6.

NILAI EIGEN

6.1 Nilai Eigen dan Vektor Eigen

! Aplikasi: antara lain masalah getaran, konstruksi

bangunan, menentukan keadaan energi dari suatu atom,
gerak harmonik, campuran bahan, rantai Markov, dll.

De…nisi

Misalkan A adalah matriks berukuran n n. Skalar

disebut nilai eigen atau nilai karakteristik dari A jika
terdapat vektor taknol x, sehingga

Ax = x:
Vektor x disebut vektor eigen atau vektor karakte-
ristik yang berpadanan dengan (atau vektor eigen
dari ):

Nilai Eigen 1
Ilustrasi:

Di R2 atau R3 perkalian dengan matriks A berarti me-

metakan setiap vektor eigen x ke garis yang melalui titik
asal yang sama dengan x:

Misalkan
! !
3 0 1
A= dan x =
8 1 2
maka x adalah vektor eigen yang berpadanan dengan
nilai eigen = 3 karena
! ! !
3 0 1 3
Ax = = = 3x
8 1 2 6

1. Persamaan Ax = x dapat dituliskan sebagai

Ax x = 0
(A I) x = 0
) adalah nilai eigen dari A jika dan hanya jika
(A I ) x = 0 mempunyai solusi taktrivial.
Nilai Eigen 2
 2. Berarti solusi SPL homogen (A I ) x = 0, yaitu
ruang nol N (A I ) ; tidak sama dengan f0g :

3. Berarti: A I adalah matriks singular

! det (A I) = 0

Catatan:

Ruang bagian N (A I ) dinamakan ruang eigen

yang berpadanan dengan nilai eigen :

Semua hal tersebut diringkas menjadi

Misalkan A adalah matriks n n dan suatu skalar.

Pernyataan-pernyataan berikut adalah ekuivalen:

1. adalah nilai eigen dari A

Nilai Eigen 3
 2. (A I ) x = 0 mempunyai solusi taktrivial

3. N (A I ) 6= f0g

4. A I adalah matriks singular

5. det (A I) = 0

Persamaan det (A I ) = 0 disebut persamaan ka-

rakteristik untuk A dan polinom berderajat n dalam

p ( ) = det (A I)
disebut polinom karakteristik dari matriks A:

Contoh 6.1.1

Tentukan nilai eigen, vektor eigen, dan basis dari ruang

eigen untuk matriks A:
Nilai Eigen 4
 ! ! !
3 0 0 2 1 2
(a) , (b) , (c) ,
8 1 8 0 2 4

0 1 0 1
3 1 2 5 0 1
B C B C
(d) @ 2 0 2 A, (e) @ 1 1 0 A.
2 1 1 7 1 0

Jawab:

(a) Persamaan karakteristik dari matriks A adalah

3 0
jA Ij = = (3 )( 1 )=0
8 1
Nilai eigen: 1 = 3 dan 2 = 1:

Vektor eigen yang berpadanan dengan 1 = 3:

(A 3I ) x = 0
! ! !
0 0 x1 0
=
8 4 x2 0
dan diperoleh 8x1 4x2 = 0; berarti x2 = 2x1; se-
hingga
! !
x1 1
x= = x1 :
2x1 2
Nilai Eigen 5
Jadi semua kelipatan taknol dari (1; 2)T merupakan
vektor eigen yang berpadanan dengan 1 = 3:

Basis dari
n ruang oeigen yang berpadanan dengan 1 = 3
adalah (1; 2)T :

Vektor eigen yang berpadanan dengan 2 = 1

Vektor eigen yang berpadanan adalah semuan kelipatano

T T
taknol dari (0; 1) dan basis ruang eigennya (0; 1) :

(d) Persamaan karakteristik dari matriks A

3 1 2
jA Ij = 2 2 =0
2 1 1
3 2 2+ = 0
2 2 +1 = 0
( 1)2 = 0
Nilai eigennya 1 = 0; 2 = 3 = 1:

Nilai Eigen 6
Vektor eigen yang berpadanan dengan 1 = 0
0 10 1 0 1
3 1 2 x1 0
B CB C B C
Ax = @ 2 0 2 A @ x2 A = @ 0 A
2 1 1 x3 0
Dengan operasi baris dasar diperoleh matriks gandeng
0 1
3 1 2 0
B C
@ 0 2 2 0 A
0 0 0 0

2x2 2x3 = 0 =) x2 = x3
3x1 x2 2x2 = 0 =) x1 = x2
Jadi vektor-vektor eigennya
0 1 0 1
x1 1
B C B C
x = @ x1 A = x1 @ 1 A
x1 1
Vektor eigen: kelipatan taknol dari (1; 1; 1)T ;
n o
T
basis ruang eigen: (1; 1; 1) :

Vektor eigen yang berpadanan dengan 2 = 3 = 1

0 10 1 0 1
2 1 2 x1 0
B CB C B C
(A I) x = @ 2 1 2 A @ x2 A = @ 0 A
2 1 2 x3 0
Nilai Eigen 7
Dari sini diperoleh bahwa

2x1 x2 2x3 = 0:
Misalkan x1 = s; x3 = t; dengan s dan t bilangan
real sembarang. Maka x2 = 2s 2t; sehingga vektor-
vektor eigennya adalah
0 1 0 1 0 1 0 1
x1 s 1 0
B C B C B C B C
x = @ x2 A = @ 2s 2t A = s @ 2 A + t @ 2 A
x3 t 0 1
Basis
n untuk ruang eigen yango berpadanan dengan =
1 : (1; 2; 0)T ; (0; 2; 1)T :

Nilai eigen Kompleks

Persamaan karakteristik suatu matriks dengan entri bi-

langan real mungkin saja mempunyai solusi kompleks.

Contoh: persamaan karakteristik dari matriks

!
2 1
A=
5 2
Nilai Eigen 8
adalah
2 1
jA Ij = = 2+1=0
5 2
p
Nilai eigennya: 1 = i dan 2 = i dengan i = 1
yang merupakan bilangan kompleks.

! Pembahasan pada kuliah ini =) nilai eigen real

Hasil kali dan jumlah nilai eigen

Misalkan A matriks berukuran n n; dan i adalah

nilai-nilai eigen dari A; untuk i = 1; 2; : : : ; n; maka

1 2 n = det (A)

1 + 2+ + n = tr (A)
dengan tr (A) (trase dari matriks A) adalah jumlah
semua elemen diagonal utama dari A:

Contoh: Jika
!
10 9
A=
4 3
Nilai Eigen 9
maka
det (A) = 30 ( 36) = 6
tr (A) = 10 + ( 3) = 7
Polinom karakteristik dari matriks A adalah
10 9
= (10 )( 3 ) ( 36)
4 3
= 2 7 +6
sehingga persamaan karakteristiknya adalah
( 1) ( 6) = 0
dan nilai eigennya 1 = 1 dan 2 = 6:

Perhatikan bahwa

1 2 = 1 6 = 6 = det (A)
1 + 2 = 1 + 6 = 7 = tr (A) :

Soal Latihan

Periksa hasil kali dan jumlah nilai-nilai eigen matriks-

matriks pada Contoh 6.1.1 dan bandingkan hasilnya
dengan determinan dan trace matriks tersebut.
Nilai Eigen 10
Nilai Eigen Matriks-matriks Serupa

Teorema 6.1.1

Misalkan A dan B adalah matriks n n: Jika B serupa

dengan A; maka kedua matriks mempunyai polinom
karakteristik yang sama dan akibatnya keduanya mem-
punyai nilai-nilai eigen yang sama.

Bukti:

Misalkan pA ( ) dan pB ( ) berturut-turut melambangkan

polinom karakteristik dari A dan B:

Jika B serupa dengan A; maka terdapat matriks tak-

singular S sehingga B = S 1AS: Jadi
pB ( ) = det (B I)
= det S 1AS I
= det S 1 (A I) S
= det S 1 det (A I ) det (S )
1
= det (A I ) det (S )
det (S )
= det (A I)
= pA ( )
Nilai Eigen 11
Nilai eigen adalah solusi persamaan karakteristik. Karena
persamaan karakteristiknya sama, maka nilai eigennya
juga sama.

Contoh 6.1.2

Dari contoh sebelumnya, nilai eigen dari

!
10 9
B=
4 3
adalah 1 = 1 dan 2 = 6:

Perhatikan bahwa
! ! !
1 2 10 9 5 2
A =
2 5 4 3 2 1
!
120 51
=
266 113
sehingga B serupa dengan A: Dari Teorema 6.1.1 nilai
eigen dari matriks A juga 1 dan 6 (periksa!).

Nilai Eigen 12
6.2 Sistem Persamaan Diferensial Linear

Mahasiswa Mayor Matematika

! nanti di mata kuliah Persamaan Diferensial Bi-

asa (di semester 4)

Mahasiswa Mayor nonMatematika

! lanjutan dari materi Pengantar Persamaan Dife-

rensial di mata kuliah Kalkulus TPB

6.3 Pendiagonalan/Diagonalisasi

Akan dibahas:

faktorisasi matriks A menjadi XDX 1 dengan D

matriks diagonal

eksponensial suatu matriks

Nilai Eigen 13
Teorema 6.3.1

Jika 1; 2; : : : ; n adalah nilai-nilai eigen yang berbeda

dari matriks A yang berukuran n n dan x1; x2; : : : ; xn
adalah vektor-vektor eigen yang bersesuaian, maka vektor-
vektor eigen x1; x2; : : : ; xn adalah bebas linear.

Bukti: pelajari di Leon halaman 279.

De…nisi (halaman 60)

Suatu matriks A berorde n n disebut matriks diago-

nal jika aij = 0 untuk i 6= j:

Contoh matriks diagonal

0 1 0 1
! 1 0 0 1 0 0 !
1 0 B C B C 0 0
;@ 0 2 0 A;@ 0 0 0 A;
0 3 0 0
0 0 3 0 0 0

Nilai Eigen 14
 De…nisi

Suatu matriks A berorde n n disebut dapat didia-

gonalkan jika terdapat matriks taksingular X dan su-
atu matriks diagonal D sehingga

X 1AX = D:
Matriks X dikatakan mendiagonalkan A:

Catatan:

Jadi, dengan pengertian lain, matriks A dapat didi-

agonalkan jika A serupa/similar dengan suatu matriks
diagonal.

Teorema 6.3.2

Suatu matriks A berorde n n dapat didiagonalkan

jika dan hanya jika A mempunyai n vektor eigen yang
bebas linear.

Nilai Eigen 15
Bukti:

((=) Misalkan A mempunyai n vektor eigen yang

bebas linear x1; x2; : : : ; xn:

Akan ditunjukkan: A dapat didiagonalkan.

Misalkan i nilai eigen dari A yang bersesuaian dengan

xi; untuk setiap i (beberapa dari i boleh sama).

Misalkan X adalah matriks dengan vektor kolom ke-

j nya adalah xj ; untuk j = 1; : : : :n;

maka Axj = j xj adalah kolom ke-j dari matriks

AX:

Jadi
AX = A (x1; x2; : : : ; xn)
= (Ax1; Ax2; : : : ; Axn)
= ( 1x1; 2x2; : : : ; nxn)
0 1
1 0 0 0
B 0 C
B
= (x1; x2; : : : ; xn) B 2 0 0 C
C
@ 0 0 ... 0 A
0 0 0 n
= XD
Nilai Eigen 16
Karena X mempunyai n vektor kolom yang bebas li-
near, maka X adalah taksingular sehingga X 1 ada.
Akibatnya:

AX = XD =) X 1AX = X 1XD = D
Jadi
X 1AX = D;
yang berarti A dapat didiagonalkan.

(=)) Misalkan A dapat didiagonalkan.

Akan ditunjukkan A mempunyai n vektor eigen yang

bebas linear.

Karena A dapat didiagonalkan, maka terdapat matriks

taksingular X dan matriks diagonal D sehingga

X 1AX = D () AX = XD:
Jika x1; x2; : : : ; xn adalah vektor-vektor kolom dari X;
maka
Axj = j xj j = djj ; 8j

Nilai Eigen 17
Jadi untuk setiap j; j adalah nilai eigen dari A dan
xj adalah vektor eigen yang berpadanan dengan j :

Karena X matriks taksingular, maka vektor-vektor kolom

dari X adalah bebas linear.

Jadi A mempunyai n vektor eigen yang bebas linear.

Catatan:

1. Jika A dapat didiagonalkan, maka

(a) vektor-vektor kolom dari matriks pendiagonal

X adalah vektor-vektor eigen dari A;

(b) elemen-elemen diagonal D adalah nilai-nilai eigen

yang bersesuaian.

Nilai Eigen 18
 2. Matriks pendiagonal X tidak tunggal.

Contoh 6.3.1 Misalkan diberikan matriks

!
3 0
A= :
8 1
Dari contoh pada bagian 6.1 nilai eigen dan vektor
eigen yang bersesuaian dari A adalah
!
1
1 = 3 dengan vektor eigen 2
!
0
2 = 1 dengan vektor eigen
1
A berordo 2 2 dan mempunyai 2 nilai eigen yang
berbeda.

Maka menurut Teorema 6.3.1 dan 6.3.2 matriks A

dapat didiagonalkan dengan matriks pendiagonal
antara lain:
!
1 0
X=
2 1

Nilai Eigen 19
 karena
! 1 ! !
1 0 3 0 1 0
X 1AX =
2 1 8 1 2 1
! ! !
1 0 3 0 1 0
=
2 1 8 1 2 1
!
3 0
=
0 1

= D

Perhatikan posisi nilai eigen pada matriks D

dan vektor eigen pada matriks X:

Jika posisi vektor eigen ditukar, maka akan

diperoleh matriks pendiagonal yang lain; selain
itu, vektor eigen suatu matriks tidak tunggal,
sehingga matriks pendiagonal pun tidak tung-
gal.

Nilai Eigen 20
 3. An n mempunyai n nilai eigen yang berbeda

+ Teorema 6.3.1

vektor-vektor eigen A bebas linear

+ Teorema 6.3.2

A dapat didiagonalkan

Tetapi, jika:
)
nilai eigen A % A dapat didiagonalkan, ATAU
ada yang sama & A tak dapat didiagonalkan

Contoh 6.3.2 (Leon hlm. 281) Misalkan

0 1
3 1 2
B C
A=@ 2 0 2 A
2 1 1
Dari contoh pada pembahasan Bab 6.1, nilai eigen
matriks A adalah 1 = 0; 2 = 3 = 1 (ada
nilai eigen yang sama),

Nilai Eigen 21
 vektor eigen yang bersesuaian dengan

= 0 ! (1; 1; 1)T
= 1 ! (1; 2; 0)T ; (0; 2; 1)T

A berukuran 3 3 dan mempunyai 3 vektor eigen

bebas linear (mengapa?), maka dari Teorema 6.3.2
matriks A dapat didiagonalkan.

Misalkan
0 1
1 1 0
B C
X=@ 1 2 2 A;
1 0 1
maka

XDX 1
0 10 10 1
1 1 0 0 0 0 2 1 2
B CB CB C
= @ 1 2 2 A@ 0 1 0 A@ 3 1 2 A
1 0 1 0 0 1 2 1 1
0 1
3 1 2
B C
= @ 2 0 2 A
2 1 1

= A
Nilai Eigen 22
 4. A dapat didiagonalkan =) A = XDX 1

Akibatnya

A2 = XDX 1XDX 1 = XD2X 1:

Secara umum:

Ak = XDk X 1
Catatan:
0 1
d1 0 0
B 0 d2 0 C
B C
D = B ... ... . . . ... C
@ A
0 0 dn
0 1
dk1 0 0
B C
B 0 dk2 0 C
) Dk = B
B ... ... . . . ...
C
C
@ A
0 0 dkn

Contoh 6.3.4 Dari Contoh 6.3.1 diperoleh bahwa:

Nilai Eigen 23
A4 = XD4X 1
! !4 ! 1
1 0 3 0 1 0
=
2 1 0 1 2 1
! ! !
1 0 34 0 1 0
=
2 1 0 ( 1)4 2 1
! ! ! !
1 0 81 0 1 0 81 0
= =
2 1 0 1 2 1 160 1

De…nisi

Matriks berukuran n n dan mempunyai vektor eigen

bebas linear yang kurang dari n dinamakan matriks de-
fektif.

Dari Teorema 6.3.2 matriks defektif tidak dapat didi-

agonalkan.

Nilai Eigen 24
 Contoh 6.3.5 Misalkan
0 1 0 1
2 0 0 2 0 0
B C B C
A = @ 0 4 0 A; B = @ 1 4 0 A
1 0 2 3 6 2
A dan B mempunyai nilai eigen 1 = 4; 2 = 3 = 2:

Matriks A :

Vektor eigen yang bersesuaian dengan

= 4 ! (0; 1; 0)T
= 2 ! (0; 0; 1)T

A hanya mempunyai 2 vektor eigen yang bebas linear

! defektif

! tidak dapat didiagonalkan

Matriks B

Vektor eigen yang bersesuaian dengan

= 4 ! (0; 1; 3)T
= 2 ! (2; 1; 0)T ; (0; 0; 1)T
Nilai Eigen 25
B mempunyai 3 vektor eigen bebas linear ! takde-
fektif ! dapat didiagonalkan

Eksponensial suatu Matriks

Bila diberikan suatu skalar a; maka eksponensial ea

dapat dinyatakan sebagai deret pangkat
a2 1 3
a
e =1+a+ + a +
2! 3!
Jika A matriks berukuran n n, maka eksponensial
matriks A adalah
1 A 2 + 1 A3 +
eA = I + A + 2! 3!

Jika D matriks diagonal

0 1
1 0 0
B 0 0 C
B 2 C
D=B ... ... C
@ A
0 0 n
Nilai Eigen 26
maka
1 2 1 m
eD = lim 1 + D + D + + D
m!1 2! m!
0 m 1
P 1 k
B 1 C
B k=1 k! C
B ... C
= lim B C
m!1 B m C
@ P 1 k A
k! n
k=1
0 1
e 1 0 0
B C
B 0 e 2 0 C
= B
B ... ... ... ... C
C
@ A
0 0 0 e n

Catatan:

1. Jika A matriks sembarang, maka agak sulit menen-

tukan eA

2. Jika A matriks yang dapat didiagonalkan, maka

A = XDX 1
Ak = XDk X 1; untuk k = 1; 2; : : :
Nilai Eigen 27
 sehingga
1 2
eA = I + A + A +
2!
1
= I + XDX 1
+ XD2X 1 +
2!
1
= X I + D + D2 + X 1
2!
= XeD X 1

Contoh 6.3.6

Dari contoh sebelumnya, matriks

!
3 0
A=
8 1
dapat didiagonalkan, yaitu

A = XDX 1
! ! !
1 0 3 0 1 0
=
2 1 0 1 2 1
Nilai Eigen 28
Eksponensial matriks

eA = XeD X 1
! ! !
1 0 e3 0 1 0
=
2 1 0 e 1 2 1
!
e3 0
=
2e 1 + 2e3 e 1

Soal Latihan

Misalkan diberikan matriks A berikut ini. Periksa apakah

matriks A

1. matriks defektif.

2. dapat didiagonalkan. Jika dapat, tentukan

(a) matriks pendiagonal X dan matriks diagonal

D sehingga A = XDX 1;
Nilai Eigen 29
 (b) A 1 dengan menggunakan faktorisasi terse-
but,

(c) matriks A5;

(d) eksponensial matriks eA:

! ! !
2 0 2 3 1 0
(i) (ii) (iii)
1 2 1 1 6 1
! ! !
14 12 0 1 5 6
(iv) (v) (vi)
20 17 1 0 2 2

0 1 0 1
3 0 0 1 0 0
B C B C
(vii) @ 0 2 0 A (viii) @ 0 1 1 A
0 1 2 0 1 1
0 1 0 1
2 0 2 1 0 1
B C B C
(ix) @ 0 3 0 A (x) @ 1 3 0 A
0 0 3 4 13 1

Nilai Eigen 30
 Lanjutan Soal Latihan

Untuk setiap matriks berikut tentukan (jika ada) nilai

skalar yang membuat matriks tersebut defektif
0 1 0 1
1 1 0 1 1 1
B C B C
(i) @ 1 1 0 A (ii) @ 1 1 1 A
0 0 0 0
0 1 0 1
1 2 0 4 6 2
B C B C
(iii) @ 2 1 0 A (iv) @ 1 1 1 A
2 1 0 0

Bab 6.6 Matriks-Matriks De…nit Positif

Akan dibahas

ciri matriks de…nit positif ! lihat Bab 6.5

Nilai Eigen 31
 sifat-sifat matriks de…nit positif

! terutama: dekomposisi

(LU; LDLT ; Cholesky LLT )

! banyak aplikasi di bidang numerik dan optimasi

Kede…nitan suatu matriks simetrik terkait dengan ben-

tuk kuadrat.

Setiap persamaan kuadrat dapat dihubungkan dengan

suatu fungsi vektor

f (x) = xT Ax
yang dinamakan bentuk kuadrat(ik) (quadratic form)
yang berpadanan dengan matriks A:

Nilai Eigen 32
 Contoh 6.6.1

1. Bentuk kuadrat 2x21 + 6x1x2 + 5x22 dapat ditu-

liskan sebagai
! !
2 3 x1
(x1 x2) :
3 5 x2

2. Matriks simetrik yang berpadanan dengan bentuk

kuadrat 4x2 5xy + 6y 2 adalah
!
4 5
2
5 6
2

3. Matriks simetrik yang berpadanan dengan bentuk

kuadrat 2x2 + 3y 2 + z 2 + xy 2xz + 8yz adalah
0 1
2 1 1 C
B 2
B 1 4 C
@ 2 3 A.
1 4 1

Nilai Eigen 33
De…nisi (Kede…nitan Bentuk Kuadrat)

Suatu bentuk kuadrat f (x) = xT Ax disebut

1. de…nit positif jika xT Ax > 0 untuk semua x

taknol di Rn;

2. de…nit negatif jika xT Ax < 0 untuk semua x

taknol di Rn;

3. semide…nit positif jika xT Ax 0; dan memiliki

nilai 0 untuk suatu x 6= 0 di Rn;

(dituliskan: xT Ax 0 untuk semua x 6= 0 di Rn)

4. semide…nit negatif jika xT Ax 0 untuk semua

x 6= 0 di Rn;

5. takde…nit/inde…nit jika xT Ax > 0 untuk su-

atu x 2 Rn dan xT Ax < 0 untuk suatu x 2 Rn
yang lain.
Nilai Eigen 34
 Contoh 6.6.2:

1. Bentuk kuadrat f (x) = x21 + 6x22 > 0 untuk

x = (x1; x2)T 2 R2 dengan x 6= 0; maka bentuk
kuadrat tersebut dikatakan de…nit positif:

2. f (x) = x21; untuk x = (x1; x2)T 2 R2 dikatakan

semide…nit positif karena f (x) = x21 0 untuk
setiap x taknol di R2: Perhatikan bahwa f (x) =
0 untuk x = (0; 1)T (6= 0) :

3. Bentuk kuadrat
f (x) = 2x1x2
dengan x = (x1; x2)T di R2 dikatakan inde…nit
karena untuk x = ( 1; 1)T ; maka f (x) = 2 <
0; dan untuk x = (1; 1)T ; maka f (x) = 2 > 0:

Kede…nitan suatu matriks bergantung pada kede…ni-

tan bentuk kuadrat yang berpadanan dengannya seperti
terlihat pada de…nisi berikut ini:
Nilai Eigen 35
De…nisi (Kede…nitan Matriks)

Suatu matriks simetrik real A dikatakan

1. de…nit positif jika xT Ax > 0 untuk semua x

taknol di Rn;

2. de…nit negatif jika xT Ax < 0 untuk semua x

taknol di Rn;

3. semide…nit positif jika xT Ax 0 untuk semua

x 6= 0 di Rn

4. semide…nit negatif jika xT Ax 0 untuk semua

x 6= 0 di Rn;

5. takde…nit/inde…nit jika xT Ax > 0 untuk su-

atu x 2 Rn dan xT Ax < 0 untuk suatu x 2 Rn
yang lain.

Nilai Eigen 36
 Contoh 6.6.3

1. Karena bentuk kuadrat f (x) = x21 + 6x22 de…nit

positif, maka matriks simetrik yang berpadanan
!
1 0
dengan bentuk kuadrat tersebut, yaitu ;
0 6
juga dikatakan de…nit positif.

2. Dari contoh
! sebelumnya, diperoleh bahwa matriks
1 0
adalah semide…nit positif sedangkan ma-
0 0
!
0 1
triks adalah matriks yang inde…nit.
1 0

Ciri bahwa suatu matriks simetrik adalah de…nit positif

dapat juga diperoleh dari teorema berikut:

Nilai Eigen 37
 Teorema 6.5.1

Misalkan A adalah matriks simetrik real berorde n

n; maka A adalah de…nit positif jika dan hanya jika
semua nilai eigennya adalah positif.

Bukti:

()) Jika A adalah suatu matriks de…nit positif dan

adalah nilai eigen dari A; maka untuk sembarang vektor
eigen x yang berpadanan dengan :

xT Ax = xT ( x) = xT x = kxk2 :
Akibatnya:
xT Ax
= 2
> 0:
kxk
(() Untuk bukti sebaliknya, lihat Leon halaman 222.

Nilai Eigen 38
 Catatan:

Jika nilai-nilai eigen matriks A semuanya negatif,

maka A matriks de…nit positif, sehingga A adalah
matriks de…nit negatif.

Jika A mempunyai nilai eigen yang berbeda tanda,

maka A inde…nit.

Contoh 6.6.4

Periksa bahwa nilai eigen dari matriks de…nit positif

!
1 0
0 6
adalah 6 dan 1 (semuanya positif), sedangkan nilai
eigen matriks semide…nit positif berikut
!
1 0
0 0
adalah 1 dan 0 (taknegatif), dan nilai eigen dari matriks
!
0 1
1 0
Nilai Eigen 39
adalah 1 dan 1 (positif dan negatif) yang menan-
dakan bahwa matriks terakhir adalah takde…nit.

Sekarang akan dibahas beberapa sifat dari matriks de…nit

positif. Dalam pembahasan materi ini, diasumsikan A
berordo n n:

Sifat I Jika A adalah matriks de…nit positif simetrik,

maka A taksingular.

Bukti

Dari Teorema 6.5.1 jika A matriks de…nit positif, maka

semua nilai eigennya adalah positif. Andaikan A ma-
triks singular, maka = 0 adalah nilai eigen dari A
(mengapa? ), sehingga kontradiksi dengan fakta bahwa
semua nilai eigen matriks A adalah positif. Jadi harus-
lah A taksingular.

Nilai Eigen 40
Sifat II Jika A adalah matriks de…nit positif simetrik,
maka det (A) > 0:

Bukti:

Misalkan matriks A de…nit positif simetrik, maka dari

Teorema 6.5.1, semua nilai eigen matriks A (yaitu 1; 2; : : : ; n
adalah positif, sehingga

det (A) = 1 2 n > 0:

Akibatnya matriks A taksingular.

Untuk membahas Sifat III, diberikan de…nisi berikut:

Nilai Eigen 41
De…nisi (Submatriks Utama)

Misalkan A matriks berordo n n: Misalkan Ar adalah

matriks yang terbentuk dengan menghilangkan n r
baris terakhir dan n r kolom terakhir dari A; maka
Ar disebut submatriks utama dari A dengan ordo r:

Ilustrasi: Misalkan
0 1
1 2 3
B C
A = @ 4 5 6 A;
7 8 9
maka
!
1 2
A1 = (1) ; A2 = ; A3 = A:
4 5

Sifat III Jika A adalah matriks de…nit positif simetrik,

maka submatriks utama A1; A2; : : : ; An dari A se-
muanya adalah de…nit positif.

Bukti:
Nilai Eigen 42
Misalkan xr = (x1; : : : ; xr )T adalah sembarang vek-
tor taknol di Rr ; dengan 1 r n; dan misalkan

x = (x1; : : : ; xr ; 0; : : : ; 0)T 2 Rn:

Karena
xTr Ar xr = xT Ax > 0
maka Ar adalah de…nit positif.

Ilustrasi:

Misalkan diberikan matriks berukuran 3 3:

0 1
4 2 1
B C
A = @ 2 5 0 A:
1 0 2
Dapat ditunjukkan bahwa matriks A de…nit positif (ni-
p p
lai eigen dari A adalah 7 + 4; 4 7; dan 3), maka
dapat ditunjukkan bahwa
!
4 2
A1 = (4) ; A2 = ; dan A3 = A
2 5
juga de…nit positif.

Nilai Eigen 43
 Dari tiga sifat tersebut diperoleh bahwa jika Ar
adalah submatriks utama dari matriks de…nit posi-
tif simetrik A; maka Ar adalah matriks taksingular
dan det (Ar ) > 0:

! penting dalam eliminasi Gauss

Secara umum, Jika A matriks berordo n n den-

gan semua submatriks utamanya taksingular, maka
A dapat direduksi menjadi matriks segitiga atas
hanya dengan menggunakan Operasi Baris Dasar
III (elemen diagonal tidak pernah nol sehingga tidak
perlu menukar baris).

Sifat IV Jika A matriks de…nit positif simetrik, maka

A dapat direduksi menjadi matriks segitiga atas hanya
dengan menggunakan Operasi Baris Dasar III Eij(k)
dan semua elemen diagonal/elemen porosnya adalah
positif.
Nilai Eigen 44
 Ilustrasi Sifat IV pada Matriks 4 4:

Misalkan diberikan matriks

0 1
a11 a12 a13 a14
B a21 a22 a23 a24 C
B C
A=B C
@ a31 a32 a33 a34 A
a41 a42 a43 a44
Karena A de…nit positif, maka submatriks utama A1
juga de…nit positif, sehingga

a11 = det (A1) > 0:

Akibatnya, a11 dapat digunakan sebagai poros untuk
mengeliminasi elemen-elemen a21; a31; dan a41 hanya
dengan OBD III menjadi
0 1
a11 a12 a13 a14
B C
B C
B (1) (1) (1) C
B C
B 0 a22 a23 a24 C
(1) B C
A =B B
C
C
B (1) (1) (1) C
B
B
0 a32 a33 a34 C
C
B C
@ A
(1) (1) (1)
0 a42 a43 a44

Nilai Eigen 45
Pada langkah ini submatriks utama A2 telah berubah
menjadi:
0 1
a11 a12
B C
B C:
@ A
(1)
0 a22
Karena OBD III tidak mengubah nilai determinan, maka
(1)
det (A2) = a11a22 ;
sehingga
(1) det (A2) det (A2)
a22 = = > 0 (mengapa? )
a11 det (A1)
(1) (1)
Karena a22 6= 0; maka a22 dapat digunakan seba-
gai elemen poros pada proses eliminasi langkah kedua
menjadi:
0 1
a11 a12 a13 a14
B C
B C
B (1) (1) (1) C
B C
B 0 a22 a23 a24 C
(2) B C
A =B B
C:
C
B (2) (2) C
B
B
0 0 a33 a34 C
C
B C
@ A
(2) (2)
0 0 a43 a44

Nilai Eigen 46
Dalam proses ini submatriks utama A3 berubah men-
jadi
0 1
a11 a12 a13
B C
B C
B C
B (1) (1) C
B 0 a22 a23 C ;
B C
B C
@ A
(2)
0 0 a33
dan karena hanya menggunakan OBD III:
(1) (2)
det (A3) = a11a22 a33
dan mengakibatkan
(2) det (A3) det (A3) det (A3)
a33 = (1)
= det(A2 )
= > 0:
a11a22 det (A1) det(A ) det (A 2 )
1
(2) (2)
Karena a33 6= 0; maka a33 dapat digunakan sebagai
elemen poros untuk proses eliminasi terakhir dan
(3) det (A4)
a44 = > 0:
det (A3)

Nilai Eigen 47
 Implikasi dari Sifat IV

Secara umum, jika suatu matriks A yang berordo n n

dapat direduksi menjadi matriks segitiga atas U tanpa
pertukaran baris, maka A dapat difaktorisasi menjadi
A = LU
dengan L adalah matriks segitiga bawah dengan elemen-
elemen 1 pada diagonalnya.

Entri (i; j ) dari matriks L di bawah elemen diagonal

utama merupakan kelipatan dari baris i yang telah diku-
rangkan dari baris j selama proses eliminasi.

Contoh 6.6.5 Misalkan diberikan matriks de…nit posi-

tif simetrik
0 1
2 2 1
B C
A=@ 2 3 2 A
1 2 10

Untuk mengeliminasi a21, baris ke-2 ditambah dengan

1 kali baris ke-1, yang sama saja artinya dengan baris
ke-2 dikurangi dengan 1 kali baris ke-1, sehingga
l21 = 1;
Nilai Eigen 48
sedangkan untuk mengeliminasi elemen a31; maka baris
ke-3 ditambah dengan 12 kali baris ke-1, yang sama
artinya dengan mengurangi baris ke-3 dengan 21 kali
baris pertama, sehingga
1
l31 = :
2
Sesudah langkah pertama diperoleh:
0 1
2 2 1
B
A(1) = @ 0 1 3 CA:
0 3 19
2
Untuk mengeliminasi a32; maka baris ke-3 dikurangi
dengan 3 kali baris ke-2, sehingga

l32 = 3;
dan matriks segitiga atasnya menjadi
0 1
2 2 1
B
U = A(2) = @ 0 1 3 C
A:
0 0 1
2
Matriks L dinyatakan sebagai
0 1
1 0 0
B C
L = @ 1 1 0 A;
1 3 1
2
Nilai Eigen 49
dan jika diuji:
0 10 1
1 0 0 2 2 1
B CB
LU = @ 1 1 0 A@ 0 1 3 C
A
1 3 1 0 0 1
0 2 1 2
2 2 1
B C
= @ 2 3 2 A = A:
1 2 10

Sekarang akan ditinjau hubungan antara faktorisasi LU

dengan faktorisasi LDLT ; dengan D matriks diagonal.

Misalkan diberikan faktorisasi LU dari matriks A; maka

U dapat difaktorisasi menjadi

Nilai Eigen 50
 0 1
u11 u12 u1n
B 0 u u2n C
B 22 C
U = B .. ... ... ... C
@ . A
0 0 unn
= DU1
0 10 u12 u13 u1n 1
u11 0 0 1 u11 u11 u11
B CB u23 u2n C
B 0 u22 0 CB 0 1 C
= B ... ... ... ... CB u22 u22 C
@ AB
@ ... ... ... ... ... C
A
0 0 unn 0 0 0 1
Akibatnya A dapat difaktorisasi menjadi
A = LDU1;
dengan D adalah matriks diagonal yang elemen-elemen-
nya adalah elemen poros pada proses eliminasi. Dapat
ditunjukkan bahwa faktorisasi ini adalah tunggal. Dari
Sifat IV, elemen-elemen poros ini semuanya positif.

Karena A matriks simetrik, maka

A = AT
LDU1 = (LDU1)T = U1T DT LT
Karena ketunggalan faktorisasi, maka LT = U1; se-
hingga dapat dituliskan:
A = LDLT .
Nilai Eigen 51
Sifat V Jika A adalah matriks de…nit positif simetrik,
maka A dapat difaktorkan menjadi

A = LDLT
dengan L matriks segitiga bawah dengan elemen diag-
onal utamanya adalah 1 dan D adalah matriks diagonal
yang semua elemen diagonal utamanya positif.

Contoh 6.6.6

Dari contoh sebelumnya, matriks

0 1
2 2 1
B C
A=@ 2 3 2 A
1 2 10
dapat difaktorisasi menjadi
0 10 1
1 0 0 2 2 1
B CB
@ 1 1 0 A@ 0 1 3 C
A = LU:
1 3 1 0 0 1
2 2

Nilai Eigen 52
Dengan memfaktorkan entri-entri diagonal dari U diper-
oleh
0 10 10 1
1 0 0 2 0 0 1 1 1
B CB CB 2 C
A = @ 1 1 0 A@ 0 1 0 A@ 0 1 3 A
1 3 1 0 0 1
2 2 0 0 1
= LDLT :

Karena elemen diagonal utama u11; u22; : : : ; unn posi-

tif, maka dapat dimisalkan matriks
0 p 1
u11 0 0
B p
1=2 B 0 u22 0 C C
D = B .. ... ... ... C
@ . A
p
0 0 unn
dan misalkan L1 = LD1=2; maka
A = LDLT
= LD1=2D1=2LT
1=2 1=2 T T
= LD D L
T
= LD1=2 LD 1=2

= L1LT
1
Nilai Eigen 53
Faktorisasi ini dikenal dengan dekomposisi Cholesky dari
matriks A: Untuk selanjutnya, matriks L1 cukup ditu-
liskan dengan L saja.

Sifat VI (Dekomposisi Cholesky) Jika A adalah

matriks de…nit positif simetrik, maka A dapat difak-
torkan menjadi
A = LLT ;
dengan L adalah matriks segitiga bawah dengan elemen
diagonal utamanya positif.

Contoh 6.6.7

Dari dua contoh terakhir, maka misalkan

0 10 p 1
1 0 0 2 0 0
B C B C
L1 = LD1=2 = @ 1 1 0 A B @
0 1 0 C
A
1 3 1 0 0 p1
2 2
0 p 1
p2 0 0
B C
= @ p2 1 p 0 A;
1 2 3 1 2
2 2
Nilai Eigen 54
sehingga
0 p 10 p p 1
p 1
B p2 0 0
CB
2 2 2 2 C
L1LT
1 = @ p 2 1 p 0 AB
@ 0 1 3 C
p A
1 2 3 1 2 0 0 1
2 2 2 2
0 1
2 2 1
B C
= @ 2 3 2 A = A:
1 2 10

Matriks A = LLT dapat ditinjau dari matriks se-

gitiga atas B = LT ; sehingga A dapat juga ditu-
liskan sebagaing

A = B T B:

Karena L adalah matriks segitiga bawah dengan

entri diagonal positif, maka L taksingular, sehingga
B taksingular.

Nilai Eigen 55
 Teorema 6.6.1

Misalkan A adalah matriks simetrik berode n n; maka

pernyataan-pernyataan berikut ekuivalen:

1. A adalah de…nit positif.

2. Determinan semua submatriks utama A1; : : : ; An

adalah positif.

3. A dapat direduksi menjadi matriks segitiga atas

hanya dengan menggunakan Operasi Baris Dasar
III dan semua elemen diagonal/elemen porosnya
adalah positif.

4. A mempunyai suatu faktorisasi Cholesky LLT den-

gan L adalah matriks segitiga bawah dengan entri
diagonal positif.

5. A dapat difaktorkan menjadi B T B untuk suatu

matriks taksingular B .
Nilai Eigen 56
 Teorema 6.6.1 dapat digunakan untuk menentukan
ciri matriks de…nit positif, yaitu bagian (2).

Periksa kede…nitan matriks A pada tiga contoh

terakhir dengan menggunakan Teorema 6.5.1 !
nilai eigen sulit ditentukan secara manual

Bandingkan dengan menentukan determinan se-

tiap submatriks utamanya, yaitu
2 2
jA1j = 2 > 0; jA2j = = 2 > 0;
2 3
jA3j = 1 > 0
sehingga dari Teorema 6.6.1 diperoleh kesimpulan
bahwa A matriks de…nit positif.

Soal Latihan

1. Untuk setiap matriks berikut ini, hitunglah determinan-

determinan dari semua submatriks utama dan gu-
nakan untuk menentukan apakah matriks tersebut
Nilai Eigen 57
 de…nit positif atau bukan:
! !
2 1 2 1
A = ; B=
1 2 0 1
0 1 0 1
1 2 3 1 2 3
B C B C
C = @ 1 5 1 A; D = @ 4 5 1 A
0 1 2 0 1 2

2. Kerjakan soal latihan di Leon halaman 320-321 no

mmor: 2,3,4,5,6.

Nilai Eigen 58