Anda di halaman 1dari 24

TUGAS 1

MULTIVARIATE

OLEH:

SITI MASLIYAH LUBIS


166090500011005

PROGRAM STUDI MAGISTER STATISTIKA


FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2017

0
A. MATRIKS

Dalam kehidupan sehari-hari kita sering berhadapan dengan persoalan yang apabila
kita telusuri ternyata merupakan masalah matematika. Dengan mengubahnya ke dalam
bahasa atau persamaan matematika maka persoalan tersebut lebih mudah diselesaikan. Tetapi
terkadang suatu persoalan sering kali memuat lebih dari dua persamaan dan beberapa
variabel, sehingga kita mengalami kesulitan untuk mencari hubungan antara variabel-
variabelnya.
Matriks, pada dasarnya merupakan suatu alat atau instrumen yang cukup ampuh untuk
memecahkan persoalan tersebut. Dengan menggunakan matriks memudahkan kita untuk
membuat analisa-analisa yang mencakup hubungan variabel-variabel dari suatu persoalan.
Pada awalnya matriks ditemukan dalam sebuah studi yang dilakukan oleh seorang ilmuan
yang berasal dari Inggris yang bernama Arthur Cayley (1821-1895) yang mana studi yang
dilakukan untuk meneliti persamaan linier dan transformasi linear, awal dari semua ini
matriks dianggap sebagai sebuah permainan karena matriks dapat diaplikasikan, sedangkan
pada tahun 1925 matriks digunakan sebagai kuantum dan pada perkembangannya matriks
digunakan dalam berbagai bidang.
Matriks didefinisikan sebagai susunan persegi panjang dari bilangan-bilangan yang diatur
dalam baris dan kolom. Matriks ditulis sebagai berikut:

11 12 1
21 22 2
. .
= . .
. .
[1 2 ]

Susunan diatas disebut sebuah matriks kali (ditulis x ) karena memiliki


barisan dan kolom. Sebagai aturan, kurung siku [ ], kurang biasa ( ) atau bentuk
digunakan untuk mengurangi susunan persegi panjang dari bilangan-bilangan tersebut dan
suatu matriks diberi nama sebuah huruf atau satu huruf besar dengan indeks dimensi atau
ordonya yaitu jumlah baris x jumlah kolom atau (G.Hadley, 1983).

1
Sifat-sifat Matriks:
1. Sifat penjumlahan
Diberikan matriks A,B dan C yang penjumlahannya terdefinisi:
a. A+ B = B+A
b. A+(B+C) = (A+B)+C
c. Ada matriks nol (0) sedemikian hingga A+0 = A
Matriks 0 ini disebut dengan matriks identitas terhadap penjumlahan.
d. Untuk setiap matriks A, ada matriks -A sedemikian hingga A+(-A) = 0.
Matriks A ini disebut dengan matriks invers terhadap penjumlahan
Catatan: Penjumlahan matriks hanya dapat dilakukan terhadap matriks-matriks yang
mempunyai ukuran (orde) yang sama.
Contoh:
a. A+B = B+A

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

c. A+(-A) = 0

2
2. Sifat Perkalian
Beberapa hal yang perlu diperhatikan :
1. Perkalian matriks dengan matriks umumnya tidak komutatif.
2. Syarat perkalian adalah jumlah banyaknya kolom pertama matriks sama dengan
jumlah banyaknya baris matriks kedua.
3. Jika matriks A berukuran mxp dan matriks pxn maka perkalian AxB adalah suatu
matriks C=(cij ) berukuran mxn

Diberikan matriks A, B dan C perkaliannya terdefinisi:


a. (AB)C = A(BC) (Hukum Assosiatif)
b. A(B + C) = AB + AC (Hukum Distributif)
c. Tidak Komutatif, AB BA
d. Ada matriks I sedemikian hingga AI = IA = A
Matriks I disebut matriks identitas terhadap perkalian
e. Jika AxB = 0, maka beberapa kemungkinan
(i) A=0 dan B=0
(ii) A=0 atau B=0
(iii) A0 dan B0
f. Bila AxB = AxC, belum tentu B = C

Contoh:
a. (AB)C = A(BC)

3
3. Sifat Perkalian Skalar dan Matriks
Jika r dan s adalah bilangan riil, dan A dan B adalah matriks, maka:
a. r(sA) = (rs)A
b. (r+s)A = rA +Sa
c. r(A+B) = rA + rB
d. A(rB) = r(AB) = (rA)B
Contoh :
a. r(sA) = (rs)A

4. Sifat Transpose
Jika r adalah skalar, A dan B adalah matriks, maka:
a. (At)t =A
b. (A+B)t = At +Bt
c. (AB)t = BtAt
d. (rA)t = rAt
Contoh:
a. (At)t = A

Sifat-sifat matriks lainnya:


a. Jika Det (A)0, maka A disebut berpangkat penuh (nonsingular), sebaliknya jika Det
(A)=0 maka A bersifat singular.
b. Rank (pangkat) A adala ordo anak matriks terbesar yang determinannya 0
c. Ax =0, disebut sitem persamaan homogen, bila A singular, maka x nontrival.

4
Jenis-Jenis Matriks Khusus

Berikut ini diberikan beberapa jenis matriks selain matriks kolom dan matriks baris
(i) MATRIKS NOL, adalah matriks yang semua elemennya nol
Sifat-sifat :
1. A+0=A, jika ukuran matriks A = ukuran matriks 0
2. A*0=0, begitu juga 0*A=0.
(ii) MATRIKS BUJURSANGKAR, adalah matriks yang jumlah baris dan jumlah
kolomnya sama. Barisan elemen a11, a22, a33, .ann disebut diagonal utama dari matriks
bujursangkar A tersebut.
Contoh : Matriks berukuran 2x2
1 0
=[ ]
2 3
(iii) MATRIKS DIAGONAL, adalah matriks bujursangkar yang semua elemen diluar
diagonal utamanya nol.
Contoh :
1 0 0
= [0 2 0]
0 0 3
(iv) MATRIKS SATUAN/IDENTITY, adalah matriks diagonal yang semua elemen
diagonalnya adalah 1.
Contoh :
1 0 0
= [0 1 0]
0 1 0
Sifat-sifat matriks identitas :
1. A x I=A
2. I x A=A
(v) MATRIKS SKALAR, adalah matriks diagonal yang semua elemennya sama tetapi
bukan nol atau satu.
Contoh :
4 0 0
= [0 4 0]
0 0 4

5
(vi) MATRIKS SEGITIGA ATAS (UPPER TRIANGULAR), adalah matriks bujursangkar
yang semua elemen dibawah diagonal elemennya = 0.
Contoh :
1 3 2 1
0 1 2 3
=[ ]
0 0 4 0
0 0 0 1
(vii) MATRIKS SEGITIGA BAWAH (LOWER TRIANGULAR), adalah matriks
bujursangkar yang semua elemen diatas diagonal elemennya = 0.
Contoh :
1 0
0 0
4 0 0
2
=[ ]
1 2
3 0
1 3
2 1
(viii) MATRIKS SIMETRIS, adalah matriks bujursangkar yang elemennya simetris secara
diagonal. Dapat juga dikatakan bahwa matriks simetris adalah matriks yang
transposenya sama dengan dirinya sendiri.
1 2 0 1 2 0
Contoh : = [2 3 1] = [2 3 1]
0 1 1 0 1 1
(ix) MATRIKS ANTISIMETRIS, adalah matriks yang trnsposenya adalah negatif dari
matriks tersebut. Maka = dan = , elemen diagonal utamanya = 0
0 1 3 0 0 1 3 0
Contoh : = [ 1 0 4 2 ] dan = [ 1 0 4 2]
3 4 0 1 3 4 0 1
0 2 1 1 0 2 1 1
(x) MATRIKS TRIDIAGONAL, adalah matriks yang semua elemen-elemennya = 0
kecuali elemen-elemen pada diagonal utama serta samping kanan dan kirinya.
Contoh:
1 2 0 0
1 2 3 0
=[ ]
0 2 3 4
0 0 4 5

6
INVERS MATRIKS
Jika A dan B adalah matriks persegi, dan berlaku . = . = maka dikatakan matriks
A dan B saling invers. B disebut invers dari A, atau ditulis 1 . Matriks yang mempunyai
invers disebut invertible atau matriks non singular, sedangkan matriks yang tidak mempunyai
invers disebut matriks singular.

Sifat-sifat matriks persegi yang mempunyai invers:


(. )1 = 1 . 1
(. )1 = 1 . 1
(1 ) = ( )1

Contoh:
2 1 2 1
Diketahui = [ ] dan = [ ] selidiki apakah A dan B saling invers?
3 2 3 2
Penyelesaian : Matriks A dan B saling invers jika berlaku A B = B A = I.
2 1 2 1 1 0
=[ ] [ ]=[ ]=
3 2 3 2 0 1
2 1 2 1 1 0
=[ ] [ ]=[ ]=
3 2 3 2 0 1
Karena = maka A dan B saling invers, dengan 1 = dan 1 =

Menentukan Invers Matriks Berordo 2 2



Misalkan diketahui matriks = [ ], dengan 0, Suatu matriks lain,

misalnya B dikatakan sebagai invers matriks A jika AB = I. Matriks invers dari A ditulis A1 .
Dengan demikian, berlaku : AA1 = A1A = I
Matriks A mempunyai invers jika A adalah matriks nonsingular, yaitu det A 0.
Sebaliknya, jika A matriks singular (det A = 0) maka matriks ini tidak memiliki invers.
Misalkan matriks:

=[ ] dan matriks = [ ] sehinggan berlaku A x B = B x A= I. Kita akan mencari

elemen-elemen matriks B, yaitu p, q, r, dan s.
Dari persamaan A B = I, diperoleh :
+ + 1 0
[ ]=[ ]
+ + 0 1

7
Jadi, diperoleh sistem persamaan :
+ = 1 dan + = 0
+ = 0 dan + = 1
Dengan menyelesaikan sistem persamaan tersebut, kalian peroleh:

= , = , = =

Dengan demikian

1
= [
] =
[ ]

Matriks B memenuhi A B = I.
Sekarang, akan kita buktikan apakah matriks B A = I?
1
= [ ][ ]

1 1 0
= [ ] karena 0, berlaku = [ ]=
0 1

= = maka = 1


jadi, jika = [ ] maka inversnya = [ ] untuk 0

Contoh:
Tentukan invers matriks berikut:
4 1
=[ ]
7 2
Jawaban:
1 2 1
1 = [ ]
8 7 7 4
2 1
= 1[ ]
7 4
2 1
1 =[ ]
7 4

8
Menentukan Invers Matriks Berordo 3 3
Invers matriks berordo 3 3 dapat dicari dengan beberapa cara. Pada pembahasan kali ini
kita akan menggunakan cara adjoin dan transformasi baris elementer.
a. Dengan adjoin
Pada subbab sebelumnya, telah dijelaskan mengenai determinan matriks. Selanjutnya,
adjoin A dinotasikan adj (A), yaitu transpose dari matriks yang elemen-elemennya
merupakan kofaktor-kofaktor dari elemen-elemen matriks A, yaitu :
() = (())

Adjoin A dirumuskan sebagai berikut:


() = (())
11 12 13
= [21 22 23 ]
31 32 33
11 21 31
= [12 22 32 ]
13 23 33
22 23 12 13 12 13
| | | 33 | | 23 |
32 33 32 22
21 23 11 13 11 13
= | | | 33 | | 23 |
31 33 31 21
21 22 11 12 11 12
[ |31 32 | |31 32 | |
21 22 |]
Invers matriks persegi berordo 3 3 dirumuskan sebagai berikut:

= ()

Contoh:
1 2 1
Diketahui matriks = [2 3 4], tentukan invers matriks A, misalnya kita gunakan
1 2 3
perhitungan menurut baris pertama.
Jawaban :
Terlebih dahulu kita hitung determinan A.
3 4 2 4 2 3
det = 1 | | 2| | + 1| |
2 3 1 3 1 2
= 1(1) 2(2) + 1(1) = 2

9
Dengan menggunakan rumus adjoin A, diperoleh :
1 2 1
() = [4 2 0]
5 2 1
1 4 5

() = (()) = [2 2 2]
1 0 1
Jadi, 1 dapat dihitung sebagai berikut:
1
1 = ()
det
1 1 4 5
= [2 2 2]
2
1 0 1
1 5
2
2 2
1 = 1 1 1
1 1

[ 2 0
2 ]

Menentukan Invers Matriks Berordo 4 4


1 0 0 1
0 2 1 2
Diketahui matriks = [ ], tentukan invers matriks A menggunakan operasi
2 1 0 1
2 0 1 4
baris elementer.
Jawab:
[: 1 ]
[: ]

1 0 0 1 1 0 0 0
0 2 1 2 0 1 0 0
[ | ]
2 1 0 1 0 0 1 0
2 0 1 4 0 0 0 1

1 0 0 1 1 0 0 0
0 2 1 2 0 1 0 0 3 3 21
[ | ]
0 1 0 1 2 0 1 0 4 4 21
0 0 1 2 2 0 0 1

1 0 0 1 1 0 0 0
0 1 0 1 2 0 1 0 2 2 23
[ | ]
0 0 1 4 4 1 2 0 2 3
0 0 1 2 2 0 0 1

10
1 0 0 1 1 0 0 0
0 1 0 1 2 0 1 0
[ | ] 3 4
0 0 0 2 6 1 2 1 3
0 0 1 2 2 0 0 1

1 0 0 1 1 0 0 0
0 1 0 1 2 0 1 0
[ | ] 4 3
0 0 1 2 6 1 2 0 4
0 0 1 0 8 1 2 2

1 0 0 1 1 0 0 0 3 4
0 1 0 1 2 0 1 0
[ | ] 1
0 0 1 0 8 1 2 2 4 4
0 0 0 0 3 1/2 1 1/2 2

1 0 0 0 2 1/2 1 1/2
0 1 0 0 1 1/2 0 1/2 1 1 4
[ | ]
0 0 1 0 8 1 2 2 2 2 + 4
0 0 0 1 3 1/2 1 1/2

2 1/2 1 1/2
1 1/2 0 1/2
Jadi, 1 =[ ]
8 1 2 2
3 1/2 1 1/2
Membuktikan jawaban benar atau tidak?
=
2 1/2 1 1/2 1 0 0 1 1 0 0 1
1 1/2 0 1/2 0 2 1 2 0 1 0 0
[ ][ ]=[ ]
8 1 2 2 2 1 0 1 0 0 1 0
3 1/2 1 1/2 2 0 1 4 0 0 0 1

RANK MARTIKS
Rank baris dari matriks A adalah dimensi dari ruang baris matriks A dan rank kolom dari
matriks A adalah dimensi dari ruang kolom matriks A. Rank baris = Rank kolom ditulis
dengan r(A) atau rank (A).
Rank dari matriks menyatakan jumlah maksimum vektor-vektor baris/kolom yang bebas
linier (baris atau kolom yang tidak vektor 0). Rank matriks dapat digunakan untuk
mengetahui apakah suatu matriks singular atau nonsingular.

11
Jika A matriks bujur sangkar dengan dimensi , maka:
- Matriks A adalah nonsingular apabila () =
- Matriks A adalah singular apabila <
Misalnya diketahui matriks A berukuran :

11 12 1
21 22 2
=[ ]
1 2
Vektor baris dari matriks A:
1 = (11 12 1 ),
2 = (21 22 2 ),

= (1 2 )

Vektor kolom dari matriks A:


11 12 1
21 22 2
1 = ( ) , 2 = ( ) , = ( )

1 2
Matriks yang hanya mempunyai 2 baris jika baris yang satu kelipatan dari baris yang satu
kelipatan dari baris yang lainnya , maka rank matriks =1. Ada beberapa metode untuk
menentukan rank dari suatu matriks yaitu eliminasi Gauss (operasi baris elementer) dan
minor matriks.

Sifat Rank Matriks

Ada beberapa sifat matriks yaitu:


a. Jika matriks berukuran , maka:
() = ( )
b. Jika matriks ukuran , maka vektor baris matriks adalah bebas linier jika dan
hanya jika () =
c. Jika matriks ukuran , maka vektor kolom matriks adalah bebas linier jika dan
hanya jika () =

12
a. Transformasi Elementer
Untuk mencari rank dari suatu matriks dapat digunakan transformasi elementer. Dengan
mengubah sebanyak mungkin baris/kolom menjadi vektor nol (karena vektor nol adalah
bergantung linier).
Yang dimaksud dengan transformasi pada baris atau kolom suatu matriks A adalah
sebagai berikut:
1. Penukaran tempat baris ke-i dan baris ke-j atau penukaran kolom ke-i dan kolom ke-j dan
ditulis Hij(A) untuk transformasi baris dan Kij(A) untuk transformasi kolom.
Contoh :
a. Penukaran baris
1 2 0 2 3 1
= [2 3 1] H12(A) [1 2 0]
0 1 1 0 1 1
H12(A) berarti menukar baris ke-1 matriks A dengan baris ke-2

b. Penukaran kolom
1 2 0 1 0 2
= [2 3 1] K23(A) [2 1 3]
0 1 1 0 1 1
K23(A) berarti menukar kolom ke-2 matriks A dengan kolom ke-3

2. Memperkalikan baris ke-i dengan suatu bilangan skalar h0, ditulis Hi(h)(A) dan
memperkalikan kolom ke-i dengan skalar k0, ditulis Ki(k)(A).
Contoh :
1 2 0
1 2 0 1 2 0
= [2 (-2)
3 1] H2 (A) = [ ] K3(1/2)(A) = [2 3 ]

0 1 1 0 1 1 0 1

3. Menambah kolom ke-i dengan k kali kolom ke-j, ditulis Kij(k)(A) dan menambah baris ke-
i dengan h kali baris ke-j, ditulis Hij(h)(A).

13
Contoh :
1 2 0 1 2 0
H23(-1)(A)
2 3 1 2 2 0
A=
0 1 1 0 1 1
H2 + (-1*H3)

1 2 2
K31(2)(A)
2 2 4
0 1 1
K3 + (2*K1)

Contoh mencari rank matriks menggunakan Transformasi Elementer:


1. Carilah rank matriks dari :
4 2 2 4
=[ ]
2 1 1 2
Jawab:
4 2 2 4
=[ ] baris 1 kelipatan baris 2 () = 1
2 1 1 2
2. Carilah rank matriks dari:
2 3 1 H ( 1) 2 3 1 2 3 1
H
(1)
= [2 1 2] 21 ( 2) [0 2 1] 32 [ 0 2 1] maka () = 2
4 4 3 H31 0 2 1 0 0 0

b. Metode Minor Matriks


Jika minor matriks A denganbaris determinannya tidak sama dengan nol dan jika minor
matriks untuk baris + 1 deterimannya sama dengan nol, maka matriks A mempunyai rank
sebesar atau () = .
11 12 1
21 22 2
=[ ]
1 2
Jika adalah minor dan adalah indeks baris dari matriks :
0, (+1) = 0 () =

14
Contoh:
1 2 1
1. Tentukan rank dari matriks berikut, = [3 6 3]
5 10 5
Solusi:
1 2 1
det = 33 = |3 6 3| = (30 + 30 + 30) (30 + 30 + 30) = 0
5 10 5
Determinan matriks A ukuran 33 adalah 0 , ini menunjukkan bahwa () 3 atau
() < 3. Untuk itu, dilakukan perhitungan nilai minor-minor dari matriks A:
1 2
1. 22 = | | = (6) (6) = 0
3 6
1 1
2. 22 = | | = (3) (3) = 0
3 3
2 1
3. 22 = | | = (6) (6) = 0
6 3
1 2
4. 22 = | | = (10) (10) = 0
5 10
1 1
5. 22 = | | = (5) (5) = 0
5 5
2 1
6. 22 = | | = (10) (10) = 0
10 5
7. 11 = |1| = 1
8. 11 = |5| =5

Karena 11 0, maka () = 1. Jadi rank matriks A adalah 1.

2. Tentukan rank dari matriks berikut,


1 1 1 3
= [2 2 6 8]
3 5 7 8
Solusi:
Matriks A ukuran 3 4 tidak mempunyai determinan untuk menentukan ()
dilakukan perhitungan nilai minor-minor dari matriks A:
1 1 1
1. 33 = [2 2 6 ] = (14 + 18 10) (6 + 30 14) = 0
3 5 7
1 1 3
2. 33 = [2 6 8] = (48 40 + 42) (90 56 + 16) = 0
5 7 8
1 1 3
3. 33 = [2 2 8] = (16 + 24 + 30) (18 + 40 + 16) = 0
3 5 8

15
1 1 3
4. 33 = [2 6 8] = (48 24 42) (54 56 16) = 0
3 7 8
1 1
5. 22 = | | = (2) (2) = 4
2 2
1 1
6. 22 = | | = (6) (2) = 4
2 6

Karena 22 0, maka () = 2. Jadi matriks A adalah 2.

3 2 4
1 2 3
3. Tentukan dari matriks berikut, = [ ]
2 0 5
4 3 2
Solusi:
3 2 4
1. 33 = [ 1 2 3] = (30 + 12 + 0) (16 + 0 10) = 68
2 0 5
1 2 3
2. 33 = [2 0 5] = (0 + 40 18) (0 + 15 8) = 15
4 3 2
Karena 33 , maka () = 3. Jadi matriks A adalah 3.

Pendekatan Dekomposisi Nilai Singular


Dalam teori matriks, dikenal beberapa teorema dekomposisi, diantaranya teorema LU dan
teorema faktorisasi QR. Selanjutnya terdapat dekomposisi yang dikenal dengan dekomposisi
nilai singular (Singular Value Decomposition atau SVD). SVD terkait dengan nilai eigen dan
nilai singular, yang hubungannya dapat di uraikan sebagai berikut:

Definisi 1:
Untuk suatu matriks persegi A, terdapat vektor tak nol dan suatu skalar sehingga
=, 0 skalar disebut nilai eigen dari A dan vektor 0 disebut vektor eigen
yang bersesuaian dengan (Goldberg,1991:221). Untuk menentukan nilai eigen dari matriks
persegi A, tulis = sebagai = atau ekuivalen dengan ( ) = 0. Untuk nilai

eigen , persamaan tersebut mempunyai penyelesaian tak nol jika dan hanya jika det
(( ) = 0 dan disebut persamaan karakteristik matriks A. (Anton, 1987:302)

16
Contoh:
1 1
Untuk menentukan nilai eigen dari matriks [ ], dibentuk persamaan karakteristik
4 1
1 1 1 1
{[ ] } = det {[ ]} = (1 )2 4 = 0
4 1 4 1
Nilai eigennya akar dari persamaan (1 )2 4 = 0, yaitu 1 = 1 dan 2 = 3,

Suatu proses dekomposisi akan memfaktorkan sebuah matriks menjadi lebih dari satu
matriks. Demikian halnya dengan Dekomposisi Nilai Singular (Singular Value
Decomposition) atau yang lebih dikenal sebagai SVD, adalah salah satu teknik dekomposisi
berkaitan dengan nilai singular (Singular Value) suatu matriks yang merupakan salah satu
karakteristik matriks tersebut.

Definisi:
Dekomposisi nilai singular matriks riil adalah faktorisasi =
Dengan matriks orthogonal , matriks orthogonal dan matriks diagonal
bernilai riil tak negative yang disebut nilai-nilai singular. Dengan kata lain =
(1 , 2 )terurut sehingga1 2 . Jika = (1 , 2 , ) dan =
(1 , 2 , ) maka = . Teorema tersebut juga menyatakan bahwa matriks
dapat dinyatakan sebagai dekomposisi matriks yaitu matriks , . Matriks
merupakan matriks diagonal dengan elemen diagonalnya berupa nilai-nilai singularmatriks A,
sedangkan matriks dan merupakan matriks-matriks yang kolom-kolomnya berupa vector
singular kiri dan vector singular kanan dari matriks untuk nilai singular yang bersesuaian.
Menentukan SVD meliputi langkah-langkah menentukan nilai eigen dan vector eigen
dari matriks atau . Vektor eigen dari membentuk kolom V, sedangkan vector
eigen dari membentuk kolom . Nilai singular dalam adalah akar pangkat dua dari
nilai-nilai eigen matriks atau . Nilai singular adalah elemen-elemen diagonal dari
dan disusun dengan urutan menurun.

17
B. NILAI EIGEN DAN VEKTOR EIGEN
Dalam berbagai bidang matematika, teknik ataupun sains, seringkali ditemukan
permasalahan-permasalahan yang berkaitan dengan nilai eigen dan vector eigen. Pada
permasalahan ranatai Markov mengenai ramalan cuaca, misalnya, keadaan setimbang
(steady-state) adalah vector eigen dari matriks transisi untuk model itu. Pada ilmu ukur
analitik, nilai eigen dan vector eigen digunakan untuk menentukan sistem koordinat yang
mengakibatkan persamaan paling sederhana untuk irisan kerucut. Dalam penyelesaian
masalah-masalah persamaan diferensial, kita sering memanfaatkan masalah nilai eigen dan
vector eigen untuk mencari solusi persamaan differensial, dan banyak lagi aplikasi-aplikasi
lainnya.
Definisi: Jika A adalah matriks , maka vector tak nol di dalam dinamakan
vector eigen dari A. jika adalah kelipatan skalar dari , yaitu:
=
Skalar ini dinamakan nilai eigen dari A dan dinamakan vector eigen yang bersesuaian
dengan .

Menghitung Nilai Eigen


Untuk mencari nilai eigen matriks A yang berukuran nxn maka kita menuliskannya
kembali sebagai
= atau ( ) = 0
dan persamaan diatas akan mempunyai penyelesaian jika
| | = 0
Persamaan ini sebagai persamaan karakteristik A. mencari nilai eigen berarti menghitung
determinan tersebut sehingga diperoleh nilai-nilai .
Menghitung Vektor Eigen
Apabila nilai-nilai eigen diketahui, kemudian nilai-nilai ini dimasukkan ke persamaan:
| | = 0 maka diperoleh vector-vektor eigen x yang bersesuaian dengan nilai eigen
.

18
Contoh:
1. Tentukan nilai eigen dan vector eigen untuk matriks berikut:
5 1
=[ ]
2 4
Penyelesaian:
5 1
=[ ]
2 4
5 1 1 0 5 1
= [ ] [ ]=| |=0
2 4 0 1 2 4

(5 )(4 ) (1)(2) = 0
2 9 + 18 = 0
( 3)( 6) = 0
Diperoleh nilai-nilai eigen 1 = 6 dan 2 = 3, masukkan nilai-nilai ke persamaan
( ) = 0
5 1 1
[ ][ ] = 0
2 4 2
Untuk 1 = 6 diperoleh persamaan berikut:
1 1 1
[ ] [ ] = 0 atau 1 = 2
2 2 2
Misalkan 2 = , dimana adalah skalar bilangan real sembarang 0, maka
1
= [ ]
1
1
Bila diambil nilai = 1, maka diperoleh eigen vector = [ ] yang berkaitan dengan
1
1 = 6
Untuk 2 = 3 diperoleh persamaan berikut:
2 1 1
[ ] [ ] = 0 atau 1 = 0.52
2 1 2
Misalkan 2 = , dimana adalah skalar bilangan real sembarang 0, maka
0.5
= [ ]
1
0.5
Bila diambil nilai = 1, maka diperoleh eigen vector = [ ] yang berkaitan dengan
1
2 = 3 .

19
2. Tentukan nilai eigen dan vector eigen untuk matriks berikut:
1 0 0
= [0 2 1]
0 1 2
Penyelesaian:
1 0 0
= [0 2 1]
0 1 2
1 0 0 1 0 0 1 0 0
= [0 2 1] [0 1 0] = | 0 2 1 |=0
0 1 2 0 0 1 0 1 2

( 1)2 ( 3) = 0
Diperoleh nilai-nilai eigen 1 = 1 dan 2 = 3, masukkan nilai-nilai ke persamaan
( ) = 0
1 0 0 1
[ 0 2
1 ] [ 2] = 0
0 1 2 3
Untuk 1 = 1 diperoleh persamaan berikut:
0 0 0 1
[0 1 1] [2 ] = 0
0 1 1 3
Disini hanya didapat satu persamaan, yaitu 2 = 3 . Sedangkan untuk 1 bernilai
sembarang. Jadi, dalam hal ini ada dua nilai vector eigen x, yaitu yang pertama adalah
bila 3 = , maka 2 = dan 1 = 0. Kedua bila 1 = , maka 3 = 0 dan 2 = 0.
Sehingga
0 1
= { [1] + [0]}
1 0
Untuk = 1 dan = 1 didapat:
0 1
= {[1] + [0]}
1 0
0
Dengan cara yang sama untuk 1 = 3, diperoleh = [1]
1

20
3. Tentukan nilai eigen untuk matriks berikut:
3 2 0 0
= [3 4 0 0 ]
0 0 5 4
0 0 2 2
Jawab:
det( ) = 0
0 0 0 3 2 0 0 +3 2 0 0
3 4 0 0 3 4 0 0
(|0 0 0| | |) = | |
0 0 0 0 0 5 4 0 0 +5 4
0 0 0 0 0 2 2 0 0 2 2

4 0 0 3 0 0
( + 3)(1) | 0 2 3
+5 4 | + (2)(1) |0 +5 4 |=0
0 2 2 0 2 2

( + 3) (( 4)(1)2 | + 5 4
|) + (2) ((3)(1)2 |
+5 4
|) = 0
2 2 2 2

( + 3)[( 4)(( + 5)( 2) 8)] + (2)[(3)(( + 5)( 2) 8)] = 0

( + 3)[( 4)(2 + 3 18)] + (2)[(3)(2 + 3 18)] = 0

(2 + 3 18)[( + 3)( 4) + (2.3)] = 0

(2 + 3 18)(2 + 6) = 0

( + 6)( 3)( 3)( + 2) = 0

= 6, = 3, = 3, = 2

Diperoleh nilai-nilai eigen : 1 = 6, 2 = 2, 3 = 3

21
Diagonalisasi Matriks
Matriks bujur sangkar A berukuran nxn, dikatakan dapat didiagonalkan menjadi matriks
diagonal D, jika terdapat matriks P yang mempunyai invers sedemikian sehingga
=
Matriks P disebut sebagai matriks yang mendiagonalkan matriks A, sedangkan D
merupakan matriks diaonal yang elemen diagonalnya merupakan semua nilai eigen dari
A. dan ternyata matriks P merupakan matriks nxn yang kolom-kolom nya meupakan
vector-vektor eigen dari matriks A.

Contoh:
1 0 0
Apakah matriks = [0 2 1] dapat didiagonalkan?
0 1 2
Jawab:
Telah diketahui pada contoh di atas bahwa matriks tersebut mempunyai nilai eigen 1 =
1 dan 2 = 3
Dan vector eigen
0 1 0
1 = {[1] + [0]} dan 2 = [1]
1 0 1
Matriks P disebut dari vector-vektor eigen matriks A tersebut, yaitu:
1 0 0
= [0 1 1]
0 1 1
Dari matriks P, diperoleh invers matriks P, yaitu:
1 0 0
1
= [0 1/2 1/2]
0 1/2 1/2
Mtriks diagonal D, diperoleh dari perhitungan berikut:
= 1
1 0 0 1 0 0 1 0 0 1 0 0
= [0 1/2 1/2] [0 2 1] [0 1 1] = [0 1 0]
0 1/2 1/2 0 1 2 0 1 1 0 0 3
Disini tampak bahwa elemen-elemen diaonal dari matriks D adalah nilai-nila eigen dar
matriks A.

22
DAFTAR PUSTAKA

Hadley, G. 1992. Aljabar Linear. Jakarta: Penerbit Erlangga.

Santosa, R. Gunawan. 2008. Aljabar linier Dasar. Yogyakarta: Andi Offset.

Surjadi, P.A. 1982. Aljabar Linier dan Ilmu Ukur Analitik., Bandung: Djambatan .

Sutojo, T. dkk. 2009. Aljabar Linier & Matriks. Semarang: Andi Offset.

Purwanto, Suharyadi. 2015. Statistika untuk Ekonomi dan Keuangan Modern. Jakarta:
Salemba empat

23