Determinan dengan Ekspansi Kofaktor Pada Kolom Pertama

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

Misalkan ada sebuah matriks A3x3

A=
maka determinan dari matriks tersebut dengan ekspansi kofaktor adalah,

det(A) = a11 - a21 + a31

= a11(a22a33 - a23a32) - a21(a21a33 - a23a31) + a31(a21a32 - a22a31)

= a11a22a33 + a21a23a31 + a31a21a32 - a22(a31)2 - (a21)2a33 - a11a23a32
Contoh Soal:

A= tentukan determinan A dengan metode ekspansi kofaktor kolom pertama

Jawab:

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

Metode Sarrus

A= tentukan determinan A
untuk mencari determinan matrik A maka,

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

Contoh Soal:

A= tentukan determinan A dengan metode sarrus

 Jawab:

det(A) = = (1x5x1 + 2x4x3 + 3x4x2) - (3x5x3 + 2x4x1 + 1x4x2) = 53 -

61 = -8
Determinan Matriks Segitiga Atas (Multi Orde)

Jika A adalah matriks segitiga nxn (segitiga atas, segitiga bawah

atau segitiga diagonal) maka adalah hasil kali diagonal
matriks tersebut

Contoh

= (2)(-3)(6)(9)(4) = -1296
Adjoint Matriks (Orde 3x3)

Bila ada sebuah matriks A3x3

A=
Kofaktor dari matriks A adalah

C11 = -12 C12 = 6 C13 = -8

C21 = -4 C22 = 2 C23 = -8
C31 = 12 C32 = -10 C33 = 8
maka matriks yang terbentuk dari kofaktor
tersebut adalah
 untuk mencari adjoint sebuah matriks, kita
cukup mengganti kolom menjadi baris dan
baris menjadi kolom

adj(A) =

Orde 2x2

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

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

Dengan Rumus =

Apabila A dan B adalah matriks seordo dan memiliki balikan maka AB dapat di-
invers dan

Contoh 1: Matriks

A= dan B =

AB = = = I (matriks identitas)

BA = = = I (matriks identitas)
Maka dapat dituliskan bahwa (B Merupakan invers dari A)

Contoh 2: Matriks

A= dan B =
 AB = =

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

Contoh 3: Matriks

A=
Tentukan Nilai dari A-1

Jawab:

Contoh 4: Matriks

A= ,B= , AB =
Dengan menggunakan rumus, maka didapatkan

, ,
Maka

=
Ini membuktikan bahwa

Orde 3x3

A=
kemudian hitung kofaktor dari matrix A
C11 = 12 C12 = 6 C13 = -16
C21 = 4 C22 = 2 C23 = 16
C31 = 12 C32 = -10 C33 = 16
menjadi matrix kofaktor
cari adjoint dari matrix kofaktor tadi dengan mentranspose matrix kofaktor di atas, sehingga
menjadi

adj(A) =

dengan metode Sarrus, kita dapat menghitung determinan dari matrix A

Penyelesaian persamaan linier dengan menggunakan matriks (Orde 3x3)

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

dimana A j adalah matrik yang didapat dengan mengganti kolom j dengan matrik b
Contoh soal: Gunakan metode cramer untuk menyelesaikan persoalan di bawah ini

x1 + 2x3 = 6
-3x1 + 4x2 + 6x3 = 30
-x1 - 2x2 + 3x3 = 8
Jawab: bentuk matrik A dan b

A= b=
kemudian ganti kolom j dengan matrik b

A1 = A2 = A3 =
dengan metode sarrus kita dapat dengan mudah mencari
determinan dari matrik-matrik di atas
maka,
 R=Er...E2 E1 A
dan,
det(R)=det(Er)...det(E2)det(E1)det(EA)
Jika A dapat di-invers, maka sesuai dengan teorema equivalent statements , maka R = I, jadi det(R) =
1 0 dan det(A) 0. Sebaliknya, jika det(A) 0, maka det(R) 0, jadi R tidak memiliki baris yang
nol. Sesuai dengan teorema R = I, maka A adalah dapat di-invers. Tapi jika matrix bujur sangkar
dengan 2 baris/kolom yang proposional adalah tidak dapat diinvers.
Contoh Soal :

A=
karena det(A) = 0. Maka A adalah dapat diinvers.
Sistem Linear Dalam Bentuk Ax = x

dalam sistem aljabar linear sering ditemukan

Ax = x ; dimana adalah skalar

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

(I - A) x = 0

contoh:
diketahui persamaan linear

x1 + 3x2 = x1
4x1 + 2x2 = x2

dapat ditulis dalam bentuk

 =

yang kemudian dapat diubah

A= dan x =
yang kemudian dapat ditulis ulang menjadi

sehingga didapat bentuk

I-A=

namun untuk menemukan besar dari perlu dilakukan operasi

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

dan dari contoh diperoleh

det ( I - A) = =0

atau ^2 - 3 - 10 = 0
dan dari hasil faktorisasi di dapat 1 = -2 dan 2 = 5
dengan memasukkan nilai pada persamaan ( I - A) x = 0, maka eigenvector bisa didapat bila
= -2 maka diperoleh

dengan mengasumsikan x2 = t maka didapat x1 = t

 x=

Euklidian dalam n-Ruang

Vektor di dalam n-Ruang Definisi : Jika n adalah sebuah integer positif, sebuah n- grup topel adalah
sekuens dari n bilangan real (a1.a2.....an). Set dari semua grup yang terdiri dari n- grup topel dinamakan
n-ruangdan dituliskan sebagai Rn.
Jika n = 2 atau 3, sudah menjadi kebiasaan untuk menggunakan istilah grup pasangan dan grup dari
tiga secara respektif, daripada 2-grup topel atau 3- grup topel. Keitka n = 1, setiap n grup topel
terdiri dari satu bilangan real, sehingga R1 bisa dilihat sebagai set dari bilangan real. Kita akan
menuliskan R daripada R1 pada set ini.
Mungkin kita telah mmepelajari dalam bahan 3-ruang symbol dari (a 1, a2, a3) mempunyai dua
interpretasi geometris yang berbeda : ini bisa diinterpretasikan sebagai titik, yang dalam kasus ini a 2,
a2, a3 merupakan koordinat, atau ini bisa diinterpretasikan sebagai vector, dimana a 1, a2, a3 merupakan
komponen vector. Selanjutnya kita bisa melihat bahwa n grup topel (a 1, a2, ...., an) bisa dilihat
sebagai antara sebuah poin umum atau vector umum- perbedaan antara keduanya tidak penting
secara matematis. Dan juga kita bisa menjelaskan 5- topel (-2, 4, 0 ,1 ,6) antara poin dalam R5 atau
vector pada R5.

u1 = v1

u 2 = v2
u n = vn

Penjumlahan u + v didefinisikan oleh

u + v = (u1 + v1, u2 + v2, ...., un + vn)

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

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

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

0 = (0, 0,...., 0)
Jika u = (u1, u2, ...., un) dalam setiap vector dalam Rn, maka negative (atau invers aditif) dari u
dituliskan oleh u dan dijelaskan oleh

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

Perbedaan dari vector dalam Rn dijelaskan oleh
 v u = v + (-u)
atau, dalam istilah komponen,

v u = (v1-u1, v2-u2, ...., vn-un)

Sifat-sifat dari vektor dalam
jika , , dan adalah vektor
dalam sedangkan k dan madalah skalar, maka :
(a) u + v = v + u
(b) u + 0 = 0 + u = u
(c) u + (v + w) = (u + v) + w
(d) u + (-u) = 0 ; berarti, u - u = 0
(e) k (m u) = (k m) u
(f) k (u + v) = k u + k v
(g) (k + m) u = k u + m u
(h) 1u = u

Perkalian dot product didefinisikan sebagai

Contoh Penggunaan Vektor dalam Ruang Dimensi Tinggi

Data Eksperimen Ilmuwan melakukan experimen dan membuat n pengukuran numeris setiap
eksperimen dilakukan. Hasil dari setiap experiment bisa disebut sebagai
vector dalam dalam setiap adalah nilai yang terukur.
Penyimpanan dan Gudang Sebuah perusahaan transportasi mempunyai 15 depot untuk
menyimpan dan mereparasi truknya. Pada setiap poin dalam waktu distribusi dari truk dalam depot

bisa disebut sebagai 15-topel dalam setiap adalah jumlah truk dalam
depot pertama dan adalah jumlah pada depot kedua., dan seterusnya.

Rangkaian listrik Chip prosesor didesain untuk menerima 4 tegangan input dan mengeluarkan 3
tegangan output. Tegangan input bisa ditulis sebagai vector dalam dan tegangan output bisa
ditulis sebagai . Lalu, chip bisa dilihat sebgai alat yang mengubah setiap vektor
input dalam ke vector keluaran dalam .

Analisis citra Satu hal dalam gambaran warna dibuat oleh layar komputer dibuat oleh layar
komputer dengan menyiapkan setiap [pixel] (sebuah titik yang mempunyai alamat dalam layar) 3
angka yang menjelaskan hue, saturasi, dan kecerahan dari pixel. Lalu sebuah gambaran warna yang
komplit bisa diliahat sebgai 5-topel dari bentuk dalam x dan y adalah kordinat
layar dari pixel dan h,s,b adalah hue, saturation, dan brightness.

Ekonomi Pendekatan kita dalam analisis ekonomi adalah untuk membagi ekonomidalam sector
(manufaktur, pelayanan, utilitas, dan seterusnya ) dan untuk mengukur output dari setiap sector
dengan nilai mata uang. Dalam ekonomi dengan 10 sektor output ekonomi dari semua ekonomi bisa

direpresentasikan dngan 10-topel dalam setiap

angka adalah output dari sektor individual.

Sistem Mekanis Anggaplah ada 6 partikel yang bergerak dalam garis kordinat yang sama
sehingga pada waktu t koordinat mereka adalah dan kecepatan mereka
adalah . Informasi ini bisa direpresentasikan sebagai vector
Dalam . Vektor ini disebut
kondisi dari sistem partikel pada waktu t.

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

jika u =
Maka Panjang vektor u

dan Menghitung jarak antara vektor u dengan vektor v

Bentuk Newton
interpolasi polinominal p(x)=anxn+an-1xn-1+...+a1x+a0 adalah bentuk standar. Tetapi ada juga yang
menggunakan bentuk lain . Contohnya , kita mencari interpolasi titik dari data (x 0,y0),(x1,y1),(x2,y2),
(x3,y3).
Jika kita tuliskan P(x)=a3x3+a2x2+a1x+a0
bentuk equivalentnya : p(x)=a3(x-x0)3+p(x)=a2(x-x0)2+p(x)=a1(x-x0)+a0
dari kondisi interpolasi p(x0)=yo maka didapatkan a0=yo , sehingga dapat kita tuliskan menjadi
p(x)=b3(x-x0)(x-x1)(x-x2)+b2(x-x0)(x-x1)+b1(x-x0)+b0 inilah yang disebut newton form dari interpolasi ,
sehingga kita dapatkan :
p(x0)=b0
p(x1)=b1h1+b0
p(x2)=b2(h1+h2)h2+b1(h1+h2)+b0
p(x3)=b3(h1+h2+h3)(h2+h3)h3+b2(h1+h2+h3)(h2+h3)+b1(h1+h2+h3)+b0
sehingga jika kita tuliskan dalam bentuk matrix:

Operator Refleksi
Berdasarkan operator T:R2 -> R2 yang memetakan tiap vektor dalam gambaran simetris terhadap
sumbu y, dimisalkan w=T(x), maka persamaan yang berhubungan dengan x dan w adalah:
x1 = -x = -x + 0y
x2 = y = 0x + y

atau dalam bentuk matrik :

Secara umum, operator pada R2 dan R3 yang memetakan tiap vektor pada gambaran simetrinya
terhadap beberapa garis atau bidang datar dinamakan operator refleksi. Operator ini bersifat linier.
Operator Proyeksi
Berdasarkan operator T:R2 -> R2 yang memetakan tiap vektor dalam proyeksi tegak lurus terhadap
sumbu x, dimisalkan w=T(x), maka persamaan yang berhubungan dengan x dan w adalah:
x1 = x = x + 0y
x2 = 0 = 0x + 0y

atau dalam bentuk matrik :

Persamaan tersebut bersifat linier, maka T merupakan operator linier dan

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