

X =x+ x N

A x N =0

X =x+ x N

. Jadi,

, atau disini

dinotasikan dengan
x inf =x+ x N ( 8 )
Dengan demikian, untuk setiap titik-titiknya berlaku
A ( x inf ) =A ( x+ x N ) =Ax + A x N =b+0=b
xN

Setiap titik-titik

dapat dinyatakan sebagai kombinasi linier dari

{ vr +1 , v r +2 , , v n }

vector basis. Karena


xN

N ( A) , maka

merupakan basis untuk

dapat dinyatakan dengan

x N = k v k (9)
k=1

Sebelumnya telah diketahui bahwa


r

b ,u k

x=

k=1

Sehingga
r

x inf =

k=1

b. Kasus B

vk

x inf =x+ x N

b , uk
k

dapat dinyatakan dengan

v k + k v k , untuk suatu k C
k=1

Untuk

b R( A) . Pada kasus ini system tidak mempunyai solusi,

sehingga hanya bisa dihitung pendekatan terbaik dari solusinya. Dalam


hal ini, solusi pendekatan terbaik tersebut adalah vekor

xr

sehingga

A xr =b r
br

Dimana

br

R( A) , dan

di dalam

adalah vektor yang terdekat

dengan b. Solusi pendekatan terbaik pada kasus ini diberikan juga oleh
persamaan (6), yaitu
r
b , uk
x r=
v k (10)
k
k =1
x r disebut sebagai solusi pendekatan terbaik, artinya jika
maka

br

adalah vector di

Sehingga vector
R( A)

ui

(bbr )

R( A)

yang terdekat dengan

ui

1 i r ,

R( A)

(
(
r

b A

k=1

(
(

k=1
r

b
k=1
r

))

b , uk
v k ,u i
k

b ,u k
k

b ,u k
k

)
)
)

A v k , ui

k uk ,ui

b b , uk u k , ui
k=1

yaitu vector-vektor

adalah vector yang ortonormal, maka

berlaku :
( bbr ) ,u i = ( b A x r ) , ui

b .

akan tegak lurus dengan setiap vector di

termasuk vector yang merentang

dengan

A xr =b r ,

b ,u i b , uk uk , ui
k=1

b ,u i b ,u i =0
Hal ini menunjukkan bahwa
setiap vector di

R( A)

(bA xr )

adalah tegak lurus dengan

dan persamaan (10) merupakan solusi

pendekatan terbaik.
Contoh 2
Diketahui suatu SPL

x 1+ x 2=3
2 x1 +3 x 2=1
2 x1x 2=2

SPL tersebut akan dicari solusinya.


Penyelesaian:
Dari SPL tersebut, dapat disusun menjadi

Ax=b , yaitu:

[ ][ ] [ ]
1
1
3
x1
=1
2 3
x2
2 1
2

Matriks U , S , dan V

[
[

yang terbentuk adalah

0,0243 0,8243 0,5657


U= 0,8657 0,2657 0,4243
0,5
0,5
0,7071
S=

4,1317
0
0
1,7114
0
0

V = 0,6552 0,7555
0,7555 0,6552

Dari matriks-matriks diatas, dapat ditentukan basis-basis ortonormal


untuk

H
R ( A ) , R ( A H ) , N ( A ) , dan N ( A ) , yaitu:

Basis dari

Basis dari

{( ) ( )}

0,0243 0,8243
R ( A ) : {u1 , u2 } = 0,8657 , 0,2657
0,5
0,5

{(

)(

H
R ( A ) : { v 1 , v 2 }= 0,6552 , 0,7555
0,7555
0,6552

)}

Basis dari
Basis dari

N ( A ) : {v 3 }={}
H
N ( A ) : { u 3 }=

{( )}
0,5657
0,4243
0,7071

Sekarang akan ditentukan apakah


pada

sama dengan proyeksi

R( A)
2

proyR ( A ) b= b , uk uk
k=1

b ,u 1 u1 + b , u2 u2

[ ][ ]
[ ]

0,0015 3,08159
0,0533 + 0,9933
0,0308
1,8692
3,08
0,94
1,9

Berdasarkan perhitungan tersebut diperoleh


proyR ( A ) b b

Karena

berarti

proyR ( A ) b b=(3,1,2)

b R( A) .

Hal

tersebut

menandakan SPL ini tidak mempunyai solusi. Akan tetapi solusi


pendekatan terbaiknya dapat dicari, yaitu :
2
b ,u k
b , u1 b ,u 2
x=
vk =
v +
v2
k
1 1
2
k=1

[ ][
[ ]

0,0098 + 1,6502
0,0112 1,4312

1,66
1,42

Jadi, solusi pendekatan terbaik dari SPL ini adalah


x 2=1,42

D. Kesimpulan dan Saran


1. Kesimpulan

x 1=1,66

dan

a. Metode Singular Value Decomposition (SVD) digunakan untuk


menyelesaikan sistem persamaan linear rill dan kompleks. Dengan
menggunakan langkah-langkah analisis SVD dalam penyelesaian sistem
persamaan linear rill dan kompleks yang tidak konsisten, diperoleh solusi
pendekatan terbaik.
b. Suatu SPL Ax=b
pada

R( A)

akan konsisten jika dan hanya jika proyeksi

sama dengan

b . Analisis SVD digunakan untuk

mencari basis ortonormal dari empat subruang pokok dari matriks


yaitu basis

R ( A ) , R ( A H ) , N ( A ) , dan

N ( A ) . Basis-basis tersebut

selanjutnya digunakan untuk mencari solusi SPL konsisten dan mencari


solusi pendekatan terbaik dari SPL yang tidak konsisten
.
2. Saran
Untuk menyelesaikan Sistem Persamaan Linear Rill dan Kompleks,
metode SVD (Singular Value Decomposition) efektif digunakan untuk SPL
yang tidak mempunyai solusi atau tidak konsisten dimana hasil yang
diperoleh adalah solusi pendekatan terbaik.
Daftar Pustaka
Ahmad, Irdam Haidir, dan Lucia Ratnasari. 2010. Menyelesaikan Sistem
Persamaan Linear Menggunakan Analisis SVD.FMIPA UNDIP (Undip EJournal System Portal), Vol. 13;40-45.
Akritas, A. G., G. I. Malaschonok,dan P. S. Vigklas. 2006.The SVDFundamentalTheorem of LinearAlgebra. Nonlinear Analysis: Modelling
and Control, Vol.11, No.2, 123-136.
Anton, Howard. 2000.Elementary Linear Algebra, Eighth Edition. John Wiley,
New York.
Aryani, Fitri, dan Dewi Yulianti. 2012. Aplikasi Metode Singular Value
Decomposition (SVD) Pada System Persamaan Linier Kompleks.UIN
SUSKA Riau (Jurnal Sains, Teknologi dan Industri), Vol.10.No.1.
Kalman, Dan. 1996. A Singularly Valuable Decomposition : The SVD of a
Matrix. The College Mathematics Journal, Vol. 27 No. 1 January.

Leon, Steven J. 2001. Aljabar Linear dan Aplikasinya, Edisi Kelima. Erlangga,
Jakarta.
Nicholson, W. Keith. 2001. Elementary Linear Algebra, First Edition. McGrawHill, Singapore.
Marni, Sabrina Indah. 2013. Penyelesaian sistem persamaan linear Fuzzy
menggunakan metode Dekomposisi nilai singular (SVD). Tugas Akhir:
Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
Kasim Riau
Tasari. 2013. Sifat - sifat matriks uniter, matriks normal, dan Matriks hermitian.
Klaten: Pendidikan Matematika UNWIDHA
Anton H., 2000. Dasardasar Aljabar Linier. Batam: Interaksa.
Ayres F., 1982. Theory and Problems of Matriks. Singapura: Mc GrawHill.
Sutojo, T. dkk. Teori dan Aplikasi Aljabar Linear dan Matriks. Andi,
Yogyakarta. 2010.