Anda di halaman 1dari 244

Aljabar Linear Suatu Gerbang Untuk Memahami

Matematika dan Aplikasinya

Version 1.0

12 Pebruari 2016

Subiono

an Matem
us
r

ati
* Ju

ka

M
Matematika
F MI

ya *

A
ba
P

- IT a
S, S u r

Subiono Email: subiono2008@matematika.its.ac.id

Alamat: Jurusan Matematika


Institut Teknologi Sepuluh Nopember
Sukolilo Surabaya
Indonesia
2

Copyright

c 2016 The Author.

an Matem
us
r

ati
* Ju

ka
M
Matematika
F MI

ya *
A

ba
P

- IT a
S, S u r
Kata Pengantar

Alhamdulillahirabbilalamin, segala puji hanyalah milikmu ya Allah yang telah meberikan "kebe-
basan bertanggung jawab" kepada manusia untuk suatu kebaikan dalam melaksanakan amanat-
nya di hamparan bumi yang dihuni manusia. Sholawat dan Salam kepadamu ya Nabi Muhammad
beserta para keluarganya dan para pengikutnya sampai nanti di hari akhir.

Buku ini disusun dengan maksud untuk digunakan sebagi buku rujukan mata kuliah Al-
jabar Linear Elementer dan Aljabar Linear pada Jurusan Matematika, Institut Teknologi Sepuluh
Nopember, Surabaya. Materi disusun untuk kebutuhan struktur dalam Kurikulum tahun 2009-
2014 guna menunjang matakuliah yang ada pada semester yang lebih tinggi. Selain dari pada itu
materi dari buku ini disusun supaya pengguna yang lainnya bisa memanfaatkan buku ini sesuai
dengan yang dibutuhkannya.

Dalam buku ini diberikan beberapa konsep pengertian dari materi yang disajikan setelah itu
diikuti dengan beberapa contoh untuk mempermudah pemahaman, selain itu juga diberikan be-
berapa contoh aplikasi yang mungkin dan beberapa soal sebagai latihan.

Penulis pada kesempatan ini menyampaikan keaktifan pembaca dalam mengkaji buku ini
untuk menyampaikan kritik dan saran guna perbaikan buku ini, sehingga pada versi yang men-
datang "mutu buku" yang baik bisa dicapai. Kritik dan saran ini sangat penting karena selain
alasan yang telah disebutkan tadi, penulis percaya bahwa dalam sajian buku ini masih kurang dari
sempurnah bahkan mungkin ada suatu kesalahan dalam sajian buku ini baik dalam bentuk redak-
sional, pengetikan dan materi yang menyebabkan menjadi suatu bacaan kurang begitu bagus.
Kritik dan saran bisa disampaikan ke alamat email : subiono2008@matematika.its.ac.id

Buku ini dapat diperoleh secara gratis oleh siapapun tanpa harus membayar kepada penulis.
Hal ini berdasarkan pemikiran penulis untuk kebebasan seseorang mendapatkan suatu bacaan
yang tersedia secara bebas dengan maksud "kemanfaatan" dan "kejujuran". Yang dimaksud den-
gan kemanfaatan adalah bergunanya bacaan ini untuk kemudahan pembaca memperoleh infor-
masi penting yang diperlukannya dan untuk pembelajaran. Sedangkan kejujuran adalah ikatan

i
ii

moral dari pembaca untuk tidak memdistribusi buku in dengan tujuaan yang tidak bermanfaat.

Penulis menulis buku ini berdasarkan pemikiran "kebebasan menulis" (tidak harus menggu-
nakan media cetak penerbit) dengan asas "kemanfaatan" menggunakan media yang tersaji masa
kini. Beberapa alat bantu untuk penulisan buku ini juga didapat secara gratis, yaitu perangkat lu-
nak LATEX dan WinEdt sebagai salah satu media LATEX editor. Beberapa gambar yang ada dalam
buku ini menggunakan perangkat lunak LaTexDraw yang juga didapat secara gratis. Begitu juga
beberapa bahan rujukan didapat secara gratis lewat internet. Selain itu untuk menyelesaikan be-
berapa contoh yang dibahas digunakan alat bantu perangkat lunak SAGE versi 6.9, perangkat
lunak ini juga didapat dari internet secara gratis.

Akhirnya, dengan segala kerendahan hati penulis memohon kepada Allah semoga penulisan
ini bisa berlanjut untuk versi mendatang yang tentunya lebih "baik" dari Versi 1 yang tersedia
saat ini dan semoga benar-benar buku yang tersaji ini bermanfaat bagi pembaca.

Surabaya, 12 Pebruari 2016


M
usan atem
r
ati
* Ju

ka

M
Matematika
F MI

b
ya *

A
ba
P

- IT a
S, S u r
Penulis
Daftar Isi

Kata Pengantar i

1 Pengenalan Vektor 1
1.1 Vektor dan Kombinasi Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Hasil kali titik dan Panjang vektor . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Sistem Persamaan Linear 17


2.1 Sistem Persamaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Menyelesaikan Sistem Persamaan . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Menyelesaikan Sistem Persamaan Linier dengan Sage NoteBook . . . . . . . . . 38
2.4 Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.5 Aritmatika dan Operasi Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.5.1 Penambahan, Pengurangan Matriks dan Perkalian Matriks . . . . . . . . 48
2.6 Matriks-matriks Khusus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.7 Sifat-sifat Aritmatika Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.8 Matriks Invers dan Matriks Elementer . . . . . . . . . . . . . . . . . . . . . . . 65
2.9 Mendapatkan Matriks Invers . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.10 Dekomposisi LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.11 Peninjauan Ulang Sistem Persamaan . . . . . . . . . . . . . . . . . . . . . . . . 77

3 Determinan 79
3.1 Fungsi Determinan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.2 Sifat-sifat Determinan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.3 Metode Kofaktor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.4 Reduksi Baris Untuk Menghitung Determinan . . . . . . . . . . . . . . . . . . . 79

iii
iv

3.5 Aturan Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

4 Ruang-n Euclide 81
4.1 Vektor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2 Perkalian Titik dan Perkalian Silang . . . . . . . . . . . . . . . . . . . . . . . . 81
4.3 Ruang-n Euclide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.4 Transformasi Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.5 Contoh-contoh Transformasi Linear . . . . . . . . . . . . . . . . . . . . . . . . 81

5 Ruang Vektor 83
5.1 Lapangan(Field) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.2 Ruang Vektor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3 Ruang Bagian (Subspace) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4 Pembentang (Span) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.5 Bebas Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.6 Basis dan Dimensi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.7 Perubahan Basis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.8 Ruang Bagian Fundamental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.9 Ruang Hasil Kali Dalam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.10 Basis Orthonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.11 Kuadrat Terkecil (Least Square) . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.12 Dekomposisi QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.13 Matriks Orthogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.14 General Invers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122

6 Nilai-Karakteristik dan Vektor-Karakteristik 123


6.1 Sekilas Mengenai Determinan . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
6.2 Nilai-Karakteristik dan Vektor-Karakteristik . . . . . . . . . . . . . . . . . . . . 123
6.3 Eksistensi Nilai-Karakteristik dan Vektor-Karakteristik . . . . . . . . . . . . . . 123
6.4 Sifat-sifat Nilai-Karakteristik dan Vektor-Karakteristik . . . . . . . . . . . . . . 123
6.5 Kesimilaran dan Pendiagonalan . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

7 Transformasi Linear 125


7.1 Ruang Null dan Range . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
7.2 Isomorpisma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
7.3 Matriks Representasi dari suatu Pemetaan Linier . . . . . . . . . . . . . . . . . 156
7.4 Similaritas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika v

7.5 BENTUK NORMAL DIAGONAL SATUAN . . . . . . . . . . . . . . . . . . . 171


7.6 Vektor-Karakteristik dan Ruang-Karakteristik Tergenaralisir . . . . . . . . . . . 174
7.7 Pendiagonalan Matriks Persegi . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
7.8 Orthogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
7.9 PROSES ORTHOGONAL GRAM-SCHMIDT . . . . . . . . . . . . . . . . . . 196
7.10 Dekomposisi Spektral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
7.11 Faktorisasi QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
7.12 DEKOMPOSISI NILAI SINGULAR . . . . . . . . . . . . . . . . . . . . . . . 221
7.13 Bentuk Kanonik Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235

Daftar Pustaka 237


Bab 1
Pengenalan Vektor

Dalam bab ini dikenalkan pengertian vektor, khususnya vektor pada bidang R2 dan pada ruang
R3 . Beberapa pengertian dan hasil-hasil pembahasan nantinya digunakan dalam bab berikut-
nya khususnya untuk menyelesaikan sistem persamaan linear. Beberapa contoh yang dibahas

Gambar 1.1: Tampilan Sage Notebook Ver. 6.9

juga dihitung menggunakan perangkat lunak Sage Notebook Version 6.9. Perangkat lunak ini
setara dengan perangkat lunak Matlab, Maple dan Mathematica. Sage Notebook selain mampu
melakukan komputasi secara numerik juga mampu melakukan komputasi secara simbolik. Gam-
bar 1.1 adalah tampilan perangkat lunak Sage Notebook Version 6.9.

1.1 Vektor dan Kombinasi Linear

1
2

Dalam bagian ini dibahas pengertian suatu kombinasi linier dari vektor-vektor di bidang R2
dan R3 . Pengertian ini bisa diperluas untuk vektor di Rn . Himpunan semua vektor di Rn dina-
makan ruang vektor Rn atas himpunan semua bilangan riil R dan dinamakan ruang-n Euclide
yang akan dibahas di Bab 4. Mengenai pengertian ruang vektor secara umum atas suatu la-
pangan (himpunan skalar) akan dibahas dalam Bab 5. Ruang vektor Rn sangat penting, sebab
dalam pembahasan di Bab 5 ditunjukkan bahwa sebarang ruang vektor V atas suatu lapangan F
berdimensi n isomorpik dengan Rn .
Vektor pada bidang atau ruang dimensi dua R2 disajikan sebagai vektor kolom yang terdiri
dari dua komponen, ditulis sebagai:
   
v1 w1
v= ,w
w=
v2 w2 .
Dalam hal ini komponen vektor v dan w masing-masing adalah bilangan riil v1 , v2 dan w1 , w2 .
Dua vektor v dan w ini pada R2 digambar sebagai garis berarah dari pangkal pusat koordinat
bidang ke ujung vektor dengan koordinat komponen vektor. Dengan demikian panjang suatu
vektor adalah panjang garis dari pangkal ke ujung vektor dan dua vektor sama bila dua vektor
ini mempunyai arah dan panjang yang sama. Adakalanya vektor v disajikan sebagai v = (v1 , v2 ).
Secara rinci nanti vektor dibahas lagi dalam bab selanjutnya yaitu berkaitan dengan pembahasan

w = (w1 , w2 )

u = (u1 , u2 )

Gambar 1.2: Vektor di R2 .

Ruang-n Euclide. Dua vektor di Rn


   
u v
u= 1 dan v = 1
u2 v2
adalah sama bila dan hanya bila semua komponen yang bersesuian sama, yaitu ui = vi , i = 1, 2.
Hal ini berlaku juga untuk dua vektor u ,vv Rn , yaitu u = v bila dan hanya bila ui = vi , i =
1, 2, . . ., n. Contoh diberikan dua vektor di R3 :

x1 4
u = 1 + y dan v = 5 .
3 z2
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 3

Bila u = v , maka dapatkan nilai dari x, y dan z. Karena u = v , maka x 1 = 4, 1 + y = 5 dan


3 = z 2. Sehingga didapat x = 5, y = 4 dan z = 5.

Operasi tambah dua vektor v dan w ditulis v +ww diberikan oleh:


 
v1 + w1
v +w
w= .
v2 + w2
Sedangkan operasi perkalian skalar a R dengan vektor di R2 diberikan oleh:
   
av1 3w1
avv = , dengan demikian didapat 3w w= .
av2 3w2
Catatan bahwa sebarang vektor v R2 ditambah vektor vv adalah vektor nol 0 R2 , tentunya vektor
0 R2 bukan bilangan nol (0), sebab  
0
0 R2 = .
0
Dari pembahasan operasi tambah sebarang dua vektor di R2 , jelas bahwa v +w w = w +vv.
Pengertian kombinasi linear dari vektor v dan w adalah masing-masing vektor dikalikan
skalar lalu hasilnya ditambahkan, yaitu untuk skalar c1 , c2 R didapat suatu kombinasi linear
dari u dan w yang dituliskan sebagai
c1v + c2w .
Contoh berikut menjelaskan bahwa vektor w adalah suatu kombinasi linear dari vektor u dan v
dengan      
7 1 3
w= ,u dan v = ,
1 5 3
sebab        
1 3 2 + 9 7
2uu + 3vv = 2 +3 = = =w
5 3 10 + 9 1
Secara geometri bidang di R2 , kombinasi linear tsb. diberikan dalam Gambar 1.3.
Perintah untuk malakukan kombinasi linier dari dua vektor u dan v sama dengan vektor w
dalam sel Sage Notebook dilakukan sebagai berikut:
u=vector(QQ,[1,5]).column()
v=vector(QQ,[3,3]).column()
w=vector(QQ,[7,-1]).column()
pretty_print(tml("Vektor : $\pmb{u} = %s$"%latex(u)))
print
pretty_print(html("Vektor : $\pmb{v} = %s$"%latex(v)))
print
pretty_print(html("Vektor : $\pmb{w} = %s$"%latex(w)))
print
pretty_print(html("$-2\pmb{u} +3\pmb{v} = %s$"%latex(-2*u+3*v)))
4

Gambar 1.3: Kombinasi Linear dari vektor u dan v

Output yang dihasilkan


 adalah :
1
Vektor : u =
5
 
3
Vektor : v =
3
 
7
Vektor : w =
1
 
7
2uu + 3vv =
1
Contoh berikut merupakan kombinasi linear dari vektor-vektor di ruang dimensi tiga R3 , yaitu

u + 4vv
u
2w
w
4vv

Gambar 1.4: Vektor x = u + 4vv 2w


w

w = x . Kombinasi linier ini diberikan dalam Gambar 1.4. Masing-masing vektor u ,vv,w
u + 4vv 2w w
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 5

dan x adalah:
1 1 2 1
0 , 2 , 3 dan 2
3 1 1 9
yang memenuhi

1 1 1
1uu + 4vv 2w
w = 1 0 + 4 2 2 2

3 1 9

1+44 1
= 0 + 8 6 = 2 = x .

3+4+2 9

Sebelum mengakhiri bagian ini, perlu diingatkan bahwa pengertian dari kombinasi linier
sangat penting. Sebab istilah ini akan sering digunakan pada hampir keseluruhan pembahasan.

1.2 Hasil kali titik dan Panjang vektor


Pada bagian ini dibahas hasil kali titik dua vektor u dan v di R2 , selanjutnya dibahas panjang
suatu vektor. Hasil kali titik u dan v di R2 ditulis u vv dengan
   
u1 v
u= dan v = 1
u2 v2
didefinisikan sebagai
u vv = u1 v1 + u2 v2

Contoh untuk u dan v di R2 diberikan oleh


   
4 3
u= dan v =
2 6
maka perkalian titik u vv adalah
   
4 3
u vv = = 4(3) + 2(6) = 12 + 12 = 0
2 6
Terlihat hasil kali titik u v adalah 0. Bilangan nol suatu yang khusus, begitu juga untuk hasil
kali titik yang menghasilkan nilai nol, hal ini mempunyai arti secara geometris vektor u dan v
saling tegak lurus. Kasus ini diberikan oleh Gambar 1.5. Suatu kasus penting dari hasil kali titik
dari u dan v adalah bila u = v . Misalnya vektor tak nol v di R3 diberikan oleh

1
v = 2

3
6

O
u

Gambar 1.5: u vv = 0

maka, v vv diberikan oleh


1 1
v vv = 2 2 = 1 + 4 + 9 = 14.

3 3
Perhatikan bahwa hasil perkalian titik v v > 0 untuk sebarang vektor taknol v R2 . Dengan
demikian cukup beralasan bahwa panjang vektor v , ditulis kvvk didefinisikan sebagai

kvvk = v vv.

Masing-masing panjang vektor dalam ruang R2 dan R3 diberikan oleh


q q
2 2
v1 + v2 dan v21 + v22 + v23 .

Dengan demikian panjang vektor kvvk pada pembahasan sebelumnya adalah



kvvk = 14.

Perintah untuk menghitung hasil kali titik dan panjang vektor dalam sel SAGE Notebook di-
lakukan sebagai berikut:

u=vector(QQ,[4,-2])
v=vector(QQ,[3,6])
w=vector(QQ,[1,2,3])
pretty_print(html("Vektor : $\pmb{u} = %s$"%latex(u.column())))
print
pretty_print(html("Vektor : $\pmb{v} = %s$"%latex(v.column())))
print
pretty_print(html("Hasil kali titik : $\pmb{u}\\cdot\pmb{u} =
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 7

%s$"%latex(u.dot_product(v))))
print
pretty_print(html("Vektor : $\pmb{w} = %s$"%latex(w.column())))
print
pretty_print(html("Panjang vektor : $|\pmb{w}| = %s$"%latex(w.norm())))

Output yang dihasilkan adalah :


 
4
Vektor : u =
2
 
3
Vektor : v =
6
Hasilkalititik: u vv
=0
1
Vektor : w = 2
3

Panjangvektor : |w w| = 14

Berikut ini diberikan suatu sifat berkenaan dengan dua vektor tegak lurus.

Teorema 1.2.1 Dua vektor u dan v di R2 tegak lurus maka u vv = 0.

v
vu

O
u

Gambar 1.6: vektor u v

Bukti Misalkan vektor u ,vv di R2 dengan u v sebagaimana diberikan dalam Gambar 1.6. Se-
lanjutnya, dengan menggunakan dalil Pythagoras didapat
kuuk2 + kvvk2 = kvv uuk2
atau
(u21 + u22 ) + (v21 + v22 ) = (v1 u1 )2 + (v2 u2 )2
= (u21 + u22 ) + (v21 + v22 ) 2u1 v1 2u2 v2 .
Jadi
2u1 v1 2u2 v2 = 0 atau u1 v1 + u2 v2 = 0.
8

Dengan demikian
u vv = u1 v1 + u2 v2 = 0.

Untuk vektor v di ruang Rn , panjang vektor mengikuti seperti di R2 atau R3 , yaitu


q
kvvk = v vv = v21 + v22 + . . . + v2n

Untuk vektor  
2
u= R2
5
gambar vektor u diberikan oleh Gambar 1.7. Terlihat bahwa u = u 1 +uu 2 dan u uu = 4 + 25 = 29.

u = (2, 5)
u 2 = (0, 5)

O u 1 = (2, 0)

Gambar 1.7: Vektor u R2

Hubungan ini diberikan sebagai berikut:


     
2 2 0
u= = + = u 1 +uu2 ,
5 0 5
kuu1 k = 2, kuu2 k = 5 dan u 1 uu1 = 4,uu2 uu2 = 25 sedangkan kuuk adalah

kuuk = 29, didapat u uu = 29 = 4 + 25 = u 1 uu1 +uu2 uu2 .

Selanjutnya diberikan vektor


2
v = 5 R3 .
6
Gambar vektor v R3 diberikan oleh Gambar 1.8 Terlihat bahwa v = v1 +vv2 +vv3 , yaitu

2 2 0 0
v = 5 = 0 + 5 + 0 = v1 +vv2 +vv3

6 0 0 6
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 9

v3 = (0, 0, 6)
5, 0)
(0, v=(2,5,6)
v2 =

O v1 + v2
v1 =
(2, 0
, 0)

Gambar 1.8: Vektor v R3

Panjang dari v adalah


kvvk = v vv = 65.

Suatu vektor satuan u adalah vektor yang mempunyai panjang sama dengan satu, yaitu u uu =
1. Contoh 1
2
1
u = 21

R4 ,
2
1
2
maka
1 1 1 1
u uu =
+ + + =1
4 4 4 4

dan kuuk = 1 = 1. Bila suatu vektor tak nol u dibagi dengan kuuk, yaitu
u
w= ,
kuuk
maka w adalah vektor satuan. Sebab

u kuuk
kw
wk =
kuuk = kuuk = 1.

Dalam hal ini w dinamakan hasil penormalan dari vektor u . Contoh vektor

1
v = 1 R3

1

maka
1
v 1
w= = 1
kvvk 3 1
10

wk = 1 3 = 1. Perintah dalam sel SAGE Notebook untuk melakukan penormalan vektor
dan kw 3
lakukan sebagai berikut:

u=vector(QQ,[1,1,1])
w=u/u.norm()
pretty_print(html("$\pmb{u} = %s$"%latex(u.column())))
print
pretty_print(html("$\pmb{w} = %s$"%latex(w.column())))
print
pretty_print(html("$|\pmb{w}| = %s$"%latex(w.norm())))

Hasil dari perintah tersebut adalah:



1
v = 1

1
1
3 3
w = 13 3

1
3 3
kw
wk = 1

Contoh lain diberikan tiga vektor di R3


     
1 0 cos
i= ,j= dan u = ,
0 1 sin

maka i , j dan u adalah vektor satuan. Bila = 0, maka u = i dan bila = 2 , maka u = j .
Gambar 1.9 adalah gambar vektor satuan i , j dan u .

j = (0, 1) u = (cos , sin )


O i = (1, 0)

Gambar 1.9: Vektor satuan i , j dan u

Untuk sebarang sudut vektor


 
cos
u=
sin
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 11

memberikan u u = 1, sebab cos2 + sin2 = 1. Perhatikan bahwa u i = cos dan u j = sin .


Setiap vektor  
x
v= R2
y
merupakan kombinasi linear dari vektor i dan j , sebab
     
x 1 0
v= =x +y = xii + y j .
y 0 1
Untuk sebarang vektor v di R3 , merupakan kombinasi linear dari vektor i , j dan k dengan masing-
masing vektor i , j dan k adalah

1 0 0
i = 0 , j = 1 dan k = 0

0 0 1
dengan demikian untuk untuk setiap

x
v = y di R3

z
didapat
x 1 0 0
v = y = x 0 + y 1 + z 0 = xii + y j + zkk .
z 0 0 1
Berikut ini diberikan beberapa sifat hasil kali titik.
Teorema 1.2.2 Bila u ,vv dan w di R2 dan skalar c di R, maka
(i.) (uu +vv) w
w = u w
w +vv w
w,
(ii.) (cuu) vv = c(uu vv),
(iii.) u vv = v uu.
Bukti Misalkan      
u1 v w1
u= ,v= 1 dan w = .
u2 v2 w2
(i.) Maka  
u + v1
u +vv = 1
u2 + v2
dan
(uu +vv) w
w = (u1 + v1 )w1 + (u2 + v2 )w2
= u1 w1 + v1 w1 + u2 w2 + v2 w2
= (u1 w1 + u2 w2 ) + (v1 w1 + v2 w2 ) = u w
w +vv w
w.
12

(ii.) Karena  
cu1
cuu = , maka
cu2
(cuu) vv = cu1 v1 + cu2 v2 = c(u1 v1 + u2 v2 ) = c(uu vv).

(iii.) Jelas sebab perkalian dua bilangan real adalah komutatif.

Sifat berikut berkenaan dengan pertaksamaan Schwarz yaitu

kuu vvk kuukkvvk.

Bukti: untuk sebarang bilangan real x dan menggunakan hasil Teorema 1.2.2 didapat

0 (xuu +vv) (xuu +vv)


= x2 (uu uu) + 2x(uu vv) + (vv vv)
= kuuk2 x2 + 2(uu vv)x + kvvk2 .

Misalkan a = kuuk2 , b = 2(uu vv) dan c = kvvk2 , didapat

0 ax2 + bx + c.

Hal ini berarti bahwa bentuk kuadrat tsb. tidak mempunyai akar-akar real kecuali nol, yaitu
ekivalen dengan
b2 4ac 0 atau b2 4ac.
Jadi
4(uu vv)2 4kuuk2 kvvk2 atau |uu vv| kuukkvvk.

Pertaksamaan Minkowski:
kuu +vvk kuuk + kvvk.
Bukti: dengan menggunakan pertaksamaan Schwarz dan sifat-sifat sebelumnya didapat

kuu +vvk2 = (uu +vv) (uu +vv) = kuuk2 + 2(uu vv) + kvvk2
kuuk2 + 2kuukkvvk + kvvk2
= (kuuk + kvvk)2 .

Jadi
kuu +vvk kuuk + kvvk.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 13

v u
v

Gambar 1.10: Sudut diantara dua vektor u dan v .

Berikut ini diberikan hubungan sudut diantara dua vektor dengan hasil kali titik. Misalkan
vektor u dan v membentuk sudut sebesar sebagaimana diberikan oleh Gambar 1.10. Dengan
menggunakan aturan kosinus didapat

kvv uuk2 = kuuk2 + kvvk2 2kuukkvvk cos

atau

(vv uu) (vv uu) = kuuk2 + kvvk2 2kuukkvvk cos


kvvk2 + kuuk2 2(uu vv) = kuuk2 + kvvk2 2kuukkvvk cos .

Didapat
cos = u vv
kuu kkvv k .

Hasil sifat-sifat yang telah dibahas berlaku juga untuk vektor di ruang Rn . Contoh-contoh:

1. Dapatkan nilai x dan y di R yang memenuhi


   
x 2
= .
3 x+y

Jawab: nilai x dan y yang memenuhi adalah

x = 2 dan 3 = x + y x = 2 dan y = 1.

2. Diberikan vektor
5 1
u = 4 ,vv = 2 ,

1 3
dapatkan u vv dan simpulkan hasilnya.
Jawab: u vv = 5 8 + 3 = 0. Jadi u v .
14

3. Untuk vektor
1 2
u= x
dan v = 5 ,

3 4
tentukan nilai x R supaya u v .
Jawab: u v , maka u vv = 2 5x 12 = 0. Didapat 5x = 10 x = 2.

4. Misalkan
1 3
u = 3 dan v = 4 .

4 7
Bila adalah sudut antara u dan v , maka hitung cos .
Jawab:
u vv 19
cos = = .
kuukkvvk 26 74
Perintah penghitungan sudut diantara dua vektor dalam Maxima dilakukan sebagai berikut:
(%i60) uv:u=columnvector([1,-3,4]); vv:v=columnvector([3,4,7]);
print( cos(theta),"=",dotproduct(rhs(uv),rhs(vv))/
(mat_norm(rhs(uv),frobenius)*mat_norm(rhs(vv),frobenius)))$

1
(%o60) u = 3

4

3
19
(%o61) v = 4 , cos () =
7 26 74

Latihan
Latihan 1.2.1 Tentukan mana vektor-vektor berikut yang sama

1 2 1 2
u = 2 , v = 3 , w = 3 dan x = 3 .

3 1 2 1

Latihan 1.2.2 Diberikan vektor



2 3 0
u = 7 , v = 0 dan w = 5 .
1 4 8

Dapatkan
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 15

(a) 3u-5v.

(b) 2u+5v-7w.

Latihan 1.2.3 Dapatkan u v untuk



1 8
(a) u = 5 dan v = 2 .
4 3

4 2
2 6
3 dan v = 3 .
(b) u =

1 8

Latihan 1.2.4 Selidiki pasangan vektor-vektor berikut



5 3 1
u = 4 , v = 4 dan w = 2

1 1 3

yang tegak lurus.

Latihan 1.2.5 Dapatkan k sehingga vektor u dan v tegak lurus, untuk



1 2
(a) u = k dan v = 5 .
3 4

6 2
1 3k

3 dan v = 4 .
(b) u =
7 1
2k 5

Latihan 1.2.6 Tentukan nilai x supaya kuk = 39 untuk

1
k
2 .
u=

Latihan 1.2.7 Diberikan vektor


16

3
(a) u = 12 ,
4

2
3
8 .
(b) u =

Hitung kuk.

Latihan 1.2.8 Normalkan vektor


 
3
(a) u = ,
4

4
2
3 ,
(b) v =

8
1
2
2 .
(c) w = 3
14

Latihan 1.2.9 Hitung cos bila adalah sudut diantara dua vektor

1 2
(a) u = 2 dan 4 ,

5 3

1 1
2 2
5 dan 3 .
(b) u =

3 6
Bab 2
Sistem Persamaan Linear

Dalam bab ini dibahas Sistem Persamaan Linear (SPL) dan Matriks. Pembahasan dimulai dari
Sistem Persamaan Linear yang disajikan dalam Bagian 2.1. Pembahasan dilajutkan meyelidiki
penyelesaian dari sistem persamaan diberikan dalam Bagian 2.2.
Pengertian mengenai matriks diberikan dalam bagian 2.4 dilajutkan dengan Aritmatika dan
Operasi Matriks yang diberikan dalam Bagian 2.5 diikuti oleh Sifat-sifat Aritmatika Matriks
diberikan dalam Bagian 2.7.
Pengertian Matriks Invers dan Matriks Elementer diberikan dalam Bagian 2.8 sedangkan cara
memperoleh matriks invers dibahas dalam bagian 2.9.
Hal-hal yang berkaitan dengan Matriks-matriks Khusus diberikan dalam Bagian 2.6 dan
pendekomposisian matriks menjadi matriks segitiga atas dan segitiga bawah disajikan dalam
Bagian 2.10. Dalam bab ini diakhiri oleh pembahasan mengenai peninjauan ulang sistem per-
samaan yang diberikan dalam Bagian 2.11.

2.1 Sistem Persamaan


Suatu sistem persamaan linear adalah suatu himpunan dari persamaan yang memuat satu atau
lebih peubah. Disini Pembahasan dikhususkan untuk sistem persamaan linear yang dimulai oleh
dua persamaan dengan dua peubah dan tiga persamaan dengan tiga peubah. Selanjutnya secara
mudah pembahasannya diperluas untuk sistem persamaan linear yang persamaannya lebih dari
tiga.
Berikut ini diberikan bentuk persamaan liner dengan dua peubah yaitu

a1 x + b1 y = c1
(2.1)
a2 x + b2 y = c2
dimana konstanta/skalar a1 , a2 , b1 , b2 dan c1 , c2 berada di himpunan bilangan real R sedangkan
x dan y adalah peubah dengan pengecualian bahwa masing-masing persamaan setidaknya mem-
punyai satu peubah. Pada bagian ini dibahas

17
18

Kajian gambar dari baris : persamaan,


Kajian gambar dari kolom : bentuk matriks.

Baris dan kolom nantinya erat kaitannya dengan kajian matriks. Sebagai contoh dua persamaan
linear dengan dua peubah :

2x y = 0
x + 2y = 3

Disini SPL terdiri dari dua baris. Baris pertama adalah persamaan : 2x y = 0 dan baris kedua
adalah persamaan x+2y = 3. Gambar persamaan baris pertama dan kedua diberikan oleh Gam-
bar 2.1 Tampak bahwa titik (1, 2) memenuhi sistem persamaan linear baris pertama 2x y = 0

Gambar 2.1: Persamaan dua garis

dan baris kedua x + 2y = 3.


Selanjutnya dibahas gambar kolom dari sistem persamaan linear tsb. Sistem persamaan linear
yang telah dibahas dapat ditulis sebagai kolom dan untuk x = 1, y = 2 didapat
     
2 1 0
1 +2 =
1 2 3
Hasil diatas dibaca vektor kolom
 
0
hasil kombinasi linear dari vektor-kolom
3
   
2 1
u= dan v =
1 2
yaitu untuk x = 1, y = 2:      
2 1 0
x +y = .
1 2 3
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 19

Gambar 2.2: Kombinasi Linear dari u dan v

Secara geometris hasil ini diberikan oleh Gambar 2.2. Pada Gambar 2.2 tampak bahwa
     
0 2 1
= +2 = u + 2vv.
3 1 2

Dua vektor    
2 1
u= dan v =
1 2
adalah vektor yang penting di ruang R2 sebab semua vektor di R2 dapat dinyatakan sebagai
kombinasi linear dari u dan v yang mana hal ini sama untuk vektor
   
1 0
i= dan j =
0 1

bahwa setiap vektor di R2 adalah kombinasi linear dari i dan j , yaitu untuk setiap x, y R
     
1 0 x
x +y = .
0 1 y

Selanjutnya dibahas suatu kajian yang sama suatu contoh untuk SPL dengan tiga persamaan dan
tiga peubah, yaitu SPL

x + 2y + 3z = 6
x + 2y z = 0
3y + 4z = 1

Disini sistem persamaan linear terdiri dari tiga baris persamaan bidang.

Baris pertama adalah persamaan : x + 2y + 3z = 6,


20

Gambar 2.3: Persamaan tiga bidang

baris kedua adalah persamaan : x + 2y z = 0 dan


baris ketiga adalah persamaan : 3y + 4z = 1

Gambar 2.3 adalah, gambar tiga persamaan baris tsb. Tiga bidang dalam Gambar 2.3 berpotong-
an di titik (x, y, z) = (1, 1, 1). Berikutnya dibahas gambar kolom dari sistem persamaan linear tsb.
Sistem persamaan linear yang telah dibahas dapat ditulis sebagai kombinasi linear vektor kolom
sebagai berikut:
1 2 3 6
x 1 + y 2 + z 1 = 0 ,
0 3 4 1
dengan x, y dan z adalah bilangan riil. Dari hasil sebelumnya didapat bahwa yang memenuhi
adalah x = 1, y = 1 dan z = 1. Dengan demikian didapat kombinasi linear vektor kolom berikut:

1 2 3 6
1 1 + 1 2 + 1 1 = 0 .

0 3 4 1

Sebelum membahas penyelesaian SPL secara umum diberikan arti geometri dari apa yang
telah dibahas terutama yang berkenaan dengan gambar baris persamaan SPL. Secara geometri,
Persamaan (2.1) menyatakan persamaan dua garis a1 x + b1 y = c1 dan a2 x + b2 y = c2 . Sehingga
bila dua garis ini berpotongan pada satu titik (x1 , y1 ), maka nilai x = x1 dan y = y1 merupakan
penyelesaian tunggal dari persamaan (2.1). Sedangkan bila dua garis tsb. sejajar, maka tidak
akan ada titik (x, y) yang berpotongan dengan dua garis ini. Jadi sistem Persamaan (2.1) tidak
mempunyai penyelesaian. Tetapi bila salah satu garis merupakan kelipatan dari garis yang lain-
nya (berimpit), maka akan ada banyak takhingga titik yang memenuhi sistem Persamaan (2.1),
yaitu persamaan ini, mempunyai penyelesaian yang tidak tunggal. Masing-masing Gambar 2.4
bagian (i), (ii) dan (iii) menunjukkan bahwa dua garis a1 x + b1 y = c1 dan a2 x + b2 y = c2 adalah
berpotongan, sejajar dan berimpit.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 21
y a1 x + b1 y = c1
y y
(x1 , y1 ) a1 x + b1 y = c1

0 x 0 x 0 x
a1 x + b1 y = c1
a2 x + b2 y = c2 a2 x + b2 y = c2
a2 x + b2 y = c2
(i) (ii) (iii)

Gambar 2.4: Persamaan dua garis.

Berikut ini diberikan contoh dari bentuk sistem Persamaan (2.1) untuk tiga kasus yang telah
dibahas, yaitu mempunyai penyelesaian tunggal, tidak mempunyai penyelesaian dan mempunyai
penyelesaian yang tidak tunggal.

Contoh 2.1.1 Untuk kasus yang pertama, diberikan sistem persamaan



x+y = 3
. (2.2)
2x + 3y = 4

Untuk menyelesaikan sistem Persamaan (2.2) bisa disubstitusikan persamaan pertama y = 3 x


kepersamaan yang kedua sehingga didapat 2x + 3(3 x) = 4 5x = 5 x = 1 dan y =
3 x = 3 1 = 2. Jadi penyelesaian sistem Persamaan (2.2) adalah tunggal. Ini berarti bahwa
kedua garis x + y = 3 dan 2x + 3y = 4 berpotongan di satu titik (1, 2).
Selanjutnya kasus yang kedua, diberikan sistem persamaan

x+y = 3
. (2.3)
x+y = 4

Jelas bahwa, sistem Persamaan (2.3) adalah menyatakan persamaan dua garis x + y = 3 dan x +
y = 4 yang sejajar. Kedua garis ini secara geometri, bila digambar dalam bidang dengan sumbu
koordinat x dan y tidak akan berpotongan. Hal ini bisa ditunjukkan secara logika matematik
sebagai berikut; andaikan dua garis x + y = 3 dan x + y = 4 berptongan di titik x = a dan y = b,
jadi b = 3a dan b = 4a 3a = 4a 3 = 4. hal ini kontradiksi dengan kenyataan bahwa
3 6= 4. Jadi benar bahwa tidak akan ada titik (a, b) yang terletak pada kedua garis x + y = 3 dan
x + y = 4. Hal ini menunjukkan bahwa sistem Persamaan (2.3) tidak mempunyai penyelesaian.
Untuk kasus yang terakhir, diberikan sistem persamaan

x+y = 3
. (2.4)
2x + 2y = 6

Sistem Persamaan (2.4) menyatakan dua garis x + y = 3 dan 2x + 2y = 6 yang saling berimpit.
Bila persamaan yang pertama y = 3 x disubstitusi ke persamaan yang kedua didapat 2x + 2(3
x) = 6 6 = 6. Hal ini menunjukkan bahwa selalu benar bahwa titik (x, y) dengan y = 3 x akan
22

selalu memenuhi sistem Persamaan (2.4). Jadi ada banyak x dan y yang memenuhi Persamaan
(2.4). Himpunan semua titik (x, y) yang memenuhi Persamaan (2.4) adalah {(x, y) | y = 3 x, x
R}, misalnya titik (0, 3), (1, 2) dan (1, 4) adalah titik-titik yang memenuhi sistem Persamaan
(2.4).

Bahasan berikut adalah berkaitan dengan sistem persamaan linear yang terdiri dari tiga per-
samaan dengan tiga peubah, yaitu

ax + by + cz = p
dx + ey + f z = q (2.5)

gx + hy + iz = r

dengan masing-masing a, b, c, d, e, f , g, h dan p, q, r anggota himpunan bilangan real R. Seba-


gaimana pembahasan sebelumnya, ada tiga kasus untuk menyelesaikan sistem Persamaan (2.5).
Kasus mempunyai penyelsaian tunggal, mempunyai banyak penyelesaian dan tidak mempun-
yai penyelesaian. Kasus yang pertama, adalah sistem Persamaan (2.5) mempunyai penyelesaian

= r
hy + iz
gx +
z

0
dx
+e
y+

p
+ cz =
fz =

b y
ax +
q

Gambar 2.5: Tiga bidang berpotongan disatu titik potong 0.

tunggal. Intepretasi geometri dari kasus ini diberikan dalam Gambar 2.5. Contoh berikut menje-
laskan bahwa sistem Persamaan (2.5) mempunyai penyelesaian tunggal.

Contoh 2.1.2 Untuk kasus yang pertama, diberikan sistem persamaan



x+y+z = 6
y+z = 5 . (2.6)

x+yz = 0
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 23

Untuk menyelesaikan sistem Persamaan (2.6) bisa disubstitusikan persamaan pertama z = 6x


y kepersamaan yang kedua sehingga didapat y + 6 x y = 5 x = 1. Untuk x = 1, persamaan
pertama dan ketiga menjadi sistem persamaan

y+z = 5
.
y z = 1
Dari sistem persamaan ini, didapat y = 2, z = 3. Jadi penyelesaian sistem Persamaan (2.6) adalah
x = 1, y = 2 dan z = 3. Tafsiran geometri dari kasus ini tiga bidang x + y + z = 6, y + z = 5 dan
x + y z = 0 berpotongan hanya di satu titik (1, 2, 3).

dx
+
z

ey
gx + h

+
y + iz
=r

fz
=
q
y

x
ax + by + cz = p
g : garis potong

Gambar 2.6: Tiga bidang berpotongan disatu garis potong g.

Kasus yang kedua, adalah sistem Persamaan (2.5) mempunyai penyelesaian banyak . Intepretasi
geometri dari kasus ini diberikan dalam Gambar 2.6. Contoh berikut menjelaskan bahwa sistem
Persamaan (2.5) mempunyai penyelesaian banyak.
Contoh 2.1.3 Untuk kasus yang kedua, diberikan sistem persamaan

x+y+z = 6
x+y = 2 . (2.7)

2x + 2y z = 0
Untuk menyelesaikan sistem Persamaan (2.7) bisa disubstitusikan persamaan kedua x + y = 2
kepersamaan yang pertama x + y + z = 6 sehingga didapat 2 + z = 6 z = 4. Untuk z = 4,
semua persamaan dalam sistem Persamaan (2.7) menjadi persamaan x + y = 2. Hal, ini menje-
laskan bahwa ketiga bidang x + y + z = 6, x + y = 2 dan 2x + 2y z = 0 berpotongan pada satu
garis g yang diberikan oleh persamaan z = 4, x + y = 2. Semua titik yang berada pada garis
ini merupakan penyelesaian sistem Persamaan (2.7). Jadi himpunan penyelesaiannya adalah
{(x, y, z) | z = 4, x + y = 2}. Beberapa penyelesaian sistem Persamaan (2.7) adalah x = 0, y =
2, z = 4; x = 1, y = 1, z = 4 dan x = 1, y = 3, z = 4.
24
dx +
ey +
fz =
q
z
g3 : garis potong

gx +
hy +
y iz =
0 ax r
+ by
+ cz
=p g2 : garis potong
x
g1 : garis potong

Gambar 2.7: Tiga bidang berpotongan ditiga garis potong.

Kasus yang Terakhir, adalah sistem Persamaan (2.5) tidak mempunyai penyelesaian. Suatu in-
tepretasi geometri dari kasus ini diberikan dalam Gambar 2.7. Yaitu menyatakan bahwa tiga
bidang berpotongan pada tiga garis yang saling sejajar dalam ruang. Hal ini menjelaskan bahwa
tiga garis ini tidak pernah mempunyai titik potong. Jadi untuk kasus ini, sistem Persamaan
(2.5) tidak akan pernah mempunyai penyelesaian. Contoh berikut menjelaskan bahwa sistem
Persamaan (2.5) tidak mempunyai penyelesaian.

Contoh 2.1.4 Untuk kasus yang terakhir ini, diberikan sistem ersamaan

x+y+z = 6
x+y = 2 . (2.8)

x+yz = 0
Persamaan (2.8) tidak mempunyai penyelesaian. Hal ini bisa ditunjukkan dengan suatu kon-
trakdiksi sebagai berikut. Andaikan (2.8) mempunyai penyelesaian di x = x0 , y = y0 dan z = z0 ,
sehingga didapat x0 + y0 = 2, z0 = 6 (x0 + y0 ) = 6 2 = 4 dan z0 = (x0 + y0 ) = 2. Terjadi suatu
kontradiksi bahwa 4 = 2. Hal ini menunjukkan bahwa tidak akan ada x, y dan z yang memenuhi
sistem Persamaan (2.8) yaitu sistem persamaan ini tidak mempunyai penyelesaian.

Kajian gambar kolom SPL 2.5 dari tiga kasus yang telah dibahas memberikan gambaran
bahwa,

1. Kasus yang pertama tiga bidang berpotongan di satu titik, maka kombinasi linear berikut

a b c p
x d + y e + z f = q

g h i r
hanya dipenuhi untuk satu nilai tunggal x, y dan z.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 25

2. Kasus yang kedua tiga bidang berpotongan di satu garis potong g, maka kombinasi linear
berikut
a b c p
x d + y e + z f = q
g h i r
dipenuhi untuk beberapa nilai x, y dan z.
3. Kasus yang ketiga, tiga bidang berpotongan di tiga garis, maka tidak ada nilai x, y dan c
yang memenuhi kombinasi linear berikut

a b c p
x d + y e + z f = q .

g h i r

Sebegitu jauh apa yang telah dibahas dalam bagian ini hanyalah sebagai awal bahasan sis-
tem persamaan linear. Telah diuraikan bahwa dalam awal bagian ini, diberikan contoh-contoh
sistem linear serta menyelesaikan sistem persamaan ini dan memberikan arti geometri dari sis-
tem persamaan linear yang dibahas dalam beberapa kasus yang umum yaitu, sistem persamaan
linear mempunyai penyelesaian tunggal, mempunyai banyak penyelesaian dan tidak mempunyai
penyelesaian. Pembahasan dimulai dengan sistem persamaan linear dengan dua persamaan dan
dua peubah dan dilanjutkan dengan tiga persamaan dengan tiga peubah. Yaitu banyaknya per-
samaan dengan banyaknya yang ditanyakan adalah sama. Cara menyelesaikan sistem linear yang
telah dibahas ini menggunakan substitusi yang banyak dikenal sbelumnya. Untuk contoh-contoh
yang telah dibahas masih memungkinkan menggunakan cara substitusi, tetapai untuk masalah
yang lebih umum dan rumit tentunya hal ini tidak memadai/mudah menggunakan cara substitusi
untuk menyelesaikannya. Untuk itu, dalam Bab 2.2 yang dibahas berikutnya, akan dijelaskan se-
cara rinci cara untuk menyelesiakan sistem persamaan linear yang lebih umum dari pembahasan
sebelumnya.
Sebagai akhir dari bagian ini diberikan beberapa latihan soal. Latihan soal ini diberikan agar
supaya menambah kemampuan dasar menyelesiakan sistem persamaan linear teridiri dari dua
persamaan dengan dua peubah serta tiga persamaan dengan tiga peubah.

Latihan
Latihan 2.1.1 Selesaikan sistem persamaan berikut serta berikan arti geometrinya.
  
x+y = 7 x + 2y = 3 2x 5y = 2
a). b). c).
2x + 4y = 18 3x + 6y = 3 4x + 10y = 4

Latihan 2.1.2 Diberikan sistem persamaan


  
ax + by = 6 ax + by = 6 x ay = 8
a). b). c).
3ax + 2by = 3 x + 2y = 3 3x + 6y = b
Tentukan semua nilai dari a dan b supaya :
26

i. sistem persamaan a) mempunyai penyelesaian tunggal

ii. sistem persamaan b) tidak mempunyai penyelesaian

iii. sistem persamaan c) mempunyai banyak penyelesaian.

Latihan 2.1.3 Selesaikan sistem persamaan berikut serta berikan arti geometrinya.

x + 2y + 2z = 4 x y + 2z = 1 x + 2y + 3z = 1
a). x + 3y = 5 b). 2x + y + z = 8 c). 4x + 5y + 6z = 2

2x + 6y + 5z = 6 x+y = 5 7x + 8y + 9z = 3

2.2 Menyelesaikan Sistem Persamaan


Dalam bagian ini dibahas suatu sistem persamaan linear terdiri dari m persamaan dengan n
peubah untuk tiga hal m lebih besar dari n, m sama dengan n dan m lebih kecil dari n. Selanjutnya
diberikan cara untuk menyelesikan sistem persamaan linear ini dengan metode eliminasi Gauss
dan Gauss-Jordan. Kemudian dibahas hal-hal dasar yang digunakan untuk menyelesaikan sis-
tem persamaan meliputi matriks diperbesar (augmented matrix) serta operasi baris.
Bentuk sistem persamaan linear yang mempunyai m persamaan dengan n peubah diberikan
oleh persamaan


a1,1 x1 + a1,2 x2 + + a1,n xn = b1

a2,1 x1 + a2,2 x2 + + a2,n xn = b2



..


.

ai,1 x1 + ai,2 x2 + + ai,n xn = bi
.. (2.9)


.

a j,1 x1 + a j,2 x2 + + a j,n xn = b j



..


.

am,1 x1 + am,2 x2 + . . . + am,n xn = bm

Ada tiga macam himpunan penyelesaian dari sistem persamaan (2.9) yaitu, pertama himpunan
dengan satu anggota yang menyatakan sistem persamaan (2.9) mempunyai penyelesaian tunggal,
kedua himpunan dengan tak-hingga banyak anggota yang menyatakan sistem persamaan (2.9)
mempunyai banyak penyelesaian. Dalam hal sistem persamaan (2.9) mempunyai penyelesaian
dinamakan konsisten. Ketiga, himpunan kosong yang menyatakan sistem persamaan (2.9) tidak
mempunyai penyelesaian. Dalam hal ini sistem persamaan (2.9) disebut tidak konsisten. Dua
sistem persamaan linear dengan banyak persamaan dan banyak peubah sama dikatakan ekivalen
bila kedua sistem persamaan linear tsb. yang satu bisa diperoleh dari persamaan yang lain-
nya dan mempunyai himpunan penyelesian yang sama. Sistem persamaan linier (2.9) dikatakan
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 27

mempunyai penyelesaian bila ada (r1, r2 , . . . , rn ) Rn yang memenuhi




a1,1 r1 + a1,2 r2 + + a1,n rn = b1

a2,1 r1 + a2,2 r2 + + a2,n rn = b2



..


.

ai,1r1 + ai,2 r2 + + ai,n rn = bi
.. (2.10)


.

a j,1 r1 + a j,2 r2 + + a j,n rn = b j



..


.

am,1 r1 + am,2 r2 + . . . + am,n xn = bm

Dua persamaan linear


x+y = 1 (2.11)
dan
2x + 2y = 2 (2.12)
adalah ekivalen sebab persamaan (2.12) bisa diperoleh dengan mengalikan 2 pada kedua ruas
persamaan (2.11) dan himpunan penyelesian dari persamaan (2.11) adalah

S1 = {(x, y) | y = 1 x, x R}

sedangkan himpunan penyelesian dari persamaan (2.12) adalah

S2 = {(x, y) | 2y = 2 2x, x R} = {(x, y) | y = 1 x, x R}.

Terlihat bahwa S1 = S2 , jadi persamaan (2.11) ekivalen dengan persamaan (2.12). Begitu juga
dua sistem persamaan berikut adalah ekivalen

x+y = 2
(2.13)
2x 5y = 3

dan 
2x 5y = 3
(2.14)
x+y = 2
sebab persamaan (2.14) bisa diperoleh dari persamaan (2.13), yaitu menukar persamaan yang
pertama dengan persamaan yang kedua dan sebaliknya dalam persamaan (2.13). Bisa diselidiki
bahwa kedua persamaan mempunyai peyelesaian x = 1 dan y = 1. Selanjutnya, persamaan (2.13)
dan persamaa 
x+y = 2
(2.15)
7y = 7
adalah ekivalen, sebab persamaan (2.15) dapat diperoleh dari persamaan (2.13), yaitu persamaan
kedua dalam persamaan (2.15) diperoleh dari kedua ruas persamaan pertama (2.13) dikalikan
dengan 2 dan hasilnya ditambahkan pada persamaan kedua dari persamaan (2.13). Jelas bahwa
28

persamaan (2.15) mempunyai penyelesaian y = 1 dan x = 1 yang sama dengan penyelesaian dari
persamaan (2.13).
Pengertian sistem persamaan linear ekivelen ini berguna untuk menyelesaikan sistem per-
samaan (2.9) terutama pada saat menggunakan cara eleminasi Gauss. Pada dasarnya metode
eliminasi Gauss adalah suatu cara dari transformasi suatu sistem persamaan linear menjadi suatu
sistem persamaan linear lainya yang lebih sederhana lewat pengeleminasian peubah, tetapi ke-
duanya ekivalen. Cara pengeliminasian ini meliputi tiga operasi sederhana yang mentransformasi
satu sistem persamaan ke sistem persamaan lainnya yang ekivalen.
Untuk menjelaskan operasi ini, misalkan Pk menyatakan persamaan ke-k dalam persamaan
(2.9), yaitu
Pk : ak,1 x1 + ak,2 x2 + + ak,n xn = bk
dengan 1 k m dan ditulis sistem persamaan linear (2.9) sebagai

P1
P


2


..

.
S= .

Pk


..

.


Pm
Untuk suatu sistem persamaan linear S, masing-masing tiga operasi elementer menghasilkan
suatu sistem persamaan linear S yang ekivalen.
1. Pertukaran persamaan ke-i dan ke- j sedangkan persamaan yang lainnya tetap, yaitu


P1
P1

..

..



.




.




i
P
P
j


.
. .
.
S=
. S = . . (2.16)

Pj

Pi





.
.


..


.



.


Pm Pm

2. Kedua ruas persamaan ke-i dikalikan dengan suatu konstata tidak-nol R sedangkan
persamaan yang lainnya tetap, yaitu


P1
P1

..
..

.
.

S= Pi S = Pi , dimana 6= 0 . (2.17)


.
..


.
..







Pm Pm
Dalam hal ini Pi dinamakan kelipatan dari Pi .
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 29

3. Menambah persamaan ke- j dengan kelipatan dari persamaan ke-i sedangkan persamaan
yang lain tetap, yaitu



P1

P1


..

..



.




.





Pi



Pi


.. ..
S=
. S = .
. (2.18)



Pj





Pj + Pi




..

..



.




.



Pm Pm

Tiga operasi elementer, mentransformasi suatu sistem persamaan linear ke bentuks sistem per-
samaan linear lainnya yang yang ekivalen. Tiga operasi yang dilakukan dalam (2.16), (2.17) dan
(2.18) dinamakan Operasi Baris Elementer (OBE). Berikut ini diberikan suatu teorema tentang
OBE.

Teorema 2.2.1 Bila dalam Sistem Persamaan Linier (2.9) S dilakukan OBE sehingga didapat
persamaan S dan S mempunyai penyelesaian, maka peyelesaian dalam S adalah sama dengan
penyelesaian dalam S.

Bukti Bila dalam Persamaan (2.9) mempunyai penyelesaian, maka ada

(r1 , r2 , . . . , rn ) Rn

yang memenuhi


a1,1 r1 + a1,2 r2 + + a1,n rn = b1

a2,1 r1 + a2,2 r2 + + a2,n rn = b2



..


.

ai,1r1 + ai,2 r2 + + ai,n rn = bi
.. (2.19)


.

a j,1 r1 + a j,2 r2 + + a j,n rn = b j



..


.

am,1 r1 + am,2 r2 + . . . + am,n xn = bm

Bila dalam Sistem Persamaan Linier (2.9) dilakukan OBE (2.16), maka didapat sistem persamaan
30

S yang diberikan oleh




a1,1 x1 + a1,2 x2 + + a1,n xn = b1

a2,1 x1 + a2,2 x2 + + a2,n xn = b2



..


.

a j,1 x1 + a j,2 x2 + + a j,n xn = b j
.. (2.20)


.

ai,1 x1 + ai,2 x2 + + ai,n xn = bi



..


.

am,1 x1 + am,2 x2 + . . . + am,n xn = bm

Tetapi berdasarkan hipotesis ada (r1 , r2 , . . ., rn ) Rn yang memenuhi Persamaan 2.10, sehingga
didapat


a1,1 r1 + a1,2 r2 + + a1,n rn = b1

a2,1 r1 + a2,2 r2 + + a2,n rn = b2



..


.

a j,1 r1 + a j,2 r2 + + a j,n rn = b j
.. (2.21)


.

ai,1r1 + ai,2 r2 + + ai,n rn = bi



..


.

am,1 r1 + am,2 r2 + . . . + am,n rn = bm

Hal ini menunjukkan bahwa (r1 , r2 , . . . , rn ) Rn adalah penyelesaian dari Sistem Persamaan 2.20.
Berikutnya, bila dalam Sistem Persamaan Linier (2.9) dilakukan OBE (2.17), maka didapat
sistem persamaan S yang diberikan oleh


a1,1 x1 + a1,2 x2 + + a1,n xn = b1

a2,1 x1 + a2,2 x2 + + a2,n xn = b2



..


.
ai,1x1 + ai,2 x2 + + ai,n xn = bi

.. (2.22)


.

a j,1 x1 + a j,2 x2 + + a j,n xn = b j



..


.

am,1 x1 + am,2 x2 + . . . + am,n xn = bm

Tetapi berdasarkan hipotesis ada (r1 , r2, . . . , rn ) Rn yang memenuhi Persamaan 2.10, yang
diberikan oleh Persamaan 2.21. Dengan demikian bila persamaan yang ke-i dalam Persamaan 2.21
kedua ruas dikalikan dengan didapat

Pi : ai,1r1 + ai,2 r2 + + a1,n rn = bi


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 31

sehingga didapat

a1,1 r1 + a1,2 r2 + + a1,n rn = b1

a2,1 r1 + a2,2 r2 + + a2,n rn = b2



..


.
ai,1r1 + ai,2r2 + + ai,n rn = bi


.. (2.23)


.



a r
j,1 1 + a j,2 2 + a j,n rn = b j
r +

..


.

am,1 r1 + am,2 r2 + . . . + am,n rn = bm
Hal ini menunjukkan bahwa (r1 , r2 , . . . , rn ) Rn adalah penyelesaian dari Sistem Persamaan 2.22.
Terakhir, bila dalam Sistem Persamaan Linier (2.9) dilakukan OBE (2.18), maka didapat
sistem persamaan S yang diberikan oleh


a1,1 x1 + a1,2 x2 + + a1,n xn = b1

a2,1 x1 + a2,2 x2 + + a2,n xn = b2



..


.
ai,1 x1 + ai,2 x2 + + ai,n xn = bi


.. (2.24)


.



(a j,1 + ai,1 )x1 + (a j,2 + ai,2)x2 + + (a j,n + ai,n )xn = b j + bi

..


.

am,1 x1 + am,2 x2 + . . . + am,n xn = bm

Tetapi berdasarkan hipotesis ada (r1 , r2, . . . , rn ) Rn yang memenuhi Persamaan 2.10, yang
diberikan oleh Persamaan 2.21. Dengan demikian bila persamaan yang ke- j dalam Persamaan 2.21
ditambah kali persamaan yang ke-i ruas didapat

Pj : (a j,1 + ai,1 )r1 + (a j,2 + ai,2 )r2 + + (a j,n + a1,n )rn = bi + bi

sehingga didapat


a1,1 r1 + a1,2 r2 + + a1,n rn = b1

a2,1 r1 + a2,2 r2 + + a2,n rn = b2



..


.

ai,1 r1 + ai,2 r2 + + ai,n rn = bi
.. (2.25)


.



(a j,1 + ai,1 )r1 + (a j,2 + ai,2 )r2 + + (a j,n + a1,n )rn = bi + bi

..


.

am,1 r1 + am,2 r2 + . . . + am,n rn = bm

Hal ini menunjukkan bahwa (r1 , r2 , . . . , rn ) Rn adalah penyelesaian dari Sistem Persamaan 2.24.
32

Jadi berdasarkan Teorema 2.2.1, tiga operasi baris elementer tidak akan mengubah himpunan
penyelesaian dari sistem persamaan linear aslinya. Berikut ini diberikan suatu contoh sederhana
sistem persamaan linear
2x + y + z = 1
6x + 2y + z = 1 (2.26)

2x + 2y + z = 7
Pada setiap langkah, cara untuk menyelesaikan persamaan (2.26) difokuskan pada suatu posisi
koefisien tak-nol yang dinamakan pivot dan untuk mengeliminasi semua suku dibawah pivot
menggunakan tiga operasi baris elementer. Bila elemen pivot sama dengan nol, maka persamaan
pivot ditukar dengan persamaan dibawahnya untuk mendapat elemen pivot yang tidak nol. Bila
koefisien dari x pada persamaan tak-nol, maka elemen ini diambil sebagai pivot. Pada contoh ini,
elemen 2 dalam sistem berikut adalah pivot untuk langkah yang pertama

x 2 +y+z = 1
6x + 2y + z = 1

2x + 2y + z = 7
Langkah 1: Eliminasi semua suku dibawah pivot.
Persamaan kedua kurangi 3 kali persamaan pertama

x 2 +y+z = 1
y 2z = 4 (P2 3P1 )

2x + 2y + z = 7
Persamaan ketiga ditambah persamaan pertama

x
2 +y+z = 1
y 2z = 4

3y + 2z = 8 (P3 + P1 )
Langkah 2: Pilih suatu pivot baru.
Untuk memilih pivot baru, pindah kebawah dari posisi pivot yang sudah ada dan
kekanannya. Bila koefisien ini tak-nol, maka kpefisien ini adalah pivot. Bila nol,
maka tukar dengan persamaan dibawahnya. Dalam hal ini -1 adalah pivot yang baru.

2x + y + z = 1
y
-1 2z = 4

3y + 2z = 8
Langkah 3: Eliminasi semua suku dibawah pivot yang kedua.
Persamaan ketiga tambah 3 kali persamaan kedua

2x + y + z = 1
y
-1 2z = 4 (2.27)

4z = 4 (P3 + 3P2 )
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 33

Umumnya, pada setiap langkah pindahkan kebawah pivot terdahulu dan gerakan
kekanan untuk memperoleh pivot yang berikutnya, kemudian eliminasi semua suku
dibawah pivot ini sampai tidak ada lagi yang bisa diproses untuk pengeliminasian.
Jadi pivot yang ketiga adalah 4 dan tidak ada lagi elemen dibawah pivot ini untuk
dieliminasi. Jadi proses dihentikan.
Pada akhir dari Langkah 3, dikatakan sistem persamaan menjadi bentuk segitiga atas. Su-
atu sistem persamaan berbentuk segi tiga atas mudah diselesaikan dengan menggunakan cara
mensubstitusi mumdur, yaitu persamaan terakhir diselesaikan, kemudian hasilnya substitusikan
kepersamaan yang diatasnya, dst. sampai semua peubah didapatkan. Untuk contoh ini, sele-
saikan persamaan terakhir dari persamaan (2.27), didapat
z = 1.
Substitusikan z = 1 kepersamaan kedua dari persamaan (2.27), didapat
y = 4 2z = 4 2(1) = 2.
Akhirnya, substitusikan z = 1, y = 2 kepersamaan yang pertama dari persamaan (2.27), didapat
1 1
x = (1 y z) = (1 2 1) = 1.
2 2
Hasil yang didapat menunjukkan bahwa sistem persamaan (2.26) dan sistem persamaan (2.27)
berdasarkan Teorema 2.2.1 adalah ekivalen, jadi penyelesaian dari sistem persamaan (2.26)
adalah x = 1, y = 2 dan z = 1.
Jelas bahwa tidak ada suatu alasan untuk menuliskan simbol "x", "y" dan "z" serta "=" pada
setiap langkah yang mana hanya memperlakukan koefisien dalam penghitungan. Bila simbol-
simbol tsb. dihilangkan, maka suatu sistem persamaan linear ditampilkan kesuatu susunan dalam
bentuk persegi panjang berisi bilangan-bilangan yang mana setiap baris horizontal menyatakan
satu persamaan. Misalnya, sistem persamaan linear (2.26) bila dituliskan dalam bentuk susunan
persegi panjang adalah:

2 1 1 1
6 2 1 1 . (Tanda garis tegak menyatakan = .)

2 2 1 7
Susunan koefien disebalah kiri garis tegak dinamakan matriks koefisien daris sistem per-
samaan. Keseluruhan elemen dalam susunan dinamakan matriks diperbesar (augmented ma-
trix) dari sistem persamaan linear. Bila koefisien matriks dinyatakan oleh A dan elemen disebe-
lah kanan garis tegak oleh b , maka matriks diperbesar dari sistem persamaan linear dinotasikan
A|bb].
oleh [A
Secara formal, suatu skalar dari bilangan real atau kompleks dan matriks adalah suatu
susunan berbentuk persegi panjang dari skalar. Matriks A biasanya ditulis sebagai

a1,1 a1,2 a1,n
a2,1 a2,2 a2,n

A = .. .. .. .. .
. . . .
am,1 am,2 am,n
34

Elemen-elemen dari matriks A dinyatakan oleh ai, j dengan i m dan j n, dimana m = {1, 2, , m}
dan n = {1, 2, , n}. Elemen ai, j menyatakan elemen dari matriks A yang terletak pada baris
ke-i kolom ke- j. Suatu contoh

2 1 3 4
A = 8 6 5 9 , maka a1,1 = 2, a1,2 = 1, , a3,4 = 7. (2.28)
3 8 3 7

Suatu submatriks dari matriks A adalah suatu susunan yang diperoleh dari menghapus se-
barang kombinasi dari baris dan kolom matriks A . Suatu contoh matriks
 
2 4
B=
3 7

adalah suatu submatriks dari matriks A pada (2.28) dengan menghapus baris kedua dan kolom
kedua, dan ketiga dari matriks A .
Matriks A dikatakan berukuran m n bila A mempunyai baris sebanyak m dan kolom se-
banyak n. Dengan demikian, matriks berukuran 1 1 adalah skalar, sebaliknya suatu skalar
adalah matriks yang berukuran 1 1. Untuk penekanan bahwa matriks A berukuran m n juga
ditulis sebagai Amn . Bila m = n, maka matriks A dikatakan matriks persegi. Suatu matriks
yang hanya terdiri dari satu baris dinamakan vektor baris dan bila hanya terdiri dari satu kolom
dinamkan vektor kolom.
Simbol A i, digunakan untuk menyatakan baris ke-i dan A , j menyatakan kolom ke- j dari
matriks A . Contoh bila A matriks pada (2.28), maka

  3
A 3, = 3 8 3 7 dan A ,3 = 5 .
3

Untuk persamaan sistem linear (2.9) eliminasi Gauss bisa dilakukan melalui matriks diperbe-
sar (augmented matrix) [A A|bb] dengan menggunakan operasi baris elementer pada [A A|bb]. Operasi
elementer ini meliputi tiga operasi baris elementer yang diberikan pada (2.16), (2.17) dan (2.18).
Untuk matriks berukuran m n
M 1,
..
.

M i,
.
M = .. ,

M
j,
.
..
M m,
tiga macam operasi baris elementer pada M adalah sebagai berikut.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 35

Macam I: Pertukaran baris ke-i dan baris ke- j menghasilkan



M 1,
..
.

M j,
.
M = .. . (2.29)

M
i,
.
..
M m,

Macam II: Kalikan baris ke-i dengan skalar taknol menghasilkan



M 1,
..
.
M

M i,
.
M = .. , 6= 0. (2.30)

M
j,
.
..
M m,

Macam III: Tambah baris ke- j dengan kelipatan baris ke-i menghasilkan

M 1,
..
.

M i,
.
M = .. .
(2.31)
M + M M
j, i,
..
.
M m,

Untuk menyelesaikan sistem persamaan linear (2.9) menggunakan operasi baris elementer,
mulai dengan matriks diperbesar [AA|bb] dan jadikan bentuk segitiga atas matriks koefisien A de-
ngan melakukan operasi baris elementer pada [A A|bb]. Kembali pada contoh yang diberikan oleh
sistem persamaan linear (2.26), dengan melakukan operasi baris elementer pada matriks diperbe-
A|bb] didapat
sar [A

2 1 1 1 2 1 1 1
6 2 1 1 B2 3B1 0 -1 2 4

2 2 7 7 B3 + B1 0 3 2 8 B3 + 3B2

2 1 1 1

0 1 2 4 .

0 0 4 4
36

Matriks diperbesar yang terakhir menyatakan bentuk segitiga atas dari sistem persamaan linear

2x + y + z = 1
y 2z = 4

4z = 4
Dengan substitusi mundur, didapat hasil seperti sebelumnya z = 1, y = 2 dan x = 1. Umumnya,
bila suatu sistem persamaan linear n n mempunyai bentuk segitiga atas

t1,1 t1,2 t1,n c1
0 t2,2 t2,n c2

. . . (2.32)
.. . . . .. ..


0 0 tn,n cn

dimana masing-masing ti,i 6= 0, maka algoritma umum untuk substitusi mundur diberikan sebagai
berikut.

Algoritma Substitusi Mundur

Tentukan xi pada (2.32), yang pertama menentukan xn = tcn,nn kemudian


secara berulang untuk i = n 1, n 2, , 2, 1, hitung
xi = t1i,i (ci ti,i+1xi+1 ti,i+2xi+2 ti,nxn ).

Suatu cara untuk menaksir effisiensi suatu algorithma adalah menghitung banyaknyanya ope-
rasi aritmatika yang digunakan. Untuk berbagai alasan, tidak dibedakan tambah dan kurang,
dan kali dan bagi. Lagi pula kali/bagi dihitung secara terpisah dari tambah/kurang. Bahkan
bila secara rinci menggunakan suatu algoritma, penting bahwa mengetahui banyaknya operasi
untuk eliminasi Gauss dengan substitusi mundur sehingga akan didapat suatu dasar perbandingan
ketika menggunakan algoritma yang lain. Berikut ini diberikan banyaknya operasi aritmatika
yang digunakan dalam eliminasi Gauss.

Banyaknya Operasi Eliminasi Gauss

Eliminasi Gauss dengan substitsusi mundur untuk sistem persamaan linear n n membutuhkan
n3 n
+ n2 , kali/bagi
3 3
dan
n3 n2 5n
+ , tambah/kurang.
3 2 6

Bila n meningkat, suku n3 /3 mendominasi suku yang lainnya. Oleh karena itu, hal yang penting
Eliminasi Gauss dengan substitusi mundur untuk sistem persamaan linear n n membutuhkan
sekitar n3 /3 operasi kali/bagi dan membutukan juga sekitar n3 /3 operasi tambah/kurang.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 37

Contoh 2.2.1 Selesaikan sistem persamaan berikut menggunakan eliminasi Gauss dengan sub-
stitusi mundur:
x2 x3 = 3
2x1 + 4x2 x3 = 1
2x1 + 5x2 4x3 = 2
Penyelesaian : Matriks diperbesar dari sistem persamaan linear adalah

0 1 1 3
2 4 1 1 .

2 5 4 2

Karena pivot pertama adalah ,0 maka tukar baris pertama dengan baris kedua dan sebaliknya,
selanjutnya lakukan eliminasi elemen elemen dibawah pivot yang dipilih sehingga didapat


-2 4 1 1 2 4 1 1 2 4 1 1
0 1 1 3 B 3 B1 B3 B2
0 1 1 3 0 1 1 3 .

2 5 4 2 0 1 3 3 0 0 2 6

Selanjutnya, lakukan substitusi mundur, didapat


6
x3 = 2 = 3,
x2 = 3 + x3 = 3 + 3 = 6,
x1 = 12 (1 4x2 + x3 ) = 21 (1 24 + 3) = 10.

Contoh 2.2.2 Misalkan bahwa 100 serangga terdistribusi dalam suatu ruang tertutup terdiri dari
empat ruang dengan jalur-lintas diantaranya sebagaimana dalam Gambar 2.8. Pada akhir satu

#3

#4 #2

#1

Gambar 2.8: Distribusi serangga dalam suatu ruangan

menit, serangga terdistribusi kembali dengan sendirinya. Asumsikan bahwa satu menit tidak
cukup waktu untuk suatu serangga pindah ke lebih dari satu ruang dan pada akhir satu menit 40%
serangga disetiap ruang tidak meninggalkan ruangan, mereka tetap pada awal menit. Serangga
yang meninggalkan ruangan secara seragam menyebar diantara ruangan, serangga ini secara
langsung dapat mencapai keadaan semula mereka tinggal., misalnya # 3 separuh bergerak ke # 2
38

dan separuh ke # 4. Bila diakhir satu menit terdapat 12, 25, 26 dan 37 serangga masing-masing
di ruang # 1, # 2, # 3 dan # 4, maka tentukan apa seharusnya distribusi awal.
Jawab Bila xi adalah banyaknya keadaan awal dalam ruangan # i dengan i = 1, 2, 3, 4, didapat
sistem persamaan linear


0.4x1 + 0x2 + 0x3 + 0.2x4 = 12

0x1 + 0.4x2 + 0.3x3 + 0.2x4 = 25

0x1 + 0.3x2 + 0.4x3 + 0.2x4 = 26

0.6x1 + 0.3x2 + 0.3x3 + 0.4x4 = 37
dengan menggunakan eliminasi Gauss dan substitusi mundur didapat x1 = 10, x2 = 20, x3 = 30
dan x4 = 40.

2.3 Menyelesaikan Sistem Persamaan Linier dengan Sage Note-


Book
Dalam kesempatan ini digunakan Sage NoteBook untuk menyelesaikan sistem Persamaan Linear
melalui Operasi baris Elementer ataupun dengan Eleminasi Gauss-Jordan.
Misalnya diberikan sistem persamaan
    
1 2 x 1
= .
2 1 y 2
Untuk menyelesaikan Sistem Persamaan Linier tersebut dalam Sel Sage NoteBook ketik pe-
rintah berikut.
A=matrix([[1,2],[2,1]])
b=matrix([[1],[2]])
Ab = A.augment(b,subdivide=True)
html("Matrik diperbesar $[A|b]=%s$"%latex(Ab))

Ouput dari perintah tersebut adalah


 
1 2 1
Matrik diperbesar [A|b] =
2 1 2
Selanjutnya meyelesaikan sistem persamaan linier dengan OBE gunakan perintah berikut:
Ac=copy(Ab)
Ac.add_multiple_of_row(1 ,0,-2 )
html("Hasil OBE $%s$"%latex(Ac))
outputnya adalah
 
1 2 1
Hasil OBE :
0 3 0
Dari hasil ini menjelaskan bahwa y = 0 dan x = 1.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 39

Latihan
Latihan 2.3.1 Gunakan Eliminasi Gauss dengan substitusi mundur pada sistem persamaan lin-
ear berikut

(a)

2x1 x2 = 0
x1 + x2 x3 = 0

x2 +x3 = 1

(b)

4x2 3x3 = 3
x1 + 7x2 5x3 = 4

x1 + 8x2 6x3 = 5

Latihan 2.3.2 Selesaikan sistem persamaan linear berikut




x1 + x2 + x3 + x4 =4

x1 + x2 + 3x3 + 3x4 =3

x1 + x2 + 2x2 + 3x4 =3

x1 + 3x2 + 3x3 + 3x3 =4

Latihan 2.3.3 Diberikan sistem persamaan linear



x + 2y + z = 3
ay + 5z = 10

2x + 7y + az = b

(a) Dapatkan nilai a dan b supaya sistem persamaan linear mempunyai penyelesaian tunggal.

(b) Dapatkan nilai a dan b supaya sistem persamaan punya penyelesaian tidak tunggal.

Latihan 2.3.4 Suatu jaringan dari aliran terdiri dari 4 titik A, B, C dan D yang dihubungkan
oleh garis. Dengan asumsi bahwa

Total aliran yang masuk ke suatu titik sama dengan total aliran yang keluar dari suatu
titik.

Total aliran yang masuk kedalam jaringan sama dengan total aliran yang keluar dari
jaringan.
40

Bila gambar dari suatu jaringan aliran diberikan oleh gambar berikut
x1
x2 200
200 b b

A B 300

x3 x4
b
C D b 500
300 x5
400
300

Maka tentukan nilai dari x1 , x2 , x3 , x4 dan x5 .

Latihan 2.3.5 Diberikan tiga sistem persamaan linear dimana koefisennya sama untuk setiap
sistem tetapi bagian kanan persamaan berbeda:

4x 8y + 5z = 1 0 0
4x 7y + 4z = 0 1 0

3x 4y + 2z = 0 0 1
Selesaikan semua tiga persamaan sistem linear tsb. dengan menggunakan eliminasi Gauss pada
bentuk matriks yang diperbesar
A |bb1 |bb2 |bb3 ] .
[A

Latihan 2.3.6 Dapatkan sudut , dan yang memenuhi persamaan berikut:



2 sin cos + tan = 3
4 sin + 2 cos 2 tan = 2
6 sin 3 cos + tan = 9

dimana 0 2, 0 2 dan 0 2.

Latihan 2.3.7 Usahakan menyelesaikan sistem persamaan linear berikut:



x + 3y 2z = 4
x + 4y 3z = 5

x + 5y 4z = 6
menggunakan eliminasi Gauss dan terangkan mengapa sistem persamaan mempunyai banyak
takhingga penyelesaian.

Latihan 2.3.8 Sistem persamaan linear berikut tidak mempunyai penyelesaian:



x + 3y 2z = 1
x + 4y 3z = 0

x + 5y 4z = 0.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 41

Usahakan menyelesaikan sistem persamaan linear ini menggunakan eliminasi Gauss dan je-
laskan mengapa sistem persamaan linear tsb. tidak mungkin untuk diselesaikan.

Latihan 2.3.9 Gunakan sistem persamaan linear 3 3 untuk memperoleh koefisien suatu per-
samaan parabola y = + x + x2 yang melalui tiga titik (1, 1), (2, 2) dan (3, 0).

Latihan 2.3.10 Diketahui seperti Contoh 2.2.2 dan bila distribusi awal adalah 20, 20, 20 dan
40, maka tentukan distribusi akhir pada satu menit.

Latihan 2.3.11 Terangkan mengapa suatu sistem persamaan linear tidak akan pernah mem-
punyai tepat dua penyelesaian yang berbeda. Perluas pernyataan ini, untuk menerangkan fakta
bahwa bila suatu sistem persamaan linear mempunyai lebih dari satu penyelesaian, maka penye-
lesaian itu haruslah banyak takhingga penyelesaian.

Latihan 2.3.12 Misalkan bahwa [A A|bb] adalah matriks diperbesar dari suatu sistem persamaan
linear. Telah diketahui bahwa operasi baris elementer tidak mengubah penyelesaian sistem per-
samaan linear. Bagaimanapun, tidak disebutkan bahwa bila operasi kolom dapat mempengaruhi
suatu penyelesaian suatu sistem persamaan linear.

(a) Uraikan akibat pada penyelesaian suatu sistem persamaan linear bila kolom A, j dan A,k
saling dipertukarkan.

(b) Uraikan akibat pada penyelesaian suatu sistem persamaan linear bila kolom A, j diganti
oleh A
A, j dengan 6= 0.

(c) Uraikan akibat pada penyelesaian suatu sistem persamaan linear bila kolom A, j diganti
oleh A, j + A
A,k .
Petunjuk : Lakukan suatu percobaan dengan matriks berukuran 2 2 dan 3 3.

Pada akhir bagian ini dibahas metode menyelesaiakna sistem persamaan linear menggunakan
apa yang dinamakan Gauss-Jordan. Metode ini mengenalkan suatu variasi eleminasi Gauss yang
dikenal dengan nama Metode Gauss-Jordan. Walaupun ada beberapa yang membingungkan
ketika Jordan menerima penghargaan untuk algoritma ini, sekarang jelas bahwa faktanya metode
ini dikenalkan oleh seorang geodesi yang bernama Wilhelm Jordan (1842-1899) dan bukan oleh
yang telah banyak dikenal oleh matematikawan yaitu Marie Ennemond Camille Jordan (1838-
1922). Dua keutamaan dari metode Gauss-Jordan yang membedakan dengan Eleminasi Gauss
sebagai berikut.

Pada setiap langkah, elemen pivot dijadikan 1.

Pada setiap langkah, semua suku-suku diatas pivot dan juga dibawahnya dieliminasi.
42

Dengan kata lain, bila


a1,1 a1,2 a1,n
b1

a2,1 a2,2 a2,n
b2

.. .. .. .. ..
. . . . .

an,1 an,2 an,n bn
matriks diperbesar yang berkaitan dengan sistem persamaan linear, maka operasi baris elementer
digunakan untuk mereduksi matriks ini menjadi matriks berbentuk

1 0 0 c1
0 1 0 c2

.. .. . . .. .. .
. . . . .

0 0 1 cn

Tampak bahwa penyelesaian diberikan oleh kolom terakhir, yaitu xi = ci , i = 1, 2, , n dan tanpa
melakukan substitusi mundur.

Contoh 2.3.1 Gunakan metode Gauss-Jordan untuk menyelesaikan persamaan linear berikut.

2x1 + 2x2 + 6x3 = 4
2x1 + x2 + 7x3 = 6

2x1 6x2 7x3 = 1

Jawab

2 2 6 4
B1 /2
1 1 3 2

2 1 7 6
2 1 7 6 B2 2B1

2 6 7 1 2 6 7 1 B3 + 2B1

1 1 3 2
1 1 3 2
B1 B2
0 1 1 2 (B2 ) 0 1 1 2

0 4 1 3 0 4 1 3 B3 + 4B2

1 0 4 4 1 0 4 4
B1 4B3
0 1 1 2 0 1 1 2
B2 + B3
0 0 5 5 (B3 /5) 0 0 1 1

1 0 0 0
0 1 0 1 .
0 0 1 1

x1 0
Jadi, penyelesaiannya adalah x2 = 1 .
x3 1
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 43

Dari apa yang telah dibahas kelihatannya bahwa ada tidak begitu banyak perbedaan di-
antara metode Gauss-Jordan dan eliminasi Gauss dengan substitusi mundur disebabkan pen-
geliminasian suku-suku diatas pivot dengan metode Gauss-Jordan kelihatnnya ekivalen dengan
melakukan substitusi mundur. Tetapi hal ini tidak benar. Metode Gauss-Jordan membutuhkan
lebih banyak penghitungan dari pada eliminasi Gauss dengan substitusi mundur. Hal ini bisa dil-
ihat dari banyaknya operasi yang digunakan dalam metode Gauss-Jordan sebagaimana berikut.

Banyaknya Operasi Metode Gauss-Jordan

Metode Gauss-Jordan untuk sistem persamaan linear n n membutuhkan


n3 n2
+ , kali/bagi
2 2
dan
n3 n
, tambah/kurang.
2 2

Dengan kata lain, metode Gauss-Jodan membutuhkan sekitar n3 /2 operasi bagi/kali


dan juga membutuhkan sekitar n3 /2 operasi tambah/kurang.

Ingat dalam pembahasan sebelumnya eliminasi Gauss dengan substitusi mundur hanya mem-
butuhkan sekitar n3 /3 operasi kali/bagi begitu juga hal nya sama untuk operasi tambah/kurang.
Bandingkan dengan n3 /2 operasi kali/bagi begitu juga untuk operasi tambah/kurang yang dibu-
tuhkan ketika melakukan metode Gauss-Jordan, bisa dilihat bahwa metode Gauss-Jordan mem-
butuhkan sekitar lebih 50% upaya dari pada eliminasi Gauss dengan substitusi mundur. Untuk
suatu sistem persamaan linear yang kecil misalnya n = 3, perbedaan ini tidak begitu cukup be-
sar berarti. Tetapi dalam praktis sistem persamaan linear sering muncul dengan n cukup besar.
Dalam hal ini, eliminasi Gauss dengan substitusi mundur lebif effisien dibandingkan dengan
metode Gauss-Jordan. Misalnya untuk n = 100, maka n3 /3 sekitar 333333 sedangkan n3 /2
adalah 500000 dalam hal ini selisihnya adalah 166667 operasi kali/bagi begitu juga sama untuk
operasi tambah/kurang.
Walaupun metode Gauss-Jordan dalam praktis banyak dihindari untuk menyelesaiakan sis-
tem persamaan linear, metode ini mempunyai kegunaan dalam teori. Kegunaannya adalah masalah
teknik dari pada masalah komputasinya. Selain itu metode Gauss-Jordan dapat digunakan untuk
menentukan invers dari suatu matriks.

Untuk mengakhiri bagian ini, diberikan cara menyelesaiakan sistem persamaan linear menggu-
nakan Maxima untuk Metode Gauss-Jordan. Pada Contoh 2.2.2 diselesaikan dengan cara metode
Gauss-Jordan, dalam Maxima ketik sbb:

A=matrix([[4/10,0,0,2/10],[0,4/10,3/10,2/10],
[0,3/10,4/10,2/10],[6/10,3/10,3/10,4/10]])
b=matrix([[12],[25],[26],[37]])
44

Ab = A.augment(b,subdivide=True)
html("Matrik diperbesar $[A|b]=%s$"%latex(Ab))
print
html("OBE Gauss-Jordan : $%s$"%latex(Ab.rref()))

Output dari perintah tersebut adalah :


2 1
5 0 0 5 12
0 2 3 1
5 10 5 25
Matriks diperbesar : [A|b] = [A|b] =
0 3 2 1

10 5 5 26
3 3 3 2
5 10 10 5 37

1 0 0 0 10
0 1 0 0 20
OBE Gauss-Jordan : 0 0 1 0 30

0 0 0 1 40
Sehingga dengan menggunakan OBE metode Gauss-Jordan, didapat x1 = 10, x2 = 20, x3 = 30
dan x4 = 40. Terlihat hasilnya sama seperti pada hasil penghitungan sebelumnya.

Hasil penghitungan numerik untuk suatu sistem persamaan linear terhadap perubahan nilai
yang kecil bisa mempengaruhi konsistensi hasil hitungan, bila sistem persamaan linear terhadap
suatu perubahan nilai yang sangat kecil merubah hasil yang sangat besar (sangat sensitif) hal ini
membuat kecenderungan hitungan numerik sangat jauh hasilnya dari yang semestinya, bahkan
akan sangat jauh bedanya dengan jawab (solusi) eksaknya. Maxima Toolbox dapat mengatasi
kesensitifan ini. Sebagai contoh diberikan sistem persamaan berikut

.835x + .667y = .168,
(2.33)
.333x + .266y = .067.

Penyelesaian eksaknya adalah x = 1 dan y = 1. Bila diadakan perubahan kecil dari nilai 0.067
menjadi 0.066 sehingga didapat suatu sistem persamaan yang hampir sama yaitu

.835x + .667y = .168,
(2.34)
.333x + .266y = .066.

Penyelesaian eksak dari Persamaan (2.34) adalah x = 666 dan y = 834. Terlihat bahwa hasil
eksak dari Persamaan (2.33) dan (2.34) sangat jauh berbeda, sedangkan Persamaan (2.33) dan
(2.34) hampir sangat sama, hanya ada beda sangat kecil pada satu nilai 0.067 menjadi 0.066. Se-
lanjutnya kedua persamaan tsb. diselesaikan dengan menggunakan Sage NoteBook sbb:
(%i5)
kill(all)$ ab:matrix([0.835,0.667,0.168],[0.333,0.266,0.067])$
ab:echelon(ab)$ ab:rowop(ab,1,2,667/835);
 
1 0 1
(%o4)
0 1 1
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 45

(%i5) kill(all)$ ab:matrix([0.835,0.667,0.168],[0.333,0.266,0.066])$


ab:echelon(ab)$ ab:rowop(ab,1,2,667/835);
 
1 0 666
(%o4)
0 1 834
Terlihat bahwa hasil numerik yang dilakukan dalam Maxima Toolbox untuk kedua Persamaan
(2.33) dan (2.34) secara siknifikan sama dengan jawab eksak. Hal ini menjelaskan bahwa Metode
Gauss-Jordan untuk suatu sistem persamaan yang sensitif terhadap perubahan kecil, Maxima
Toolbox mampu menyelesaikan masalah ini dengan baik.

Latihan
Latihan 2.3.13 Gunakan metode Gauss-Jordan untuk menyelesaikan sistem persamaan berikut:

(a)
4x2 3x3 = 3
x1 + 7x2 5x3 = 4

x1 + 8x2 6x3 = 5

(b)

x1 + x2 + x3 + x4 = 1

x1 + 2x2 + 2x3 + 2x4 = 0

x1 + 2x2 + 3x3 + 3x4 = 0

x1 + 2x2 + 3x3 + 4x4 = 0.

(c)

5x2 + 15x4 = 5

x1 + 4x2 + 7x3 + x5 = 3

x1 + 2x2 + 3x3 = 1

x1 + 2x2 + 4x3 + x4 = 2.

(d)
2x1 + x2 + 3x3 + 2x4 = 5
x1 + 3x2 + 2x3 + 4x4 = 1

3x1 + 2x2 = 2.

Latihan 2.3.14 Gunakan metode Gauss-Jordan untuk menyelesaikan secara bersama sistem
persamaan linear berikut:
2x1 x2 = 1 0 0
x1 + 2x2 x3 = 0 1 0

x2 + x3 = 0 0 1.
46

Latihan 2.3.15 Selesaikan sistem persamaan linear berikut



x1 + x2 x3 + 3x4 = 0
3x1 + x2 x3 x4 = 0

2x1 x2 2x3 x4 = 0

Latihan 2.3.16 Selesaikan sistem persamaan linear berikut



x1 + x2 + x3 + x4 + x5 = 2
x1 + x2 + x3 + 2x4 + 2x5 = 3

x1 + x2 + x3 + 2x4 + 3x5 = 2

Mengapa mempunyai banyak penyelesaian?

Latihan 2.3.17 Selidiki apakah sistem persamaan linear berikut mempunyai jawab atau tidak!

x1 + 2x2 + x3 = 1
2x1 + 4x2 + 2x3 = 3

2.4 Matriks
Disini dikenalkan beberapa ide dasar yang mencakup pengkajian matriks. Dalam bagian se-
belumnya digunakan matriks diperbesar untuk menyatakan sistem persamaan linear. Susunan
bilangan ini sering kita jumpai juga dalam bentuk yang lain, misalnya susunan bilangan de-
ngan tiga baris dan tujuh kolom yang menyatakan berapa jam waktu yang digunakan seorang
mahasiswa setiap hari untuk mempersiapkan tiga mata kuliah yang ditempuhnya sebagaimana
diberikan oleh Tabel 2.1 berikut.

Tabel 2.1: Waktu Persiapan Mahasiswa

Ming. Sen. Sel. Rab. Kam. Jum. Sab.


Aljabar 1 3 2 1 4 4 2
Aljabar Linear 2 0 1 3 5 0 2
Geometry 4 3 1 1 0 2 0

Bila judul matakuliah dan hari dalam Tabel 2.1 dihapus, maka didapat susunan bilangan real
dalam bentuk pesegi panjang dengan tiga baris dan tujuh kolom:

1 3 2 1 4 4 2
2 0 1 3 5 0 2 , (2.35)
4 3 1 1 0 2 0
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 47

ungkapan penulisan dalam (2.35) dinamakan suatu matriks.


Secara lebih umum, matriks adalah suatu susunan dari bilangan real atau kompleks yang
berbentuk persegi panjang, setiap bilangan ini dinamakan elemen matriks yang disusun secara
baris dan kolom. Beberapa contoh matriks adalah:

1 2 3 2 5
0 1 1 1 1
5 3


6 1 8 11 , 0 2 4 , 6 ,
2
8 0 2 7 3 5 8 5
1 3 5 7 4
 
3 6 4 9 0 dan [3] .
Untuk menampilkan matriks dalam Maxima lakukan sebagai berikut:
(%i12) matrix([-1,2,-3,sqrt(2)], [0,1,%pi,5],
[-6,1/2,8,11], [8,0,2,7],[1,3,5,7]);
matrix([1,-1,1],[0,2,4],[3,5,8]);
matrix([5],[3],[6],[5],[4]);
matrix([3,6,4,9,0]);

1 2 3 2
0 1 5

1
6 2 8 11
(%o12)
8 0 2 7
1 3 5 7

1 1 1
(%o13) 0 2 4
3 5 8

5
3

6
(%o14)
5
4
 
(%o15) 3 6 4 9 0

Ukuran suatu matriks adalah banyaknya baris dan banyaknya kolom. Bila banyak baris
adalah m dan banyaknya kolom n, maka ukuran matriks ditulis sebagai m n. Jadi ukuran
matriks pada contoh diatas berturut-turut adalah 5 4, 3 3, 5 1, 1 5 dan 1 1. Suatu
matriks A ukuran m n biasanya dinotasikan dengan A = [ai, j ], i = 1, 2, . . ., m, j = 1, 2, . . ., n
atau secara singkat [ai, j ]mn (bila ukuran matriks penting untuk diketahui). Bila ukuran matriks
tidak penting untuk diketahui cukup ditulis [ai, j ]. Selanjutnya ai, j menyatakan elemen baris ke-i
kolom ke- j dari suatu matriks A dengan ai, j R atau ai, j C yang mana R menyatakan him-
48

punan bilangan real dan C menyatakan himpunan bilangan kompleks. Untuk matriks berukuran
1 1 yaitu [a] cukup ditulis a.
Suatu matriks yang hanya mempunyai satu kolom dinamakan matriks kolom (vektor kolom)
sedangkan bila hanya mempunyai satu baris dinamakan matriks baris (vektor baris). Suatu
matriks A dengan n baris dan n kolom dinamakan matriks persegi ukuran n

a1,1 a1,2 . . . a1,n
a2,1 a2,2 . . . a2,n

A = .. .. .. .. ,
. . . .
an,1 an,2 . . . an,n

elemen-elemen a1,1 , a2,2 , . . . , an,n dinamakan elemen-elemen di diagonal utama matriks A. Berikut
ini diberikan pengertian dua matriks adalah sama. Diberikan matriks A = [ai, j ] dan B = [bi, j ], ma-
triks A dan B dikatakan sama bila kedua ukuran matriks A dan B sama dan ai, j = bi, j untuk semua
i dan j. Contoh, matriks-matriks berikut
     
1 2 x 2 1 2 3
A= ,B = dan C =
3 4 3 4 3 4 5

bila x = 1, maka A = B. Walaupun ukuran A dan B sama, bila x 6= 1, maka A 6= B. Sedangkan


A 6= C dan B 6= C sebab ukuran matriks A tidak sama dengan ukuran matriks C begitu juga ukuran
B tidak sama dengan ukuran C.

2.5 Aritmatika dan Operasi Matriks


Dalam bagian ini dibahas penambahan , pengurangan dan perkalian matriks serta dibahas trans-
pose dan trace dari suatu matriks.

2.5.1 Penambahan, Pengurangan Matriks dan Perkalian Matriks


Misalkan, sebuah kota dibagi menjadi dua wilayah Utara dan Selatan. Banyaknya siswa SMP
dan SMA kelas I, II dan III diberikan oleh tabel berikut:

Tabel 2.2: Daftar Siswa Wilayah Utara dan Selatan

Wilayah Utara Wilayah Selatan


Kelas I Kelas II Kelas III Kelas I Kelas II Kelas III
SMP 2234 2105 2001 SMP 2105 1866 1509
SMA 1973 1873 1762 SMA 1877 1689 1574
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 49

Maka daftar total siswa SMP dan SMA keseluruhan kota diberikan oleh tabel berikut

Tabel 2.3: Daftar total siswa SMP dan SMA seluruh wilayah

Kelas I Kelas II Kelas III


SMP 2234+2105=4339 2105+1866=3971 2001+1509= 3510
SMA 1973+1877=3850 1873+1689= 3562 1762+1574= 3336

Bila daftar keadaan siswa wilayah Utara dan Selatan di tuliskan sebagai matrik, didapat matriks:
   
2234 2105 2001 2105 1866 1509
U= dan S =
1973 1873 1762 1877 1689 1574

dan matriks U + S didefinisikan sebagai


   
def 2234 + 2105 2105 + 1866 2001 + 1509 4399 3971 3510
U +S = =
1973 + 1877 1873 + 1689 1762 + 1574 3850 3562 3336

Terlihat bahwa Tabel 2.3 bentuk matriksnya diberikan oleh matriks U + S. Hasil pembahasan ini
menjelaskan penambahan dua matriks. Hal yang serupa bisa dilakukan untuk pengurangan dua
matriks.
Berikut ini diberikan definisi secara umum untuk penambahan dan pengurangan dua matriks.
Penambahan dan pengurangan dua matriks A dan B bisa dilakukan bila kedua matriks mem-
punyai ukuran yang sama dan elemen-elemen dari A + B dan A B masing-masing diberikan
oleh
[A + B]i, j = ai, j + bi, j dan [A B]i, j = ai, j bi, j .
Bila ukuran A dan B tidak sama, maka penambahan dan pengurangan dari A dan B tidak di-
definisikan. Berikut ini diberikan contoh penambahan dan pengurangan matriks. Diberikan
matriks-matriks:
     
1 2 0 2 3 11 1 2
A= , B= dan C = .
0 7 3 3 6 4 3 4

Maka    
1 1 11 3 5 11
A+B = , AB =
3 1 1 3 13 7
sedangkan A +C dan B +C tidak terdefinisi, begitu juga A C dan B C tidak terdefinisi. Untuk
melakukan operasi tambah dan kurang bagi matriks dalam Maxima lakukan sebagai berikut:
(%i5) a:A=matrix([1,-2,0],[0,7,-3]);b:B=matrix([-2,3,11],[3,-6,4]);
c:C=matrix([1,-2],[3,-4]);"A+B"= rhs(a)+rhs(b);"A-B"= rhs(a)-rhs(b);
50
 
1 2 0
(%o1) A =
0 7 3
 
2 3 11
(%o2) B =
3 6 4
 
1 2
(%o3) C =
3 4
 
1 1 11
(%o4) A + B =
3 1 1
 
3 5 11
(%o5) A B =
3 13 7
Untuk A +C dan B C tidak terdifinisi, hal ini bisa dilihat hasil output dalam Maxima sebagai
berikut:
(%i9) "A+C"=rhs(a)+rhs(c);"B-C"=rhs(b)+rhs(c);
fullmap: arguments must have same formal structure.
an error. To debug this try: debugmode(true);
fullmap: arguments must have same formal structure.
an error. To debug this try: debugmode(true);

Bila A sebarang matriks dengan elemen-elemen di R atau di C dan k sebarang skalar di R


atau di C, maka hasil kali kA adalah matriks yang semua elemen-elemennya diperoleh melalui
mengalikan k dengan semua elemen-elemen dari A. Matriks kA dinamakan perkalian skalar dari
A. Dengan notasi matriks, bila A = [ai, j ], maka
[kA]i, j = kai, j .

Contoh 2.5.1

Diberikan matriks-matriks
     
0 1 3 8 0 6 10 2 5
A= , B= dan C =
2 4 6 4 14 2 1 4 3
maka
     
0 1 3 1 4 0 3 30 6 15
(1)A = , B= dan 3C = .
2 4 6 2 2 7 1 3 12 9
Perkalian skalar dengan matriks dalam Maxima dilakukan sebagai berikut:
(%i6) a: A=matrix([0,-1,-3],[2,4,6]);b:B=matrix([8,0,6],[4,14,-2]);
c: C=matrix([10,2,-5],[1,4,3]);"(-1)A"= -1*rhs(a);
"1/2B"= 1/2*rhs(b);"3C"=3*rhs(c);
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 51
 
0 1 3
(%o1) A=
2 4 6
 
8 0 6
(%o2) B=
4 14 2
 
10 2 5
(%o3) C=
1 4 3
 
0 1 3
(%o4) (1)A =
2 4 6
 
1 4 0 3
(%o5) B=
2 2 7 1
 
30 6 15
(%o6) 3C =
3 12 9

Untuk lebih praktis, penulisan (1)A cukup ditulis A. Bila A1 , A2 , . . . , An matriks-matriks


dengan ukuran yang sama dan k1 , k2 , . . ., kn adalah skalar, maka bentuk

k1 A1 + k2 A2 + . . . + kn An

dinamakan suatu kombinasi linear dari A1 , A2 , . . ., An dengan koefisien-koefisien k1 , k2 , . . . , kn .


Misalnya pada Contoh 2.5.1, maka
     
1 0 1 3 4 0 3 30 6 15
A + B + 3C = + +
2 2 4 6 2 7 1 3 12 9
 
34 7 9
=
3 15 2
1
adalah kombinasi linear dari A, B dan C dengan koefisien 1, dan 3. Selanjutnya diberikan
2
notasi R mn menyatakan himpunan semua matriks ukuran m n dengan elemen-elemen di R
dan R n1 adalah himpunan semua vektor kolom ukuran n biasanya cukup ditulis Rn .
Sebegitu jauh telah dibahas perkalian suatu skalar dengan matriks, tetapi perkalian dua ma-
triks belum dibahas. Sebagaimana telah diketahui penambahan dan pengurangan matriks adalah
menambah atau mengurangi elemen-elemen yang bersesuaian. Perkalian matriks agak berbeda
dengan penambahan matriks. Untuk mendefinisikan perkalian dua matriks A dan B, sebagai
motifasi diberikan dua sistem persamaan linear

a1,1 x1 + a1,2 x2 + a1,3 x3 = y1


(2.36)
a2,1 x1 + a2,2 x2 + +a2,3 x3 = y2

dan
b1,1 z1 + b1,2 z2 = x1
b2,1 z1 + b2,2 z2 = x2 (2.37)
b3,1 z1 + b3,2 z2 = x3
52

Bila diinginkan y1 dan y2 bergantung pada peubah z1 dan z2 , maka didapat sistem persamaan

(a1,1 b1,1 + a1,2 b2,1 + a1,3 b3,1 )z1 + (a1,1 b1,2 + a1,2 b2,2 + a1,3 b3,2 )z2 = y1
(2.38)
(a2,1 b2,1 + a2,2 b2,1 + a2,3 b3,1 )z1 + (a2,1 b1,2 + a2,2 b2,2 + a2,3 b3,2 )z2 = y2

Selanjutnya bila

c1,1 = a1,1 b1,1 + a1,2 b2,1 + a1,3 b3,1 c1,2 = a1,1 b1,2 + a1,2 b2,2 + a1,3 b3,2
c2,1 = a2,1 b2,1 + a2,2 b2,1 + a2,3 b3,1 c2,2 = a2,1 b1,2 + a2,2 b2,2 + a2,3 b3,2

atau secara singkat


3
ci, j = ai,k bk, j , i = 1, 2 dan j = 1, 2, 3 (2.39)
k=1

dan masing-masing matriks A, B,C diberikan oleh



  b1,1 b1,2  
a1,1 a1,2 a1,3 c1,1 c1,2
A= , B = b2,1 b2,2 ,C =
,
a2,1 a2,2 a2,3 c2,1 c2,2
b3,1 b3,2

def
dan didefinisikan perkalian matriks AB = C, dengan elemen-elemen matriks C diberikan oleh
Persamaan (2.39), maka Persamaan (2.38) dapat ditulis sebagai perkalian matriks
   
z1 y1
CZ = Y, dengan Z = dan Y = .
z2 y2

Perhatikan bahwa Persamaan (2.39) mengisyaratkan banyaknya kolom dari A harus sama de-
ngan banyaknya baris B dalam hal ini keduanya sama dengan 3 dan ukuran matriks hasil kali
adalah 2(banyaknya baris A) 2(banyaknya kolom B). Jadi syarat dua matriks bisa dikalikan
banyaknya kolom matriks yang pertama sama dengan banyaknya baris matriks yang kedua dan
elemen-elemen matriks hasil kali diberikan seperti dalam Persamaan (2.39). Oleh karena itu bila
matriks Am,p dan matriks B p,n , maka perkalian kedua matriks ini diberikan oleh
p
Am,p B p,n = Cm,n , dengan ci, j = ai,k bk, j , i = 1, 2, . . ., m dan j = 1, 2, . . ., n.
k=1

Contoh 2.5.2

Diberikan matriks-matriks
  2 1
1 2 3
A= ,B = 3 7
5 3 4
5 6
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 53

Elemen baris ke-1 kolom ke-2 dan baris ke-2 kolom ke-1 matriks perkalian AB diberikan sebagai
berikut
  2 1  
1 2 3  33
AB = 3 7 =
5 3 4 43 
5 6

(1  1) + (2  7) + (3  6) = 33
(5  2) + (3  3) + (4  6) = 43
Dengan melakukan hal yang serupa didapat

  2 1  
1 2 3 23 33
AB = 3 7 =
5 3 4 39 50
5 6
dan perkalian matriks BA diberikan oleh

2 1   7 7 10
1 2 3
BA = 3 7 = 38 27 37
5 3 4
5 6 35 28 39
terlihat bahwa AB 6= BA. Perkalian matriks tsb. dalam Maxima lakukan sebagai berikut:
(%i1) a:A=matrix([1,2,3],[5,3,4]); b:B=matrix([2,1],[3,7],[5,6]);
ab:AB=rhs(a).rhs(b);ba:BA=rhs(b).rhs(a);
 
1 2 3
(%o1) A=
5 3 4

2 1
(%o2) B = 3 7
5 6
 
23 33
(%o3) AB =
39 50

7 7 10
(%o4) BA = 38 27 37
35 28 39

Diberikan dua matriks Am,p dan B p,n dan C = Am,pB p,n , maka matriks baris ke-i dari C
diberikan oleh Ci, = Ai, B dan matriks kolom ke- j dari C diberikan oleh C, j = AB, j .
Contoh 2.5.3
Diberikan matriks-matriks

2 1 1
1 2 0 7 0 2 2
A= 2 5 0 8 .
3 2 10 , B =
5 11 1 8
1 12 9
54

Bila C = AB, maka baris ke-2 dari matriks C diberikan oleh



2 1 1
  0 2 2  
C2, = A2, B = 2 3 2 10 = 24 128 66
5 0 8
1 12 9

dan kolom ke-3 dari C diberikan oleh



1
1 2 0 7 66
2

C,3 = AB,3 = 2 8 = 66
3 2 10
5 11 1 8 47
9

Penghitungan ini dapat dilakukan dalam Maxima sebagai berikut:


(%i6) kill(all)$ a: A=matrix([1,-2,0,7],[2,3,2,10],[-5,11,1,8]);
b:B=matrix([2,1,1],[0,2,2],[5,0,8],[1,12,-9]);
a2:A["2,*"]=row(rhs(a),2);
print(C["2,*"],"=",A["2,*"]*B,"=",rhs(a2).rhs(b))$
b3:B["*,3"]=col(rhs(b),3);
print(C["*,3"],"= A",B["*,3"],"=",rhs(a).rhs(b3))$

1 2 0 7
(%o1) A= 2 3 2 10
5 11 1 8

2 1 1
0 2 2
(%o2) B= 5 0 8

1 12 9
   
(%o3) A2, = 2 3 2 10 , C2, = A2, B = 24 128 66

1
2 66
(%o5) 8 , C,3 = A B,3 = 66
B,3 =
47
9

Perkalian matriks dan kombinasi linear sangat penting bila dihubungkan dengan sistem per-
samaan linear yang diberikan oleh Persamaan (2.9). Persamaan ini dapat ditulis dalam bentuk
perkalian matriks sebagai berikut

a1,1 a1,2 . . . a1,n x1 b1
a2,1 a2,2 . . . a2,n x2 b2

.. .. .. .. .. = .. . (2.40)
. . . . . .
am,1 am,2 . . . am,n xn bm
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 55

Bila
a1,1 a1,2 . . . a1,n x1 b1

a2,1 a2,2 . . . a2,n


x2


b2

A= .. .. .. .. , =
x .. dan =
b .. ,
. . . . . .
am,1 am,2 . . . am,n xn bm
maka Persamaan (2.40) dapat ditulis sebagai Axx = b . Selanjutnya bila

a1, j
a2, j

A, j = .. , j = 1, 2, . . ., n,
.
am, j

dan sistem persamaaan linear (2.40) mempunyai penyelesaian, maka matriks b dapat ditulis se-
bagai kombinasi linear berikut

x1 A,1 + x2 A,2 + . . . + xn A,n = b . (2.41)

Pembahasan yang lebih mendalam mengenai kombinasi linear akan diberikan pada bagian yang
berikutnya, terutama saat pembahasan ruang vektor.

2.6 Matriks-matriks Khusus


Disini dikenalkan matriks nol, diagonal identitas(satuan), matriks segi-tiga dan matriks simetri.
Suatu matriks yang semua elemenya sama dengan nol dinamakan matriks nol. Berikut ini contoh
contohnya
  0  
  0 0 0 0 0 0
0 0 , , 0 ,
.
0 0 0 0 0 0
0
Perintah dalam maxima untuk matriks nol dapat dilakukan sebagai berikut:
(%i21) o1:O["1x2"]=zeromatrix(1,2);o2:O["2x2"]=zeromatrix(2,2);
o3:O["3x1"]=zeromatrix(3,1);o4:O["2x4"]=zeromatrix(2,4);
 
(%o21) O12 = 0 0
 
0 0
(%o22) O22 =
0 0

0
(%o23) O31 = 0

0
 
0 0 0 0
(%o24) O24 =
0 0 0 0
56

Suatu matriks persegi D berukuran n n dinamakan matriks diagonal bila



d1 0 0 0
0 d2 0 0

D = 0 0 d3 0

.. .. .. . . ..
. . . . .
0 0 0 dn
Terlihat bahwa semua elemen dari D yang berada diatas dan dibawah elemen diagonal utama
sama dengan nol yaitu di, j = 0, untuk i 6= j. Contoh

  1 0 0
1 0
, 0 0 0 .
0 2
0 0 3
Perintah melakukan matriks diagonal dalam Maxima dapat dilakukan sebagai berikut:
(%i35) load(diag)$ diag([1,2];diag([-1,0,3]);
 
1 0
(%o36)
0 2
1 0 0
(%o37) 0 0 0
0 0 3
Suatu matriks diagonal dengan semua elemen diagonal utama sama dengan satu dinamakan
matriks satuan(identitas). Contoh

  1 0 0
1 0
, 0 1 0 .
0 1
0 0 1
Dengan demikian matriks identitas I mempunyai elemen ik,l = 1, k = l dan ik,l = 0, k 6= l. Pe-
rintah melakukan matriks identitas dalam Maxima dapat dilakukan sebagai berikut:
(%i38) ident(2);ident(3);
 
1 0
(%o38)
0 1

1 0 0
(%o39) 0 1 0
0 0 1
Suatu matriks persegi A dinamakan matriks segi tiga atas bila

a1,1 a1,2 a1,n
0 a2,2 a2,n

A = .. .. .. .. ,
. . . .
0 0 an,n
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 57

terlihat bahwa elemen ai, j = 0, untuk i > j. Contoh





 3 1 0
1 2 4 3
2 6 0 2 1 0
, 0 2 5 , .
0 1 0 0 3 0
0 0 4
0 0 0 4

Suatu matriks persegi A dinamakan matriks segi tiga bawah bila



a1,1 0 0
a2,1 a2,2 0

A = .. .. .. .. ,
. . . .
an,1 an,2 an,n

terlihat bahwa elemen ai, j = 0, untuk i < j. Contoh



1 0 0 0
  3 0 0
2 0 1 2 0 0
, 1 2 0 , .
3 1 2 2 3 0
6 0 4
0 7 8 4

Suatu matriks transpose adalah matriks yang diperoleh dari matriks yang lain dengan elemen
baris menjadi elemen kolom dan sebaliknya. Matriks transpose dari suatu matriks A ditulis AT ,
jadi bila A = [ai, j ], maka AT = [a j,i ]. Contoh

  1 0
1 2 3 4 2 2
A= , AT =
3 3 .

0 2 3 5
4 5

Perintah untuk melakukan matriks transpose dalam Maxima lakukakan sebagai berikut:
(%i2) a:A=matrix([1,2,-3,-4],[0,-2,3,5]);at:A^("T")=transpose(rhs(a));
 
1 2 3 4
(%o2) A=
0 2 3 5

1 0
2 2
(%o3) AT = 3 3

4 5
Suatu matriks persegi A dinamakan matriks simetri bila A = AT . Contoh

0 1 7 0 1 7
A = 1 2 3 , AT = 1 2 3 .
7 3 1 7 3 1
58

Suatu matriks persegi A dinamakan simetri miring (skew symmetry) bila A = AT . Contoh
     
0 1 T 0 1 0 1
A= , A = = = A.
1 0 1 0 1 0

Diberikan suatu matriks persegi



a1,1 a1,2 a1,3 a1,n
a2,1 a2,2 a2,3
a2,n

A = .. .. .. .. ,
. . . .
an,1 an,2 an,3 an,n

trace dari matriks A ditulis trace(A) didefinisikan oleh


n
ai,i.
def
trace(A) =
i=1

Contoh, misalkan matriks



1 1 2
A = 3 2 0 , trace(A) = 1 + 2 + 3 = 6.
2 5 3

Perintah mendapatkan trace dari suatu matriks dalam Maxima dilakukan sebagai berikut:
(%i7) load(functs)$ a:A=matrix([1,1,2],[-3,2,0],[2,5,4]);
tra:"trace(A)"=tracematrix(rhs(a));

1 1 2
(%o8) A = 3 2 0
2 5 4
(%o9) trace(A) = 7.

Bila suatu matriks elemen-elemennya adalah bilangan kompleks, maka dikenal suatu matriks
dengan nama konjugate transpose atau transpose konjugate. Hal ini berkenaan dengan suatu
dari bilangan kompleks. Misalkan suatu bilangan kompleks z C dengan z = a +
konjugate
bi, i = 1, maka konjugate dari z ditulis z diberikan oleh z = a bi. Diberikan suatu matriks

A = [ai, j ], ai, j C,

maka konjugate dari matriks A adalah


def
A = [ai, j ]
dan matriks A adalah
def
A = (A)T = AT .
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 59

Contoh, diberikan matriks


 
2 i 5 + 3i 2 7i
A= ,
3i 1 + 4i 2 + 3i

maka
  2i 3i
2 + i 5 3i 2 + 7i
A= , AT = 5 + 3i 1 + 4i
3i 1 4i 2 3i
2 7i 2 + 3i

dan
2 + i 3i
(A)T = 5 3i 1 4i = AT = A .
2 + 7i 2 3i

Perintah konjugate matiks dalam maxima dapat dilakukan sebagai berikut:


(%i1) a:A=matrix([2-%i,5+3*%i,2-7*%i],[3*%i,1+4*%i,2+3*%i]);
 
2 i 5 + 3i 2 7 i
(%o1) A=
3 i 1 + 4i 2 + 3i

(%i4) ac:conjugate(rhs(a));
 
i+2 53i 7i+2
(%o4)
3 i 1 4 i 2 3 i

(%i7) at:transpose(rhs(a));

2i 3i
(%o7) 3 i + 5 4 i + 1
27i 3i+2

(%i6) transpose(ac);

i+2 3 i
(%o6) 5 3 i 1 4 i
7i+2 23i

(%i8) conjugate(at);

i+2 3 i
(%o8) 5 3 i 1 4 i
7i+2 23i

(%i12) A^("*")=conjugate(at);
60

i+2 3 i
(%o12) A = 5 3 i 1 4 i
7i+2 23i

(%i13) A^("*")=transpose(ac);

i+2 3 i
(%o13) A = 5 3 i 1 4 i
7i+2 23i

2.7 Sifat-sifat Aritmatika Matriks


Pada bagian ini dibahas lebih mendalam mengenai sifat sifat aritmatika matriks. Diantaranya
sifat komutatif, sifat assosiatif dan sifat elemen netral dari penjumlahan dua matriks. Juga diba-
has sifat-sifat berkenaan dengan perkalian matriks baik dengan skalar ataupun matriks dengan
matriks.

Teorema 2.7.1 Bila A, B dan C adalah matriks dengan ukuran yang sama dan elemen-elemennya
adalah bilangan real atau kompleks, maka

(1) A + B = B + A,

(2) A + (B +C) = (A + B) +C.

Bukti: Misalkan A = [ai, j ], B = [bi, j ] dan C = [ci, j ]

(1) didapat
A + B = [ai, j + bi, j ] = [bi, j + ai, j ] = B + A

(2) dan

(A + B) +C = [ai, j + bi, j ] + ci, j


= [(ai, j + bi, j ) + ci, j ]
= [ai, j + (bi, j + ci, j )]
= A + (B +C).

Teorema 2.7.2 Ada dengan tunggal matriks M berukuran m n sedemikian hingga untuk setiap
matriks A berukuran m n berlaku A + M = A.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 61

Bukti:
Misalkan matriks M = [mi, j ] dengan mi, j = 0 untuk semua i dan j. Maka untuk setiap matriks
A = [ai, j ] didapat
A + M = [ai, j + mi, j ] = [ai, j + 0] = [ai, j ] = A.

Untuk menentukan ketunggalan dari M, misalkan bahwa matriks B = [bi, j ] juga memenuhi A +
B = A untuk setiap A, maka khususnya didapat M + B = M, dilain pihak M + B = B. Jadi B = M.

Teorema 2.7.3 Bila A dan B masing-masing berukuran m n, maka untuk setiap skalar dan

1. (A + B) = A + B,

2. ( + )A = A + A,

3. (A) = ()A,

4. (1)A = A

5. 0A = 0mn .

Bukti:
Misalkan A = [ai, j ] dan B = [bi, j ] didapat

1. (ai, j + bi, j ) = ai, j + bi, j (A + B) = A + B,

2. ( + )ai, j = ai, j + ai, j ( + )A = A + A,

3. (ai, j ) = ()ai, j (A) = ()A,

4. (1)ai, j = ai, j (1)A = A

5. 0ai, j = 0 0A = 0mn .

Teorema 2.7.4 Misalkan matriks A berukuran m n, B berukuran n p dan C berukuran p q,


maka A(BC) = (AB)C.
62

Bukti:
Elemen ke-(i, j) dari matriks A(BC) adalah

n
[A(BC)]i, j = ai,r [BC]r, j
r=1
!
n p
= ai,r br,scs, j
r=1 s=1
n p
= ai,r br,scs, j .
r=1 s=1

Sedangkan elemen ke-(i, j) dari matriks (AB)C adalah

p
[(AB)C]i, j = [AB]i,scs, j
s=1
!
p n
= ai,r br,s cs, j
s=1 r=1
p n
= ai,r br,scs, j
s=1 r=1
n p
= ai,r br,scs, j .
r=1 s=1

Didapat
[A(BC)]i, j = [(AB)C]i, j untuk semua i, j.

Jadi A(BC) = (AB)C.

Dari hasil Teorema 2.7.4, maka matriks A(BC) dan (AB)C cukup ditulis ABC. Juga matriks

sebanyak n
z }| {
AAA A,

dengan n adalah bilangan bulat positip ditulis An .

Teorema 2.7.5 Bila matriks A berukuran m n, matriks B dan C masing-masing berukuran


n p, maka
A(B +C) = AB + AC
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 63

Bukti:
Elemen [A(B +C)]i, j diberikan oleh
n
[A(B +C)]i, j = ai,k[B +C]k, j
k=1
n
= ai,k(bk, j + ck, j )
k=1
n n
= ai,kbk, j + ai,k ck, j )
k=1 k=1
= [AB]i, j + [AC]i, j
= [AB + AC]i, j .
Terlihat bahwa A(B +C) = AB + AC.

Hal serupa dapat dibuktikan bahwa bila matriks A, B dan C dengan ukuran yang sesuai, maka
(B +C)A = BA +CA.

Teorema 2.7.6 Bila perkalian AB terdefinisi, maka untuk skalar didapat


(AB) = (A)B = A(B).

Bukti:
Elemen ke-(i, j) dari tiga hasil kali tsb. adalah
!
n n n
ai,k bk, j = (ai,k)bn, j = ai,k (bk, j ).
k=1 k=1 k=1

Teorema 2.7.7 Ada dengan tunggal matriks M berukuran n n dengan sifat untuk setiap ma-
triks A berukuran n n, maka
AM = A = MA.

Bukti:
Misalkan matriks berukuran n n

1 0 0
0
0
1 0
0
M = 0
0 0
1 .
.. .. ....
. . ..
0 0 0 1
64

Lebih tepatnya, bila didefinisikan simbol Kronecker i, j oleh



1 bila i = j,
i, j =
0 bila i 6= j,

maka didapat M = [i, j ]nn . Bila A = [ai, j ]nn , maka


n
[AM]i, j = ai,k k, j
k=1
= ai,1 1, j + ai,2 2, j + + ai, j j, j + + ai,n n, j
= ai,1 0 + ai,2 0 + + ai, j 1 + + ai,n 0
= ai, j .

Jadi AM = A dengan cara serupa didapat MA = A. Untuk menunjukkan ketunggalan matriks M,


misalkan bahwa matriks P berukuran n n juga mempunyai sifat

AP = A = PA, untuk setiap matriks A berukuran n n.

Khususnya didapat MP = M = PM, tetapi M juga mempunyai sifat PM = P = MP. Hal ini
menunjukkan bahwa P = M.

Sebagaimana telah dibahas sebelumnya, matriks M adalah matriks identitas (satuan) dan se-
lanjutnya dinotasikan oleh Inn .

Teorema 2.7.8 Bila penjumlahan dan perkalian matriks terdefinisi, maka

(AT )T = A, (A + B)T = AT + BT . (A)T = AT , (AB)T = AT BT .

Bukti:
Bila A = [ai, j ] dan B = [bi, j ] didapat

(AT )T = [a j,i ]T = [ai, j ] = A.

Misalkan A + B = [ai, j ] + [bi, j ] = [ci, j ] = C, didapat

(A + B)T = CT = [c j,i ] = [a j,i ] + [b j,i ] = AT + BT .

(A)T = [ai, j ]T = [a j,i ] = [a j,i ] = AT .


Misalkan A = [ai, j ]mn dan B = [bi, j ]np , didapat
n n
[AB] j,i = a j,k bk,i = bk,ia j,k = [BT AT ]i, j ,
k=1 k=1

terlihat bahwa (AB)T = BT AT .


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 65

Hasil Teorema 2.7.8 memeberikan suatu kesimpulan bahwa untuk sebarang matriks persegi
A, maka matriks A + AT adalah matriks simetri dan matriks A AT adalah matriks simetri miring
(skew symmstric). Sebab

(A + AT )T = AT + (AT )T = AT + A = A + AT ,

dan
(A AT )T = AT (AT )T = AT A = (A AT ).

2.8 Matriks Invers dan Matriks Elementer


Pada bagian ini diberikan pengertian matriks invers dan beberapa sifat-sifatnya. Cara memper-
oleh matriks invers dibahas pada bagian berikutnya.
Disini juga dikenalkan ide dari matriks elementer. Matriks ini dapat digunakan untuk mem-
peroleh matriks invers.

Definisi 2.8.1 Bila untuk suatu matriks persegi A bisa didapat matriks persegi yang lain B
sedemikian hingga memenuhi
AB = BA = I,
maka B dinamakan invers dari A, dalam hal ini matriks A dinamakan matriks nonsingulir.
Sebaliknya bila tidak ada matriks B tsb., maka matriks A dinamakan matriks singulir.

Perluh diperhatikan bahwa pembahasan disini berkaitan dengan matriks invers hanya untuk ma-
triks persegi. Dalam pengertian matriks invers, maka matriks B juga nonsingulir dan mempunyai
invers A.
Berikut ini diberikan sifat ketunggalan dari matriks invers.

Teorema 2.8.1 Misalkan A nonsingulir dan B begitu juga C masing-masing adalah invers dari
A, maka B = C.

Bukti:
Karena B adalah invers dari A, maka AB = I. Bila kedua ruas dari AB = I dikalikan dengan C
didapat
C(AB) = CI = C.
Tetapi dengan menggunakan sifat assosiatif didapat

C(AB) = (CA)B = IB = B.

Terlihat bahwa C = CAB = B atau C = B.


66

Matriks invers dari suatu matriks A dinotasikan oleh A1 .

Contoh 2.8.1 Diberikan matriks  


1 2
A= ,
3 4
maka  
1 2 1
A = 3 .
2 21
Hal ini bisa dicek sebagai berikut
    
1 1 2 2 1 1 0
AA = 3 = = I22
3 4 2 12 0 1

dan     
1 2 1 1 2 1 0
A A= 3 = = I22
2 21 3 4 0 1

Contoh 2.8.2 Diberikan matriks


0 0 2
B = 0 1 2 ,
0 3 1
maka matriks B adalah singulir. Hal ini bisa ditunjukkan sebagai berikut: Andaikan B non
singulir, maka ada matriks
c1,1 c1,2 c1,3
C = c2,1
c2,2 c2,3
c3,1 c3,2 c3,3
yang memenuhi CB = I33 . Kolom ke-1 dari matriks CB diberikan oleh

c1,1 c1,2 c1,3 0 0 1
[CB],1 = CB,1 = c2,1 c2,2 c2,3 0 = 0 6= 0 .

c3,1 c3,2 c3,3 0 0 0

Hasil ini cukup menunjukkan bahwa CB 6= I33 . Jadi matriks B singulir.

Bila A nonsingulir, maka untuk n bilangan bulat positip An didefisikan sebagai

An = (A1 )n = A 1 1 1
| A {z A }
sebanyak n

Berikut ini diberikan sifat-sifat yang berkaitan dengan matriks invers.

Teorema 2.8.2 Misalkan matriks A dan B masing-masing adalah matriks nosingulir, maka

1. AB adalah nonsingulir dan (AB)1 = B1 A1 .


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 67

2. A1 adalah nonsingulir dan (A1 )1 = A.

3. Untuk n = 1, 2, , An adalah nonsingulir dan (An )1 = An = (A1 )n .

4. Bila 6= 0, maka A nonsingulir dan (A)1 = 1 A1 .

5. AT adalah nonsingulir dan (AT )1 = (A1 )T .

Bukti:

1.
(AB)(B1A1 ) = A(BB1)A1 = AIA1 = AA1 = I
dan
(B1A1 )(AB) = B1(AA1 )B = B1 IB = B1 B = I
Terlihat bahwa invers dari AB, yaitu (AB)1 = B1 A1 .

2. Invers dari A1 adalah (A1)1 dengan demikian

(A1 )1 A1 = I = A1 (A1 )1

Tetapai juga
AA1 = I = A1 A
Terlihat bahwa (A1 )1 = A.

3. Perluh ditunjukkan bahwa An An = I = AnAn , sebagai berikut


An An = AA A} |A1 A1
| {z
1
{z A }
sebanyak n sebanyak n

= AA A} (AA1 ) A
| {z
1 1 1 1
| A {z A } , tetapi AA = I
sebanyak n1 sebanyak n1

= AA A} |A1 A1
| {z
1
{z A }
sebanyak n1 sebanyak n1
..
.
= (AA)(A1A1 )
= A(AA1)A1 , juga AA1 = I
= AA1
= I.

Dengan cara serupa dapat ditunjukkan bahwa An An = I, dengan demikian invers dari An
yaitu (An )1 = An .
68

4. Juga, cukup ditunjukkan bahwa (A)( 1 A1 ) = I = ( 1 A1 )(A) sebagai berikut

1 1
(A)( A1 ) = ( )(AA1) = 1I = I.

Juga
1 1
( A1 )(A) = ( )(A1A) = 1I = I.

Terlihat bahwa invers dari A yaitu (A)1 = 1 A1 .

5. Cukup ditunjukkan bahwa AT (A1 )T = I = (A1 )T AT sebagai berikut

AT (A1 )T = (A1A)T = I T = I,

juga
(A1 )T AT = (AA1)T = I T = I.
Terlihat bahwa invers dari AT yaitu (AT )1 = (A1 )T .

Catatan, hasil (AB)1 = B1 A1 dapat diperluas untuk lebih dari dua matriks, misalnya
(ABC)1 = C1 B1 A1 .
Sebegitu jauh pembahasan sifat-sifat belum membahas suatu hukum penghapusan atau pem-
faktoran dari suatu matriks nol. Kedua sifat ini diberikan berikut.

Teorema 2.8.3 Misalkan A adalah matriks nonsingulir dan B,C dan D matriks yang berukuran
sama seperti matriks A. Maka

1. bila AB = AC, maka B = C,

2. bila AD=0, maka D = 0

Bukti:

1. Kedua ruas persamaan


AB = AC
kalikan dari kiri dengan A1 didapat

A1 AB = A1 AC
IB = IC
B = C.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 69

2. Kedua ruas persamaan


AD = 0
kalikan dari kiri dengan A1 didapat

A1AD = A1 0
ID = 0
D = 0.

Perhatikan bahwa Teorema ini disyaratkan untuk A nonsingulir. Perluh diingat kembali
bahwa perkalian dua matriks tidak komutatif. Oleh karena itu bila AB = CA tidak ada alasan
menyimpulkan B = C bahkan untuk matriks A yang nonsingulir. Hal ini bisa dilihat sebagai
berikut

A1 AB = A1CA
B = A1CA

atau

ABA1 = CAA1
ABA1 = C

Untuk kedua hal tsb. tidak bisa disimpulkan B = C.


Berikut ini dibahas pengertian matriks elementer. Matriks ini erat kaitannya dengan Operasi
Baris Elementer (OBE) dan salah satu kegunaannya adalah untuk menentukan invers suatu ma-
triks persegi.

Definisi 2.8.2 Suatu matriks persegi dinamakan matriks Elementer bila matriks ini diperoleh
dari matriks identitas dengan melakukan suatu operasi baris elementer pada matriks identitas
tsb.

Berikut ini beberapa contoh matriks elementer


   
1 0 3B1 3 0
,
0 1 0 1

1 0 0 1 0 0
0 1 0 B 2 B3 0 0 1 ,
0 0 1 0 1 0

1 0 0 0 1 0 0 0
0 1 0 0 B4 4B3 0 1 0 0
0 0 1 0 0 0 1 0 .

0 0 0 1 0 0 4 1
70

Operasi Baris Elementer dari suatu matriks juga khususnya matriks identits ada tiga macam,
yaitu pertukaran antar baris, suatu baris kalikan dengan skalar taknol dan tambahkan suatu baris
dengan hasil dari suatu baris yang lain kali dengan skalar tak nol.
Misalkan A matriks berukuran m n dan e menyatakan suatu baris elementer pada A. Matriks
hasil dari OBE e pada A ditulis e(A) dan hasil matriks OBE e pada matriks identitas Imm ditulis
e(Imm . Jelas bahwa e(Imm adalah matriks elementer. Sifat berikut menjelaskan hubungan e(A)
dengan e(Imm .

Teorema 2.8.4 Bila E = e(Imm ), maka e(A) = EA.

Bukti: Misalkan untuk i = 1, 2, m, Ai, , adalah baris ke-i dari matriks A dan Ii, adalah baris
ke-i dari matriks identitas Imm , maka Ii, A = Ai, .

1. Misalkan e adalah OBE dari pertukaran antara baris ke-i dengan baris ke- j, didapat

I1, A1,
I2, A2,

.. ..
. .

I j, A j,
E = e(Imm ) = .. dan e(A) = .. .

. .
I A
i, i,
. .
.. ..
Im, Am,

Jadi
I1, A A1,
I2, A A2,

.. ..
. .

I j, A A j,
EA = .. = ..

= e(A).
. .
I A A
i, i,
. .
.. ..
Im, A Am,

2. Misalkan e adalah OBE dari baris ke-i dikalikan dengan skalar taknol , didapat

I1, A1,
I2, A2,
. .
. .
. .
E = e(Imm ) = dan e(A) = .
Ii, Ai,
. .
.. ..
Im, Am,
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 71

Jadi

I1, A A1, A1, I1, A

I2, A



A2, A2,
. I2, A
..
.. . ..
.
. . .
EA = = = = = e(A)
(Ii, )A (Ii, A) (Ii,)A Ai,
. .. ... ...

.. .
Im, A Am, Im, A Am,
3. Misalkan e adalah OBE dari baris ke- j menjadi kali baris ke-i ditambah baris ke- j dengan
6= 0, didapat

I1, A1,
I2, A2,

.
.. .
..


Ii, Ai,
E = e(Imm ) = . dan e(A) = . .

..


..

I + I A + A
i, j, i, j,
.
.
.
.

. .
Im, Am,
Jadi

I1, A A1, A1,

I2, A



A2,
A2,
.. .. ..
. . .

Ii, A Ai, Ai,
EA =
.. =

.
.
=

.
.
= e(A).

. . .
(I + I ) A (I A) + I A A + A
i, j, i, j, i, j,
.. .. ..
. . .
Im, A Am, Am,

Hasil penting Teorema 2.8.4 adalah suatu operasi baris elementer dapat diganti oleh matriks
elementer yang sesuai yaitu
e(A) = EA
pada persamaan ini, e menyatakan suatu operasi baris elementer yang dikenakan pada matriks A
sedangkan E adalah matriks elementer yang sesuai dan memberikan hasil matriks E dikalikan
dengan A yaitu EA sama dengan e(A). Hasil-hasil yang telah didapat ini berlaku juga untuk
serangkaian operasi baris elementer, misalnya e(1) , e(2) , , e(k) yang dikenakan pada matriks A
yaitu
e(k) e(k1) e(1) (A),
72

bila matriks elementer yang sesuai dengan rangakaian operasi baris elementer tsb. adalah

E1 , E2 , , EK ,

maka
e(k) e(k1) e(1) (A) = (Ek Ek1 E1 )A.
Sebagaimana telah diketahui bahwa metoda Gauss ataupun Gauss Jordan untuk menyelesaikan
suatu sistem persamaan linear pada dasarnya mengubah sistem persamaan ini kebentuk sistem
persamaan linear lainnya yang ekivalen dengan melakukan serangkaian operasi baris elementer.
Berikut ini dibahas lagi Contoh2.2.1 yaitu

x2 x3 = 3
2x1 + 4x2 x3 = 1 ,
2x1 + 5x2 4x3 = 2

tetapi sekarang diselesaikan menggunakan serangkain matriks elementer. Matriks diperbesar


dari sistem persamaan linear adalah

0 1 1 3
Ab = 2 4 1 1 .
2 5 4 2

Matriks -matriks elementer yang sesuai sebagaimana telah dilakukan OBE pada Contoh 2.2.1
adalah
0 1 0 1 0 0 1 0 0
E1 = 1
0 0 , E2 = 0 1 0 , E3 = 0 1 0 .
0 0 1 1 0 1 0 1 1
Didapat

1 0 0 1 0 0 0 1 0 0 1 1 3
E3 E2 E1 Ab = 0 1 0 0 1 0 1 0 0 2 4 1 1
0 1 1 1 0 1 0 0 1 2 5 4 2

2 4 1 1
= 0 1 1 3
0 0 2 6

Dari hasil ini, lakukan substitusi mundur, didapat


6
x3 = 2 = 3,
x2 = 3 + x3 = 3 + 3 = 6,
x1 = 12 (1 4x2 + x3 ) = 21 (1 24 + 3) = 10.

Terlihat memberikan hasil yang sama seperti telah dibahas pada Contoh 2.2.1.
Berikut ini diberikan sifat dari matriks elementer yang berkaitan dengan invers matriks.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 73

Teorema 2.8.5 Suatu matriks elementer adalah nonsingulir.

Bukti:
Ada tiga macam operasi baris elementer, pertama OBE yang berkenaan dengan pertukaran antara
baris ke-i dengan baris ke- j pada suatu matriks A. Misalkan operasi ini dinotasisikan dengan e
dan bila dilakukan sekali lagi e pada e(A) menghasilakn matriks A lagi. Bila I adalah matriks
identitas ukuran n n, didapat matriks elementer


I1,
I2,

..
.

I j,
E1 = e(I) =
...


I
i,
.
..
In,

dan

I1,
I2,

..
.

Ii,
e(E1 ) =
... = I,


I
j,
.
..
In,

tetapi e(E1 ) = e(I)E1 = E1 E1 . Jadi E1 E1 = I, dengan demikian E11 = E1 atau E1 adalah non
singulir. Selanjutnya, misalkan e(1) adalah OBE pada suatu matriks, yaitu mengalikan 6= 0
dengan baris ke-i dan e(2) adalah OBE pada suatu matriks, yaitu mengalikan 1 dengan baris ke-i.
Bila I adalah matriks identitas ukuran n n, didapat matriks elementer


I1,
I2,
.
.
.
E1 = e(1) (I) =
Ii,

.
..
In,
74

dan
I1, I1,
I2, I2,
.. .
.
(2) . .
e (E1 ) = 1 = = I,
(Ii,) Ii,
. .
.. ..
In, In,
tetapi juga
e(2) (E1 ) = e(2) (I)E1.
Bila e(2) (I) = E2 , maka E2 E1 = I, dengan demikian E11 = E2 atau E1 adalah non singulir. Ter-
akhir, misalkan e(1) adalah OBE pada suatu matriks, yaitu mengalikan 6= 0 dengan baris ke-i
ditambahkan pada baris ke- j dan e(2) adalah OBE pada suatu matriks, mengalikan dengan
baris ke-i ditambahkan pada baris ke- j Bila I adalah matriks identitas ukuran n n, didapat
matriks elementer
I1,
I2,

..
.

(1)
Ii,
E1 = e (I) = ..

.
I + I
i, j,
..
.
In,
dan

I1, I1,

I2, I2,

.. ..
. .

(2)
Ii, Ii,
e (E1 ) =
.. = . = I,
..
.
I + I + I I
i, i, j, j,

.
..
.
..
In, In,
tetapi juga
e(2) (E1 ) = e(2) (I)E1.
Bila e(2) (I) = E2 , maka E2 E1 = I, dengan demikian E11 = E2 atau E1 adalah non singulir.

Contoh 2.8.3 Perluh diperhatikan bahwa OBE dari pertukaran diantara baris i dengan baris j
tidak selalu bahwa i dan j tidak sama. Secara umum boleh sama boleh tidak. Diberikan matriks
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 75

elementer
0 0 1 1 0 0 1 0 5
E1 = 0 1 0 , E2 = 0 2 0 , dan E3 = 0 1 0 ,
1 0 0 0 0 1 0 0 1
maka
0 0 1 1 0 0 1 0 5
E11 = 0 1 0 , E21 = 0 2 0 , dan E31 = 0 1 0 .
1 0 0 0 0 1 0 0 1

Telah dibahas bahwa, bila serangkaian OBE dikenakan pada suatu Sistem Persamaan Linear
(SPL) didapat suatu sistem persamaan linear yang ekivalen dengan SPL sebelumnya dan dari
SPL yang terakhir ini didapat penyelesaian (bila ada) dari SPL yang dibahas. Juga, telah dike-
tahui bahwa rangkaian OBE yang dikenakan pada SPL dapat diganti oleh serangkaian matriks
elementer yang sesuai selanjutnya dikalikan dengan matriks diperbesar dari SPL tsb. Hasil
akhirnya adalah suatu matriks yang tepat sama seperti hasil akhir dari bila serangkaian OBE
dikenakan pada SPL yang ada. Oleh karena itu, tidak berlebihann bila didefinisikan hal berikut.

Definisi 2.8.3 Bila A adalah suatu matriks berukuran m n dan pada A dikenakan serangkaian
matriks elementer E1 , E2 , , Ek , maka dikatakan A ekivalen-baris dengan matriks

E1 E2 Ek A.

Dalam hal ini bila A baris-ekivelen dengan B ditulis

A baris B.

Teorema 2.8.5 menjelaskan bahwa, suatu matriks elementer E adalah nonsingulir, artinya ada
E 1 sehingga E 1 E = I = EE 1 , Disini matriks E 1 juga merupakan matriks elementer dengan
tipe yang sama seperti tipe dari matriks elementer E. Berikut ini ditunjukkan bahwa ekivalen-
baris adalah suatu relasi ekivalen.

Teorema 2.8.6 Ekivalen-baris adalah suatu relasi ekivalen.

Bukti:
Misalkan Mmn (C) adalah himpunan dari semua matriks berukuran mn dengan elemen-elemen
di C dan baris relasi pada Mmn (C). Ditunjukkan bahwa baris relasi ekivalen. Misalkan A, B
dan C di Mmn (C), didapat

1. jelas bahwa matriks identitas I = Inm juga merupakan matriks elementer. Didapat

A = IA dan A = I 1A.

Terlihat bahwa A baris A.


76

2. Bila A baris B, maka B = E1 E2 Ek A untuk beberapa matriks elementer Ei dengan i =


1, 2, , k. Sebagaimana telah diketahui E11 juga matriks elementer dan
(E1 E2 Ek )1 = Ek1 Ek1
1
E11 .
Jadi
A = Ek1 Ek1
1
E11 B.
Terlihat bahwa B baris A,
3. Misalkan A baris B dan B baris C maka B = E1 E2 E p A untuk beberapa matriks ele-
menter Ei dengan i = 1, 2, , p dan C = Ec1 Ec2 Ecq B untuk beberapa matriks elementer
Eci dengan i = 1, 2, , q. Didapat
A = E p1 E p1
1
E11 B
= E p1 E p1
1
E11 Ecq
1 1 1
Ec2 E C.
| {z c1 }
B
Terlihat bahwa A baris C.
Contoh 2.8.4 Diberikan matriks
   
4 3 2 4 3 2
A= dan B = .
1 5 8 14 1 22
Perhatikan matriks elementer berikut
   
1 0 1 1 0
E1 = , E1 =
0 2 0 21
dan   
1 0 1 1 0
E2 = , E2 = .
3 1 3 1
Didapat
   
1 0 1 0 4 3 2
E2 E1 A =
3 1 0 2 1 5 8
  
1 0 4 3 2
=
3 1 2 10 16
 
4 3 2
= =B
14 1 22
dan
 
 
1 0 1 0 4 3 2
E11 E21 B =
0 21
3 1 14 1 22
  
1 0 4 3 2
=
0 21 2 10 16
 
4 3 2
= = A.
1 5 8
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 77

Terlihat bahwa A bar B dan B bar A.

2.9 Mendapatkan Matriks Invers


disini dikembang suatu cara untuk memperoleh matriks invers.

2.10 Dekomposisi LU
disini dibahas suatu cara untuk memfaktorkan suatu matriks bujur sangkar menjadi suatu produk
dari suatu matriks segitiga bawah L dan matriks segitiga atas U . Pemfaktoran yang demikian
bisa digunakan untuk menyelesaikan sistem persamaan.

2.11 Peninjauan Ulang Sistem Persamaan


disini ditinjau ulang penyelesaian sistem persamaan dan bagaimana matriks invers dan dekompo-
sisi LU bisa membantu proses penyelesaian sistem persamaan. Juga dibahas beberapa ide yang
lain untuk meyelesaikan sistem persamaan.
78
Bab 3
Determinan

3.1 Fungsi Determinan


disini diberikan pengertian formal determinan juga diberikan suatu formula menghitung deter-
minan matriks 2 2 dan 3 3.

3.2 Sifat-sifat Determinan


disini dibahas beberapa sifat fungsi determinan diantaranya adalah suatu formula untuk menen-
tukan determinan dari matriks segitiga.

3.3 Metode Kofaktor


disini dibahas metoda pertama untuk menghitung determinan matriks.

3.4 Reduksi Baris Untuk Menghitung Determinan


disisni dibahas metoda kedua untuk menghitung determinan matriks.

3.5 Aturan Cramer


disini dibahas cara yang lain untuk menyelesaikan sistem persamaan dengan menggunakan de-
terminan.

79
80
Bab 4
Ruang-n Euclide

4.1 Vektor
disisni dikenalkan vektor dalam ruang-2 dan ruang-3 begitu juga beberapa ide penting mengenai
vektor-vektor ini.

4.2 Perkalian Titik dan Perkalian Silang


disini dibahas pengertian perkalian titik dan perkalian silang dari dua vektor juga pemakaian dari
perkalian titik.

4.3 Ruang-n Euclide


disini dikenalkan ide dari ruang-n Euclide dam beberapa perluasan ide dari pembahasan sebelum-
nya.

4.4 Transformasi Linear


disini dikenalkan topik dari transformasi linear dan beberapa sifat-sifatnya.

4.5 Contoh-contoh Transformasi Linear


disini diberikan beberapa contoh transformasi linear.

81
82
Bab 5
Ruang Vektor

5.1 Lapangan(Field)
Suatu lapangan adalah suatu himpunan K 6= 0/ bersama-sama dengan dua operasi tambah (+) dan
kali (.) sehingga untuk semua a, b, c K memenuhi:

(a + b) K (tertutup).

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).

a.b = ba (komutatif).

(a.b).c = a.(b.c) (assosiatif).

Ada 1 K sehingga a.1 = 1.a = a (elemen identitas).

Bila a 6= 0, maka ada a1 K sehingga a.a1 = a1.a = 1 (invers).

a.(b + c) = (a.b) + (a.c) (distributif).

Contoh-contoh Lapangan

1. Himpunan bilangan rasional Q, himpunan bilangan riil R dan himpunan bilangan kom-
pleks C.

83
84

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.

5.2 Ruang Vektor


Suatu himpunan V dengan dua operasi tambah dan kali dikatakan suatu ruang vektor atas lapan-
gan K bila memenuhi:

w V , maka u +vv V dan


1. Bila u ,vv,w

u +vv = v +uu
(uu +vv) +w
w = u + (vv +w
w)
Ada 0 V sehingga v +00 = v = 0 +vv, vv V
Untuk setiap v V ada w V sehingga v +w
w = w +vv = 0 (biasanya w ditulis sebagai
vv).

2. Bila a, b K dan u ,vv V , maka avv V dan

(a + b)vv = avv + bvv


a(uu +vv) = avv + auu
(ab)vv = a(bvv)
1vv = v

Contoh-contoh Ruang Vektor

1. Himpunan R2 adalah ruang vektor atas lapangan R, dengan


         
x1 y1 def x1 + y1 x1 y1
+ = , , R2
x2 y2 x2 + y2 x2 y2

dan      
x1 def ax1 x1
a = , a K dan R2 .
x2 ax2 x2

2. Himpunan Rn juga ruang vektor atas R dengan definisi operasi tambah dan kali diberikan
seperti di Contoh 1. Penambahan dalam Contoh 1. dinamakan penambahan secara kom-
ponen yang bersesuaian.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 85

3. Himpunan matriks m n dengan elemen elemennya bilangan riil



a11 . . . a1n


.. . . .
.
Mm,n (R) = . . . ai j R

a

m1 . . . amn

dan doperasi penambahan matriks diberikan oleh:



a11 . . . a1n b11 . . . b1n a11 + b11 . . . a1n + b1n
.. . . . . .. . def .. .. ..
. . .. + .. . .. = . . .
am1 . . . amn bm1 . . . bmn am1 + bm1 . . . amn + bmn

sedangkan perkalian skalar R dengan matriks diberikan oleh:



a11 . . . a1n a11 . . . a1n
... . . . ... = ... .. .
def ..
. .
am1 . . . amn am1 . . . amn

Maka Mm,n (R) adalah suatu ruang vektor atas lapangan R.

4. Misalkan F adalah suatu lapangan dan himpunan semua fungsi, yaitu

V = { f : F F}

dengan
def
( f + g)(x) = f (x) + g(x), x F
dan
def
( f )(x) = 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

Pn (F) = {p(x) = a0 + a1 x + . . . + an xn | ai F}

dengan
def
(p + q)(x) = p(x) + q(x), x F
dan
def
(p)(x) = p(x), F .
Maka Pn (F) adalah ruang vektor atas F.
86

6. Himpunan
l = {a = (a1 , a2 , . . .) | an R, sup(|an |) < }
dengan
def
a + b = (a1 + b1 , a2 + b2 , . . .)
dan
def
a = (a1 , a2, . . .), R.
Maka l adalah ruang vektor atas lapangan R.
7. Himpunan fungsi terdifferensial tak berhingga kali pada interval [a, b], yaitu C [a, b],
definisi penambahan fungsi dan perkalian skalar dengan fungsi seperti dalam Contoh 4.
merupakan ruang vektor atas lapangan riil R.
8. Himpunan fungsi-fungsi
 2 
d f
V= f : R R 2 + f = 0
dx
definisi penambahan fungsi dan perkalian skalar dengan fungsi seperti dalam Contoh 4.
merupakan ruang vektor atas lapangan riil R.

Berikut ini diberikan beberapa sifat dari suatu ruang vektor V atas lapangan K. Misalkan V
adalah suatu ruang vektor atas lapangan K, maka

(1). 0vv = 0 , 0 adalah elemen netral di K dan v V .


(2). (1vv) +vv = 0 , dengan 1 K.
(3). 00 = 0 , dengan K.

Bukti

(1). v = (1 + 0)vv = v + 0vv, kedua ruas tambahkan dengan vektor w yang memenuhi w +vv = 0 ,
didapat: w +vv = w +vv + 0vv atau 0 = 0 + 0vv. Terlihat bahwa 0vv = 0 .
(2). (1vv) +vv = (1 + 1)vv = 0vv = 0 .
(3). 00 = (000) = ( 0)00 = 000 = 0 .

5.3 Ruang Bagian (Subspace)


Misalkan V suatu ruang vektor atas lapangan K. Himpunan S V (S 6= 0) / dikatakan suatu ruang
bagian bila S sendiri dengan operasi tambah dan kali seperti di V tetap merupakan ruang vektor
atas K.

Contoh-contoh Ruang Bagian


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 87

1. Himpunan
x
B= y
x + y + z = 0

z
adalah ruang bagian dari ruang vektor R3 atas R.
2. Misalkan ruang vektor dari semua himpunan fungsi yaitu

V = { f : R R}

dan D V , dengan  2 
d f
D= f V 2 + f =0 ,

dx
maka D adalah ruang bagian dari ruang vektor V atas R.
3. Himpunan P3 (R) adalah ruang bagian dari ruang vektor Pn (R) atas lapangan R dengan
n 3.
4. Himpunan n o

S = (an ) l lim an = x, x R
n
adalah ruang bagian dari ruang vektor l atas lapangan R.
5. Himpunan
S = {x Rn | Ax = 0 , A Mm,n (R)}
adalah ruang bagian dari ruang vektor Rn atas lapangan R.
6. Himpunan titik yang melalui garis 3x + 2y = 0 yaitu

S = (2t, 3t) R2 | t R

adalah ruang bagian dari ruang vektor R2 atas lapangan R.

Gambar 5.1: Ruang Bagian

Berikut ini diberikan suatu sifat (pernyataan) yang ekivalen dengan pernyataan dari suatu ruang
bagian.
88

Himpunan S adalah suatu ruang bagian dari suatu ruang vektor V atas lapangan K bila dan hanya
bila
x1s1 + x2s2 S
untuk setiap x1 , x2 K dan s 1 ,ss2 S.

Bukti
Misalkan S ruang bagian dan
x1 , x2 K juga s 1 ,ss2 S,
maka
x1s 1 S dan x2s 2 S.
Oleh karena itu,
x1s 1 + x2s 2
juga di S. Sebaliknya, misalkan
x1s 1 + x2s 2 S
untuk setiap x1 , x2 K dan s 1 ,ss2 S. Akan ditunjukkan bahwa S adalah ruang vektor atas K.
Sifat 2. dari ruang vektor otomatis diwarisi dari V , begitu juga sifat komutatif, assosiatif di sifat
1., diwarisi dari V . Untuk x1 = x2 = 1, didapat

1ss1 + 1ss2 = s 1 +ss2 S (tertutup).

Untuk x1 = x2 = 0 didapat
0ss1 + 0ss2 = 0(ss1 +ss2 ) = 0 S.
Oleh karena itu, untuk x1 = x2 = 1 dan setiap s S, didapat

1ss + 100 = s +00 = s = 0 +ss = 100 + 1ss S.

Selanjutnya untuk x1 = 1, x2 = 1 dan setiap s S didapat

1ss + (1)ss = (1 + (1))ss = 0ss = 0

(ss punya invers yaitu ss).

Catatan Pernyataan x1s 1 + x2s 2 S untuk setiap x1 , x2 K dan s 1 ,ss2 S, dapat diganti oleh

x1s 1 + x2s 2 + . . . + xns n S

untuk setiap x1 , x2 , . . . , xn K dan s 1 ,ss2 , . . .,ssn S.

Contoh penggunaan sifat ruang bagian


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 89

1. Himpunan
x

3
B= y R x + y + z = 0

z
adalah ruang bagian dari ruang vektor R3 atas R. Sebab, untuk setiap v 1 ,vv2 B, maka

x1 y1 z1 1 1
v 1 = y1 = y1 = y1 1 + z1 0 ,
z1 z1 0 1

x2 y2 z2 1 1
v 2 = y2 = y2 = y2 1 + z2 0 .
z2 z2 0 1
Sehingga untuk a, b R, didapat:

1 1
avv1 + bvv2 = (ay1 + by2 ) 1 + (az1 + bz2 ) 0 B.
| {z } | {z }
R 0 R 1

2. Misalkan ruang vektor dari semua himpunan fungsi yaitu


V = { f : R R}
dan D V , dengan 2 
d f
D = f V 2 + f = 0 ,
dx
maka D adalah ruang bagian dari ruang vektor V atas R. Sebab, misalkan f , g D dan
a, b R, maka
d 2 (a f + bg) d2 f d2g
+ (a f + bg) = a + a f + b + bg
dx2 dx2 dx2
d2 f d 2g
= a( 2 + f ) + b( 2 + g) = a 0 + b 0 = 0.
dx dx
Jadi a f + bg D.
3. Himpunan P3 (R) adalah ruang bagian dari ruang vektor Pn (R) atas lapangan R dengan
n 3. Sebab, misalkan p(x), q(x) P3 (R) dan a, b R, maka
ap(x) + bq(x) = a(a0 + a1 x + a2 x2 + a3 x3 ) + b(b0 + b1 x + b2 x2 + b3 x3 )
= (aa0 + bb0 ) + (aa1 + bb1 ) x + (aa2 + bb2 ) x2
| {z } | {z } | {z }
R R R
3
+ (aa3 + bb3 ) x .
| {z }
R

Jadi ap(x) + bq(x) P3 (R).


90

5.4 Pembentang (Span)


Misalkan V suatu ruang vektor atas K dan S V . Himpunan pembentang dari S adalah him-
punan:
def
< S > = {x1s 1 + . . . + xns n | x1 , . . ., xn K,ss1 , . . . ,ssn S}.
Penulisan x1s 1 +. . .+xns n juga dinamakan kombinasi linier dari vektor-vektor s1 , . . .,ssn . Berikut
ini diberikan sifat dari suatu < S > sebagaimana berikut.

/ maka < S > adalah suatu


Bila V merupakan suatu ruang vektor atas K dan S V dengan S 6= 0,
ruang bagian dari V .

Bukti

Misalkan
v = x1s 1 + . . . + xns n
dan
w = xn+1s n+1 + . . . + xms m
di < S > dan a, b K, maka

w = a(x1s1 + . . . + xnsn ) + b(xn+1sn+1 + . . . + xmsm )


avv + bw
= (ax1 )ss1 + . . . + (axn )ssn + (bxn+1 )ssn+1 + . . . + (bxm )ssm .

w < S >, oleh karena itu < S > adalah ruang bagian dari V .
Terlihat bahwa avv + bw

Contoh

1. Misalkan V ruang vektor atas K untuk setiap v V , maka h{vv}i = {kvv | k K}.

2. Misalkan ruang vektor R3 atas R, maka h{ee1 ,ee2 }i = R2 dimana e 1 = (1, 0, 0) dan e 2 =
(0, 1, 0). Sebab,

x
2
R = y x, y R


0

1 0
= x 0 + y 1 x, y R


0 0
= {xee1 + yee2 | x, y R} = h{ee1 ,ee2 }i .

3. Misalkan V = Rn ruang vektor atas R dan diberikan suatu matriks A Mn (R). Didefini-
sikan suatu himpunan
S = {xx V | Axx = 0 },
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 91

maka S adalah ruang bagian dari V . Sebab bila untuk sebarang z ,yy S dan sebarang
a, b R didapat
A(ayy + bzz) = a(Ayy) + b(Azz) = a 00 + b 00 = 0 .
Jadi ayy + bzz S, maka dari itu S merupakan sub ruang dari V .

Ruang bagian hSi dari suatu ruang vektor V juga dinamakan ruang vektor yang dibangun oleh
S. Berikut ini diberikan sifat dari suatu himpunan pembentang.

Misalkan V suatu ruang vektor atas K dan hSi adalah suatu himpunan pembentang dari S dan
v V , maka
hSi = hS {vv}i
bila dan hanya bila v hSi.

Bukti
Misalkan hSi = hS {vv}i, jelas bahwa v hS {vv}i. Jadi juga v hSi. Sebaliknya misalkan
bahwa v hSi, akan ditunjukkan bahwa hSi = hS {vv}i. Jelas bahwa S hS {vv}i. Tinggal
menunjukkan bahwa hS {vv}i hSi.Tulis

v = a0s 0 + . . . + ans n

dan misalkan
w hS {vv}i .
Didapat

w = b0v + an+1s n+1 + . . . + ams m


= (b0 a0 )ss0 + . . . + (b0 an )ssn + an+1s n+1 + . . . + ams m .

Terlihat bahwa w hSi. Jadi


hS {vv}i hSi
dan karena
hSi hS {vv}i ,
oleh karena itu haruslah
hSi = hS {vv}i .

Contoh Misalkan dalam R3 , vektor-vektor



1 0 2
v1 = 0 ,vv2 1
dan v 3 = 3 .
0 0 0
92

Didapat v 3 = 2vv1 + 3vv2 , jadi v 3 h{vv1 ,vv2 }i. Maka dari itu

h{vv1 ,vv2 }i = h{vv1 ,vv2 ,vv3 }i .

Hasil bentangan h{vv1 ,vv2 }i adalah bidang dalam ruang R3 yang diberikan oleh gambar berikut.
z
y B
i da
ng
h{v
1 ,v
2 }i

v
v1 + 3 2
v2 v3 = 2

v1

x
Sifat dari suatu himpunan pembentang (span) yang dibahas sebelumnya, menyatakan bahwa
suatu vektor v di S bisa
dihapus
untuk memperoleh himpunan baru S dengan himpunan pemben-

tang yang sama yaitu S = hSi bila dan hanya bila v adalah kombinasi linear dari vektor-vektor
di S. Jadi dengan pengertian ini, suatu himpuan S V adalah minimal bila dan hanya S tidak
memuat vektor-vektor yang merupakan kombinasi linear dari vektor-vektor yang lainnya dalam
himpunan tersebut (vektor-vektor di S yang demikian ini nantinya dinamakan bebas linear). De-
ngan demikian bila hasil bentangan S diinginkan lebih luas dari bentangan S, yaitu


hSi hS {vv}i = S ,

maka haruslah dipilih v / hSi.


Pereduksian banyaknya vektor-vektor bergantungan linier yang membangun W dapat dinya-
takan ulang oleh sifat berikut:

Misalkan v1 , . . .,vvn adalah vektor di suatu ruang vektor atas suatu lapangan K dan misalkan
W = h{vv1 , . . . ,vvn }i. Bila vektor vn adalah suatu kombinasi linier dari v1 , . . . ,vvn1 , maka

W = h{vv1 , . . .,vvn1 }i .

Bukti
Bila diberikan sebarang v h{vv1 , . . . ,vvn1 }i, maka dapat dipilih skalar k1 , . . ., kn1 yang memenuhi

v = k1v1 + + kn1vn1

sehingga didapat
v = k1v1 + + kn1vn1 + 0.vvn .
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 93

Terlihat bahwa v h{vv1 , . . . ,vvn }i. Jadi


h{vv1 , . . . ,vvn1 }i h{vv1 , . . .,vvn }i . (5.1)
Sebaliknya, bila diberikansebarang v h{vv1 , . . .,vvn }i, maka dapat dipilih skalar a1 , . . . , an di K
yang memenuhi
v = a1v1 + + anvn .
Tetapi karena vn adalah suatu kombinasi linier dari vektor-vektor v1 , . . . ,vvn1 , maka dapat dipilih
skalar b1 , . . . , bn1 di K yang memenuhi
vn = b1v1 + + bn1vn1 .
Sehingga didapat
v = a1v1 + + an1vn1 + anvn
= a1v1 + + an1vn1 + an (b1v1 + + bn1vn1 )
= (a1 + an b1 )vv1 + + (an1 + an bn1 )vvn1 .
Terlihat bahwa v h{vv1 , . . . ,vvn1 }i. Jadi
h{vv1 , . . . ,vvn }i h{vv1 , . . .,vvn1 }i . (5.2)
Dengan demikian dari (5.1) dan (5.2) didapat
W = h{vv1 , . . .,vvn }i = h{vv1 , . . . ,vvn1 }i .

5.5 Bebas Linear


Berikut ini diberikan suatu pengertian mengenai bebas linier. Vektor-vektor v 1 ,vv2 , . . . ,vvn di su-
atu ruang vektor V atas lapangan K dikatakan 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 dikatakan bergantungan linier.

Misalkan Vektor-vektor s 1 , . . . ,ssn S V , dengan V suatu ruang vektor atas K, vektor-vektor


s i , i = 1, 2 . . ., n bebas linier bila dan hanya bila x1s 1 +. . .+xns n = 0 , xi K dipenuhi hanya untuk
x1 = . . . = xn = 0.

Bukti
Misalkan s i S, i = 1, 2 . . ., n bebas linier dan andaikan x1s 1 + . . . + xns n = 0 tetapi untuk bebe-
rapa i, xi 6= 0. Didapat
       
x1 xi1 xi+1 xn
si = s1 + . . . + s i1 + s i+1 + . . . + sn.
xi xi xi xi
94

Terlihat bahwa s i merupakan kombinasi linier dari vektor-vektor s j , j 6= i. Hal ini bertentangan
dengan kenyataan bahwa s i , i = 1, 2, . . ., n bebas linier. Jadi haruslah

x1s 1 + . . . + xns n = 0

dipenuhi hanya untuk x1 = . . . = xn = 0. Selanjutnya misalkan

x1s 1 + . . . + xns n = 0 , xi K

dipenuhi hanya untuk x1 = . . . = xn = 0, maka jelas bahwa

s i , i = 1, 2 . . . , n

bebas linier. Bila tidak berarti bahwa untuk beberapa i,

s i = c1s 1 + . . . + ci1s i1 + ci+1s i+1 + . . . + cns n

atau
0 = c1s 1 + . . . + ci1s i1 + cis i + ci+1s i+1 + . . . + cns n
dengan ci = 1. Ini bertentangan dengan kenyataan bahwa

0 = c1s 1 + . . . + ci1s i1 + cis i + ci+1s i+1 + . . . + cns n

dipenuhi hanya unuk ci = 0, i = 1, 2, . . ., n.

Komentar: Pernyataan vektor-vektor

s i , i = 1, 2 . . . , n

dalam ruang vektor V atas K bebas linier ekivalen dengan

x1s 1 + . . . + xns n = 0 , xi K

dipenuhi hanya untuk x1 = . . . = xn = 0. Bila

V = Rn dan K = R,

maka vektor-vektor s i , i = 1, 2 . . ., n dalam ruang vektor Rn atas R bebas linier mempunyai arti
bahwa sistem persamaan linier homogin

x1s 1 + . . . + xns n = 0

mempunyai penyelesaian trivial, yaitu xi = 0, i = 1, 2, . . ., n. Bila persamaan homogin ini mem-


punyai jawab non trivial, yaitu xi 6= 0 untuk beberapa i, maka hal ini berarti bahwa vektor-vektor
s i tsb. tidak bebas linier atau bergantungan linier. Bila vektor s 6= 0 di ruang vektor Rn dan
memenuhi
s = x1s 1 + . . . + xns n ,
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 95

yaitu vektor s merupakan kombinasi linier dari vektor-vektor s 1 , . . . ,ssn . Hal ini berarti bahwa
sistem persamaan linier tak homogin

s = x1s 1 + . . . + xns n ,

mempunyai jawab x = (x1 , . . ., xn ) .

Contoh

1. Dalam R4 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) = x1 (1, 2, 0, 4) + x2 (1, 1, 1, 3)

ekivalen dengan sistem persamaan linier

x1 + x2 = 2
2x1 + x2 = 6
x2 = 0
4x1 + 3x2 = 9

mudah diselidiki bahwa sistem persamaan linier ini tidak mempunyai jawab.

2. Misalkan ruang vektor V = { f : R R} atas R, maka fungsi cos 2x merupakan kombinasi


linier dari fungsi-fungsi cos2 x, sinh2 x dan cosh2 x, sebab

cos 2x = 2 cos2 x + sinh2 x cosh2 x,

ingat bahwa
cos 2x = 2 cos2 x 1
dan
cosh2 x sinh2 x = 1.

3. Misalkan tiga vektor v 1 = (1, 2, 3),vv2 = (3, 2, 1) dan v 3 = (3, 3, 3) di R3 . Maka

h{vv1 ,vv2 ,vv3 }i = {x1v 1 + x2v 2 + x3v 3 | x1 , x2 , x3 R}


= {(x1 + 3x2 + 3x3 , 2x1 + 2x2 + 3x3 , 3x1 + x2 + 3x3 ) }

Tulis (x, y, z) = (x1 + 3x2 + 3x3 , 2x1 + 2x2 + 3x3 , 3x1 + x2 + 3x3 ) . Didapat:

x 1 3 3 x1
y = 2 2 3 x2 ,
z 3 1 3 x3
96

x 1 3 3 x1
(1 2 1) y = (1 2 1) 2 2 3 x2 = 0,
z 3 1 3 x3
atau x 2y + z = 0. Catatan 3vv1 + 3vv2 4vv3 = 0 dan juga

1 3 3
det 2 2 3 = 0.
3 1 3

Terlihat bahwa vektor-vektor v1 ,vv2 ,vv3 bergantungan linear. Jadi persamaan homogin :

x1v1 + x2v2 + x3v3 = 0

atau dalam bentuk matriks :



1 3 3 x1 0
2 2 3 x2 = 0 ,
3 1 3 x3 0

mempunyai jawab non-trivial. Salah satu jawabannya adalah :

x1 = 3, x2 = 3 dan x3 = 4.

Dengan demikian himpunan


S = {vv1 ,vv2 ,vv3 }
bukan himpunan minimal.
 
4. Dua vektor v 1 = 40 15 ,vv2 = 50 25 R2 adalah bebas linear sebab

x1v 1 + x2v 2 = 0

dipenuhi hanya untuk x1 = x2 = 0, hal ini bisa diselidiki sbb:


 
40x1 50x2 = 0 15 40x1 50x2 = 0
B1 + B2 175 x2 = 0, x1 = 0.
15x1 + 25x2 = 0 40 4 x2 = 0

5. Diberikan S R3 dengan

1 0 1 0 3
S= 0 , 2 , 2 , 1 , 3


0 0 0 1 0

Perhatikan persamaan berikut:



1 0 1 0 3 0
x1 0 + x2 2 + x3 2 + x4 1 + x5 3
= 0 .
0 0 0 1 0 0
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 97

Himpunan penyelesaiannya adalah:




x1 1 3



x2 1 3/2



x3 = x3 1 + x5 0 x3 , x5 R
x4

0




0





x5 0 1
Hal ini menunjukkan bahwa semua vektor di S saling bergantungan linier. Untuk x3 =
0, x5 = 1, didapat bahwa vektor ke-5 dalam S merupakan kombinasi linier dari dua vektor
pertama. Gunakan sifat yang ada untuk menghapus vektor ke-5 didapat:

1 0 1 0
S1 = 0 , 2 , 2 , 1 , jadi hSi = hS1 i .

0 0 0 1
Vektor ke-3 dalam S1 merupakan kombinasi linier dari dua vektor yang pertama, sehingga
vektor ke-3 ini bisa dihapus dan didapat:

1 0 0
S2 = 0 , 2 , 1 .

0 0 1
Juga, dalam hal ini hS1 i = hS2 i. Jadi hSi = hS2 i.
6. Misalkan tiga vektor v1 = (1, 1, 0),vv2 = (5, 1, 3) dan v3 = (2, 7, 4) di R3 , maka
h{vv1 ,vv2 ,vv3 }i = {x1v 1 + x2v 2 + x3v 3 | x1 , x2 , x3 R}
= {x1 (1, 1, 0) + x2 (5, 1, 3) + x3 (2, 7, 4) | x1 , x2 , x3 R}
= {(x1 + 5x2 + 2x3 , x1 + x2 + 7x3 , 3x2 + 4x3 ) |x1 , x2 , x3 R}.
Tulis (x, y, z) = (x1 + 5x2 + 2x3 , x1 + x2 + 7x3 , 3x2 + 4x3 ) , didapat:

x 1 5 2 x1
y = 1 1 7 x2 .
z 0 3 4 x3
Sehingga diperoleh:

25 26 33 x 25 26 33 1 5 2 x1
4 4 5 y = 4 4 5 1 1 7 x2
3 3 4 z 3 3 4 0 3 4 x3

1 0 0 x1 x1
= 0 1 0 x2 = x2 .
0 0 1 x3 x3
Terlihat bahwa, untuk setiap (x, y, z) R3 selalu bisa diperoleh x1 , x2 , x3 R sehingga
(x, y, z) = x1v 1 + x2v 2 + x3v 3 h{vv1 ,vv2 ,vv3 }i .
Jadi R3 h{vv1 ,vv2 ,vv3 }i, dilain pihak h{vv1 ,vv2 ,vv3 }i R3 . Maka dari itu R3 = h{vv1 ,vv2 ,vv3 }i .
98

5.6 Basis dan Dimensi


Misalkan B = {bb1 ,bb2 , . . .} V dengan V adalah ruang vektor atas K. Bila h{bb1 ,bb2 , . . .}i = V dan
vektor-vektor b1 ,bb2 , . . . bebas linier maka B dikatakan suatu basis dari V . Banyaknya anggota
dari B dinamakan dimensi dari ruang vektor V .
Contoh:

1. Dalam R2 , B1 = {(2, 4), (1, 1)} adalah suatu basis dari R2 , basis yang lainnya adalah
B2 = {(1, 0), (0, 1) }. Secara umum B3 = {(a11 , a21 ) , (a12 , a22 ) } adalah suatu basis dari
R2 bila  
a11 a12
det 6= 0.
a21 a22

2. Diberikan ruang vektor V = {x1 cos + x2 sin | x1 , x2 R} atas R, maka suatu basis dari
V adalah
{cos , sin }.
Sebab

x1 cos() + x2 sin() = 0
x1 sin() + x2 cos() = 0

atau dalam bentuk persamaan matriks


    
cos() sin() x1 0
= .
sin() cos() x2 0

Didapat       
x1 cos() sin() 0 0
= = .
x2 sin() cos() 0 0
Jadi cos(), sin() adalah bebas linear dan juga

V = h{cos(), sin()}i ,

maka {cos(), sin()} adalah suatu basis dari V .

3. Dalam ruang vektor P3 (x), maka {1, x, x2 , x3 } adalah suatu basis dari P3 (x). Sedangkan
{1, x, x2 , x3 , x4 . . .} adalah suatu basis dari ruang vektor P (x).

4. Dalam ruang vektor M2,2 (R), yaitu himpunan matriks berukuran 2 2 dengan elemen-
elemen di R, maka
       
1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 99

adalah suatu basis dari M2,2 (R). Sebab bila


         
1 0 0 1 0 0 0 0 0 0
x1 + x2 + x3 + x4 = ,
0 0 0 0 1 0 0 1 0 0

didapat    
x1 x2 0 0
= .
x3 x4 0 0
Terlihat bahwa x1 = x2 = x3 = x4 = 0. Jadi
       
1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1

adalah bebas linear. Selanjutnya untuk sebarang


 
a1,1 a1,2
M2,2 (R)
a2,1 a2,2

didapat
         
a1,1 a1,2 1 0 0 1 0 0 0 0
= a1,1 + a1,2 + a2,1 + a2,2 .
a2,1 a2,2 0 0 0 0 1 0 0 1

Terlihat bahwa
         
a1,1 a1,2 1 0 0 1 0 0 0 0
, , , .
a2,1 a2,2 0 0 0 0 1 0 0 1

Jadi        


1 0 0 1 0 0 0 0
M2,2 (R) = , , , .
0 0 0 0 1 0 0 1

Berikut ini diberikan beberapa sifat dari suatu basis.

Diberikan B = {vv1 , . . . ,vvn } adalah suatu basis dari suatu ruang vektor V atas suatu lapangan K
dan k adalah suatu skalar taknol di K. Maka

Bk = {kvv1 ,vv2 , . . .,vvn }

adalah suatu basis dari V .

Bukti
Bila v sebarang vektor di V , maka karena B adalah suatu basis dari V dengan demikian dapat
dipilih skalar k1 , . . ., kn di K yang memenuhi

v = k1v1 + k2v2 + + knvn .


100

Tetapi karena k 6= 0, maka didapat


k1
v= (kvv1 ) + k2v2 + + knvn .
k
Terlihat bahwa sebarang vektor v di V adalah suatu kombinasi linier dari vektor-vektor di Bk .
Jadi hBk i = V . Selanjutnya, untuk menunjukkan bahwa Bk adalah bebas linier, tinjau persamaan

a1 (kvv1 ) + a2v2 + + anvn = 0 .

Persamaan tersebut dapat ditulis ulang sebagai

(a1 k)vv1 + a2v2 + + anvn = 0 .

Karena B adalah bebas linier, maka haruslah

a1 k = 0, a2 = 0, . . . , an = 0.

Karena k 6= 0, maka a1 = 0. Dengan demikian Bk adalah bebas linier, jadi Bk adalah suatu basis
dari V .

Contoh.
Misalkan W adalah ruang bagian dari M22 (R) yang merupakan himpunan matriks-matriks den-
gan trace sama dengan nol. Selanjutnya bila
     
1 0 0 1 0 0
S= , , ,
0 1 0 0 1 0

maka tunjukkan bahwa S adalah suatu basis dari W . Pertama ditunjukkan bahwa hSi = W .
Diberikan sebarang matriks  
a b
A=
c d
mempunyai trace sama dengan nol bila dan hanya bila a + d = 0, jadi
 
a b
A=
c a

Sehingga didapat        
a b 1 0 0 1 0 0
A= =a +b +c .
c a 0 1 0 0 1 0
Terlihat bahwa sebarang matriks A di W adalah kombinasi linier dari matriks-matriks di S. Jadi
hSi = W . Selanjutnya ditunjukkan bahwa S adalah bebas linier sebagai berikut. Tinjau sistem
persamaan linier berikut
       
1 0 0 1 0 0 0 0
k1 + k2 + k3 = .
0 1 0 0 1 0 0 0
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 101

Persamaan tersebut ekivalen dengan


   
0 0 k1 k2
= .
0 0 k2 k1

Hal ini memberikan penyelesaian trivial k1 = k2 = k3 = 0. Jadi S adalah bebas linier. Karena
hSi = W dan vektor-vektor di S adalah bebas linier, maka S adalah suatu basis dari W .

Sifat Misalkan V suatu ruang vektor atas K dan {vv1 , . . . ,vvn } adalah suatu basis dari V , maka
sebarang elemen v V dapat diungkapkan secara tunggal sebagai kombinasi linier:

v = x1v 1 + . . . + xnv n , dimana x1 , . . . , xn K.

Bukti
Misalkan vektor v dapat diungkapkan sebagai dua kombinasi linier

v = a1v 1 + . . . + anv n

dan
v = x1v 1 + . . . + xnv n ,
didapat:
(x1 a1 )vv1 + . . . + (xn an )vvn = 0,
karena vektor-vektor v 1 , . . . ,vvn bebas linier, maka haruslah x1 a1 = 0, . . . , xn an = 0. Den-
gan demikian didapat x1 = a1 , . . . , xn = an . Jadi pengungkapan sebarang vektor v di V sebagai
kombinasi linier
v = x1v1 + . . . + xnvn , dimana x1 , . . . , xn K
adalah tunggal.

Komentar:
Pernyataan
v = x1v1 + x2v2 + + xnvn ,
dapat ditulis secara tunggal mempunyai arti yang ekivalen dengan sistem persamaan linear tak-
homogin
v = x1v1 + x2v2 + + xnvn
mempunyai jawab tunggal. Misalnya, pada contoh sebelumnya yaitu dalam R2 ,

B = {(2, 4) , (1, 1) }

adalah suatu basis dari R2 . Misalkan diberikan sebarang v = (a, b) R2 ,vv 6= 0, maka dengan
basis B, vektor v dapat ditulis sebagai kombinasi linear

v = x1 (2, 4) + x2 (1, 1)
102

atau dalam bentuk sistem persamaan linear tak-homogin


     
a 2 1
= x1 + x2
b 4 1

dan dalam bentuk matriks     


a 2 1 x1
= .
b 4 1 x2
Didapat    1 1    a b
x1 2 2 a 2 + 2
= = .
x2 2 1 b 2a b

Nilai x1 = 2a + 2b dan x2 = 2a b adalah tunggal. Jadi, untuk sebarang v = (a, b) 6= 0 ada
dengan tunggal x1 = a2 + 2b dan x2 = 2a b yang memenuhi

v = x1 (2, 4) + x2 (1, 1) .

Berikut ini, diberikan suatu sifat untuk ruang vektor Rn atas R, yaitu misalkan

v i Rn , 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 = (a1 j , a2 j , . . . , an j ) , sehingga persamaan


x1v1 + . . . + xm vm = 0 dalam bentuk matriks adalah:

a11 . . . a1m x1 0
.. .. .. = .. .
. . . .
an1 . . . anm xm 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 xk , k = 1, 2, . . ., m yang tidak semuanya sama dengan nol. Jadi v j , j = 1, 2, . . ., m
bergantungan linier.

Contoh
Dalam ruang vektor R2 atas R, Misalkan v 1 = (a11 , a21 ) ,vv2 = (a12 , a22 ) R2 . Bila vektor-
vektor v 1 ,vv2 , bebas linier, maka persamaan: x1v 1 + x2v 2 = 0 atau dalam bentuk matriks: Axx = 0
dengan      
a11 a12 x1 0
A= ,x= dan 0 =
a21 a22 x2 0
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 103

mempunyai jawab trivial hanya bila det(A) 6= 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 {vv1 ,vv2 } adalah suatu basis dari R2 dengan dimensi 2. Hal ini dijelaskan
dalam gambar berikut.
y y
v1
v1

v2
v2
0 x 0 x

Sifat. Misalkan V suatu ruang vektor atas K dan {vv1 , . . . ,vvn } suatu basis dari V . Bila vektor-
vektor u 1 , . . . ,uum dengan m > n, maka vektor-vektor u 1 , . . . ,uum bergantungan linier.

Bukti
Karena {vv1 , . . . ,vvn } suatu basis dari V , didapat:
u 1 = a11v 1 + . . . + an1v n
..
.
u m = a1mv 1 + . . . + anmv n ,
dengan ai j K, i = 1, 2, . . ., n dan j = 1, 2, . . ., m. Vektor-vektor {vv1 , . . . ,vvn } bebas linier, untuk
x1 , . . ., xm K didapat:
0 = x1u 1 + . . . + xmu m
= x1 (a11v 1 + . . . + an1v n ) + . . . + xm (a1mv 1 + . . . + anmv n )
= (a11 x1 + . . . + a1m xm )vv1 + . . . + (an1 x1 + . . . + anm xm )vvn
dan haruslah a11 x1 + . . . + a1m xm = 0, . . ., an1 x1 + . . . + anm xm = 0 atau dengan notasi matriks:

a11 . . . a1m x1 0
.. .. .. = .. .
. . . .
an1 . . . anm xm 0
Persamaan homogin diatas mempunyai jawab non-trivial (sebab m > n). Jadi vektor-vektor
u 1 , . . . ,uum bergantungan linier.

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.
104

Contoh

1. Dalam ruang vektor P3 (R) atas R, B = {1, x, x2 , x3 } adalah suatu basis baku dari P3 (R).
Basis yang lainnya adalah B2 = {1, 1 + x, 1 + x + x2 , 1 + x + x2 + x3 }.

2. Persamaan homogin Axx = 0 , diberikan oleh :



x1
1 3 5 1 5 0
x2
1 4 7 3 2 0
= .
x3
1 5 9 5 9
0
x4
0 3 6 2 1 0
x5

Himpunan penyelesaiannya adalah:




1 1





2


3



h{vv1 ,vv2 }i = x = a
1 +b
0 a, b R





0 5





0 1

merupakan suatu ruang vektor atas R dengan dimensi dua.

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 = {vv1 , . . . ,vvm } dengan v i , i = 1, . . ., m adalah vektor-vektor yang bebas linier.
Karena hSi = 6 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 = {vv1 , . . . ,vvm ,vvm+1 }, bila hT i = V , maka T
adalah basis dan sudah tidak bisa lagi diperluas menjadi vektor-vektor yang bebas linier. Bila
hT i =
6 V , lakukan lagi cara perluasan seperti sebelumnya sehingga diperoleh himpunan vektor-
vektor yang bebas linier di U yang memenuhi hU i = V .

Kesimpulan. Misalkan V ruang vektor atas K berdimensi n, maka setiap himpunan dari n vektor
yang bebas linier adalah suatu basis dari V .


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 105

Contoh
Misalkan
S = {(1, 1, 1), (0, 1, 0)} R3 ,
jelas bahwa vektor-vektor di S bebas linier dan

hSi = {x(1, 1, 1) + y(0, 1, 0) = (x, x y, x) | x, y R},

jelas bahwa bila


(x1 , x2 , x3 ) hSi ,

maka x3 = x1 . Oleh karena itu (x, y, z) / hSi bila x 6= z. Pilih vektor (1, 0, 0) sehingga dida-
pat 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 R3 .

Jumlahan Langsung.
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 = {uu +vv |uu U,vv V }.

Bukti. Misalkan {zz1 , . . . ,zzr } suatu basis dari U V perluas basis ini masing-
masing menjadi
{zz1 , . . . ,zzr ,uu1 , . . . ,uum }
adalah suatu basis dari U dan

{zz1 , . . . ,zzr ,vv1 , . . . ,vvn}

suatu basis dari V . Terlihat bahwa,

dim(U V ) = r, dim(U) = r + m dan dim(V ) = r + n.

Selanjutnya, ditunjukkan bahwa

{zz1 , . . . ,zzr ,uu1 , . . . ,uum,vv1, . . . ,vvn}

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 ).
106

Misalkan sebarang w U +V , maka w = u +vv untuk beberapa u U dan bebe-


rapa v V . Dengan kenyataan bahwa

u = a1z 1 + . . . + arz r + b1u 1 + . . . + bmu m

untuk beberapa skalar ai , b j dan

v = c1z 1 + . . . + crz r + d1v 1 + . . . + dmv n

untuk beberapa skalar ck , dl , didapat:

w = u +vv
= (a1 + c1 )zz1 + . . . + (ar + cr )zzr + b1u 1 + . . . + bmu m + d1v 1 + . . . + dmv n

terlihat bahwa
w h{zz1 , . . . ,zzr ,uu1 , . . . ,uum,vv1 , . . . ,vvn}i .
Maka dari itu didapat

h{zz1 , . . . ,zzr ,uu1 , . . . ,uum ,vv1, . . . ,vvn }i = U +V.

Diberikan

x1z 1 + . . . + xrz r + xr+1u 1 + . . . + xr+mu m + xr+m+1v 1 + . . . + xr+m+nv n = 0

untuk beberapa skalar x j . Tulis

w = x1z 1 + . . . + xrz r + xr+1u 1 + . . . + xr+mu m ,

didapat
w = xr+m+1v 1 + . . . xr+m+nv n.
Terlihat bahwa w U dan w V , jadi w U V . Tetapi {zz1, . . . ,zzr } adalah suatu
basis dari U V , jadi
w = b1z 1 + . . . + brz r
untuk beberapa skalar bi . Sehingga didapat

b1z 1 + . . . + brz r = xr+m+1v 1 + . . . xr+m+nv n

atau
b1z 1 + . . . + brz r + xr+m+1v 1 + . . . + xr+m+nv n = 0 .
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 107

Tetapi
{zz1 , . . . ,zzr ,vv1 , . . . ,vvn}
adalah suatu basis dari V , maka dari itu haruslah

b1 = . . . = br = xr+m+1 = . . . = xr+m+n = 0,

sehingga persamaan

x1z 1 + . . . + xrz r + xr+1u 1 + . . . + xr+mu m + xr+m+1v 1 + . . . + xr+m+nv n = 0

menjadi
x1z1 + . . . + xr zr + xr+1u1 + . . . + xr+mum = 0.
Tetapi
{zz1 , . . . ,zzr ,uu1 , . . . ,uum }
juga adalah suatu basis dari U. Jadi haruslah

x1 = . . . = xr = xr+1 = . . . = xr+m = 0.

Sehingga didapat
xk = 0, k = 1, 2, . . . , r + m + n.
Jadi vektor-vektor
z 1 , . . . ,zzr ,uu1 , . . . ,uum,vv1, . . . ,vvn
bebas linier.

Contoh
Misalkan

W = R4 ,uu1 = (1, 1, 0, 0) ,uu2 = (3, 7, 2, 1) ,U = h{uu1 ,uu2 }i

dan
V = {(x1, x2 , x3 , 0) | xi R}.
Vektor-vektor
u 1,uu2
108

bebas linier, sebab bila


a1u 1 + a2u 2 = 0
atau
a1(1, 1, 0, 0) + a2 (3, 7, 2, 1) = 0
didapat a1 = a2 = 0. Jadi dim(U) = 2. Suatu basis dari V adalah
e 1 = (1, 0, 0, 0) ,ee2 = (0, 1, 0, 0) ,ee3 = (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 + 3ee1 7ee2 2ee3 .
Jadi e 4 U +V . Karena
e 1 ,ee2 ,ee3
juga di U +V , maka
{ee1,ee2,ee3,ee4}
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 diselidiki secara langsung bahwa vektor-vektor di U V adalah vektor-
vektor di U dengan komponen ke-empat sama dengan nol, yaitu vektor
b1u 1 + b2u 2 = (b1 3b2, b1 + 7b2, 2b2 , b2)
dengan b2 = 0. Jadi
U V = h{uu1 }i .
Terlihat bahwa dim(U V ) = 1.

Catatan. Bila U,V ruang bagian berdimensi hingga masing-masing dengan ba-
sis {uu1 , . . . ,uum } dan {vv1 , . . . ,vvn}. Misalkan W = U + V dan sebarang w W .
Didapat
w = u +vv = a1u 1 + . . . + amu m + b1v 1 + . . . + bnv n
atau
W = h{uu1, . . . ,uum ,vv1 , . . . ,vvn }i .
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 109

Selanjutnya reduksi vektor-vektor


u 1 , . . . ,uum ,vv1, . . . ,vvn
menjadi vektor-vektor yang bebas linier (sampai minimal) dan himpun kedalam
himpunan S, sehingga didapat W = h{S}i. Jadi dimensi dari W sama dengan
banyaknya vektor-vektor di S.

Bila U dan V adalah ruang bagian berdimensi hingga dengan U V = {00}, maka
U +V dinamakan jumlahan langsung dari U dan V .

Contoh.
Himpunan
U = {(x1 , x2 , 0) | x1, x2 R}
dan
V = {(0, 0, x3 ) | x3 R}
adalah ruang bagian dari ruang vektor R3 atas R dengan U V = {00}. Jadi U +V
adalah jumlahan langsung dari U dan V , sedangkan
U +V = {(x1 , x2 , 0) + (0, 0, x3 ) = (x1 , x2 , x3 ) | x1, x2 , x3 R}
= {x1 (1, 0, 0) + x2 (0, 1, 0) + x3 (0, 0, 1) | x1 , x2 , x3 R} = R3 ,
terlihat bahwa dim(U +V ) = 3. Perhatikan bahwa
U = {(x1 , x2 , 0) | x1, x2 R}
= {x1 (1, 0, 0) + x2(0, 1, 0) | x1 , x2 R}


= {(1, 0, 0) , (0, 1, 0) } ,
terlihat bahwa dim(U) = 2. Juga,
V = {(0, 0, x3 ) | x3 R}
= {x3(0, 0, 1) | x3 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+10 = 3 = dim(U)+dim(V )
110

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 ).

Kesimpulan. Dimensi dari suatu ruang jumlahan langsung sama dengan jumlah
dari masing-masing dimensi ruang.

Berikut ini diberikan suatu sifat yang lain dari ruang jumlahan langsung. Setiap
w W = U +V dengan U V = {00} mempunyai penulisan tunggal w = u +vv, u
U,vv V .

Bukti
Misalkan
w = u +vv = u + vv,

maka
u u = v vv.

Tetapi
u u U,
v v V
dan U V = {00}. Maka haruslah

u u = 0

dan
v v = 0
atau
u = u
dan
v = vv.

Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 111

Koordinat. Misalkan
{vv1 , . . . ,vvn}
adalah suatu basis dari suatu ruang vektor atas K. Jadi setiap v V dapat ditulis
secara tunggal oleh
v = x1v 1 + . . . + xnv n
untuk beberapa skalar x1 , . . . , xn K. Dalam hal ini skalar-skalar x1 , . . . , xn dina-
makan koordinat dari vektor v relatif terhadap basis {vv1, . . . ,vvn}.

Contoh.
Misalkan V = R3 dengan basis baku {ee1 = (1, 0, 0) ,ee2 = (0, 1, 0) ,ee3 = (0, 0, 1) }
dan misalkan sebarang v = (x, y, z) V , maka v = xee1 + yee2 + zee3 . Jadi koordi-
nat dari v relatif terhadap basis {ee1 ,ee2 ,ee3 } adalah skalar x, y dan z. Tetapi untuk
basis yang lain dari V , misalkan

{vv1 = (0, 1, 1) ,vv2 = (1, 0, 1) ,vv3 = (1, 1, 0) },

maka      
x + y + z xy+z x+yz
v= v1 + v2 + v 3.
2 2 2
Koordinat dari vektor v relatif terhadap basis

{vv1 ,vv2 ,vv3 }

adalah skalar
x + y + z x y + z x+yz
, dan .
2 2 2
Terlihat bahwa vektor v terhadap dua basis yang berbeda dari ruang vektor V
mempunyai dua koordinat yang berbeda pula.

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
112

ditulis sebagai suatu barisan. Bila urutan dari vektor basis takdipersoalkan, ba-
sis 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 ma-
triks, 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. Dikaji ulang penulisan ko-
ordinat dari suatu vektor relatif terhadap basis terurut. Diberikan basis teru-
rut B = v1 ,vv2 , . . . ,vvn dari suatu ruang vektor V atas suatu lapangan K. Misal-
kan sebarang vektor v di V , maka dapat dipilih dengan tunggal skalar-skalar
k1 , k2 , . . . , kn di K yang memenuhi

v = k1v1 + k2v2 + + knvn .

Dalam hal ini skalar-skalar k1 , k2 , . . . , kn dinamakan koordinat dari v relatif ter-


hadap basis terurut B dan ditulis

k1
k
2
[vv]B = .. K n
.
kn

sebagai vektor koordinat dari v relatif terhadap basis terurut B.

Contoh 1
Misalkan V = R2 dan B adalah basis terurut
   
1 1
B= , .
1 1
 
1
Dapatkan koordinat dari vektor v = relatif terhadap basis B. Penyelesaian-
5
nya sebagai berikut. Koordinat k1 dan k2 didapat melalui menuliskan v sebagai
kombinasi linier dari vektor-vektor di B, yaitu menyelesaikan sistem persamaan
linier takhomogin      
1 1 1
k1 + k2 = .
1 1 5
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 113

Penyelesaiannya adalah k1 = 3 dan k2 = 2. Dengan demikian didapat vektor


koordinat dari v relatif terhadap basis B adalah
 
3
[vv]B = .
2

Contoh 2
Misalkan V = P2(R) = {a0 + a1x + a2 x2 | a0 , a1 , a2 R} dan B adalah basis teru-
rut
B = 1, x 1, (x 1)2 .
Dapatkan koordinat v = p(x) = 2x2 2x+1 relatif terhadap basis B. Persoalan ini
dijawab sebagai berikut. Kita harus mendapatkan k1, k2 dan k3 yang memenuhi

k1 (1) + k2 (x 1) + k3 (x 1)2 = 2x2 2x + 1.

Dengan melakukan penghitungan bagian kiri persamaan didapat

k3 x2 + (k2 2k3)x + (k1 k2 + k3) = 2x2 2x + 1.

Dengan menyamakan koefisien kedua ruas persamaan didapat sistem persamaan


linier
k1 k2 + k3 = 1
k2 2k3 = 2

k3 = 2
Didapat penyelesaian tunggal k1 = 1, k2 = 2 dan k3 = 2, jadi

1
[vv]B = 2
2

Contoh 3
Diberikan ruang bagian W himpunan dari semua matriks simetri dalam ruang
vektor M22(R). Misalkan B adalah vektor-vektor terurut
     
1 0 0 1 0 0
B= , , .
0 0 1 0 0 1
114

Tunjukkan bahwa B adalah suatu basis untuk W dan dapatkan koordinat dari
 
2 3
v=
3 5

relatif terhadap basis B. Untuk menjawab persoalan ini pertama ditunjukkan


bahwa B membangun W . Sebarang matriks simetri A di W adalah
 
a b
A= ,
b c

didapat
       
1 0 0 1 0 0 a b
a +b +c = =A
0 0 1 0 0 1 b c
Terlihat bahwa sebarang A di W juga di hBi. Jadi hBi = W . Selanjutnya di-
tunjukkan bahwa B adalah bebas linier di W sebagai berikut. Tinjau persamaan
homogin berikut
       
1 0 0 1 0 0 0 0
k1 + k2 + k3 = .
0 0 1 0 0 1 0 0

didapat
   
k1 k2 0 0
= .
k2 k3 0 0
Dari persamaan terakhir didapat k1 = k2 = k3 = 0. Jadi B adalah bebas linier.
Dengan demikian B adalah basis terurut di W . Perhatikan matriks v terhadap
basis terurut B dapat ditulis sebagai kombinasi linier:
       
2 3 1 0 0 1 0 0
v= =2 +3 +5 .
3 5 0 0 1 0 0 1

Jadi vektor koordinat dari v relatif terhadap B adalah



2
[vv ]B = 3 .
5
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 115

5.7 Perubahan Basis

Banyak masalah dalam matematika terapan menjadi lebih mudah melalui pe-
rubahan suatu basis dari suatu ruang vektor ke basis yang lainnya. Sebagai ilus-
trasi yang sederhana ditinjau suatu ruang vektor V berdimensi dua atas suatu
skalar K. Diberikan ruang vektor V berdimensi dua atas suatu lapangan K dan
misalkan
B = v1 ,vv2 dan B = u1 ,uu2
adalah dua basis terurut dari V . Misalkan sebarang vektor v di V terhadap basis
B vektor koordinatnya adalah
 
x
[vv]B = 1 yaitu v = x1v1 + x2v2 .
x2

Untuk menentukan vektor koordinat dari v relatif terhadap basis B . Tulis v1 dan
v2 dalam suku-suku u1 dan u2 . Karena B adalah suatu basis dari V , maka dapat
diplih skalar a1 , a2, b1 dan b2 di K yang memenuhi

v1 = a1u1 + a2u2
v2 = b1u1 + b2u2 .

Maka v dapat ditulis sebagai

v = x1(a1u1 + a2u2 ) + x2 (b1u1 + b2u2 ).

Kumpulkan koefisien dari u1 dan u2 didapat

v = (x1 a1 + x2b1 )uu1 + (x1 a2 + x2 b2)uu2 .

Jadi vektor koordinat dari v relatif terhadap basis B adalah


 
x1 a1 + x2b1
[vv]B = .
x1 a2 + x2b2
Dengan menulis ulang bagian kanan sebagai perkalian matriks didapat
    
a1 b1 x1 a1 b1
[vv]B = = [vv]B .
a2 b2 x2 a2 b2
116

Perhatikan bahwa kolom dari matriks


 
a1 b1
a2 b2

adalah vektor [vv1 ]B dan [vv2 ]B . Dalam hal yang demikian matriks tersebut dina-

makan matriks transisi dari B ke B dan dinotasikan oleh [I]BB . Jadi

[vv]B = [I]BB [vv]B .

Contoh 1
Diberikan V = R2 dengan basis terurut
       
1 1 2 1
B= , dan B = , .
1 1 1 1

a. Dapatkan matriks transsisi


 dari B ke B .
3
b. Misalkan [vv]B = , maka dapatkan [vv]B .
2
Jawab

a. Dinotasikan vektor di B dengan v1 ,vv2 dan di B dengan u1 ,uu2 . Maka vektor


kolom matriks transisi adalah [vv1 ]B dan [vv2 ]B . Koordinat dari vektor tersebut
didapat dari menyelesaikan persamaan
           
2 1 1 2 1 1
c1 + c2 = dan d1 + d2 = ,
1 1 1 1 1 1
yaitu c1 = 2, c2 = 3 dan d1 = 0, d2 = 1. Jadi matriks transisi adalah
 
B 2 0
[I]B = .
3 1

b. Karena

[vv]B = [I]BB [vv]B ,
maka     
2 0 3 6
[vv]B = = .
3 1 2 11
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 117

Perhatikan bahwa vektor yang sama relatif terhadap basis yang berbeda
adalah diperoleh dari vektor koordinat [vv ]B dan [vv]B . Yaitu
         
1 1 1 2 1
3 2 = =6 + 11 .
1 1 5 1 1

Prosedur untuk mendapatkan matriks transisi diantara dua basis dari suatu ruang
vektor V berdimensi dua atas suatu skalar K dapat digeneralisasi ke ruang vektor
Rn atas R. Hal ini dinyatakan sebagai berikut.

Misalkan V adalah suatu ruang vektor berdimensi n atas suatu lapangan K de-
ngan basis terurut
B = v1 ,vv2 , . . . ,vvn dan B = u1 ,uu2 , . . . ,uun .
Maka matriks transisi dari B ke B diberikan oleh


[I]BB = v1 v2 vn .
B B B
Lagipula, vektor perubahan koordinat diberikan oleh

[vv]B = [I]BB [vv]B .

Contoh 2
Misalkan ruang vektor V = P2 (x) dengan basis terurut
B = 1, x, x2 dan B = 1, 1 + x, 1 + x + x2 .

a. Dapatkan matriks transisi [i]BB .
b. Misalkan p(x) = 3 x + 2x2 P2 (x), maka dapatkan [p(x)]B .

Jawab
a. Untuk memperoleh vektor kolom yang pertama dari matriks transisi harus
dipilih skalar a1 , a2 dan a3 yang memenuhi
a1(1) + a2 (1 + x) + a3 (1 + x + x2 ) = 1,
118

didapat a1 = 1, a2 = 0 dan a3 = 0. Jadi



1
[1]B = 0 .
0
Vektor kolom kedua dan ketiga dari matriks transisi masing-masing diper-
oleh dengan menyelesaikan persamaan
b1(1) + b2 (1 + x) + b3 (1 + x + x2 ) = x
dan
c1(1) + c2 (1 + x) + c3 (1 + x + x2 ) = x2 .
Penyelesaiannya diberikan oleh b1 = 1, b2 = 1, b3 = 0 dan c1 = 0, c2
1, c3 = 1. Jadi matriks transisi adalah

1 1 0

[I]BB = 0 1 1 .
0 0 1

b. Basis B adalah basis terurut baku, maka vektor koordinat dari p(x) = 3 x +
2x2 relatif terhadap B adalah

3
[p(x)]B = 1 .
2
Jadi
1 1 0 3 4
[p(x)]B = 0 1 1 1 = 3 .
0 0 1 2 2
Perhatikan bahwa 3 x + 2x2 = 4(1) 3(1 + x) + 2(1 + x + x2 ).

Contoh 3
Diberikan basis baku terurut B = e1 ,ee2 untuk ruang vektor R2 atas R, sedangkan
basis terurut B diberikan oleh
   
1 1
B = u1 ,uu2 = ,
1 1
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 119
 
3
dan misalkan v = .
4
a. Dapatkan matriks transisi dari B ke B .
b. Dapatkan [vv]B .
c. Tulis vektor v sebagai kombinasi linier dari e1 dan e2 dan juga sebagai kom-
binasi linier dari u1 dan u2 .
d. Tunjukkan hasil dari bagian (c) secara grafik.

Jawab

a. Matriks transisi dari B ke B dihitung dengan menyelesaikan peersamaan


           
1 1 1 1 1 0
c1u2 = + c2 = dan d1u2 = + d2 = .
1 1 0 1 1 1

Penyelesaian tunggal persamaan tersebut adalah c1 = 21 , c2 = 1


2 dan d1 =
1 1
2 , d2 = 2 . Dengan demikian matriks transisi diberikan oleh
 1 1

2
[I]BB = 1
2
1 .
2 2

b. Karena B adalahbasis
 baku, maka vektor koordinat dari v relatif terhadap B
3
adalah [vv]B = . Jadi vektor koordinat dari v relatif terhadap basis B
4
adalah  1 1   1
3
[vv]B = 12 12 = 27
2 2 4 2

c. Dengan menggunakan koordinat dari v terhadap dua basis B dan B , didapat


       
1 0 1 1 7 1
3 +4 =v = + .
0 1 2 1 2 1

d. Gambar berikut menunjukkan bahwa lokasi titik akhir (3, 4) dari vektor v
relatif terhadap sumbu e1e2 dan sumbu u1u2 .
120

u1 e2 u2
v

e1

Invers dari suatu Matriks Transisi


Fakta yang akan bermanfaat bahwa matriks transisi diantara basis terurut B dan
B dari suatu ruamg vektor berdimensi hingga atas suatu lapangan K adalah mem-
punyai invers. Lagi pula, matriks transisi dari B ke B adalah invers dari matriks

[I]BB . Untuk menyelidiki fakta ini misalkan ruang vektor V berdimensi n atas
suatu lapangan K dengan basis terurut

B = v1 ,vv2 , . . . ,vvn dan B = u1 ,uu2 , . . . ,uun .



Untuk menunjukkan bahwa [I]BB mempunyai invers, misalkan x Rn memenuhi

[I]BB x = 0 .

Perhatikan bahwa bagian kiri persamaan dalam bentuk vektor adalah

x1[vv1 ]B + + xn[vvn ]B .

Karena B adalah basis, maka vektor vi untuk 1 i n adalah bebas linier. Juga
dengan begitu vektor-vektor [vv1 ]B , . . . , [vvn ]B adalah bebas linier. Jadi x1 = x2 =

= xn = 0. Karena penyelesaian persamaan homogin [I]BB x = 0 hanyalah mem-

punyai penyelesaian trivial, maka matriks [I]BB mempunyai invers. Lagi pula,
karena  1
B
[v ]B = [I]B [v ]B dan bahwa
v v [I]BB [vv]B = [vv ]B ,
maka  1
[I]BB = [I]BB .
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 121

Apa yang telah dibahas ini diringkas dalam sifat berikut.

Sifat
Misalkan V suatu ruang vektor berdimensi n atas suatu lapangan K dengan basis
terurut
B = v1 ,vv2 , . . . ,vvn dan B = u1 ,uu2 , . . . ,uun .

Maka matriks transisi [I]BB mempunyai invers dan
 1
[I]B = [I]BB
B
.

5.8 Ruang Bagian Fundamental

Diisini dibahas ruang bagian fundamental dari suatu matriks yang mencakup ru-
ang null, Range, ruang baris dan ruang.

5.9 Ruang Hasil Kali Dalam

disini dibahas suatu ruang vektor khusus dan diberikan pengertian hasil kali
dalam.

5.10 Basis Orthonormal

disini dikembangkan dan digunakan proses Gram-Schmidt untuk mengkonstruksi


suatu basis orthogonal/orthonormal dari suatu ruang hasil kali dalam.

5.11 Kuadrat Terkecil (Least Square)

disini diberikan suatu aplikasi dari beberapa ide yang akan dibahas.
122

5.12 Dekomposisi QR

disini dibahas dekomposisi QR dari suatu matriks dan bagaimana dekomposisi


ini digunakan dalam proses kuadrat terkecil.

5.13 Matriks Orthogonal

disini dibahas pengertian matriks orthogonal.

5.14 General Invers

disisni dibahas general invers dari suatu matriks.


Bab 6
Nilai-Karakteristik dan Vektor-Karakteristik

6.1 Sekilas Mengenai Determinan

disini secara ringkas diulang lagi determinan.

6.2 Nilai-Karakteristik dan Vektor-Karakteristik

disini dibahas konsep dari nilai karakteristik dan vektor karakteristik.

6.3 Eksistensi Nilai-Karakteristik dan Vektor-Karakteristik

disini dibahas eksistensi dari suatu nilai karakteristik dan vektor karakteristik.

6.4 Sifat-sifat Nilai-Karakteristik dan Vektor-Karakteristik

disini dibahas beberapa sifat nilai karakteristik dan vektor karakteristik.

6.5 Kesimilaran dan Pendiagonalan

disini dibahas kesimilaran pendiagonalan matriks.

123
124
Bab 7
Transformasi Linear

Bila V dan W adalah ruang vektor atas suatu lapangan K, maka suatu pemetaan
T dari V ke W adalah suatu fungsi mengaitkan setiap vektor v V dengan tung-
gal kesuatu vektor w W . Dalam hal ini dikatakan T memetakan V kedalam W
dan ditulis T : V W . Untuk masing-masing v V , maka vektor w = T (vv ) di
W adalah image dari v oleh pemetaan T .

Contoh 1.
Didefinisikan suatu pemetaan T : R2 R2 oleh
   
x x+y
T = .
y xy
a. Dapatkan image dari vektor koordinat e1 dan e2 oleh pemetaan T .
b. Berikan suatu uraian dari semua vektor di R2 yang dipetakan ke vektor nol.
c. Tunjukkan bahwa T memenuhi
T (uu +vv) = T (uu) + T (vv) (mempertahankan penjumlahan ruang vektor)
dan
T (kvv ) = kT (vv ) (mempertahankan perkalian skalar),
untuk semua vektor u dan v di R2 dan semua skalar k R.

Jawab.

125
126
   
1 0
a. Karena e1 = dan e2 = , maka didapat
0 1
       
1+0 1 0+1 1
T (ee1 ) = = dan T (ee2 ) = = .
10 1 01 1

b. Untuk menjawab bagian ini, diselesaikan persamaan


     
x x+y 0
T = =
y xy 0
atau dalam bentuk sistem persamaan linier

x+y = 0
xy = 0
2
  tunggal x = 0, y = 0. Jadi
Didapat penyelesaian   hanya satu vektor di R
0 0
(domain) yaitu yang dipetakan oleh T ke .
0 0
c. Untuk menunjukkan bahwa T mempertahankan jumlahan ruang vektor, mis-
alkan sebarang vektor u dan v di R2
   
u1 v
u= dan v= 1 .
u2 v2
Maka
   
u1 v
T (uu +vv) = T + 1
u2 v2
 
u1 + v1
= T
u2 + v2
 
(u1 + v1 ) + (u2 + v2 )
=
(u1 + v1 ) (u2 + v2 )
   
u1 + u2 v1 + v2
= +
u1 u2 v1 v2
   
u1 v1
= T +T
u2 v2
= T (uu ) + T (vv ).
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 127

Juga didapat untuk sebarang k R, maka


 
ku1
T (kuu ) = T
ku2
 
ku1 + ku2
=
ku1 ku2
 
u1 + u2
= k
u1 u2
= kT (uu).

Contoh yang baru saja dibahas adalah suatu pemetaan T dari ruang vektor V ke
ruang vektor W atas suatu lapangan K yang memenuhi dua sifat

T (uu +vv) = T (uu ) + T (vv ) dan T (kuu) = kT (uu),

untuk semua u ,vv di V dan semua k di K. Dua sifat ini digabung menjadi satu,
maka diperoleh pengertian berikut.

Misalkan V dan W adalah ruang vektor atas suatu lapangan K. Pemetaan T :


V W dinamakan suatu transformasi linier bila dan hanya bila

T (kuu +vv) = kT (uu) + T (vv ),

untuk semua u ,vv di V dan semua k di K. Dalam hal V = W , maka T dinamakan


operator linier.

Contoh 2
Diberikan matriks A berukuran m n. Didefinisikan pemetaan T : Rn Rm oleh

T (xx ) = Axx , xx Rn .

a. Tunjukkan bahwa T adalah suatu transformasi linier.

b. Misalkan A adalah matriks 2 3


 
1 2 1
A= .
1 3 2
128

Dapatkan bayangan dari



1 7
1 dan 1
1 5
oleh pemetaan T : R3 R2 dimana T (xx ) = Axx , xx R3 .

Jawab

a. Untuk semua vektor u dan v di Rn dan semua skalar k di R berlaku


A(kuu +vv ) = kAuu + Avv.
Jadi
T (kuu +vv) = A(kuu +vv) = kAuu + Avv = kT (uu ) + T (vv ).
b. Karena T didefinisikan oleh perkalian matriks, maka didapat

1   1  
1 2 1 1 = 2
T 1 =
1 3 2 4
1 1
dan
7   7  
1 2 1 1 = 0 .
T 1 =
1 3 2 0
5 5
Contoh 3
Diberikan suatu transformasi linier T : R3 R2 oleh

x  
x
T y = .
y
z

a. Diskusikan tindakan dari T pada suatu vektor di R3 dan berikan suatu in-
tepretasi geometri dari persamaan

1 0 1 0
T 0 + 1 = T 0 + 1 .
1 1 1 1
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 129

b. Dapatkan image dari himpunan



1

S1 = k 2 k R


1

c. Dapatkan image dari himpunan



x
S2 = y x, y R


3

d. Uraikan himpunan
x
S3 = 0 x, z R


z
dan dapatkan imagenya.

Jawab

a. Transformasi linier T adalah proyeksi dari suatu vektor dalam ruang R3 ke


imagenya dalam bidang-xy. Misalkan

1 0 1
v1 = 0 ,vv2 = 1 dan v3 = v1 +vv2 = 1 .
1 1 2
Image dari vektor v3 diberikan oleh gambar berikut.

z T y
v3
b
v2 b
T (vv3 )

v1
b b
y x
b

x
130

1
3
b. Himpunan S1 adalah suatu bidang dalam ruang R dengan vektor arah 2.

1
Dengan definisi dari T didapat
   
1
T (S1 ) = k kR
2

adalah suatu garis dalam bidang R2 melalui titik asal dengan gradien sama
dengan 2.
c. Himpunan S2 adalah suatu bidang dalam ruang R3 diatas 3 satuan sejajar
dengan bidang-xy. Dalam hal ini
  
x
T (S2 ) = x, y R .
y
Jadi image dari S2 adalah seluruh bidang-xy hal ini sesuai uraian T sebagai
suatu proyeksi sebagai mana yang diharapkan.
d. Himpunan S3 adalah bidang-xz dalam ruang R3 . Dalam hal ini didapat
  
x
T (S3 ) = xR
0
yang merukan sumbu-x. Lagi, hal ini sesuai uraian T sebagai suatu proyeksi
sebagai mana yang diharapkan.

Contoh berikut digunakan turunan dari suatu fungsi untuk mendefinisikan suatu
transformasi linier diantara ruang vektor dari polinomial.

Contoh 4
Didefinisikan suatu pemetaan T : P3(R) P2(R) oleh
d p(x)
T (p(x)) = , p(x) P3(R).
dx
a. Tunjukkan bahwa T adalah suatu transformasi linier
b. Dapatkan image dari polinomial p(x) = 3x3 + 2x2 x + 2.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 131

c. Uraikan polinomial dalam P3(R) yang dipetakan ke vektor nol di P2(R).

Jawab
Perhatikan bahwa sebarang p(x) P3(R) mempunyai bentuk
p(x) = ax3 + bx2 + cx + d,
jadi
d p(x)
T (p(x)) = = 3ax2 + 2bx + c.
dx
d p(x)
Karena dx di P2 (R), maka T adalah suatu pemetaan dari P3(R) ke P2(R).

a. Untuk menunjukkan bahwa T adalah suatu pemetaan linier, misalkan se-


barang p(x) dan q(x) di P3 (R) dan sebarang k R, Didapat
d
T (kp(x) + q(x)) = (kp(x) + q(x))
dx
d d
= (kp(x)) + (q(x))
dx dx
d p(x) dq(x)
= k +
dx dx
= kT (p(x)) + T (q(x)).
Jadi pemetaan T adalah suatu pemetaan linier.
b. Image dari polinomial p(x) = 3x3 + 2x2 x + 2 adalah
d
T (p(x)) = (3x3 + 2x2 x + 2) = 9x2 + 4x 1.
dx
c. Polinomial di P3(R) yang mempunyai derivatif sama dengan nol adalah
polinomial konstan p(x) = k, dimana k R.

Proposisi 1
Misalkan suatu transformormasi linier T : V W , maka T (00V ) = 0W .

Bukti
Karena T adalah transformasi linier didapat
T (00V ) = T (00V +00V ) = T (00V ) + T (00V ).
132

Kedua ruas persamaan tambahkan dengan T (00V ) didapat

0W = T (00V ) + T (00V ) = (T (00V ) + T (00V )) + T (00V ) = T (00V ).


Contoh 5
Didefinisikan suatu pemetaan T : R2 R2 oleh
   x   
x e x
T = y , R2 .
y e y
Tentukan apakah T suatu pemetaan linier.

Jawab
Karena    0   
0 e 1
T (00R2 ) = T = 0 = ,
0 e 1
maka dengan menggunakan Proposisi 1 pemetaan T bukan suatu transformasi
linier.

Contoh 6
Didefinisikan suatu pemetaan T : Mmn(R) Mnm oleh
T (A) = At , A Mmn(R),

dimana tanda t adalah transpose. Tunjukkan bahwa T adalah suatu pemetaan


linier.

Jawab
Sebagai mana diketahui untuk setiap A, B Mmn(R), maka (A + B)t = At + Bt .
Dengan demikian didapat
T (A + B) = (A + B)t = At + Bt = T (A) + T (B).
Juga

T (kA) = (kA)t = kAt = kT (A), A Mmn(R) dan k R.


Jadi T adalah suatu transformasi linier.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 133

Contoh 7
Misalkan V adalah suatu ruang vektor atas suatu lapangan K dengan dim(V ) = n
dan
B = v1 ,vv2 , . . . ,vvn
adalah suatu basis terurut untuk V . Misalkan T : V K n adalah pemetaan yang
memetakan suatu vektor v di V ke vektor koordinatnya di K n relatif terhadap
basis B. Yaitu
T (vv ) = [vv]B .
Pemetaan ini terdefinisi dengan baik sebab vektor koordinat dari v relatif ter-
hadap basis B adalah tunggal. Tunjukkan bahwa pemetaan T adalah suatu pemetaan
linier.

Jawab
Misalkan u dan v sebarang vektor di V dan sebarang k K. Karena B adalah su-
atu basis terurut, maka dapat dipilih dengan tunggal skalar c1 , . . . , cn dan d1 , . . . , dn
di K yang memenuhi

u = c1v1 + . . . + cnvn dan v = d1v1 + . . . + dnvn .

Gunakan T pada vektor kuu +vv didapat

T (kuu +vv) = T ((kc1 + d1)vv1 + . . . + (kcn + dn)vv1 )



kc1 + d2
kc + d
2 2
= ..
.
kcn + dn

c1 d1
c d
2 2
= k .. + ..
. .
cn dn
= kT (uu ) + T (vv ).

Terlihat bahwa pemetaan T adalah suatu transformasi linier.


134

Sebagaimana telah disebutkan bila T : V W adalah suatu pemetaan linier,


maka struktur dari V dipertahankan ketika dipetakan ke W . Secara khusus, im-
age dari suatu kombinasi kombinasi linier dari vektor-vektor terhadap pemetaan
linier ini sama dengan kombinasi linier dari vektor-vektor imagenya dengan koe-
fisien yang sama. Untuk menunjukkan hal ini, misalkan V dan W adalah ruang
vektor atas suatu lapangan K dan T : V W adalah suatu transformasi linier.
Maka dengan pengulangan definisi transformasi linier, didapat

T (c1v1 + c2v2 + + cnvn ) = T (c1v1 ) + T (c2v2 ) + + T (cnvn )


= c1T (vv1 ) + c2 T (vv2 ) + + cn T (vvn ).

Fakta bahwa suatu transformasi linier T diantara ruang vektor V dengan ruang
vektor W atas suatu lapangan K mempertahankan kombinasi linier adalah suatu
yang berguna dalam perhitungan ketika T bertindak pada vektor-vektor dari su-
atu basis dari V diketahui. Hal ini dijelaskan dalam contoh berikut.

Contoh 8
Diberikan T : R3 R2 adalah suatu transformasi linier dan misalkan B adalah
suatu basis terurut baku untuk R3. Bila
     
1 1 0
T (ee1 ) = , T (ee2 ) = dan T (ee3 ) = ,
1 2 1

maka dapatkan T (vv) bila



1
v = 3
2

Jawab
Untuk mendapatkan image dari vektor v tulis vektor tersebut sebagai kombinasi
linier dari vektor-vektor basis terurut B, didapat

v = e1 + 3ee2 + 2ee3 .

Gunakan T pada kombinasi linier tersebut dan gunakan sifat kelinieran dari T ,
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 135

didapat
T (vv) = T (ee1 + 3ee2 + 2ee3 )
= T (ee1 ) + 3T (ee2 ) + 2T (vv3 )
     
1 1 0
= +3 +2
1 2 1
 
2
= .
9
Contoh 9
Misalkan T : R3 R3 adalah suatu operator linier dan B adalah suatu basis
terurut untuk R3 diberikan oleh

1 1 1
B = 1 , 2 , 1 .

1 3 2
Bila

1 1 1 1 1 2
T = 1 = 1 , T = 2 = 2 dan T = 1 = 2 ,
1 1 3 3 2 4
maka dapatkan
2
T= 3 .
6
Jawab
Karena B adalah suatu basisuntuk R3 , pilih skalar k1 , k2 dan k3 yang memenuhi
persamaan
1 1 1 2
k1 1 + k2 2 + k3 1 = 3 .
1 3 2 6
Selesaikan persamaan ini, didapat k1 = 1, k2 = 1 dan k3 = 2. Jadi

2 1 1 1
T 3 = T 1 1 + 2 + 2 1 .
6 1 3 2
136

Dengan menggunakan kelinieran dari T didapat



2 1 1 1
T 3 = 1T 1 + T 2 + 2T 1
6 1 3 2

1 1 2
= 1 + 2 + 2 2
1 3 4

2
= 1 .
4

Operasi dengan Transformasi Linier


Transformasi linier dapat dikombinasikan dengan menggunakan tambah biasa
dan perkalian skalar untuk menghasilkan transformasi linier baru. Misalkan
S, T : R2 R2 didefinisikan oleh
       
x x+y x 2x y
S = dan T = .
y x y x + 3y

Kemudian didefinisikan
def def
(S + T )(vv ) = S(vv) + T (vv) dan (kT )(vv ) = k(T (vv)), vv R2 , k R.
 
2
Untuk mengilustrasikan definisi ini, misalkan v = , maka
1
     
2 + (1) 2(2) (1) 6
(S + T )(vv ) = S(vv ) + T (vv ) = + = .
2 2 + 3(1) 3

Untuk perkalian dengan skalar, misalkan k = 3. Maka didapat


   
5 15
(3T )(vv ) = 3T (vv) = 3 = .
1 3

Dalam teorema berikut ditunjukkan bahwa operasi-operasi yang telah dibahas


menghasilkan transformasi linier.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 137

Teorema 7.0.1 Misalkan V dan W adalah ruang vektor atas suatu skalar K dan
S, T : V W adalah transformasi linier. Pemetaan S + T yang didefinisikan oleh
def
(S + T )(vv ) = S(vv ) + T (vv ), vv V
adalah suatu transformasi linier dari V ke W . Bila c adalah sebarang skalar di K,
maka pemetaan cT didefinisikan oleh
def
(cT )(vv ) = cT (vv ), vv V
adalah transformasi linier dari V ke W .

Bukti Misalkan sebarang u ,vv V dan sebarang skalar k K. Maka


(S + T )(kuu +vv) = S(kuu +vv) + T (kuu +vv)
= S(kuu) + S(vv) + T (kuu) + T (vv )
= kS(uu) + S(vv) + kT (uu) + T (vv )
= k(S(uu) + T (uu)) + S(vv ) + T (vv )
= k(S + T )(uu ) + (S + T )(vv ).
Terlihat bahwa S +T adalah suatu transformasi linier. Juga, untuk sebarang c K
didapat
(cT )(kuu +vv) = c(T (kuu +vv ))
= c(T (kuu) + T (vv))
= c(kT (uu) + T (vv))
= (ck)T (uu) + cT (vv)
= k(cT )(uu) + (cS)(vv ).
Jadi, cT adalah suatu transformasi linier.

Dengan menggunakan jumlah dua transformasi linier dan perkalian dengan


skalar yang didefinisikan dalam Teorema 7.0.1, himpunan dari semua transfor-
masi linier diantara dua ruang vektor yang diberikan atas suatu lapangan yang
sama adalah suatu ruang vektor dinotasikan oleh L (U,V ).
Sebagaimana telah dibahas dalam Contoh 2, setiap matriks A berukuran m
n mendefinisikan suatu pemetaan linier dari K n ke K m. Juga, bila matriks B
138

berukuran n p, maka B mendefinisikan suatu pemetaan linier dari K p ke K n.


Maka perkalian matriks AB berukuran m p mendefinisikan suatu transformasi
linier dari K p ke K n. Pemetaan ini berkaitan dengan komposisi dari pemetaan
yang didefinisikan melalui A dan B.

Teorema 7.0.2 Misalkan U,V dan W adalah ruang vektor atas suatu lapangan
yang sama. Bila T : V U dan S : U W adalah transformasi linier, maka
pemetaan komposisi S T : V W , didefinisikan oleh
def
(S T )(vv ) = S(T (vv )), vv V

adalah suatu transformasi linier (lihat gambar berikut).


V U W
T
S
b
b
v b
T (vv )

S T (vv )
Bukti
Untuk membuktikan S T adalah suatu transformasi linier, misalkan sebarang
vektor v1 dan v2 di V dan sebarang skalar k K. Gunakan S T pada kvv1 + v2 ,
didapat

(S T )(kvv1 +vv2 ) = S(T (kvv1 +vv2 ))


= S(kT (vv1 ) + T (vv2 ))
= S(kT (vv1 )) + S(T (vv2 ))
= kS(T (vv1 )) + S(T (vv2 ))
= k(S T )(vv1 ) + (S T )(vv2 ).

Terlihat bahwa S T adalah suatu pemetaan linier.


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 139

7.1 Ruang Null dan Range

Misalkan V dan W adalah ruang vektor atas suatu lapangan K. Untuk suatu trans-
formasi linier T : V W ruang null dari T atau disebut juga kernel dinotasikan
oleh N(T ) adalah
N(T ) = {vv V | T (vv) = 0W } V.
Sedangkan range dari T dinotasikan oleh R(T ), didefinisikan oleh
R(T ) = {T (vv ) W |vv V } W.
Ruang null dari suatu pemetaan linier adalah himpunan semua vektor-vektor di V
yang dipetakan ke vektor nol 0W , sedangkan range adalah himpunan dari semua
image dari pemetaan sebagai mana diberikan oleh gambar berikut.
T T
V W V W

0W
N(T ) R(T )

Teorema berikut menyatkan bahwa ruang null dan range adalah ruang bagian.
Teorema 7.1.1 Misalkan V dan W adalah ruang vektor atas suatu lapangan K
dan T : V W adalah suatu transformasi linier. Maka
(1) Ruang Null N(T ) adalah ruang bagian dari V .
(2) Range R(T ) adalah ruang bagian dari R(T ).
Bukti
(1) Diberikan sebarang v1 dan v2 di N(T ) dan skalar c K, maka dengan meng-
gunakan kelinieran didapat
T (cvv1 +vv2 ) = cT (vv1 ) + T (vv2 ) = c00W +00W = 0W .
140

Jadi cvv1 +vv2 di N(T ) dengan demikian N(T ) adalah subruang dari V .
(2) Diberikan sebarang w1 dan w2 di R(T ), maka dapat dipilih v1 dan v2 di
V yang memenuhi T (vv1 ) = w1 dan T (vv2 ) = w2 . Sehingga untuk sebarang
c K didapat

T (cvv1 +vv2 ) = cT (vv1 ) + T (vv2 ) = cw w2 .


w1 +w

w1 +w
Jadi cw w2 R(T ) dengan demikian R(T ) adalah ruang bagian dari ru-
ang vektor W .

Contoh 1 Diberikan suatu transformasi linier T : R4 R3 oleh



a
b a + b
c = b c .
T
a+d
d

(a) Dapatkan suatu basis dari N(T ) dan dimensinya.


(b) Berikan gambaran dari R(T ).
(c) Dapatkan suatu basis dari R(T ) dan dimensinya.

Jawab

(a) Ruang N(T ) adalah didapat dengan menjadikan komponen dari imagenya
sama dengan nol. Dengan demikian didapat sistem persamaan linier homo-
gin:
a+b = 0
bc = 0

a+d = 0
Sistem persamaan linier homogin ini mempunyai banyak penyelesaian diberikan
oleh

t


t
S= t t R .




t
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 141

Jadi
* 1 +
1
1 .
N(T ) =

1
Suatu basis di N(T ) hanya memuat satu vektor

1
1

1
1

akibatnya , dim(N(T )) = 1.

(b) Perhatikan bahwa sebarang vektor w di range bisa ditulis sebagai



1 1 0 0
w = a 0 + b 1 + c 1 + d 0

1 0 0 1

untuk beberapa bilangan real a, b, c dan d. Dengan demikian


*1 1 0 0+

R(T ) = 0 , 1 , 1 , 0
.

1 0 0 1

(c) Karena R(T ) adalah suatu ruang bagian dari R3 , maka dim(R(T )) 3. Ak-
ibatnya, empat vektor yang dihasilkan dalam (b) adalah bergantungan linier
dan tidak membentuk suatu basis dari R(T ). Perhatikan bahwa tiga vektor
pertama dari vektor-vektor tersebut adalah bebas linier. Jadi

1 1 0
B = 0 , 1 , 1

1 0 0

adalah bebas linier. Dengan demikian B adalah suatu basisi dari R(T ) dan
dim(R(T )) = 3. Perhatikan juga B membangun R3 , jadi R(T ) = R3 .
142

Contoh 2 Didefinisikan suatu transformasi linier T : P4(R) P3(R) oleh


d p(x)
T (p(x)) = , p(x) P4(R).
dx
Dapatkan N(T ) dan R(T ).

Jawab Perhatikan bahwa semua polinomial konstan p(x) = a untuk semua a R


d p(x)
didapat dx = 0, maka

N(T ) = {p(x) = a | a R}.

Ditunjukkan pemetaan T adalah pada sebagai berikut. Diberikan sebarang q(x) =


ax3 + bx2 + cx + d P3(R) dapat dipilih p(x) P4(R) yaitu
Z Z
a b c
p(x) = q(x)dx = (ax3 + bx2 + cx + d)dx = x4 + 3 + x2 + dx + e
4 3x 2
yang memenuhi
d(p(x))
q(x) = = T (p(x)).
dx
Dengan demikian

R(T ) = {T (p(x)) | p(x) P4(R)} = P3(R).

Dalam pembahasan sebelumya telah ditunjukkan bahwa image dari sebarang v


V bisa dihitung bila image T (vvi ) diketahui untuk masing-masing vektor vi dalam
suatu basis dari V . Hal ini juga ditunjukkan dalam teorema berikut.

Teorema 7.1.2 Bila V dan W adalah ruang vektor berdimensi hingga atas suatu
lapangan K dan
B = {vv1 ,vv2 , . . . ,vvn }
adalah suatu basis untuk V . Bila T : V W adalah suatu pemetaan linier, maka

R(T ) = h{T (vv1 ), T (vv2 ), . . . , T (vvn ).}i

Bukti Untuk menunjukkan bahwa dua himpunan sama adalah masing-masing


merupakan himpunan bagian dari yang lainnya. Pertama, Bila w R(T ), maka
dapat dipilih suatu vektor v V yang memenuhi T (vv ) = w . Selanjutnya, karena
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 143

B adalah suatu basis dari V , maka juga dapat dipilih c1 , c2 , . . . , cn di K yang


memenuhi
v = c1v1 + c2v2 + + cnvn .
Sehingga didapat
T (vv ) = T (c1v1 + c2v2 + + cnvn ).
Dengan menggunakan kelinieran dari T , didapat

w = T (vv ) = c1 T (vv1 ) + c2 T (vv2 ) + + cnT (vvn ).

Terlihat bahwa sebarang w R(T ) merupakan kombinasi linier dari vektor-vektor

T (vv1 ), T (vv2 ), . . . , T (vvn ).

Jadi w h{T (vv1 ), T (vv2 ), . . . , T (vvn ).}i. Dengan demikian

R(T ) h{T (vv1 ), T (vv2 ), . . . , T (vvn ).}i .

Sebaliknya, misalkan bahwa sebarang vektor

w h{T (vv1 ), T (vv2 ), . . . , T (vvn )}i .

Maka dapat dipilih skalar-skalar k1 , k2 , . . . , kn di K yang memenuhi

w = k1 T (vv1 ) + k2 T (vv2 ) + + kn T (vvn )


= T (k1v1 ) + T (k2v2 ) + + T (knvn )
= T (k1v1 + k1v2 + + knvn ).

Terlihat bahwa w adalah image dari kombinasi linier

k1v1 + k1v2 + + knvn

yang merupakan suatu elemen dari V . Jadi w R(T ), dengan demikian

h{T (vv1 ), T (vv2 ), . . . , T (vvn )}i R(T ).

Akibatnya R(T ) = h{T (vv1 ), T (vv2 ), . . . , T (vvn )}i.


144

Contoh 3 Misalkan T : |R3 R3 adalah suatu operator linier dan B = {vv1 ,vv2 ,vv3 }
adalah suatu basis untuk R3 yang memenuhi

1 1 2
T (vv1 ) = 1 , T (vv2 ) = 0 , T (vv3 ) = 1 .
0 1 1

1
a. Apakah 2 di R(T )?
1
b. Dapatkan suatu basis untuk R(T ).
c. Dapatkan ruang null N(T ).
Jawab

1
a. Dari Teorema 7.1.2 vektor w = 2 di R(T ) bila ada skalar k1 , k2 dan k3 di
1
R yang memenuhi

1
k1 T (vv1 ) + k2 T (vv2 ) + k3 T (vv3 ) = 2 ,
1
yaitu
1 1 2 1
k1 1 + k2 0 + k3 1 = 2 .
0 1 1 1
Himpunan penyelesaian dari sistem persamaan linier ini diberikan oleh
S = {(2 r, 1 r, r) | r R}.
Khususnya bila r = 0, maka k1 = 2, k2 = 1 dan k3 = 0. Jadi w R(T ).
b. Untuk mendapatkan suatu basis dari R(T ), lakukan operasi baris elementer
matriks

1 1 2 1 0 1
1 0 1 untuk memperoleh 0 1 1 .
0 1 1 0 0 0
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 145

Karena koefisien pivot dalam kolom ke-1 dan ke-2, maka suatu basis untuk
R(T ) diberikan oleh
*1 1 +

R(T ) = 1 , 0
.

0 1

Perhatikan bahwa karena R(T ) dibangun oleh dua vektor yang bebas linier,
maka R(T ) adalah suatu bidang dalam R3 (lihat gambar!).

c. Karena B adalah suatu basis untuk R3 , maka ruang null adalah himpunan
semua vektor k1v1 + k2v2 + k3v3 yang memenuhi

0
k1 T (vv1 ) + k2 T (vv2 ) + k3 T (vv3 ) = 0 .

0

Dengan menggunakan operasi baris elementer didapat matriks tereduksi



1 0 1
0 1 1 .
0 0 0

Sehingga didapat k1 = k3 , k2 = k3 dan k3 sebarang di R. Dengan demikian


ruang null adalah
N(T ) = hvv1 vv2 +vv3 i
yang merupakan suatu garis dalam R3 (lihat gambar!).
T z
z

R(T )
x N(T ) y x y
146

Teorema 7.1.3 Diberikan V dan W adalah ruang vektor berdimensi hingga atas
suatu lapangan yang sama yaitu K. Bila T : V W adalah suatu transformasi
linier, maka
dim(V ) = dim(R(T )) + dim(N(T )).
Bukti Misalkan bahwa dim(V ) = n. Untuk pembuktian teorema ditinjau tiga ka-
sus. Pertama, untuk dim N(T ) = dimV = n. Dalam kasus ini, bayangan (image)
dari setiap vektor di V adalah vektor nol 0W W , dengan demikian R(T ) = {0V }.
Sehingga didapat

n = dimV = dim R(T ) + dim(N(T )) = 0 + n.

Selanjutnya, untuk 1 r = dim N(T ) < n. Misalkan v 1,vv2, . . . ,vvr adalah suatu
basis untuk N(T ). Perluas basis ini di V sehingga dapat dipilih vektor-vektor di
V
v r+1 ,vvr+2 , . . . ,vvn
yang semuanya bukan di N(T ) dan memenuhi

v 1,vv2, . . . ,vvr ,vvr+1,vvr+2 , . . . ,vvn

adalah suatu basis dari V . Ditunjukkan bahwa himpunan

S = {T (vv r+1), T (vvr+2 ), . . . , T (vv n)}

adalah suatu basis di R(T ). Menurut Teorema 7.1.2 didapat

R(T ) = h{T (vv 1), T (vv2 ), . . . , T (vvr ), T (vvr+1 ), T (vv r+2 ), . . . , T (vvn )}i .

Karena T (vv1 ) = T (vv2 ) = = T (vv r = 0W , maka vektor-vektor di R(T ) meru-


pakan kombinasi linier dari vektor-vektor

T (vv r+1 ), T (vv r+2 ), . . . , T (vvn ).

Jadi
S = h{T (vvr+1 ), T (vvr+2 ), . . . , T (vv n)}i = R(T ).
Untuk menunjukkan bahwa S bebas linier, tinjau persamaan

kr+1 T (vvr+1 ) + kr+2 T (vvr+2 ) + + knT (vv n) = 0W .


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 147

Karena T adalah transformasi linier, maka didapat

T (kr+1v r+1 + kr+2v r+2 + + knv n ) = 0W .

Hal ini menunjukkan bahwa

kr+1v r+1 + kr+2v r+2 + + knv n N(T ).

Tetapi {vv1 ,vv2 , . . . ,vvr } adalah suatu basis di N(T ), maka dapat dipilih skalar
k1 , k2 , . . . , kr di K yang memenuhi

kr+1v r+1 + kr+2v r+2 + + knv n = k1v 1 + k2v 2 + + krv r .

Sehingga didapat

k1v 1 k2v 2 krv r + kr+1v r+1 + kr+2v r+2 + + knv n = 0W .

Karena {vv1,vv2, . . . ,vvr ,vvr+1 ,vvr+2, . . . ,vvn} adalah suatu basis di V , maka bebas lin-
ier dan
k1 = k2 = = kr = kr+1 = kr+2 = = kn = 0.
Khususnya didapat kr+1 = kr+2 = = kn = 0. Jadi n r vektor

T (vvr+1 ), T (vvr+2 ), . . . , T (vv n)

adalah suatu basis di R(T ). Akibatnya

dim(V ) = n = (n r) + r = dim(R(T )) + dim(N(T )).

Terakhir, untuk N(T ) = {0V }, maka dim(N(T )) = 0. Bila {vv1 ,vv2 , . . . ,vvn } adalah
suatu basis di V , maka dengan menggunakan Teorema 7.1.2 didapat

R(T ) = h{T (vv 1 ), T (vv 2), . . . , T (vv n )}i .

Dengan argumen yang sama sebagaimana dilakukan sebelumnya didapat bahwa

{T (vv 1), T (vv2 ), . . . , T (vv n)}

adalah bebas linier. Jadi dim(N(T )) + dim(R(T )) = 0 + n = n = dim(V ).


148

Contoh 7.1.1 Didefinisikan transformasi linier T : P4(R) P( R) oleh

d 2 p(x)
def
T (p(x)) = .
dx2
Dapatkan dimensi dari range T dan berikan diskripsi dari range.

Jawab Misalkan B = {1, x, x2 , x3 , x4 } adalah basis baku untuk P4(R). Karena


p(x) di N(T ) bila dan hanya bila mempunyai derajad 0 atau 1, maka ruang null
adalah runag bagian dari P4(R) yang terdiri dari polinomial berderajad kurang
atau sama dengan satu.. Dengan demikian, C = {1, x} adalah suatu basis untuk
N(T ) dan dim(N(T )) = 2. Karena dim(P4 (R)) = 5, maka berdasarkan Teo-
rema 7.1.3 didapat
2 + dim(R(T )) = 5, jadi dim(R(T )) = 5 2 = 3.
Kemudian sebagaimana bukti dalam Teorema 7.1.3 didapat
{T (x2 ), T (x3 ), T (x4 )} = {2, 6x, 12x2 }
adalah suatu basis untuk R(T ). Perhatikan bahwa R(T ) adalah P2(R) yang meru-
pakan subruang dari P4(R).

7.2 Isomorpisma

Banyak ruang vektor yang sudah dibahas deri pandangan aljabar adalah sama.
Dalam bagian ini ditunjukkan bahwa suatu isomorpisma yang merupakan su-
atu transformasi linier khusus dapat digunakan untuk menjelaskan hubungan di-
antara dua ruang vektor. Secara esensi pembahasan berkaitan dengan pemetaan
satu-satu (injektif) dan pada (surjektif).

Definisi 7.2.1 Misalkan U dan V adalah ruang vektor atas suatu lapangan K dan
T : U V adalah suatu transformasi linier.

1. Pemetaan T adalah satu-satu (injektif) bila u 6= v berakibat bahwa T (uu) 6=


T (vv). Yaitu, elemen-elemen yang berbeda di U, harus menghasilkan elemen-
elemen image yang berbeda di V .
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 149

2. Pemetaan T adalah pada (surjektif) bila T (U) = V . Yaitu range dari T


adalah V .

Pemetaan T dinamakan satu-satu pada (bijektif) bila T adalah satu-satu dan


pada.

Ketika untuk menunjukkan bahwa suatu pemetaan adalah satu-satu, suatu perny-
ataan ekivelen dapat digunakan. Yaitu, T adalah satu-satu bila T (uu ) = T (vv ) be-
rakibat bahwa u = v . Untuk menunjukkan bahwa suatu pemetaan pada, haruslah
ditunjukkan bahwa bila sebarang v di V , maka ada beberapa elemen u U yang
memenuhi T (uu ) = v .

Contoh 7.2.1 Misalkan T : R2 R2 adalah pemetaan yang didefinisikan oleh


T (uu) = Auu, uu R2 dengan
 
1 1
A= .
1 0

Tunjukkan bahwa T adalah pemetaan bijektif.

Jawab Pertama ditunjukkan bahwa T adalah satu-satu., misalkan


   
a1 a
u1 = dan u2 = 2 .
b1 b2

Maka,    
1 1 a1 a1 + b1
T (uu1) = =
1 0 b1 a1
dan     
1 1 a2 a2 + b2
T (uu 2) = = .
1 0 b2 a2
Jadi, bila T (uu1 ) = T (uu2 ), maka
   
a1 + b1 a2 + b2
= .
a1 a2
150

Sehingga didapat a1 = a2 dan b1 = b2. Dengan demikian u 1 = u 2 . Jadi, T adalah


satu-satu.
  Selanjutnya ditunjukkan
  bahwa T adalah pada. Misalkan sebarang
v u
v = 1 R2 . Pilih u = 1 R2 yang memenuhi
v2 u2
    
1 1 u1 v
T (uu) = = 1 .
1 0 u2 v2
Kedua ruas persamaan kalikan dengan invers dari matriks A didapat
        
u1 0 1 v1 u1 v2
= = = .
u2 1 1 v2 u2 v1 + v2
Jadi  
v2
u= .
v1 + v2
Dengan demikian T adalah pada. Karena T adalah satu-satu dan pada, maka T
adalah bijektif. Suatu argumentasi alternatif adalah menunjukkan bahwa vektor
kolom-kolom dari A adalah bebas linier, jadi merupakan suatu basis dari R2 .
Oleh karena itu, range dari T adalah ruang kolom dari A adalah semua vektor di
R2 .

Berikut ini diberikan suatu kegunaan dari ruang nul untuk menunjukkan bahwa
suatu transformasi linier adalah satu-satu.
Teorema 7.2.1 Suatu transformasi linier T : U V adalah satu-satu bila dan
hanya bila ruang nul terdiri dari hanya vektor nol di U.

Bukti Misalkan bahwa T adalah satu-satu. Maka ditunjukkan bahwa N(T ) =


{00U }. Untuk menunjukkan hal ini, misalkan sebarang vektor u di N(T ), jadi
T (uu) = 0V . Juga,sebgaimana telah diketahui T (00U ) = 0V . Karena T satu-satu,
maka hanyalah vektor nol u = 0U dipetakan menjadi 0V . Jadi N(T ) = {00U }.
Sebaliknya, misalkan bahwa N(T ) = {00U } dan T (uu1 ) = T (uu2 ). Didapat
T (uu1 ) T (uu 2) = 0V = T (uu 1 uu2) = 0V .
Jadi u 1 uu2 N(T ) = {00U }, sehingga didapat u 1 uu2 = 0U atau u 1 = u 2 . dengan
demikian T adalah pemetaan satu-satu.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 151

Contoh 7.2.2 Didefinisikan suatu operator linier T : R2 R2 oleh


   
x 2x 3y
T =
y 5x + 2y

Tunjukkan bahwa T adalah satu-satu.


 
x
Jawab Sebarang vektor di N(T ) bila dan hanya bila
y

2x 3y = 0
5x + 2y = 0

Sistem persamaan linier homogini ini mempunyai jawab trivial x = 0, y = 0. Jadi


N(T ) = {00}. Dengan menggunakan Teorema 7.2.1, maka T adalah satu-satu.

Telah diketahui bahwa bila T : U V adalah suatu pemetaan linier dan

B = {uu1 ,uu2 , . . . ,uun }

adalah suatu basis untuk U, maka

R(T ) = h{T (uu 1), T (uu2 ), . . . , T (uun )}i .

Suatu pertanyaan adalaah apa syarat bagi T supaya

{T (uu1 ), T (uu 2), . . . , T (uu n)}

adalah juga suatu basis untuk R(T )? Teorema berikut menjawab pertanyaan ini.

Teorema 7.2.2 Misalkan T : U V adalah suatu pemetaan linier dan

B = {uu1 ,uu2 , . . . ,uun }

adalah suatu basis untuk U. Bila T adalah satu-satu, maka

{T (uu1 ), T (uu 2), . . . , T (uu n)}


152

adalah suatu basis untuk R(T ).

Bukti Dari Teorema 7.1.2, maka

R(T ) = h{T (uu 1), T (uu2 ), . . . , T (uun )}i .

Jadi, cukup ditunjukkan bahwa

{T (uu1 ), T (uu 2), . . . , T (uu n)}

bebas linier di R(T ). Tinjau persamaan

c1 T (uu 1) + c2 T (uu2 ) + + cn T (uun) = 0V

atau ekivalen dengan

T (c1u1 + c2u2 + + cnun) = 0V .

Karena T adalah satu-satu, maka N(T ) = {0U }, jadi

c1u 1 + c2u 2 + + cnu n = 0U .

Karena B = {uu1 ,uu2 , ,uun} adalah besas linier, maka c1 = c2 = = 0. Dengan


demikian
{T (uu1 ), T (uu 2), . . . , T (uu n)}
adalah suatu basis untuk R(T ).

Definisi 7.2.2 Misalkan U dan V adalah ruang vektor atas suatu lapangan K dan
T : U V adalah suatu transformasi linier dimana T adalah satu-satu dan pada,
maka T dinamakan isomorpisma. Dalam hal ini ruang vektor U dan V adalah
isomorpik dan dinotasikan oleh U
= V.

Proposisi 7.2.1 Misalkan A adalah matriks berukuran n n dan T : Rn Rn


adalah suatu pemetaan linier yang didefinisikan oleh T (xx ) = Axx , xx Rn . Maka
T adalah sautu isomorpisma bila dan hanya bila matriks A mempunyai invers.

Bukti Misalkan A mempunyai invers dan b sebarang vektor di Rn (kodomain).


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 153

Maka x = A1b (di domain T ) preimage dari b. Jadi, pemetaan T adalah pada.
Untuk menunjukkan bahwa T pada, perhatikan bahwa persamaan Axx = 0 hanya
mempunyai penyelesaian trivial x = A10 = 0. Jadi N(T ) = {00}, dengan demikian
T adalah satu-satu. Jadi T adalah satu-satu dan pada. Sehingga T adalah iso-
morpisma. Sebaliknya, misalkan bahwa T adalah suatu isomorpisma. Maka
T : Rn Rn adalah pada, maka vektor kolom dari A membangun Rn dan karena
Rn berdimensi n, makavektor-vektor kolom dari A adalah bebas linier. Akibatnya
det(A) 6= 0, jadi A punya invers.

Teorema berikut merupakan hasil utama bahasan pada bagian ini yang berkaitan
dengan ruang vektor brdimensi hingga.

Teorema 7.2.3 Bila V adalah ruang vektor atas suatu lapangan K berdimensi n,
maka V dan Rn adalah isomorpik.

Bukti Misalkan B = {vv1,vv2, . . . ,vvn } adalah suatu basis terurut untuk V . Misalkan
T : V Rn adalah transformasi koordinat didefinisikan oleh T (vv) = [vv]B . Di-
tunjukkan bahwa T adalah isomorpisma. Pertama ditunjukkan bahwa T adalah
satu-satu. Misalkan bahwa T (vv) = 0 Rn . Karena B adalah suatu basis, dapat dip-
ilih dengan tunggal skalar c1 , c2 , . . . , cn yang memenuhi

v = c1v 1 + c2v 2 + + cnv n .

Jadi,
c1 0
c 0
2
T (vv) = [vv ]B = .. = .. ,
. .
cn 0
terlihat bahwa c1 = c2 = = cn = 0. Dengan demikian N(T ) = {00V }, jadi T
adalah satu-satu. Selanjutnya mislkan bahwa

k1
k
2
w = ..
.
kn
154

sebarang vektor di Rn . Pilih vektor v V diberikan oleh v = k1v 1 + k2v 2 + +


knv n. Perhatikan bahwa T (vv ) = w , jadi T adalah pada. Dengan demikian T
adalah suatu isomorpisma dan V = Rn .

Definisi 7.2.3 Misalkan U dan V adalah ruang vektor atas suatu lapangan K dan
T : U V adalah suatu transformasi linier satu-satu. Pemetaan

T 1 : R(T ) U,

didefinisikan oleh

T 1(vv) = u bila dan hanyabila T (uu) = v ,

dinamakan invers dari T . Bila T pada, maka T 1 didefinisikan pada semua


vektor di V .

Proposisi 7.2.2 Misalkan U dan V adalah ruang vektor atas suatu lapangan K
dan T : U V suatu pemetaan linier satu-satu. Maka pemetaan T 1 : R(T ) U
adalah juga suatu transformasi linier.

Bukti Misalkan v 1,vv2 R(T ) dan skalar c K. Pilih vektor u 1 ,uu2 U yang
memenuhi v 1 = T (uu1 ) dan v 2 = T (uu2). Karena T adalah suatu pemetaan linier
maka
T (cuu1 +uu2 ) = cT (uu 1) + T (uu2 ) = cvv1 +vv2 .
Jadi
T 1(cvv 1 +vv2 ) = cuu1 +uu2 = cT 1 (vv1 ) + T 1(vv 2).
Akibatnya T 1 adal suatu pemetaan linier.

Kesimpulan 7.2.1 Misalkan A adalah suatu matriks berukuran n n yang mem-


punyai invers dan T : Rn Rn pemetaan linier didefinisikan oleh T (xx )Axx , xx
Rn . Maka T 1(xx ) = A1x .

Bukti Bisa digunakan sebagai latihan.


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 155

Teorema 7.2.4 Bila U dan V adalah ruang vektor berdimensin atas suatu lapan-
gan K, maka U dan V adalah isomorpik.

Bukti Dengan menggunakan Teorema 7.2.3 ada isomorpisma T1 : U Rn dan


T2 : V Rn sebagaimana diberikan oleh Gambar 7.1. Misalkan
T1
U Rn


T2

Gambar 7.1: = T21 T1 : U V

= T21 T1 : U V.
Untuk menunjukkan bahwa adalah pemetaan linier, ingat bahwa T21 adalah
pemetaan linier (Proposisi 7.2.2). Dengan menggunakan Teorema 7.0.2, maka
komposisi T21 T1 adalah suatu pemetaan linier. Pemetaan adalah satu-satu
dan pada sebab berdasarkan Gambar 7.1 maka = T1 . Jadi adalah suatu iso-
morpisma, akibatnya U = V.

Contoh 7.2.3 Diberikan ruang vektor P2(R) dan ruang vektor mariks simetri
  
a b
S22 (R) = a, b, c R .
b c
Dapatkan secara langsung suatu isomorpisma dari P2(R) ke S22(R).

Jawab Misalkan basis terurut baku di P2(R) dan S22(R) masing diberikan oleh
     
0 0 0 1 1 0
B1 = {1, x, x3 } dan B2 = , , .
0 1 1 0 0 0
Misalkan masing-masing T1 dan T2 adalah pemetaan koordinat dari P2 (R) dan
S22(R) ke R3 . Maka

a   a
2 a b
T1 (a + bx + cx ) = b dan T2 = b .
b c
c c
156

Perhatikan bahwa T21 : R3 S22(R) memetakan vektor



a  
a b
b ke matriks simetri .
b c
c
Jadi, isomorpisma yang diharapkan adalah
T21 T1 : P2(R) S22(R)
yang didefinisikan oleh
 
a b
(T21 T1)(a + bx + cx2 ) = , a + bx + cx2 P2(R).
b c
Misalnya,
(T21 T1)(1 + 2x + 3x2 ) = T21(T1 (1 + 2x + 3x2))

1  
1 1 2
= T2 2 = .
2 3
3

7.3 Matriks Representasi dari suatu Pemetaan Linier

Diberikan matriks A dengan elemen-elemen di R dan berukuran m n. Kombi-


nasi liner dari vektor-vektor kolom dari A di Rm dinamakan ruang kolom dari
A dinotasikan oleh kol(A). Juga, didefinisikan ruang nul dari matriks A adalah
himpunan semua vektor x Rn yang memenuhi Axx = 0 Rm . Selanjutnya dibahas
matriks A dalam kenteks transformasi linier T : Rn Rm adalah suatu transfor-
masi linier yang didefinisikan oleh
T (vv) = Avv, vv Rn .
Persamaan ini, dapat ditulis dalam bentuk vektor sebagai
T (vv) = v1A 1 + v2A 2 + + vnA n ,
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 157

dimana A i adalah vektor kolom dari A dan vi adalah komponen ke-i dari vektor v
untuk 1 i n. Dalam hal yang demikian, R(T ) yang merupakan ruang bagian
dari Rm adalah sama dengan ruang kolom dari A, yaitu
R(T ) = kol(A).
Dimensi dari ruang kolom A dinamakan rank kolom dari A. Juga dapat
N(T ) = {vv Rn | Avv = 0Rm } = N(A).
Dimensi dari N(A) dinamakan nullitas dari A dan menggunakan Teorema 7.1.3
didapat
rank kolom(A) + nullitas(A) = n.
Suatu ruang bagian yang lain dari Rn dikaitkan dengan A adalah ruang baris dari
A, dinotasikan oleh bar(A) dan merupakan hasil bentangan dari vektor-vektor
baris dari A. Karena operasi tanspose memetakan vektor-vektor baris dari A ke
vektor-vektor klom dari A, ruang baris dari A adalah sama dengan dengan ruang
kolom dari At (tanda t adalah transpose), sehingga didapat
bar(A) = kol(At ).
Dengan demikian suatu basis dari A dapat diperoeleh dengan melakukan reduksi
baris. Kususnya, basis-basis ini adalah vektor-vektor baris taknol dari hasil pere-
duksian baris. Sebagai kesimulan adalah
Kesimpulan 7.3.1 rank baris dan rank kolom dari suatu matriks A adalah sama.

Selajutnya didefinisikan rank dari suatu matriks A sebagai dim(bar(A)) atau


dim(kol(A)) ditulis rank(A), lagi dengan menggunakan Teorema 7.1.3 didapat
rank(A) + nullitas(A) = n.

Matriks sudah memainkan peranan penting dalam kajian aljabar linier. Dalam
nagian ini dijelaskan keterkaitan diantara matriks dengan transformasi linier. Un-
tuk mengilustrasikan ide ini, misalkan diberikan sebarang matriks A berukuran
m n, dapat didefinisikan suatu transformasi linier T : Rn Rm diberikan oleh
T (vv) = Avv, vv Rn .
158

Dalam Contoh 87, telah ditunjukkan bahwa suatu transformasi linier T : R3 R2


adalah secara lengkap ditentuknan oleh image dari vektor-vektor
koordinat
e 1 ,ee2
v1
3
dan e 3 di R . Kuncinya adalah menegenali suatu vektor v = v2 bisa ditulis
v3
sebagai
v = v1e 1 + v2e 2 + v3e 3 ,
sehingga didapat

T (vv ) = v1 T (ee 1) + v2 T (ee2 ) + v3 T (ee 3 ).

Dalam contoh ini, T telah didefinisikan, sehingga didapt


     
1 1 0
T (ee 1) = , T (ee2 ) = , dan T (ee 3) = .
1 2 1

Selanjutnya,matriks Aadalah berukuran 23 yang mempuyai kolom adalah T (ee 1, T (ee 2


dan T (ee 3. Maka untuk sebarang v R3 didapat
 
1 1 0
T (vv ) = v = Avv.
1 2 1
Terlihat bahwa transformasi linier T diberikan oleh suatu perkalian matriks.
Umumnya,bila T : Rn Rm adalah suatu transformasi linier, maka adalah memu-
ngkinkan untuk menulis
T (vv) = Avv ,
dimana A adalah matriks berukuran m n yang mempunyai vektor kolom ke- j
adalah T (ee j ) untuk j = 1, 2, . . . , n. Matriks A dinamakan representasi matriks
dari T relatif terhadap basis baku di Rn dan Rm .
Dalam bagian ini akan ditunjukkan bahwa setiap transformasi linier diantara
ruang vektor berdimensi hingga dapat ditulis sebagai suatuperkalian matriks. S
ecara umum, misalkan V dan W adalah ruang vektor atas suatu lapangan K dan
mempunyai dimensi berhingga dengan masing-masing basis terurut tetap B dan
B . Bila T : V W adalah suatu transformasi linier, maka ada suatu matriks A
yang memenuhi
[T (vv)]B = A[vv]B . (7.1)
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 159

Dalam kasus ini V


= Rn dan W = Rm ; dan masing-masing B dan B adalah basis
baku di Rn dan Rm . Persamaan 7.1 ekivalen dengan
T (uu) = Avv.
Berikut ini secara rinci dibahas representasi matriks dari suatu pemetaan linier.
Misal V dan W adalah ruang vektor berturut-turut dengan basis terurut
B = {vv1 ,vv2 , . . . ,vvn } dan B = {w
w1 ,w wm }.
w2 , . . . ,w
Selanjutnya, misalkan T : V W adalah suatu transformasi linier. Berikutnya,
diberikan sebarang vektor v di V dan misalkan

c1
c
2
[vv]B = ..
.
cn
adalah vektor koordinat dari v relatif terhadap basis B. Jadi
v = c1v 1 + c2v 2 + + cnv n
Pada persamaan ini kedua sisi kenakan T didapat
T (vv ) = T (c1v 1 + c2v 2 + + cnv n )
= c1T (vv 1) + c2 T (vv2 ) + + cn T (vvn ). (7.2)
catatan bahwa untuk masing-masing i = 1, 2, . . . , n vektor T (vvi ) di W . Jadi ada
dengan tunggal skalar ai, j dengan 1 i m dan 1 j n yang memenuhi
T (vv 1) = a1,1w1 + a2,1w2 + + am,1wm
T (vv 2) = a1,2w 1 + a2,2w 2 + + am,2w m
..
.
T (vv n) = a1,nw 1 + a2,nw 2 + + am,nw m.
Jadi, vektor koordinat relatif terhadap basis B diberikan oleh

a1,i
a
2,i
[T (vvi )]B = .. , untuk i = 1, 2, . . . , n.
.
am,i
160

Dengan demikian vektor koordinat dari vektor T (vv) pada Persamaan 7.2 menjadi

a1,1 a1,2 a1,n
a a a
2,1 2,2 2,n
[T (vv )]B = c1 .. + c2 .. + + cn .. (7.3)
. . .
am,1 am,2 am,n
atau dalam bentuk persamaan matriks

a1,1 a1,2 . . . a1,n c1
a
2,1 a2,2 . . . a2,n c2
[T (vv )]B = .. .. .. .. .. . (7.4)
. . . . .
am,1 am,2 . . . am,n cn

Matriks sebelah kanan Perasamaan 7.4 dinotasikan oleh [T ]BB , sehingga didapat
 
[T ]BB = [T (vv1 )]B [T (vv2 )]B [T (vv n )]B .

Matriks [T ]BB dinamakan matriks dari T relatif terhadap basis B dan B . Dalam
kasus T : V V adalah suatu operator linier dan B adalah suatu basis terurut
tetap untuk V representasi matriks untuk pemetaan T dinotasikan oleh [T ]B.
Apa yang telah dibahas ini diringkas dalam kesimpulan berikut:
Kesimpulan 7.3.2 Misalkan V dan W ruang vektor bedimensi hingga dengan
masing-masing basis terurut
B = {vv1,vv2 , . . . ,vvn} dan B = {w
w1 ,w wm }
w2, . . . ,w

dan misalkan T : V W adalah suatu transformasi linier. Maka matriks [T ]BB
adalah representasi matriks dari T relatif terhadap basis B dan B . Lagipula,
koordinat dari T (vv ) relatif terhadap basis B diberikan oleh

[T (vv )]B = [T ]BB [vv ]B.

Misalkan dalam Kesimpulan 7.3.2 ruang vektor V = W B dan B adalah dua basis
terurut yang berbedauntuk V dan T : V V adalah suatu operator identitas yaitu

T (vv) = v , f orallvv V . Maka [T ]BB adalah suatu matriks perubahan basis [I]BB
(matriks transisi) yang telah dibahas dalam Bagian 5.7.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 161

Contoh 7.3.1 Didefinisikan suatu operator linier T : R3 R3 oleh



x x
T y = y .
z z

a. Dapatkan matriks dari T relatif terhadap basis baku untuk R3 .


b. Gunakan hasil (a) untuk mendapatkan

1
T 2
3

Jawab
a. Misalkan B = {ee1 ,ee2 ,ee3 } adalah basis baku untuk R3 . Karena

1 0 0
[T (ee1 )]B = 0 , [T (ee 2)]B = 1 dan [T (ee3 )]B = 0 ,
0 0 1

maka
1 0 0
[T ]B = 0 1 0 .
0 0 1
b. Karena B adalah basis baku untuk R3 , maka

1
[vv]B = v = 2 .
3

Sehingga didapat

1 0 0 1 1
T (vv) = [T (vv )]B = 0 1 0 2 = 2 .
0 0 1 3 3
162

Berikut ini diberikan ringkasan proses untuk memperoleh representasi matriks


dari suatu transformasi linier T : V W relatif terhadap basis B dan B .

1. Untuk basis B = {vv1 ,vv2 , . . . ,vvn}, dapatkan T (vv 1), T (vv2 ), . . . , T (vv n).

2. Dapatkan masing-masing koordinat dari T (vv 1), T (vv2 ), . . . , T (vvn ) relatif ter-
hadap basis
B = {w
w1 ,w wm }.
w2 , . . . ,w
Yaitu, dapatkan
[T (vv1 )]B , [T (vv 2)]B , . . . , [T (vvn )]B .

3. Hitung [vv]B .

4. Hitung koordinat dari T (vv ) relatif terhadap basis B melalui



c1

B c2
[T (vv)]B = [T ]B [vv]B = .. .
.
cm

5. Maka T (vv) = c1w 1 + c2w 2 + + cmw m .

Contoh 7.3.2 Misalkan T : R2 R3 adalah transformasi linier didefinisikan


oleh
  y
x
T (vv ) = = x + y
y
xy
dan misalkan masing-masing

    1 1 1
1 3
B= , dan B = 0 , 1 , 1
2 1
0 0 1

adalah basis terurut untuk R2 dan R3 .



a. Dapatkan [T ]BB .
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 163
 
3
b. Misalkan v = . Dapatkan T (vv ) secara langsung dan kemudian gunakan
2
matriks dari hasil (a).
Jawab
a. Kenakan T pada vektor basis di B, didapat

  2   1
1 3
T = 3 dan T = 4 .
2 1
1 2
Selanjutnya dapatkan masing-masing koordinat dari vektor tersebut relatif
terhadap basis B . Yaitu mendapatkan skalar-skalar yang memenuhi

1 1 1 2
a1 0 + a2 1 + a3 1 = 3
0 0 1 1
dan
1 1 1 1
b1 0 + b2 1 + b3 1 = 4 .
0 0 1 2
Penyelesaian pada sistem perasamaa linier yang pertama adalah
a1 = 1, a2 = 4 dan a3 = 1
dan peyelesaian pada sistem perasamaa linier yang kedua adalah
b1 = 3, b2 = 2 dan b3 = 2.
Jadi
1 3

[T ]BB = 4 2
1 2
b. Dengan menggunakan definisi T langsung, didapat

  2 2
3
T = 3 2 = 5 .
2
3 + 2 1
164


Berikutnya, untuk menggunakan matriks [T ]BB pada bagian (a) diperlukan koor-
dinat dari v relatif terhadap basis B. Perhatikan bahwa, penyelesaian dari per-
samaan
     
1 3 3 3 4
a1 + a2 = adalah a1 = , a2 = .
2 1 2 5 5
 
3
Jadi, vektor koordinat dari v = relatif terhadap basis B adalah
2
   3
3 5
[vv]B == == .
2 B 45

Selanjutnya dapat dihitung T menggunakan perkalian matriks sehingga didapat



1 3  3  3

[T (vv )]B = 4 2 54 = 4 .
5
1 2 1
Jadi
1 1 1 2
T (vv) = 3 0 4 1 1 = 5
0 0 0 1
terlihat hasilnya sama dengan hasil perhitungan langsung.

Contoh 7.3.3 Didefinisikan suatu transformasi linier T : P2(R) P3(R) oleh


2 p(x)
2d d p(x)
T (p(x)) = x 2 + xp(x), p(x) P2(R).
dx2 dx
Dapatkan representasi matriksdari T relatif terhadap basi baku untuk P2(R) dan
P3(R) .

Jawab Karena basis baku untuk P2(R) adalah B = {1, x, x2 }, maka pertama di-
hitung

T (1) = x, T (x) = x2 2, T (x2 ) = x2 (2) 2(2x) + x(x2 ) = x3 + 2x2 4x.


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 165

Karena basis baku untuk P3(R) adalah B = {1, x, x2 , x3 }, maka koordinat dari
vektor T (1), T (x), T (x2 ) relatif terhadap basis B adalah:

0 2 0
, [T (x)]B = 0 dan [T (x2 )]B = 4 .
1
[T (1)]B = 0 1 2
0 0 1

Jadi representasi matriks dari T relatif terhadap basis B dan B adalah



0 2 0
1 0 4
[T ]BB =
0 1 2 .

0 0 1

Sebagai suatu contoh, misalkan p(x) = x2 3x + 1. Karena p (x) = 2x 3 dan


p (x) = 2, maka didapat

T (p(x)) = x2 (2) 2(2x 3) + x(x2 3x + 1)


= x3 x2 3x + 6.

Untuk menggunakan representasi matriks dari T relatif terhadap basis B diten-


tukan dulu
1
[p(x)]B = 3 .
1
Sehingga koordinat dari image dari p(x) oleh pemetaan T relatif terhadap basis
B diberikan oleh

0 2 0 6
1 0 4 1
3 = 3 .

[T (p(x))]B = [T ]BB [p(x)]B =
0 1 2 1
1
0 0 1 1
Sehingga didapat
T (p(x)) = 6 3x x2 + x3 ,
hasil ini sesuai dengan penghitungan langsung T (p(x)).
166

Sebagai akibat dari beberapa pembahasan diberikan sebagai berikut.

Akibat 7.3.1 Misalkan V dan W adalah ruang vektor berdimensi hingga dengan
msaing-masin basis terurut B dan B . Bila S dan T adalah transformasi linier dari

V ke W , maka 1. [S + T ]BB = [S]BB + [T ]BB

2. [kT ]BB = k[T ]BB , untuk sebarang skalar k K.

Akibat 7.3.2 Misalkan U,V dan W adalah ruang vektor berdimensi hingga den-
gan masing-msing basis terurut B, B dan B . Bila T : U V dan S : V W
adalah transformasi linier, maka

[S T ]BB = [S]BB [T ]BB .

Kesimpulan 7.3.3 Misalkan V adalah ruang vektor berdimensi hingga dengan


basis tereurut B. Bila T adalah suatu operator linier pada V , maka

[T n ]B = ([T ]B)n .

Kesimpulan 7.3.4 Misalkan T adalah suatu operator linier yang mempunyai in-
vers pada suatu ruang vektor V berdimensi hingga dan B adalah suatu basis teru-
rut untuk V . Maka
[T 1 ]B = ([T ]B)1 .

7.4 Similaritas

Sebagaimana telah dibahas bahwa bila T : V V adalah operator linier pada


ruang vektor V dan B adalah suatu basis terurut untuk V , maka T mempunyai
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 167

suatu representasi matriks relatif terhadap basis B. Matriks yang tertentu un-
tuk T bergantung pada pilihan basis yang ditentutkan. Sebagai akibat matriks
yang berkaitan dengan suatu transformasi linier tidak tunggal. Apapun hal ini,
tindakan dari operator T pada V tampa memperhatikan representasi matriks ter-
tentu adalah selalu sama. Hal ini dijelaskan oleh contoh berikut.
Contoh 7.4.1 Misalkan T : R2 R2 adalah operator linier didefinisikan oleh
   
x x+y
T = .
y 2x + 4y
Juga, misalkan
  diberikan
 dua basis terurut untuk R2 yaitu basis   B1 = {ee1 ,ee2 }
baku
1 1 2
dan B2 , . Selidiki bahwa tindakan pada vektor v = oleh operator
1 2 3
T adalah sama terhadap pilihan basis B1 ataupun basis B2 dari representasi ma-
triks T yang digunakan.

Jawab Representasi matriks dari T relatif terhadap basis B1 dan B2 masing-


masing adalah
   
1 1 2 0
[T ]B1 = dan [T ]B2 = .
2 4 0 3
Perhatikan bahwa
   
2 1
[vv ]B1 = dan [vv ]B2 = .
3 1
Gunakan representasi dari operator T relatif masing-masing terhadap basis B1
dan B2 didapat
    
1 1 2 5
[T (vv)]B1 = [T ]B1 [vv]B1 = =
2 4 3 8
dan     
2 0 1 2
[T (vv)]B2 = [T ]B2 [vv]B2 = = .
0 3 1 3
Untuk melihat hasil-hasil ini sama sebagai berikut:
           
1 0 5 1 1 5
T (vv ) = 5 +8 = dan T (vv) = 2 +3 = .
0 1 8 1 2 8
168

Teorema berikut memberikan hubungan diantara matriks-matriks untuk suatu


operator linier relatif terhadap dua basis yang berbeda.

Teorema 7.4.1 Misalkan V adalah suatu ruang vektor berdimensi hingga, B1 dan
B2 adalah dua basis terurut yang berbeda untuk V ; dan T : V V adalah suatu
operator linier. Misalkan P = [I]BB12 adalah matriks transisi dari B2 ke B1 . Maka

[T ]B2 = P1[T ]B1 P.


Bukti Misalkan v sebarang vektor V , didapat
[T (vv)]B2 = [T ]B2 [vv]B2 .
Cara lain untuk menghitung [Tvv]B2 sebagai berikut: Karena P adalah matriks
transisi dari B2 ke B1 , maka
[vv]B1 = P[vv ]B2 .
Jadi koordinat dari T (vv) relatif terhadap B1 diberikan oleh
[T (vv)]B1 = [T ]B1 [vv ]B1 = [T ]B1 P[vv]B2 .
Kedua ruas persamaan kalikan dari kiri dengan P1 yaitu merupakan matriks
transisi dari B1 ke B2 , didapat
P1[T (vv )]B1 = P1[T ]B1 P[vv ]B2 ,
tetapi P1[T (vv)]B1 = [T (vv )]B2 . Jadi
[T (vv )]B2 = P1 [T ]B1 P[vv]B2 . (7.5)
karena dalam Persamaan 7.5 berlaku untuk semua vektor v di V , maka
[T ]B2 = P1[T ]B1 P. (Lihat Gambar 7.2)

Contoh 7.4.1 Misalkan bahwa T, B1 dan B2 adalah operator linier dan basis-
basis terurut sebagaimana dalam Contoh 7.4.1. Maka
 
1 1
[T ]B1 = .
2 4
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 169

[vv]B1 [T (vv)B1
[T ]B1

P P1

[T ]B2
[vv]B2 [T (vv)]B2

Gambar 7.2: Diagram Perubahan Basis

Gunakan Teorema 7.4.1 untuk menyelidiki bahwa


 
2 0
[T ]B2 = .
0 3

Jawab Karena B1 adalah basis baku untuk R2 , maka matriks transisi dari B2 ke
B1 adalah  
B1 1 1
P = [I]B2 = ,
1 2
sehingga didapat 

2 1
P1 = .
1 1
Jadi,      
2 1 1 1 1 1 2 0
P1 [T ]B1 P = = = [T ]B2 .
1 1 2 4 1 2 0 3

Contoh 7.4.2 Misalkan T : R2 R2 adalah operator linier didefinisikan oleh


     
x x + 2y x
T = , R2 .
y 3x + y y
Misalkan        
2 1 1 0
B1 = , dan B2 = ,
1 0 1 1
adalah basis terurut untuk R2 . Dapatkan matriks dari T relatif terhadap B1 dan
gunakan Teorema 7.4.1 untuk mendapatkan matriks dari T relatif terhadap B2.
170

Jawab Karena
       
2 4 1 1
T = dan T = ,
1 5 0 3
didapat       
4 1 5 3
[T ]B1 = = .
5 B 3 B 6 5
1 1

matriks transisi dari B2 ke B1 adalah


      
1 1 1 1
P = [I]BB12 = =
1 B 3 B 1 2
1 1

Gunakan Teorema 7.4.1 didapat


   
2 1 5 3 1 1
[T ]B2 = P1 [T ]B1 P =
1 1 6 5 1 2
 
3 2
= .
1 3

Secara umum, bila A dan B matriks persegi adalah representasi untuk opera-
tor linier yang sama, maka kedua matriks tersebut dinamakan similar. Den-
gan menggunakan Teorema 7.4.1 dapat didefinisikan similaritas untuk matriks-
matriks persegi tampa merujuk pada suatu operator linier.

Definisi 7.4.1 Misalkan A dan B matriks berukuran n n. Dikatakan bahwa A


similar dengan B bila ada suatu matriks P yang punya invers sedemikian hingga
B = P1AP.

Pengertian dari similaritas menjelaskan suatu relasi diantara matriks persegi yang
mempunyai sifat:

1. Similar dengan dirinya sendiri A = I 1AI untuk sebarang matriks persegi A


dan matriks identitas I yang sesuai ukurannya.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 171

2. Simetri, Bila A similar dengan B, maka B similar dengan A. Sebab bila


B = P1 AP, maka A = PBP1 = Q1 BQ dimana Q = P1.

3. Transitif, Bila A similar dengan B, dan B similar dengan C, maka A similar


dengan C. Sebab bila B = P1AP dan C = Q1 BQ maka

C = Q1 (P1AP)Q = (Q1 P1)A(PQ) = (PQ)1 A(PQ) = R1 AR,

dimana R = PQ. Terlihat bahwa similaritas diantara matriks-matriks adalah


relasi ekivalen.

Pada pembahasan berikut ini digunakan notasi A = (T, B, B ) yang menyata-


kan representasi matriks dari T , dimana T : V W adalah suatu transformasi
linier dengan V dan W berdimensi hingga dan masing-masing B dan B adalah
basis terurut untuk V dan W .

7.5 BENTUK NORMAL DIAGONAL SATUAN

Diberikan pemetaan linier T : V W terhadap basis terurut B untuk ruang vektor


V dan basis terurut B untuk ruang vektor W , bagaimana cara memilih basis
terurut B untuk ruang vektor V dan basis terurut B untuk ruang vektor W supaya
representasi matriks A = (T, B, B ) mempunyai bentuk normal diagonal satuan
yang sederhana, yaitu matriks:

..
Ir . 0

... ... ... ,
.
0 .. 0

dengan Ir adalah matriks satuan berukuran r r dan r min{dim(V ), dim(W )}.


Untuk memperoleh cara yang dimaksud ini digunakan sifat berikut.

SIFAT Misalkan pemetaan linier T : V W , masing-masing dimensi V dan W


adalah m dan n dengan dim(Im(T )) = r. Maka ada basis terurut B dari V dan
basis terurut B dari W sehingga representasi matriks dari T berbentuk normal
172

diagonal satuan, yaitu



.
Ir .. 0 l r
A = ( f , B,C) = . . . . . .

...
. l
0 .. 0 nr

r mr
Bukti Dari sifat dimensi pemetaan linier didapat,
dim(N(T )) = dim(V ) dim(R(T )) = m r.
Misalkan vr+1 , . . . ,vvm adalah suatu basis terurut dari N(T ). Perluas basis ini
sampai diperoleh basis terurut
B = v 1 , . . . ,vvr ,vvr+1 , . . . ,vvm
dari ruang vektor V . Dari pengertian kernel didapat
T (vv r+1 ) = 0W , . . . , T (vvm ) = 0W .
Selanjutnya pilih vektor-vektor
wr R(T )
w 1, . . . ,w
yang memenuhi
T (vv 1 ) = w 1 , . . . , T (vvr ) = w r .
Jelas bahwa vektor-vektor w 1 , . . . ,w
wr adalah suatu basis terurut dari R(T ). Se-
lanjutnya perluas basis ini sampai diperoleh basis terurut
B = w 1 , . . . ,w
wr ,w
wr+1 , . . . ,w
wn
dari ruang vektor W . Jadi, terhadap basis terurut B dari ruang vektor V dan basis
terurut B dari ruang vektor W , pemetaan T didefinisikan oleh
T (vv 1) = w 1, . . . , T (vv r ) = w r , T (vvr+1 ) = 0W , . . . , T (vvm ) = 0W .
Dari definisi ini terlihat bahwa representasi matriks A = (T, B, B ) adalah:

.
Ir .. 0 l r
A = (T, B,C) = . . . . . . . . .

. l nr
0 .. 0


r mr
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 173

Contoh 7.5.1 Misalkan representasi matriks dari suatu pemetaan linier terhadap
basis baku terurut, diberikan oleh:

1 2 3
A = 2 3 1 .
3 5 4
Dapatkan basis-basis terurut dari V dan W supaya dengan basis-basis ini pemetaan
linier mempunyai representasi matriks berbentuk normal diagonal satuan.

Jawab Pertama, tentukan kernel dari A dengan menyelesaikan persamaan Axx =


0 R3 , didapat: n o

ker(A) = x(7, 5, 1) | x R
atau Dn oE

ker(A) = (7, 5, 1) .
Perluas basis dari kernel sehingga diperoleh basis terurut
n
o

B = (1, 0, 0) , (0, 1, 0) , (7, 5, 1) .

Selanjutnya dapatkan basis terurut dari Image A sebagai berikut:



1 2 3 1 1 1 2 3 0 2
2 3 1 0 = 2 , 2 3 1 1 = 3 .
3 5 4 0 3 3 5 4 0 5
Perluas basis terurut ini sehingga diperoleh:
n
o

B = (1, 2, 3) , (2, 3, 5) , (1, 0, 0)

adalah basis terurut dari ruang vektor W . Selanjutnya selidiki dengan basis-
basis terurut B dan B , matriks representasi berbentuk normal diagonal satuan
sebagaimana berikut ini. Persamaan-persamaan yang memberikan matriks

P1 = (T, B, B)

dengan B basis terurut baku adalah:


IV (v1 ) = v1 = (1, 0, 0) ,
174

IV (v2 ) = v2 = (0, 1, 0)
dan
IV (v3 ) = v 3 = (7, 5, 1) .
Sehingga didapat:
1 0 7
P1 = 0 1 5 .
0 0 1
Dengan cara serupa, persamaan-persamaan yang memberikan matriks Q1 =
(T, B , B) dengan B basis terurut baku adalah:
IW (w 1 ) = w 1 = (1, 2, 3) ,
IW (w 2 ) = w 2 = (2, 3, 5)
dan
IW (w 3 ) = w 3 = (1, 0, 0) .
Sehingga didapat:

1 2 1 0 5 3
Q1 = 2 3 0 Q = 0 3 2
3 5 0 1 1 1

dan matriks A = QAP1 diberikan oleh:



0 5 3 1 2 3 1 0 7 1 0 0
A = 0 3 2 2 3 1 0 1 5 = 0 1 0 .
1 1 1 3 5 4 0 0 1 0 0 0

7.6 Vektor-Karakteristik dan Ruang-Karakteristik Tergenar-


alisir

Misalkan T : U U suatu pemetaan linier pada ruang vektor U berdimensi n


atas lapangan F. Bila u U dan F memenuhi T (uu) = uu, maka u dinamakan
suatu vektor-eigen dari T yang bersesuaian dengan nilai-eigen .
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 175

Misalkan A suatu matriks ukuran n n dengan elemen-elemennya di suatu


lapangan F. Bila ada vektor tak nol x Fn dan skalar F yang memenuhi
Axx = xx, maka x dikatakan suatu vektor-eigen dari matriks A yang bersesuaian
dengan nilai-eigen .
Misalkan matriks A = (T, B, B) adalah representasi dari pemetaan linier T :
U U terhadap basis terurut B dari ruang vektor U. Selanjutnya bila B adalah
pemetaan koordinat dari U ke Fn, maka A = B T 1B dan x = B (u
u). Jadi
Axx = xx (B T 1 u)) = B(uu)
B )(B (u
B (T (uu)) = B (uu)
T (uu) = uu

Teorema 7.6.1 Bila T : U U suatu pemetaan linier dan masing masing matriks
A = (T, B, B) dan A = (T, B, B) adalah representasi dari T dengan basis terurut

yang berbeda, maka nilai-eigen dari A sama dengan nilai-eigen dari A.

Bukti Misalkan P = (IU , B, B) matriks perubahan basis dari basis B ke basis


B, maka A = PAP1 . Bila Axx = xx didapat (PAP1 )(Pxx ) = (Pxx ). Sehingga
x = x dimana x = Pxx . Terlihat bahwa matriks A dan A mempunyai
diperoleh A
nilai-eigen yang sama.

Cara Menghitung Nilai Eigen dan Vektor Eigen

Misalkan A suatu matriks berukuran n n dan Axx = xx dengan x 6= 0 dan x


Fn , maka (I A)xx = 0, dengan I adalah matriks identitas berukuran ukuran
n n. Persamaan homogin (I A)xx = 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 7.6.1 Diberikan matriks
   
0 1 1
A= det( ) = 2 3 + 2 = ( 2)( 1).
2 3 2 3
176

Untuk = 2 didapat:
      
2 1 x1 0 1
= x2 = 2x1 x = ,
2 1 x2 0 2
sedangkan untuk = 1 didapat:
      
1 1 x1 0 1
= x1 = x2 x = .
2 2 x2 0 1

7.7 Pendiagonalan Matriks Persegi

Pendiagonalan matriks persegi merupakan suatu alat yang berguna bagi matriks
yang bisa didiagonalkan dan banyak aplikasinya. Berikut ini diberikan sifat me-
ngenai pendiagonalan suatu matriks persegi.
Teorema 7.7.1 Suatu matriks A berukuran n n dengan elemen-elemen di F
similar dengan matriks diagonal bila dan hanya bila eigenvektor-eigenvektornya
membentang ruang Fn (span Fn ).

Bukti Misalkan x 1 ,xx2 , . . . ,xxn adalah vektor-eigen dari matriks A dengan


hxx 1,xx2 , . . . ,xxn i = Fn.
Jadi matriks
Q = [xx 1 |xx2 | . . . |xxn ]
mempunyai invers, misalkan Q1 = P. Sehingga didapat
AQ = A [xx 1 |xx2 | . . . |xxn ]
= [Axx1 | Axx 2 | . . . | Axx n ]
= [1x1 | 2x2 | . . . | nx n]

1 . . . . . . 0
.. .
. 2 . . . ..
= [xx1 |xx2 | . . . |xxn] .
.. . . . . . . ...

0 . . . . . . n
= QA A = Q1 AQ A = PAP1.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 177

Contoh 7.7.1 Selidiki apakah matriks dibawah ini bisa didiagonalkan!


 
0 1
A=
2 3
Dalam pembahasan sebelum didapat bahwa
AX1 = 1X 1 dan AX
X 2 = 2X 2
dengan    
1 1
1 = 2, X 1 = dan 2 = 1, X2 = .
2 1
Untuk matriks  
1 1
Q = [X
X 1 X 2] =
2 1
didapat
     
1 1 0 1 1 1 2 0
A = Q1 AQ = = .
2 1 2 3 2 1 0 1

Terlihat bahwa matriks A dapat didiagonalkan menjadi matriks A.

Teorema 7.7.2 Bila matriks A berukuran n n mempunyai n eigenvalue yang


berbeda satu dengan yang lainnya, maka eigenvektor-eigenvektornya bebas li-
nier.

Bukti Misalkan 1, 2 , . . . , n adalah eigenvalue-eigenvalue yang berbeda satu


dengan yang lainnya dan X 1,X X 2 , . . . ,X
X n adalah eigenvektor-eigenvektor. yang
bersesuaian. Dengan menggunakan induksi dibuktikan bahwa eigenvektor eigen-
vektor tsb. bebas linier. Misalkan bahwa
X 1,X
X 2, . . . ,X
Xk
bebas linier dan untuk
a1X 1 + a2X 2 + . . . + akX k + ak+1X k+1 = 0 . (7.6)
178

Sehingga didapat

A(a1X 1 + a2X 2 + . . . + akX k + ak+1X k+1) = 0

atau
a1 1X 1 + a22X 2 + . . . + ak kX k + ak+1k+1X k+1 = 0. (7.7)
Kalikan k+1 pada Persamaan 7.6 selanjutnya hasilnya kurangkan pada Per-
samaan 7.7 didapat:

a1(1 k+1)X
X 1 + a2 (2 k+1)X
X 2 + . . . + ak (k k+1)X
X k = 0.

X k bebas linier dan i 6= j , i 6= j, maka haruslah


Karena X 1 , . . . ,X

a1 = a2 = . . . = ak = 0

. Sehingga Persamaan 7.6 menjadi ak+1X k+1 = 0 dan karena X k+1 6= 0 , maka
haruslah ak+1 = 0. Terlihat bahwa bila dari kenyataan Persamaan 7.6 menjadi
ak+1X k+1 = 0 dan karena dipenuhi maka berakibat

a1 = a2 = . . . = ak = ak+1 = 0,

hal ini menunjukkan bahwa vektor-vektor

X 1 ,X
X 1 , . . . ,X
X k ,X
X k+1

adalah bebas linier.

Kesimpulan 7.7.1 Bila matriks A berukuran n n dengan elemen-elemen di la-


pangan F mempunyai eigenvalue-eigenvalue yang berbeda, maka matriks A da-
pat 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 keselu-
ruhan ruang Fn . Akibatnya matriks A dapat didiagonalkan.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 179

Contoh 7.7.2 Diberikan matriks



0 1 0
A = 0 0 1 .
6 11 6
Polinomial kharakteristik A adalah

1 0
1
+ 1 0 1

p() = 0 1 =
6 11 6 11 6 6 6

atau
p() = (2 6) + 11 6 = 3 62 + 11 6 = ( 3)( 2)( 1).
Didapat 1 = 3, 2 = 2 dan 3 = 1. Sehingga didapat pasangan eigenvalue-
eigenvektor:

1 1 1
1 = 3,X
X 1 = 3 ; 2 = 2,X
X 2 = 2 ; 3 = 1,X
X3 = 1 .

9 4 1
dan
1 1 1 1 32 12
Q = [XX 1 X 2 X 3 ] = 3 2 1 Q1 = 3 4 1 .
9 4 1 3 25 12
Matriks A = Q1 AQ adalah matriks diagonal dengan elemen-elemen diagonal
1 = 3, 2 = 2 dan 3 = 1.

MATRIKS INVARIAN

Suatu matriks persegi invarian adalah suatu sifat dari matriks yang tidak berubah
bila matriks ditransformasi dengan suatu cara tertentu. Eigenvalue-eigenvalue
dari suatu matriks adalah invarian dibawah suatu transformasi kesemilaran, be-
gitu juga trace dan determinannya. (Trace suatu matriks A adalah jumlah keselu-
n
ruhan eleme-elemen diagonalnya: tr(A) = ai,i ).
i=1
180

Teorema 7.7.3 Bila adalah eigenvalue dari matriks A, maka juga eigenvalue
dari suatu matriks PAP1

Bukti Misalkan
X = X
AX X dan Y = PX
X
dengan P matriks yang punya invers, jadi X = P1Y . Sehingga didapat

A(P1Y ) = (P1Y ) (PAP1 )Y


Y = Y
Y.

Terlihat bahwa juga eigenvalue dari matriks PAP1.

Teorema 7.7.4 Bila ABC adalah hasil kali matriks persegi, maka tr(ABC) =
tr(BCA).

Bukti !
n n
(ABC)i,l = ai, j b j,k ck,l .
k=1 j=1

Didapat
!!
n n n n
tr(ABC) = (ABC)i,i = ai, j b j,k ck,i
i=1 i=1 k=1 j=1
!!
n n n
= b j,k ck,iai, j = tr(BCA).
j=1 i=1 k=1

Teorema 7.7.5 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
n n
tr(A) = i dan det(A) = i .
i=1 i=1
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 181

Bukti Dari hasil sebelumnya, tr(PAP1 ) = tr(P1 PA) = tr(A). Sehingga dida-
pat

det(PAP1 ) = det(P)det(A)det(P1)
= det(A)(det(P)det(P1 ))
= det(A)det(PP1 )
= det(A)det(I) = det(A).

Jelas bahwa bila PAP1 = A dengan A matriks diagonal dengan elemen-elemen


diagonal i , i = 1, . . . , n, maka
n n
tr(A) = i dan det(A) = i .
i=1 i=1

Contoh 7.7.3 Diberikan matriks matriks



0 1 0
A = 0 0 1 1 = 3, 2 = 2, 3 = 1.
6 11 6

Sedangkan trace dari matriks A adalah



tr(A) = 0 + 0 + 6 = 6
tr(A) = 1 + 2 + 3.
1 + 2 + 3 = 3 + 2 + 1 = 6

Sehinggadidapat

1 0
det(A) = 6 =6

0 1
det(A) = 123.


123 = 3(2)(1) = 6

182

MULTIPLISITAS GEOMETRI dan ALJABAR

Misalkan adalah suatu eigenvalue dari pemetaan linier T : U U. Himpunan


semua eigenvektor-eigenvektor yang bersesuaian dengan eigenvalue beserta
vektor nol dinamakan ruang eigen (eigen space) dari U dinotasikan oleh E (U).
Ruang eigen E (U) adalah ruang bagian dari ruang vektor U, sebab merupakan
kernel dari pemetaan
(IU A).
Dimensi dari subruang E (U) dinamakan multiplisitas geometri dari dan ba-
nyaknya yang sama (kembar/rangkap) dinamakan multiplisitas aljabar dari .
Misalkan multiplisitas geometri dari adalah a dan multiplisitas aljabar dari
adalah b, maka a b

Contoh 7.7.4 Diberikan matriks



2 1 1
A = 0 3 1 det(I A) = ( 4) ( 2)2 .
0 1 3
Sehingga didapat
* 1 +
2 1 1
E4(R3 ) = ker( 0 1 1 ) = 1
0 1 1 1
dan * 1 0 +
0 1 1
E2(R3 ) = ker( 0 1 1 ) = 0 , 1 .
0 1 1 0 1
Terlihat bahwa untuk = 4 ataupun = 2, multiplisitas geometri = multiplisitas
aljabar. Jadi matriks A dapat didiagonalkan.

Contoh 7.7.5 Diberikan matriks



2 1 0
A = 0 2 0 det(I A) = ( 4) ( 2)2.
0 0 4
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 183

Sehingga didapat
* 0 +
2 1 0
E4 (R3 ) = ker( 0 2 0 ) = 0
0 0 0 1

dan
0 1 0 * 1 +
E2(R3 ) = ker( 0 0 0 ) = 0 .
0 0 2 0
Terlihat bahwa untuk = 4 multiplisitas geometri = multiplisitas aljabar, tetapi
untuk = 2 multiplisitas geometri < multiplisitas aljabar. Dengan demikian
matriks A tidak dapat didiagonalkan.

Teorema 7.7.6 Bila det(I A) = n + cn1 n1 + + c0 = p(), maka

An + cn1 An1 + + c0I = 0 .

Bukti Bila PAP1 = D dimana matriks D adalah matriks diagonal dengan elemen-
elemen diagonal i , i = 1, . . . , n adalah eigenvalue-eigenvalue dari matriks A.
Maka didapat :

An + cn1 An1 + + c0 = P1(Dn + cn1 Dn1 + + c0 I)P



p(1) . . . 0
1
= P .. . . .. .. P
.
0 . . . p(n )

0 ... 0
= P1 ... . . . ... P

0 ... 0
= 0.
184

Contoh 7.7.6 Diberikan matriks



0 1 0
A = 0 0 1 det(I A) = 3 62 + 11 6.
6 11 6

Didapat matriks A3 6A2 + 11A 6I adalah:



6 11 6 0 0 6
36 60 25 36 66 36
150 239 90 216 360 150
0 11 0 6 0 0
+ 0 0 11 0 6 0 =
66 121 66 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

7.8 Orthogonal

Misalkan V suatu ruang vektor atas lapangan riil R. Hasil kali dalam riil (real
inner product) juga dinamakan bilinier adalah fungsi dari VV ke R dinotasikan
oleh hu, vi yang memenuhi

, hr1u 1 + r2u 2 ,vvi = r1 huu1 ,vvi + r2 huu2,vvi dan r1, r2 R (Linier).

, huu,vvi = hvv,uui untuk semua u ,vv V (Simetri).

, huu,uui 0 untuk semua u V dan huu,uui = 0 bila dan hanya bila u = 0 (semi
definit positip).
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 185

Bila
x = (x1 , . . . , xn ) , y = (y1 , . . . , yn ) Rn ,
maka hasil kali dalam baku diberikan oleh
n
xiyi
def
hxx,yyi =
i=1

(juga dinamakan dot product dalam geometri Euclide). Bila vektor-vektor x dan
y disajikan dalam vektor kolom, maka

hxx,yyi = xy.

Suatu norm dari ruang vektor V ke lapangan riil R adalah suatu fungsi dino-
tasikan oleh k k yang memenuhi

 kvvk 0 untuk semua v V dan kvvk = 0 bila dan hanya bila u = 0 (Definit
2
positip).
 krvvk = |r| kvvk untuk semua v V, r R
2
 kuu +vvk kuuk + kvvk untuk semua u ,vv V (Pertaksamaan segitiga).
2

NORM EUCLIDE

Untuk setiap u Rn norm Euclide diberikan oleh


!1
n p

|ui|
def p
kuuk p =
i=1

dalam hal ini dinamakan norm-p. Khusus untuk p = 2 cukup ditulis


!1
n 2

kuuk = |ui| 2
i=1

Misalkan V suatu ruang vektor atas lapangan R.

- Dua vektor u ,vv V dikatakan orthogonal bila huu,vvi = 0.


186

- Suatu himpunan dari vektor-vektor adalah orthogonal bila setiap dua pasang
vektor orthogonal.

- Suatu vektor u V adalah ternormalisir bila kuuk = 1.

- Dua vektor u ,vv V dikatakan orthonormal bila

kuuk = kvvk = 1 dan huu,vvi = 0.

u
Setiap vektor u V bisa dinormalisir kedalam bentuk .
kuuk

Contoh 7.8.1 Himpunan vektor-vektor



(1, 0) , (0, 1)

adalah orthonormal, tetapi



(1, 1) , (1, 1)

adalah orthogonal. Himpunan yang terakhir ini dapat dijadikan orthonormal se-
bagai mana himpunan berikut ini
   
1 1 1 1
, , , .
2 2 2 2

Perhatikan bahwa norm u = (x, y) diberikan oleh:


p
kuuk = x x + y y

dimana x adalah konjuget dari x bila x adalah bilangan kompleks. Suatu basis
orthonormal dari suatu ruang vektor mempunyai beberapa kemanfaatan dan basis
baku dari ruang vektor Rn adalah orthonormal, yaitu basis baku dari ruang vektor
R3 adalah himpunan

(1, 0, 0) , (0, 1, 0) , (0, 0, 1) .
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 187

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
  
  a1,1 a1,2 x
x y = a1,1 x2 + 2a1,2 xy + a2,2 y2
a1,2 a2,2 y
Masalah bentuk kuadrat akan dibahas pada pembahasan mendatang. Berikut ini
diberikan dua sifat penting dari matriks simetri yang sangat berguna pada pem-
bahasan mendatang, khususnya pada pembahasan masalah dekomposisi spektral,
faktorisasi QR dan dekomposisi nilai singular.

Teorema 7.8.1 Bila matriks A simetri dengan elemen-elemen riil dan berlaku

Axx = xx

dengan x 6= 0 , maka selalu merupakan bilangan riil.

Bukti Digunakan tanda untuk menyatakan komplek sekawan (complex conju-


gate). Kedua ruas dari
Axx = xx

kalikan dengan x didapat

x Axx = (xx x ). (7.8)
Persamaan7.8 kedua ruas ditranspose-konjuget didapat

x Axx = (xx x ). (7.9)

Persamaan 7.9 dikurangi Persamaan 7.8 didapat



0 = ( )(xx x ) 0 = (sebab x 6= 0 ).

Jadi = , maka dari itu adalah bilangan riil.

Teorema 7.8.2 Misalkan A matriks simetri berukuran n n dengan elemen-ele-


men riil. Bila dan adalah sebarang dua eigenvalue dari matriks A dengan
masing-masing eigenvektor adalah x dan y dan 6= , maka hxx,yyi = 0.
188

Bukti Kedua ruas persamaan


Axx = xx kalikan dengan y
didapat
y Axx = (yyx ). (7.10)
Kedua ruas persamaan
Ayy = yy kalikan dengan x
didapat
x Ayy = (xx y ). (7.11)
Kedua ruas Persamaan 7.11 ditranspose didapat
y Axx = (yyx ). (7.12)
Persamaan 7.12 dikurangi Persamaan 7.10 didapat
0 = ( )(yyx) 0 = yx = hxx,yyi (sebab 6= ).

Contoh 7.8.2 Diberikan matriks simetri



6 2 1
A = 2 6 1 .
1 1 5
Nilai eigen dari A didapat dari polininomial karakteristik matriks A yaitu p()
dengan menyelesaikan det( I A) = 0, didapat
p() = 3 17 2 + 90 144
= ( 8) ( 6) ( 3) .
Terlihat bahwa nilai-eigen dari A berbeda, yaitu 1 = 8, 2 = 6 dan 3 = 3.
Vektor-eigen dari A yang bersesuaian dengan nilai-eigen adalah:

1 1 1
1 = 8 v1 = 1 , 2 = 6 v2 = 1 , 3 = 3 v3 = 1
0 2 1
dan
hvv1, v2 i = 0, hvv1, v3 i = 0 dan hvv2, v3 i = 0 .
Terlihat bahwa vektor-vektor v1 , v2 , v2 saling orthogonal.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 189

MATRIKS ORTHOGONAL

Matriks A berukuran n n dikatakan orthogonal bila AA = I = A A yaitu

A1 = A .

Teorema 7.8.3 Bila Bi dan K j masing-masing menyatakan baris ke-i dan kolom
ke- j dari suatu matriks orthogonal A berukuran n n, maka

{Bi , i = 1, . . . , n} dan {K j , j = 1, . . . , n}

adalah himpunan dari vektor-vektor orthonormal.




Bukti Dari elemen perkalian matriks (AA )i, j = Bi , B j dan fakta AA = I dida-
pat


1 i= j
Bi , B 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.

Contoh 7.8.3 Bila matriks A diberikan oleh



0 1 0
A = 0 0 1 ,
1 0 0

maka
0 1 0 0 0 1 1 0 0
AA = 0 0 1 1 0 0 = 0 1 0 = I
1 0 0 0 1 0 0 0 1
. Juga dapat dicek bahwa A A = I. Jadi A adalah matriks orthogonal.
190

Contoh 7.8.4 Bila matriks A diberikan oleh



0 1 1
2 2

A= 1 0 0 ,
0 1 1
2 2

maka

0 1 1

0 1 0 1 0 0
2 2 1

0 2 0
1
AA = 1 0 2 = 0 1 0 =I .
0 1 1 1 0 1 0 0 1
2 2 2 2

Juga dapat dicek bahwa A A = I. Jadi A adalah matriks orthogonal.

Teorema 7.8.4 Suatu pemetaan linier yang direpresentasikan oleh suatu matriks
orthogonal adalah mempertahankan jarak dari suatu vektor, yaitu bila A suatu
matriks orthogonal, maka kAxxk = kxk untuk semua x Rn .

Bukti Dari persamaan


p
kxxk = hxx,xxi dan hxx,xxi = x x ,

didapat
kxxk2 = x x .
Oleh karena itu

kAxx k2 = x A Axx = x x = kxxk2 kAxxk = kxxk.

Contoh 7.8.5 Diberikan matriks orthogonal



1 1
0 2 2

x1
A= 1 0 0 dan sebarang x = x2 Rn ,

1 1 x3
0
2 2
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 191

maka dapat ditunjukkan bahwa kAxx k = kxxk sebagai mana berikut ini:

1
0 1

1 1
x2 + x3

x1
2 2 2 2

x2 =
1 0 0 x1 =

1 1 x3 1 1
0 x2 + x3
2 2 2 2
r
1 1 1 1
( x2 + x3 )2 + x21 + ( x2 + x3)2 =
2 2 2 2
r
1 2 1 1 1
x2 x2x3 + x23 + x21 + x22 + x2 x3 + x23
2 2 2 2
q
x21 + x22 + x23 = kxx k.

KOMENTAR:

Karena matriks A mempunyai eigenvalue-eigenvalue yang berbeda, maka dapat


didiagonalkan menjadi matriks
Q1 AQ
dengan matriks
Q = [xx 1|xx 2| . . . |xx 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 or-
thogonal  
x 1 x 2 x n
P= ... ,
kxx1k kxx2 k kxxn k
dengan demikian matriks P AP juga matriks diagonal.
192

Contoh 7.8.6 Diberikan matriks simetri

       
0 1 2
1 2 1 2
A= = .
2 2 0 2 2 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:

   
2 1
.
x1 = dan x2 =
1 2

Sehingga diperoleh


2 1

3
x1 3 x2
= dan = .
kxx1 k kxx2k
1 2

3 3

Bila matriks
 
x1 x2
P= ,
kxx1 k kxx2 k

maka pendiagonalan dari matriks A adalah P AP dan hasilnya diberikan sebagai


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 193

berikut

2 1 2 1
3 3   3 3
1 2

=

2 2
1 2 1 2

3 3 3 3

2 2 2 2 2 1
3 + 3 3 + 3 3 3

=

1 2 2 2 2 1 2
+ +
3 3 3 3 3 3

2 1
0 0 3 3  


0 0
= 0 3

3 3 2
1 2
3 3
3 3

CATATAN:

Berkaitan dengan matriks simetri dengan elemen-elemen riil. Sebagaimana telah


diketahui matriks simetri pasti semua eigenvaluenya adalah riil, tetapi tidak men-
jamin bahwa semua eigenvalue-eigenvalue ini berbeda satu dengan yang lainnya,
bila semuanya berbeda maka pasti matriks simetri ini bisa didiagonalkan.
Bila ada yang rangkap, maka hal ini ada dua kasus. Yang pertama bila masing-
masing multiplisitas geometri = multiplisitas aljabar, maka pendiagonalan ma-
triks bisa dilakukan. Kedua, bila masing-masing multiplisitas geometri < multi-
plisitas aljabar, maka pendiagonalan tidak dapat dilakukan.
Pada khasus yang kedua tentunya hanya beberapa eigenvektor yang orthogo-
nal satu dengan yang lainnya, yaitu yang berkaitan dengan eigenvalue-eigenvalue
yang saling berbeda satu dengan lainnya. Tetapi untuk eigenvalue yang rangkap
194

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 ma-
triks orthogonal. Tetapi dengan beberapa modifikasi matriks tsb. bisa dijadikan
matriks orthogonal, cara pengorthogonalan ini mengarah apa yang dinamakan
proses Pengorthogonalan Gram-Schmidt . Contoh berikut memberikan keje-
lasan mengenai pengorthogonalan suatu matriks.

Contoh 7.8.7 Diberikan suatu matriks simetri



1 1 1 1 1 1
A = 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 0 1
1 = 2,xx1 = 0 ; 2 = 2,xx2 = 1 ; 3 = 1,xx3 = 1 .
1 1 1

Terlihat bahwa hxx1 ,xx3 i = hxx 2,xx3 i = 0 tetapi hxx1,xx2 i = 1 6= 0. Penormalan dari x 2
dan x 3 didapat :
1
0
3 3
x2 x 3
p2 = = 12 2 dan p 3 = = 13 3 .
kx 2 k
x kx 3 k
x
12 2 1
3 3

Untuk memperoleh suatu vektor x1 supaya hx1 ,xx2 i = 0, sebagai berikut. Mis-
alkan x1 + axx2 = x1 , didapat

x 2x1 + axx 2x 2 = x 2x 1

atau
hxx1 ,xx2 i
hx1 ,xx2 i + a hxx2 ,xx2 i = hxx1,xx2 i a = .
hxx2 ,xx2 i
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 195

Sehingga didapat
hxx1 ,xx2i
x1 = x 1 x 2.
hxx2 ,xx2i
Jadi
1 0 1
1
x1 = 0 1 = 12 .
2
1 1 12
Dengan menormalkan vektor x1 didapat:
q
1 3
3 2
x 1 q3
p1 = 1 3 q2
= .
kx1 k 1


3

3 2
Jadi matriks P = [pp1 | p 2 | p 3] diberikan oleh:

2
q
3 1

0 3
3 q2
3

P = 3 2 2 2 3 3 P P = I = PP (P matriks orthogonal).
1 3 1 1

1
q
3 1
1
3 2 2 2 3 3

Sehingga didapat :
q q q
2
q
3 1

2 3 1 3 1 3 0 3
1 1 1 3 q2 3

3 2 3 2 3 3
P AP = 1 1 1 1 1 31 32 1
2 1
3

0
2 2 2 2 2 3
1 1 1 1 1 1
q
3 3 3 3 3 3 1 3
12 2 1
3
3 2 3


2 0 0
= 0 2 0
0 0 1
196

7.9 PROSES ORTHOGONAL GRAM-SCHMIDT

Dalam bagian ini dibahas proses pengorthogonalan dari GRAM-SCHMIDT.


Diberikan himpunan vektor-vektor yang bebas linier

S = {X
X 1 ,X X n },
X 2, . . . ,X

dari S dibentuk himpunan vektor-vektor orthormal

T = {T
T 1,T T n}
T 2 , . . . ,T

sebagi berikut:
t1
t1 = X1 T 1 =
ktt 1 k
hXX ,X X i t
t2 = X2 2 1 t1 T 2 = 2
hXX 1 ,X X 1i ktt 2 k
..
.
..
.
hXX n ,tt 1 i hXX n ,tt 2i hXX n,tt n1 i tn
tn =Xn t1 t 2 . . . t n1 T n =
htt 1 ,tt 1 i htt 2 ,tt 2i htt n1,tt n1 i ktt nk
Didapat matriks orthogonal

T 1 |T
T = [T T 2 | . . . |T
T n] .

Contoh 7.9.1 Diberikan matriks dengan kolom-kolom merupakan vektor-vektor


yang bebas linier, yaitu

1 1 1
A= 0 1 1
0 0 1

Misalkan X 1 ,X
X 2 dan X 3 adalah vektor-vektor kolom dari A, maka
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 197

1 1
t1
t1 = X 1 = 0 T 1 =
= 0
kt 1 k
t
0 0
1 0 0
hXX 2 ,tt 1 i t 2
t2 = 1 t1 = 1 T 2 = = 1
htt 1,tt 1 i ktt 2k
0 0 0
1 0 0
hXX 3 ,tt 1 i hXX 3 ,tt 2 i t 3
t3 = 1 t1 t2 = 0 T 3 = = 0
htt 1,tt 1 i htt 2 ,tt 2 i ktt 3 k
1 1 1
Terlihat bahwa matriks T = [T T 1 T 2 T 3 ] adalah matriks orthogonal.

PROYEKSI dan GENERAL INVERS

Proses orthogonal Gram-Schmid erat kaitannya dengan apa yang dinamakan


proyeksi sebagaimana akan terlihat dalam pembahasan berikut ini. Ada kalanya
sistem persamaan linier Axx = 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 Axx = y :     
6 3 x1 2
= . (7.13)
2 1 x2 2
Jawab eksak dari persamaan ini tidak ada. Dalam hal ini, selalu bisa dida-
pat penyelesaian pendekatan x melalui penggantian y dengan vektor y di ruang
kolom dalam A yang dekat dengan y dan sebagi penggantinya selesaikan per-
samaan Axx = yy.
Untuk kasus yang diberikan dalam Persamaan 7.13 ruang kolom dari A adalah
span
   
3
W= r rR .
1
 
3
Dengan demikian dipilih y = r sehingga panjang
1
198
   
2 3
kyy yyk
= r
2 1
sekecil mungkin. Gambar berikut secara geometri menjelaskan pilihan dari
vektor yy.

PEMBAHASAN MASALAH :

Sebelum menyelesaikan masalah yang ada diberikan pengertian berikut. Misal-


kan W suatu ruang bagian dari Rn dan tulis
y Rn = W W
sebagai
y = y 1 +yy2 ,
dengan y 1 W dan y 2 W , maka y 1 dinamakan proyeksi dari y pada W dan
dinotasikan oleh y1 = Proyw(yy ). Selanjutnya diselesaikan masalah persamaan
linier     
6 3 x1 2
= .
2 1 x2 2
 
3
Berikutnya pilih ruang bagian W = sehingga didapat ruang bagian
1
orthogonal  
1
W = .
3
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 199

Jadi
     
2 4 3 2 1
= + .
2 5 1 5 3

Untuk meminimumkan panjang

   
2 3
kyy yyk
= 2 r
1
     
4 3 2 1 3
=
5 1 + r
5 3 1
   
4 3 2 1
,
= ( r) +
5 1 5 3
   
3 1 4
dan karena dan orthogonal, maka haruslah r = . Dengan demikian
1 3 5
didapat
       
2 4 3 6 4 3
y = Proyw = =0 + .
2 5 1 2 5 1
4
Terlihat bahwa penyelesaian pendekatan adalah x1 = 0 dan x2 = .
5

Teorema 7.9.1 Misalkan W suatu ruang bagian dari Rn , maka vektor y W yang
dekat ke y Rn adalah y = Proyw (yy ).

Bukti Tulis y = y1 +yy2 dengan y1 W dan y2 W . Jadi y1 = Proyw (yy). Untuk


sebarang w W jarak kuadrat kyy wwk2 diberikan oleh

w) +yy2 k2 = < (yy 1 w


k(yy1 w w) +yy2, (yy 1 w
w) +yy 2 >
= < y 1 w w,yy1 ww > + < y 2 ,yy2 >
= kyy1 w wk2 + kyy2 k2,

akan minimal bila w = y 1 = Proyw (yy ).


200

LANGKAH-LANGKAH MENDAPATKAN PROYEKSI

Suatu cara singkat untuk menentukan proyeksi dari suatu rauang bagian W yang
dibangun hanya oleh satu vektor w , dengan V = W W diberikan oleh
< y ,w
w>
Proyw (yy) = w. (7.14)
< w ,w
w>
Dalam hal ini adalah:
< y ,w
w>
1. w W.
< w ,ww>
< y,ww>
2. y w W
< w ,ww>
 
< y,w
w> < y,ww>
3. y = w+ y w
< w ,w
w> < w ,w
w>
Persoalan sebelumnya dapat diselesaikan menggunakan hasil dalam (7.14) dida-
pat
     
2 2.3 + 2.1 3 4 3
Proyw = = .
2 3.3 + 1.1 1 5 1

Teorema 7.9.2 Misalkan W suatu ruang bagian dari Rn dibangun oleh basis or-
thogonal
w 1, . . . ,w
wk
dan misalkan y Rn , maka
hyy,w
w1 i hyy,w
wk i
Proyw (yy) = w1 + . . . + w . (7.15)
hw
w1 ,ww1 i hw wk i k
wk ,w
Bukti Misalkan
hyy,w
w1i hyy,w
wk i
y1 = w1 + . . . + w .
hw
w1 ,ww1 i hw wk i k
wk ,w
Maka untuk 1 i k didapat
hyy,w
wi i
hyy yy1 ,w
wi i = hyy,w
wi i hw wi i = 0.
wi ,w
hw wi i
wi ,w
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 201

Jadi
y yy1 W dan y 1 = Proyw (yy ).
Bila W suatu ruang bagian dari Rn dengan basis orthonormal
w 1 , . . . ,w
wk ,
maka Persamaan (7.15) menjadi
Proyw (yy ) =< y ,w
w1 > w 1 + . . . + < y ,w
wk > w k . (7.16)

Contoh 7.9.2 Dapatkan elemen dari ruang bagian W yang dekat dengan vek-
tor (1, 2, 3) , yang mana W dibangun oleh vektor-vektor (1, 2, 1) , (1, 4, 1) .
Dari gambar diatas, vektor p di bidang W = h{(1, 2, 1) , (1, 4, 1) }i adalah

proyeksi vektor (1, 2, 3) pada bidang W = h{(1, 2, 1) , (1, 4, 1) }i. Dengan


menggunakan proses Gram-Schmidt, didapat basis orthonormal:
1 1
(1, 2, 1) , (1, 1, 1) .
6 3
Sehingga proyeksi dari (1, 2, 3) pada W adalah:

1 1 1
1 1 1 1
Proyw 2 = (1 + 4 3) 2 + (1 + 2 + 3) 1
3 6 6 1 3 3 1

1 1 1
1 4
= 2 + 1 = 2 .
3 3
1 1 1
202

Sehingga didapat vektor



1 1 2
2 = 2 + 0 W W ,
3 1 2

1 1 1
elemen dari W dekat ke 2 adalah Proyw 2 = 2 .
3 3 1

Contoh 7.9.3 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?

Jawab Model matematika dari persoalan yang ada diberikan oleh persamaan:

2 3   5000
0 4 p = 4000 .
q
0 1 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
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 203

Untuk meyelesaikan persamaan secara pendekatan, dilakukan hal berikut: Cari


vektor didalam ruang bagian W yang merupakan bentuk kombinasi linier

2 3
p 0 +q 4
0 1
yang dekat dengan vektor
5000
4000
2000
Dengan melakukan proses Gram-Schmidt di vektor-vektor pembangun yang meru-
pakan basis dari W , didapat basis orthonormal:

1 0
1
w1 = 0 ,w w2 = 4 .
0 17 1

Sehingga diperoleh:

5000 1 0
16000 2000 1
Proyw 4000 = 5000 0 + ( + ) 4
2000 0 17 17 17 1

1 0
18000
= 5000 0 + 4
17
0 1

2 3
3 18000 18000
= (2500 ( )( )) 0 + 4 .
2 17 17
0 1
3 18000 18000
Terlihat bahwa p = 2500 ( )( ) = 911.76 dan q = = 1058.82.
2 17 17

PENGGUNAAN GENERAL INVERS dan PSEDO INVERS

Untuk setiap matriks A berukuran m n dengan elemen-elemen riil, matriks A


berukuran n n dinamakan pendekatan invers ( psedoinverse ) yang memenuhi
204

Ay adalah penyelesaian pendekatan dari persamaan Axx = y . Kolom-kolom dari


matriks A adalah penyelesaian pendekatan dari Axx = e i , dengan e i , i = 1, . . . , m
adalah basis baku dari Rm .

Contoh 7.9.4 Dapatkan matriks A bila



2 3
A= 0 4
0 1
dan hitung
5000
A 4000 .
2000
Jawab Ruang kolom orthonormal dari matriks A adalah span dari vektor-vektor:

1 0
1
w2 = 4 .
w 1 = 0 ,w
0 17 1

Sehingga didapat

1 1 0 0 0 0
Proyw 0 = 0 , Proyw 1 = 16
17
, Proyw 0 = 4 .
17
0 0 0 4 1 1
17 17

Dan kolom-kolom matriks A didapat sebagai berikut



2 3 1  1 
0 4 x = 0 x = 2
0
0 1 0


2 3 0  16 
0 4 x = 16 x = 417
17
0 1 4 17
17

2 3 0  3 
0 4 x = 4 x = 134
17
0 1 1 17
17
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 205

Dengan demikian didapat matriks A adalah:


 1 6 3


A = 2 417 134 .
0 17 17

Penyelesaian pendekatan dari persamaan



2 3   5000
0 4 p = 4000
q
0 1 2000
diberikan oleh

  5000  1 6 3
 5000  
p 911.76
= A 4000 = 2 417 134 4000 = .
q 0 17 17
1058.82
2000 2000

Hasil yang didapat sama dengan hasil perhitungan sebelumnya.

Contoh 7.9.5 Dengan general invers cari garis lurus y = ax + b yang paling
mendekati titik
(1, 2), (2, 3) dan (3, 1).

Jawab
 1 1 1 

1 1   2  
2 1 a = 3 A =
1 2 3
2 1
1 2 3
b 1 1 1 1 1 1
3 1 1 3 1

2  1   2  1 1
 2
1 1 2 3 0
A 3 = 2
7
3 = 4
2
1
2
2
3
1 3 1 1 1 3 3 3
1 1 1
Didapat a = 1 + 12 = 21 dan b = 83 + 1 32 = 3.

Contoh 7.9.6 Dengan general invers dapatkan parabola y = ax2 + bx + c yang


mendekati titik-titik
(3, 0), (2, 0), (1, 2), (1, 12).
206

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 persamaan matriks

9 3 1 0
4 2 1 a 0
b = .
1 1 1 2
c
1 1 1 12
Sehingga didapat
1
9 3 1 0
a 9 4 1 1

9 4 1 1
3 2 1 1 4 2 1 3 2 1 1 0

b =
1 1 1 2
c 1 1 1 1

1 1 1 1
1 1 1 12

1
= 5 .
6
Cek hasilnya:
9 3 1 0
4 2 1
1 5 = 0

.
1 1 1 2
6
1 1 1 12
Terlihat, hasilnya eksak bukan pendekatan.

Catatan dan Komentar Psedo dan General Invers

- Psedo invers dan General Invers secara umum berbeda. Umumnya Psedo
invers matrix berukuran m n, sedangkan General invers matriks persegi.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 207

- 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 .
- Sebaliknya bila kolom-kolom matriks A tidak bebas linear, maka (A A)1
tidak ada. Jadi persoalan Axx = y tidak bisa diselesaiakan dengan cara ge-
neral invers x = (A A)1 Ay . Hal ini bisa diselesaikan dengan cara psedo
invers sebagaimana pada Contoh 7.9.4.
- Sebagai kesimpulan penyelesaian terdekat dari masalah Axx = y bisa dilakukan
dengan cara Psedo Invers atau General Invers.

7.10 Dekomposisi Spektral

Sebagaiman telah diketahui pada pembahasan sebelumnya matriks persegi sime-


tri mempunyai suatu peranan yang penting kaitannya dengan basis orthogonal
dan pendiagonalan matriks. Hasil yang telah dibahas bisa disimpulkan lagi se-
bagai berikut:
Suatu matriks persegi A dapat didiagonalkan secara orthogonal bila dan hanya
bila A matriks simetri. Yaitu ada matriks orthogonal P sehingga P AP = D, de-
ngan D adalah matriks diagonal. Kesimpulan ini dinamakan Teorema Spektral.
Bila matriks
P = [uu1 u 2 u n ]
maka dapat ditulis sebagai
A = x1u 1u 1 + x2u 2u 2 + + xnu nu n ,
dengan masing-masing xi , i = 1, 2, . . . , n adalah nilai-eigen dari matriks simetri
A. Selanjutnya bentuk ini dinamakan dekomposisi spektral. Masing-masing
matriks uiui , i = 1, 2, . . . , n adalah matriks proyeksi dari sebarang vektor x, yaitu
vektor (uuiu i )xx adalah proyeksi orthogonal dari x pada ruang yang dibangun oleh
ui ( huui i ).
Contoh 7.10.1 Dibahas lagi matriks simetri

6 2 1
A = 2 6 1 .
1 1 5
208

Nilai eigen dari A didapat dari polininomial karakteristik matriks A yatitu p()
dengan menyelesaikan det( I A) = 0, didapat

p() = 3 17 2 + 90 144
= ( 8) ( 6) ( 3) .

Terlihat bahwa nilai-eigen dari A berbeda, yaitu 1 = 8, 2 = 6 dan 3 = 3.


Vektor-eigen dari A yang bersesuaian dengan nilai-eigen adalah:

1 1 1
1 = 8 v 1 = 1 , 2 = 6 v 2 = 1 , 3 = 3 v 3 = 1
0 2 1

dan
hvv1,vv2i = 0, hvv1,vv3 i = 0 dan hvv2 ,vv3i = 0 .
Terlihat bahwa vektor-vektor v 1 ,vv2 ,vv3 saling orthogonal. Dengan melakukan
penormalan didapat
1 1 1
2 2 6 3 3 3
v1 v 2 1 v 3 1
u1 = = 12 2 , u 2 = = 6 6 , u 3 =
3 3

kvv1 k kvv2 k kv
v 3 k 1
0 31 6 3 3

dan matriks
1 1 1
2 2 6 6 3 3
P = [uu1 u 2 u 3] = 21 2 1
6 6
1
3 3
.
0 31 6 1
3 3

Dapat ditunjukkan bahwa P AP = D dengan D matriks diagonal, elemen elemen


diagonalnya adalah 8, 6 dan 3 sebagai berikut:
1 1
1 1
1
2 2 2 2 0 6 2 1 2 2 6 6 3 3
1 1 1 1 1 1
P AP =
6 6 6 6 3 6
2 6 1 2 2 6 6 3 3

1 1 1
3 3 3 3 3 3
1 1 5 0 31 6 13 3

8 0 0
= 0 6 0 .
0 0 3
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 209

Vektor-vektor u 1 ,uu2 dan u 3 memenuhi



6 2 1
8uu1u 1 + 6uu2u 2 + 3uu3u 3 = 2 6 1 = A.
1 1 5
Selanjutnya bila diberikan vektor

1
x = 2 ,

3
maka dapat ditunjukkan bahwa proyeksi x pada huu1 i adalah (uu1u 1)xx sebagai
berikut 1 1
1
2 2 0 1 2

(uu 1u 1 )xx = 2 2 0 2 = 12
1 1

0 0 0 3 0
Sedangkan proyeksi dari x pada huu1i diberikan oleh
(hxx,uu1 i / huu1,uu1 i)uu 1,
yaitu:
1
1 21
  1 2 1 2
(hxx,uu1 i / huu1 ,uu1 i)uu 1 = 1 2 3 = 12
2 2

0

0 0
Terlihat bahwa
(uu 1u 1 )xx = (hxx,uu1 i / huu1 ,uu1i)uu1 .
Juga bisa ditunjukkan bahwa vektor
x (uu 1u 1 )xx
orthogonal dengan vektor u 1 dan
x = (uu1u 1 )xx + (xx (uu1u 1 )xx ).
Vektor x (uu1u 1 )xx dan u 1 adalah

1
3
2 2
x (uu1u 1 )xx = 32 1
.

dan u1 =
2
3 0
Terlihat bahwa vektor x (uu 1u 1 )xx orthogonal dengan u 1.
210

Latihan:

Diberikan matriks simetri  


7 2
A=
2 4
Konstruksi suatu dekomposisi spektral dari matriks A sehingga
A = auu1u 1 + buu2u 2
dan D = [uu1 u 2 ] A[uu1 u 2 ] dengan D adalah matriks diagoanal dengan elemen
diagonal a dan b, dan u1 ,uu2 adalah orthonormal. Selanjutnya bila vektor x adalah
 
1
x= ,
2
maka tunjukkan bahwa proyeksi x pada u 2 adalah (uu2u 2)xx .

BENTUK KUADRAT

Bentuk kuadrat memainkan suatu peranan penting dalam masalah optimasi. Se-
bagai motifasi dan ide bentuk kuadrat, diberikan contoh berikut. misalkan fungsi
dari R2 ke R diberikan oleh
q((x1 , x2 ) ) = 8x21 4x1x2 + 5x22
Tentukan apakah q((0, 0) ) = 0 adalah maksimum global atau minimum global
atau tidak kedua-duanya. Ingat bahwa q((0, 0) ) adalah minimum global bila
q((0, 0) ) q((x1 , x2 ) )
untuk semua (x1 , x2 ) R2 . Maksimum global didefinisikan dengan cara analogi
(mengganti dengan ).
Ada beberapa cara untuk menyelesaikan masalah pada contoh yang diberikan.
Disini akan digunakan matriks untuk menyelesaikannya. Dalam hal ini, dapat
ditulis
 
x
q 1 = 8x21 4x1x2 + 5x22
x2
 
  8x1 2x2
= x1 x2
2x1 + 5x2
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 211

Secara ringkas, didapat


q(xx ) = x Axx
dengan   
8 2 x
A= dan x = 1 .
2 5 x2
Matriks A simetri, dari pembahasan sebelumnya ada basis-eigen orthonormal
v1 ,vv2 untuk A. Didapat
" 2 # "1 #

v1 = 5 , v2 = 5
1
2
5 5

yang bersesuaian dengan nilai-eigen 1 = 9 dan 2 = 4. Bila x = c1v 1 + c2v 2


didapat
q(xx ) = x Axx
= (c1v1 + c2v2 ) (c1 1v1 + c2 2v2)
= 1c21 + 2c22
= 9c21 + 4c22 .
Terlihat bahwa q(xx ) > 0 untuk semua x 6= 0 , sebab setidaknya satu diantara 9c21
dan 4c22 adalah positip. Jadi q((0, 0) ) = 0 adalah minimum global. Hasil yang
telah didapat menunjukkan bahwa sistem koordinat c1 , c2 didifinisikan sebagai
suatu basis-eigen dari A. Bentuk
9c21 + 4c22

lebih mudah dibandingkan dengan bentuk aslinya


8x21 4x1 x2 + 5x22 .
Dua sistem koordinat dari apa yang telah dibahas ini diberikan oleh gambar
berikut.

Selanjutnya dari ide yang telah dibahas disajikan lebih general sebagai berikut.
Suatu fungsi dari Rn ke R yaitu
q((x1 , x2 , . . . , xn ) )
212

dinamakan suatu bentuk kuadrat bila ia adalah suatu kombinasi linear dari bentuk
xi x j dengan i mungkin sama dengan j. Suatu bentuk kuadrat dapat ditulis sebagai
q(xx ) = hxx , Axx i = x Axx ,
untuk suatu matrik simetri A tunggal yang dinamakan matriks dari q. Himpunan
Qn dari bentuk kuadrat
q((x1 , x2 , . . . , xn ) )
adalah suatu ruang bagian dari ruang linear dari semua pemetaan linear dari Rn
ke R.

Contoh 7.10.2 Diberikan bentuk kuadrat


q((x1 , x2 , x3 )) = 9x21 + 7x22 + 3x33 2x1 x2 + 4x1x3 6x2x3 .
Dapatkan matriks dari q.

Jawab Sebagaimana contoh sebelumnya, misalkan


ai,i adalah koefisien dari x2i ,
ai, j = a j,i = 21 (koefisien dari xi x j ), bila i 6= j.
Didapat
9 1 2
A = 1 7 3 .
2 3 3
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 213

Pembahasan yang telah dibuat pada Contoh 7.10.2 dapat digeneralisasi sebagai
berikut.
Diberikan suatu bentuk kuadrat q(xx ) = x Axx, dengan matriks A berukuran n
n. Misalkan B adalah suatu basis-eigen orthonormal yang bersesuaian dengan
nilai-eigen 1, 2 . . . , n. Maka

q(xx ) = 1c21 + 2c22 + + nc2n ,

dengan ci adalah koordinat-koordinat dari x relatif terhadap B . Dalam pengka-


jian suatu bentuk kuadrat q sering tertarik untuk menentukan apakah q(xx ) > 0
untuk semua x 6= 0 . Dalam konteks ini dikenalkan terminologi berikut.
Misalkan suatu bentuk kuadrat

q(xx) = x Axx,

dengan A matriks simetri berukuran n n, maka A dinamakan definit positip


bila q(xx ) positip untuk semua x Rn dengan x 6= 0 dan dinamakan semidefinit
positip bila q(xx ) 0 untuk semua x Rn . Definit negatip dan semedefinit
negatip didefinisikan secara analogi. Bila q mempunyai nilai positip dan juga
nilai negatip, maka A dinamakan takdefinit.

Contoh 7.10.3 Diberikan matriks A berukuran n n. Tunjukkan bahwa

q(xx ) = kAxxk2

adalah suatu bentuk kuadrat, dapatkan matriks dari q dan tentukan kedefinitan-
nya.

Jawab Persamaan q(xx ) = kAxxk2 dapat ditulis sebagai

q(xx ) = (Axx ) Axx = x (A A)xx

Terlihat bahwa q adalah bentuk kuadrat dengan matriksnya adalah A A. Bentuk


kuadrat ini semidefinit positip sebab q(xx) = kAxxk2 0 untuk semua x Rn .
Catatan, q(xx) = 0 bila dan hanya bila x di kernel dari A. Maka dari itu, bentuk
kuadrat adalah definit positip bila dan hanya bila ker(A) = {00}.
214

Teorema 7.10.1 Suatu matriks simetri A adalah definit positip bila dan hanya
bila semua nilai-eigen dari matriks A positip, Matriks A adalah semidefinit posi-
tip bila dan hanya bila nilai-eigen dari A positip atau nol.

Bukti Langsung dari fakta bentuk


q(xx ) = 1c21 + 2c22 + + nc2n ,
dengan i adalah nilai-eigen dari A.

Contoh 7.10.4 Diberikan suatu transformasi linear L(xx ) = Axx dengan matriks
 
6 2
A= .
7 6
(a) Dapatkan suatu basis orthonormal v1 , v2 di R2 sedemikian hingga L(vv1 ) dan
L(vv2 ) orthogonal.
(b) Tunjukkan bahwa image dari lingkaran satuan oleh transformasi L dijadikan
ellips. Dapatkan sumbu-sumbu ellips dalam nilai-eigen matriks A A.
Jawab
(a) Menggunakan ide contoh pertama, basis-eigen orthonormal dari A A diper-
oleh sebagai berikut.
    
6 7 6 7 85 30
AA= = .
2 6 2 6 30 40
Polinomial karakteristik dari A A adalah
p() = 2 125 + 2500 = ( 100)( 25),
jadi nilai-eigen dari A adalah 1 = 100 dan 2 = 25 dan vektor-eigen yang
bersesuaian adalah
   
2 1
x1 = dan x2 = .
1 2
Penormalan dari x1 dan x2 didapat
" 2 # " #
1
v1 = 5 dan v2 = 5 .
1
2
5 5
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 215

(b) Lingkaran dalam bentuk parameter vektor adalah

x = cos(t)vv1 + sin(t)vv2 , 0 t 2,

dan image dari lingkaran ini adalah ellips

L(xx ) = cos(t)L(vv1 ) + sin(t)L(vv2 ), 0 t 2

dengan sumbu-sumbu adalah


kL(vv1 k2 = (Avv1 ) (Avv1 ) = v1 (A A)vv1 = v1 (1v1 ) = 1 (vv1v1 ) = 1 ,
kL(vv2 k2 = (Avv2 ) (Avv2 ) = v2 (A A)vv2 = v2 (2v2 ) = 2 (vv2v2 ) = 2 .

Jadi kL(vv1 )k = 1 = 100 = 10 dan kL(vv2 )k = 2 = 25 = 5 . Gam-
bar 7.3 adalah lingkaran satuan x dan image L(xx ) = Axx dari pembahasan
(b).

Gambar 7.3: L(xx) = Axx

7.11 Faktorisasi QR
216

Dalam bagian ini dibahas langkah-langkah dari pemfaktoran matriks A beruku-


ran n k menjadi perkalian dari matriks Q dan R.
Misalkan matriks A berukuran n k dengan n k dan kolom kolom A:
w2 , ,w
w 1 ,w wk
bebas linear, maka A dapat difaktorkan menjadi A = QR dengan langkah-langkah
sebagai berikut:
1. Gunakan Proses Gram-Schmidt pada
{w w2, ,w
w1 ,w wk }
menjadi
{vv1 ,vv2, ,vvk }
2. Normalisasi
{vv1 ,vv2, ,vvk }
menjadi
{uu1 ,uu2, ,uuk }
3. Buat matriks Q = [uu1 u 2 u k ]
4. Buat matriks R = Q A
Maka didapat A = QR.. Contoh berikut menjelaskan langkah-langkah faktorisasi
QR.
Contoh 7.11.1 Diberikan matriks

1 0 0
0 1 1
A=
1

1 0
0 0 1
Selanjutnya gunakan Proses Gram-Schmidt didapat

1
0
v1 = w1 =
1

0
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 217

12
1
w2,vv1i / hvv1 ,vv1i)vv1 =
v 2 = w 2 (hw 1

2
0
Untuk menghindari pecahan v 2 kalikan dengan 2, didapat

1
2
v2 =
1

0
Selanjutnya dihitung
w3,vv1i / hvv1,vv1i)vv1 (hw
v 3 = w 3 (hw w3 ,vv2 i / hvv2,vv2 i)vv2
1
3
1
= 3
1
3
1
Juga, untuk menghindari pecahan v 3 kalikan dengan 3, didapat

1
1
v3 = 1

3
Normalisasi v 1,vv2 dan v 3 didapat
1 1
1

2 3
2 6
2 1
0 2

3 .
u 1 = 1 ,uu2 = 6 dan u 3 =
1 1
2 6 2 3
0 0 3
2
Dengan demikian matriks Q = [uu1 u 2 u 3] adalah:
1
1 1

2 2 6 2 3
1
0
Q = [uu1 u 2 u 3 ] = 6 2 3 .
1 1 1
2 6 2 3
3
0 0 2
218

Sedangkan matriks R = Q A adalah



2 1 0
2
R = Q A =
0
3 2 .
2 3
2
0 0
3

Selanjutnya ditunjukkan bahwa QR = A, sebagai berikut


1
1 1

1
2 6 2 3
1
2 0
0 2 2
QR = 1 6 2 3 3 2
1 0

1 2 3
2 6 2 3
2

3
0 0
0 0 3
2

1 0 0
0 1 1
= 1 1 0 = A .

0 0 1

Faktorisasi QR suatu alat komputasi untuk menyelesaiakan sistem persamaan


linear Axx = b secara numerik.
Berikut ini diberikan suatu sifat untuk menyelesaikan Axx = b menggunakan
faktorisasi QR.

Teorema 7.11.1 Misalkan matriks A berukuran n k dengan n k dan kolom-


kolom dari A adalah bebas linear, maka penyelesaian
Axx = b

diberikan oleh
x = R1Qb
yang mana matriks Q dan R memenuhi A = QR.

Bukti
Axx = b (A A)xx = Ab .
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 219

Misalkan A = QR , yang mana matriks Q dan R diperoleh dengan cara faktorisasi


QR. Didapat

(QR) (QR)xx = (QR)b (R Q QR)xx = R Qb .

Tetapi karena Q matriks orthogonal, maka Q Q = I. Jadi

R Rxx = R Qb

atau Rxx = Qb , tetapi R matriks yang selalu mempunyai invers. Jadi

x = R1 Qb .

Dalam prakteknya, sering memudahkan untuk menghindari kesalahan pemoton-


gan desimal. Axx = b diselesaikan lewat substitusi mundur dari Rxx = Qb . Contoh
berikut ini menjelaskan masalah ini.

Contoh 7.11.2 Selesaikan sistem persamaan linear berikut.



1 0 0 3
0 x
1 1
y = 9 .

1 1 0 7.5
z
0 0 1 5

Disini matriks A dan b adalah



1 0 0 3
0 1 1 dan b = 9 .

A= 1 1 0 7.5
0 0 1 5

Sebagaimana telah dibahas sebelumnya, matriks A dapat didekomposisi menjadi


220

A = QR dengan Q diberikan oleh


1
1 1

2 2 6 2 1
3

0
Q = 6 2 3
1 1 1
2 6 2 3
3
0 0 2

0.70710678118655 0.40824829046386 0.28867513459481
0.0 0.81649658092773 0.28867513459481
.
=
0.70710678118655 0.40824829046386 0.28867513459481
0.0 0.0 0.86602540378444
Sedangkan matriks R adalah

2 1 0
2
R = 0 3 2

2 3
2
0 0
3

1.414213562373095 0.70710678118655 0.0
= 0.0 1.224744871391589 0.81649658092773 .
0.0 0.0 1.154700538379252
Matriks Qb adalah
7.424621202458775
Qb = 9.18558653543694
5.629165124598845
Dari persamaan Rxx = Qb didapat x = (x, y, z) sebagai berikut
z = 5.629165124598845/1.154700538379252 = 4.874999999999994
y = 4.250000000000006 dan x = 3.125000000000008.

Selanjutnya, dapat dilihat seberapa dekat nilai Axx dengan b sebagai berikut

3.125000000000008 3
9.125 dan b = 9 .

Axx =
7.375000000000014 7.5
4.874999999999994 5
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 221

Latihan

Dengan menggunakan dekomposisi QR selesaikan sistem persamaan linear


berikut
3x + 10y = 8, 4x 4y = 30 dan 12x + 27y = 10.

7.12 DEKOMPOSISI NILAI SINGULAR

Diberikan matriks A berukuran mn, dekomposisi nilai singular matriks A adalah


berkaitan dengan matriks Q dan P sehingga A = QDP dengan Q, P adalah ma-
triks orthogonal dan D matriks berukuran m n dengan elemen-elemen didiag-
onal utamanya nonnegatif dan yang lainnya nol.

1. Nilai Singular dan Vektor Singular Kanan

Bila A matriks berukuran m n, maka A A adalah matriks simetri. Sebagai mana


telah dibahas matriks AA dapat didiagonalkan secara orthogonal, yaitu ada ma-
triks orthogonal P sehingga P (A A)P adalah matriks diagonal. Selanjutnya bila
adalah nilai-eigen dari matriks A A yang bersesuaian dengan vektor-eigen sa-
tuan v (salah satu kolom dari P), maka

kAvvk2 = h(Avv ), (Avv )i = v (A A)vv = v vv = vv v = .

Terlihat bahwa 0. Jadi nilai-eigen dari A A adalah nononegatip.

Contoh 7.12.1 Misalkan matriks



1 1  
3 1
A = 1 1 maka A A =
1 3
1 1

Polinomial karakteristik dari matriks A A adalah

p() = 2 6 + 8 = ( 4) ( 2) ,
222

didapat 1 = 4 dan 2 = 2. Vektor-eigen yang bersesuaian adalah


   
1 1
v1 = dan v2 =
1 1
Penormalan vektor-vektor eigen didapat matriks orthogonal
 
1 1 1
P=
2 1 1
dan       
1 1 1 3 1 1 1 1 4 0
P (A A)P = = .
2 1 1 1 3 2 1 1 0 2

Telah dibahas bahwa semua nilai-eigen dari matriks A A adalah nonnegatif. Did-
ifinisikan hal berikut. Misalkan A adalah matriks berukuran m n dan

1 2 k > k+1 = = n = 0

adalah nilai eigen dari A A ditulis dengan urutan menurun. Bila i = i ,maka

1 2 k > k+1 = = n = 0

dinamakan nilai-nilai singular dari matriks A. Selanjutnya bila

v 1 ,vv2 , . . . ,vvn

adalah vektor-vektor eigen orthonorma dari matriks A A dengan v i bersesuaian


dengan nilai-eigen i , maka
v 1 ,vv2 , . . . ,vvn
dinamakan vektor-vektor singular kanan dari matriks A.

Teorema 7.12.1 Misalkan A matrix berukuran m n dan i , i = 1, 2, . . . , n adalah


nilai-eigen dari matriks A A sedangkan i , i = 1, 2, . . . , n adalah nilai singular dari
A yang bersesuaian dengan vektor singular kanan v i dari matriks A, maka

1. Untuk semua x di Rn , hAxx , Avvi i = i hxx ,vvi i.


Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 223

2. Untuk i tidak sama dengan j, Avvi orthogonal dengan Avv j .


3. hAvvi , Avvi i = 2i .
4. Bila x = a1v 1 + a2v 2 + + anv n , maka hAxx, Avvi i = ai i

Bukti

1. hAxx , Avvi i = x (A A)vvi = ix v i = i hxx,vvi i





2. Avvi , Avv j = v i (A A)vv j = j v i ,vv j = j (0) = 0
3. hAvvi , Avvi i = v i (A A)vvi = iv iv i = 2i (1) = 2i
4. hAxx , Avvi i = i hxx,vvi i = i (a1 v 1v i + + ai v iv i + + an v nv i ) = ai i
|{z} |{z} |{z}
0 1 0

2 Nilai Singular dan Vektor Singular Kiri

Sebagaimana telah dibahas vektor-vektor singular kanan

v 1,vv2 ,vv3 , . . . ,vvn

membentuk suatu basis orthonormal di Rn , maka himpunan

{Avv1, Avv 2 , . . . , Avv n}

membentang image dari dari pemetaan linear linier

L : Rn Rm

yang diberikan oleh L(vv ) = Avv, vv Rn . Selanjutnya bila

1 2 k > k+1 = = n = 0,

maka dari pembahasan Teorema 7.12.1 didapat :

Avvk+1 = = Avvn = 0 Rm
224

Jadi pembentang orthogonal dari image L adalah

Avv 1, Avv 2, . . . , Avvk

dan merupakan suatu basis dari image L. Suatu peranan penting dari basis image
L sebagai mana diberikan dalam difinisi dan teorema berikut.

Definisi 7.12.2 Misalkan A suatu matriks ukuran m n dan

1 2 k > k+1 = = n = 0,

adalah nilai singular dari A. Juga misalkan bahwa v i , i = 1, 2, . . . , n adalah vektor-


vektor singulir kanan dari A yang bersesuaian dengan nilai eigen i . Bila
1
ui = Avvi , 1 i k
i
dan
uk+1 , . . . ,uum
dipilih sedemikian hingga

u 1,uu2, . . . ,uuk ,uuk+1, . . . ,uum

suatu basis orthonormal dari Rm , maka

u 1,uu2, . . . ,uuk ,uuk+1, . . . ,uum

dinamakan vektor-vektor singular kiri dari A.

Teorema 7.12.2 Misalkan A matriks berukuran m n dan

1 2 k > k+1 = = n = 0,

adalah nilai singular dari A. Juga misalkan bahwa v i , i = 1, 2, . . . , n adalah vektor


singular kiri dari A. Bila L : Rn Rm diberikan oleh L(xx ) = Axx , xx Rn dan
LT : Rm Rn diberikan oleh L(yy ) = Ay , yy Rm , maka

1. rank(A) = k.
2. Vektor u i untuk i = 1, 2, . . . , k adalah suatu basis orthonormal dari L.
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 225

3. Vektor u j untuk j = k + 1, k + 2, . . . , m adalah suatu basis orthonormal dari


kernel LT .
4. Vektor vi untuk i = 1, 2, . . . , k adalah suatu basis orthonormal dari image LT
dan vektor v i untuk j = k + 1, k + 2, . . . , n adalah suatu basis orthonormal
dari kernel L
5. Bila U = [uu1 u2 . . . um ], V = [vv1 v2 . . . vm ] dan matriks berukuran m n
dengan elemen diagonal di,i = i , i k sedangkan elemen yang lainnya
sama dengan nol, maka A = UV

Bukti Sebagai latihan.

Contoh 7.12.3 (Dekomposisi Nilai Singular) Diberikan matriks



1 1
A= 1 1
1 1
Dekomposisikan kebentuk nilai singular sehingga A = UV

Jawab Dihitung dulu A A, sehingga didapat nilai-nilai singular dari A dan vektor-
vektor singular kanan dari A.
 
3 1
A A =
1 3
Polinomial karakteristik dari matriks A A adalah
p() = 2 6 + 8 = ( 4) ( 2)
didapat nilai eigen 1 = 4 dan 1 = 2. Vektor-eigen yang bersesuaian adalah
   
1 1
v1 = dan v 2 =
1 1
Penormalan vektor-vektor eigen didapat matriks orthogonal V
 
1 1 1
V=
2 1 1
226

Vektor singular kanan dari A adalah


" # " #
1 1
v1 = 2 dan v 2 = 2
1 1
2 2


Nilai singular dari A adalah 1 = 1 = 4 = 2 dan 2 = 2 = 2. Didapat
matriks

1 0 2 0
= 0 2 = 0 2 .
0 0 0 0

Vektor-vektor singular kiri didapat sebagai berikut.


"
1 1 # 0
1 1 1
u1 = Avv1 = 1 1 2
= 1
1 2 1 2
1 1 2 1
2

dan

1 1 " 1 # 1
1 1 2
u2 = Avv2 = 1 1 1 = 0 .
2 2 1 1
2 0

Perluas vektor-vektor u 1 ,uu2 menjadi u 1 ,uu2 ,uu3 sehingga vektor vektor ini adalah
suatu basis dari R3 . Dalam kasus ini vektor u 3 bisa dipilih sebagai

0
u 3 = 1
0

Lakukan proses Gram-Schmidt pada vektor-vektor u 1 ,uu2,uu3 didapat matris U



0 1 0

U = 1 0 1
2 2
1 0 1
2 2
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 227

Selanjutnya selidiki bahwa UV = A sebagai berikut



0 1 0 2 0  
1 1 1 1 1
UV = 2 0 0

2 2
1 0 1 0 0 2 1 1
2 2
0 1   1 1
1 1
= 1 0 = 1 1 = A.
1 1
1 0 1 1

LATIHAN
Lakukan langkah-langkah pembahasan Contoh Dekomposisi Nilai Singular meng-
gunakan SAGE. Perintah dalam sel SAGE sebagai berikut:

A=matrix(RDF,[[1,-1],[1,1],[-1,-1]])
U,S,V=A.SVD()
html("Matriks $A=%s$"%latex(A))
print
html("$U=%s$<p>$S=%s$<p>$V=%s$"%(latex(U),latex(S),latex(V)))
print
html("$U\Sigma V=%s$"%latex(U*S*transpose(V)))
print
html("$A-U\Sigma V=%s$"%latex(A-U*S*transpose(V)))

Hasil yang diberikan adalah:



1.0 1.0
Matriks A = 1.0 1.0
1.0 1.0

1.54742755068 1016 1.0 6.41074621127 1017
U = 0.707106781187 4.28259858132 1017 0.707106781187
0.707106781187 4.28259858132 1017 0.707106781187

2.0 0.0
S = 0.0 1.41421356237
0.0 0.0
228
 
0.707106781187 0.707106781187
V=
0.707106781187 0.707106781187

1.0 1.0
UV = 1.0 1.0
1.0 1.0
" 16
#
1.11022302463 10 0.0
A UV = 2.22044604925 1016 4.4408920985 1016
2.22044604925 1016 4.4408920985 1016

Pada pembahasan terdahulu mengenai matriks simetri dikenal istilah dekom-


posisi spektral yaitu:
Bila A matriks simetri dan A dapat didiagonalkan sebagai bentuk D = P AP
yang mana D matriks diagonal dengan elemen diagonal utama adalah i , i =
1, 2 . . . , n adalah nilai eigen dari matriks A dan u i adalah vektor eigen yang ber-
sesuaian.
Bila P = [uu1 u2 un ], maka A dapat didekomposisi sebagai

A = 1u 1u 1 + 2u 2u 2 + + nu nu n .

Timbul pertanyaan bagaimana bila matriks A tidak simetri atau secara umum
matriks A berukuran mn apakah A bisa didekomposisi seperti cara dekomposisi
spektral. Hal ini bisa dilakukan dengan menggunakan hasil-hasil dekomposisi
nilai singular sebagai berikut.
Sebagaimana telah dibahas bila A mempunyai rank sama dengan k , maka A
dapat didekomposisi sebagai A = U V , dengan U adalah vektor singular kiri
dan V vektor singular kanan dan v i , i = 1, 2, . . . , n adalah suatu basis orthormal
dari Rn , maka untuk 1 i k didapat

!
k
i ui vi vi = 0 + + iui + + 0
i=1
 
1
= i Avvi = Avvi .
i
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 229

k
Jadi i u i v i = A. Pada Contoh sebelumnya matriks
i=1

1 1
A= 1 1
1 1

dan rank(A) = k = 2. Juga 1 = 2 dan 1 = 2, didapat vektor singular kiri

0 1
1
u 1 = 2 ,uu2 = 0

1 0
2
sedangkan vektor singular kanan adalah
"1 # " #
1
v1 = 2 ,vv2 = 2 .
1 1
2 2
Sehingga didapat

0
1 1 1 1 h 1 1 i
h i
1u 1v 1 + 2u 2v 2 = 2 2 2 2 + 2 0 2 2
1 0
2

0 0 1 1 1 1
= 1 1 + 0 0 = 1 1 = A.
1 1 0 0 1 1
LATIHAN
Lakukan langkah-langkah yang dibahas dalam Contoh ini dengan menggunakan
SAGE.

3. Nilai Singular Dekomposisi untuk meghitung Psedo-Invers

Sebagaimana telah dibahas sebelumya Psedo-Invers didapat bila matriks persegi


A A tidak mempunyai invers, Psedo-Invers dalam hal ini dapat diperoleh den-
gan cara proyeksi. Pada pembahasan ini digunakan Nilai Singular Dekomposisi
untuk memperoleh matriks Psedo-Invers A sebagai berikut.
230

Misalkan A berukuran m n dan mempunyai rank sama dengan k dan ma-


triks A didekomposisi sebagai A = U V dengan kolom-kolom U adalah vektor
singular kiri, sedangkan kolom-kolom V adalah vektor singular kanan dan ma-
triks mempunyai elemen diagonal sama dengan nilai sigular dari A yaitu i
sedangkan elemen yang lainnya sama dengan nol.
1
Bila matriks p berukuran n m dengan elemen-elemen diagonal sedan-
i
gkan elemen yang lainnya sama dengan nol, maka matriks berukuran n m
Ap = V p U
dinamakan Psedo-Inversdari A. Sebagaimana telah duketahui pada pembahasan
sebelumnya, Psedo-Invers dapat digunakan untuk menyelesaikan sistem persamaan
Axx = b yaitu x = A pb .
Sebagai contoh, misalkan diberikan matriks

2 3 5000
A = 0 4 dan b = 4000 .
0 1 2000
Selesaikan Axx = b menggunakan A p .

Jawab Matriks
  2 3  
2 0 0 4 6
A A = 0 4 = .
3 4 1 6 26
0 1
Polinomial karakteristik dari matriks A A adalah:
p() = 2 30 + 68
didapat
1 = 15 + 157 = 27.52996408614167
dan
2 = 15 157 = 2.470035913858332.
Vektor eigen orthonormal yang bersesuaian adalah
 
0.24708746132252
v1 =
0.96899318184247
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 231

dan  
0.96899318184247
v2 =
0.24708746132252
Nilai singular dari A adalah
p
1 = 1 = 5.246900426551058
dan p
2 = 2 = 1.571634790229057
Matriks V dan p adalah
 
0.24708746132252 0.96899318184247
V=
0.96899318184247 0.24708746132252
dan
" # 
1
1 0 0 0.19058871308853 0 0
p = = .
0 12 0 0 0.63628013722848 0

Sedangkan vektor u1 dan u2 adalah



0.64822165310429
1
u1 = Avv1 = 0.73871665407567
1
0.18467916351892
dan
0.76145169803919
1
u2 = Avv2 = 0.62886737519092 .
2
0.15721684379773
Perluas basis orthogonal u1 , u2 menjadi u1, u2 , u3 dengan memilih

0
u 3 = 0.2425356 .
0.9701425
Sehingga didapat matriks

0.64822165310429 0.76145169803919 0
U = [uu1 u 2 u 3 ] = 0.73871665407567 0.62886737519092 0.2425356
0.18467916351892 0.15721684379773 0.9701425
232

dan

 U
p
Ap = V 
0.5 0.35294117647059 0.088235294117646
=
5.9813265451680317 1015 0.23529411764707 0.058823529411767
. Sehingga didapat

x = A pb
  5000
0.5 0.35294117647059 0.088235294117646
= 15 4000
5.9813265451680324 10 0.23529411764707 0.058823529411767
2000
 
911.764705882348
=
1058.823529411844
. Hasil yang didapat sama dengan hasil yang telah dibahas pada Contoh sebelum-
nya.

Latihan
Lakukan langkah-langkah yang telah dibahas dalam Contoh menggunakan SAGE.

Contoh berikut A A tidak mempunyai invers. Bila matriks


   
1 1 2
A= dan b = ,
1 1 3

maka selesaiakan Axx = b dengan menggunakan matriks A p

Jawab Matriks     
1 1 1 1 2 2
A A = = .
1 1 1 1 2 2
Perhatikan bahwa matriks A A tidak mempunyai invers, dengan demikian seti-
daknya ada satu nilai eigen dari A A sama dengan nol. Polinomial karakteristik
dari matriks A A adalah

p() = 2 4 = ( 4)
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 233

didapat
p 1 1
1 = 4 dan 2 = 0 1 = 1 = 2, = .
1 2
Vektor-eigen yang bersesuaian adalah
"1 # " #
1
v1 = 2 dan v 2 = 2 .
1 1
2 2
Didapat matriks " #
1 1
 1
0
V= 2 2 dan = 2 p
.
1 1
0 0
2 2
Sedangkan vektor " #
1 1
u1 = Avv1 = 2 ,
1 1
2
dengan demikian vektor u 2 dapat dipilih sebagai
" 1 #

u2 = 2 .
1
2
Didapat matriks " #
1 1
U= 2 2 .
1 1
2 2
Jadi matriks 1 
1
A p = V P U = 4
1
4
1 .
4 4
Dengan demikian didapat
1 1
   5
p 4 4 2
x=A b= 1 1 = 45 .
4 4 3 4
Bandingkan nilai 1    5
1
4 4 2
Axx = 1 1 = 45
4 4 3 4
dengan  
2
b= .
3
234

Tetapi pada contoh


2 3 5000
A = 0 4 dan b = 4000 ,
0 1 2000
matriks  
4 6
A A =
6 26
mempunyai invers yaitu
13 3

1 34 34
(A A) = 3 1 .
34 17
General invers dari A diberikan oleh
1 6 3


A = 2 417 134 .
0 17 17
Jadi

1  5000 6
 15500 
3
17 34
x=A b = 2 17
4000 = 18000
4 1
0 17 1717
2000
 
911.7647058823529
=
1058.823529411765
Bandingkan nilai

2 3   5000.000000000002
911.7647058823529
Axx = 0 4 = 4235.29411764706
1058.823529411765
0 1 1058.823529411765
dengan
5000
b = 4000 .
2000
Cek matriks A A sama dengan identitas:

1 6 3
 2 3  
17 34 1 0
A1A = 2
4 1
0 4 = .
0 17 17 0 1
0 1
Subiono,
c Jurusan Matematika-ITS : Aljabar Linear sebagai pintu masuk memahami Matematika 235

Atau dengan menggunakan nilai numerik



  2 3
0.5 0.35294117647059 0.088235294117646
A pA = 0 4
5.9813265451680332 10 15 0.23529411764707 0.058823529411767
0 1
 
1.0 5.9119376061289586 10 15
= .
1.1962653090336066 10 14 1.000000000000065

7.13 Bentuk Kanonik Jordan

disini dibahas pengertian dari bentuk kanonik Jordan.


236
Daftar Pustaka

[1] Richard Bronson, "Matrix Operations", International Edition, Schaums


Outline Series, (1989).
[2] Paul Dawkins, "Linear Algebra",(http://tutorial.lamar.edu.aspx),
(2007).
[3] Robert A. Beezer, "A First Course in Linear Alge-
bra",(http://linear.ups.edu), (Version 2.22, April 16, 2010).
[4] Zumrotus Sadiah, "Eksistensi Eigenvalue dan Eigenvektor", Tugas Akhir
S1, Jurusan Matematika FMIPA-ITS, (2008)
[5] Howard Anton and Chris Rorres,"Elementary Linear Algebra", Ninth Edi-
tion, John Wiley & Sons, (2005).
[6] Gilbert Strang, "Introduction to Linear Algebra", Third Edition, Wellesley-
Cambridge Press, (2003).
[7] Ron Larson and David C. Falvo, "Elementary Linear Algebra", Six Edition,
Houghton Mifflin Harcourt Publishing Company, (2009)
[8] T.S.Blyth and E.F.Robertson,"Basic Linear Algebra", Second Edition,
Springer, (2002)
[9] Carl D. Meyer, "Matrix Analysis and Applied Linear Algebra", SIAM,
(2000)

237