Anda di halaman 1dari 34

Matakuliah: fisika komputasi

FUNGSI EIGEN DAN NILAI EIGEN

O
L
E
H

KELOMPOK VI :

1. AISYAH (NIM 8176175001)


2. DEWI ARISANTI (NIM 8176175003)
3. DEWI RATNA PERTIWI SITEPU (NIM 8176175004)

KELAS : PEND. FISIKA REG A 2017


DOSEN PENGAMPU : Dr. Makmur Sirait, M.Si

PROGRAM STUDI MAGISTER PENDIDIKAN FISIKA


PASCASARJANA UNIVERSITAS NEGERI MEDAN
2017
KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmatNya sehingga
makalah ini dapat tersusun hingga selesai. Tidak lupa kami juga mengucapkan banyak
terimakasih atas bantuan dari pihak yang telah berkontribusi dengan memberikan sumbangan
baik materi maupun pemikirannya.
Dan harapan kami semoga makalah ini dapat menambah pengetahuan dan
pengalaman bagi para pembaca, Untuk kedepannya dapat memperbaiki bentuk maupun
menambah isi makalah agar menjadi lebih baik lagi.
Karena keterbatasan pengetahuan maupun pengalaman kami, Kami yakin masih
banyak kekurangan dalam makalah ini, Oleh karena itu kami sangat mengharapkan saran dan
kritik yang membangun dari pembaca demi kesempurnaan makalah ini.

Medan, Februari 2018

Kelompok VI

i
DAFTAR ISI

Kata pengantar .................................................................................................................... i

Daftar isi.............................................................................................................................. ii

Bab I Pendahuluan

1.1 Latar Belakang ................................................................................................. 1


1.2 Rumusan Masalah ............................................................................................ 1
1.3 Tujuan Penulisan ............................................................................................. 1

Bab II Pembahasan

2.1 Defenisi eigen value, vector, dan ruang eigen ............................................... 3


2.2 Sifat eigen value dan eigen vektor ................................................................. 11
2.3 diagnolisasi .................................................................................................... 15
2.4 matriks simetris.............................................................................................. 17
2.5 mencari nilai eigen dengan cara analisis ....................................................... 18
2.6 implementasi matlab untuk nilai eigen .......................................................... 21

Bab III Penutup

3.1 Kesimpulan ................................................................................................... 28

DAFTAR PUSTAKA ........................................................................................................ 29

ii
i
BAB I
PEMBAHASAN

1.1. Latar Belakang


Biasanya jika suatu matriks A berukuran mxm dan x suatu vektor pada Rm, tidak
ada hubungan antara vektor x dan vektor Ax. Tetapi seringkali kita menemukan suatu
vektor tak nol x tertentu sedemikian hingga x dan Ax merupakan pergandaan satu sama
lain dan berlaku Ax=x dengan A matrik berukuran m x m dan  suatu skalar. Kejadian
inilah yang dinamakan nilai eigen dan vektor eigen (eigen value dan eigen vektor)
dan merupakan kejadian yang sering dijumpai dalam matriks. Eigen value dan
eigen vektor secara implisit dinyatakan sebagai fungsi elemen-elemen dari sebuah matriks
bujur sangkar (square matrix).
Pembahasan ini, erat kaitannya dengan materi-materi determinan dan ruang
vektor. Dalam bagian ini akan dipelajari bagaimana mendapatkan eigen value
dan eigen vektor dari suatu matriks bujur sangkar dan sifat-sifatnya serta penerapannya
dalam diagonalisasi.
Pada banyak aplikasi yang mengikutsertakan analisa matriks bujur sangkar,
informasi kunci dari analisa didapatkan dari eigen value dan eigen vektor ini. Sebagai
contoh dalam penentuan penguraian nilai singular dan penguraian spektral, dimana
aplikasi ini banyak dipakai dalam pemodelan.

1.2 Rumusan Masalah


Adapun rumusan masalah dalam makalah ini adalah
1. Bagaimana cara menyelesaikan persamaan fungsi dan nilai eigen?
2. Bagaimana membuat program MATLAB dalam menyelesaikan persamaan
fungsi dan nilai eigen?
1.3 Tujuan
Adapun tujuan dalam makalah ini adalah
1. Mampu menyelesaikan persamaan fungsi dan nilai eigen
2. Mampu membuat program MATLAB dalam menyelesaikan persamaan
persamaan fungsi dan nilai eigen

1
BAB II
PEMBAHASAN

2.1 Definisi Eigen value, Eigen vektor, dan Eigen space (Ruang Eigen)
Jika A adalah matriks m x m, maka setiap skalar λ memenuhi persamaan
Ax  x (1.1)
untuk m  1 vektor x  0, disebut eigen value dari A. Vektor x disebut eigen vektor dari
A yang berhubungan dengan eigen value , dan persamaan (1.1) diatas disebut
persamaan eigen value-eigen vektor A. Kadang-kadang eigen value dan eigen vektor
juga dinyatakan sebagai latents root and vectors atau karekteristik roots dan vektor.
Persamaan (1.1) dapat juga dituliskan sebagai

A  x 0 (1.2)

Setiap nilai eigen value harus memenuhi persamaan determinan,


A   0 (1.3)
yang dikenal sebagai persamaan karakteristik A.
Dengan menggunakan definisi suatu determinan, kita bisa mengamati bahwa
persamaan karakteristik adalah sebuah polinomial derajat ke-m dalam . Karena itu,
skalar 0, …, m- 1 seperti halnya persamaan karakteristik diatas dapat juga
dinyatakan sebagai

  m   m1   m1  1      0 0


Karena polinomial derajat m memiliki m (roots), berarti suatu matriks m m
memiliki m eigen value, karena itu terdapat m skalar 1, …, m yang memenuhi
persamaan karakteristik. Apabila semua eigen value A adalah real, kadang-kadang kita
jumpai eigen value terbesar ke-i matriks A sebagai i(A). Dengan kata lain
eigen value A dapat juga dituliskan sebagai
1(A) m(A).
Persamaan karakteristik dapat digunakan untuk mencari eigen value matriks A.
Kemudian dapat juga digunakan dalam persamaan eigen value-eigen vektor untuk
mencari eigen vektor. Dari eigen vektor yang telah diperoleh, dalam bebarapa
penerapan, seperti penguraian nilai singular dan spektral, yang digunakan adalah eigen

2
vektor ternormalisasi. Eigen vektor ternormalisasi adalah eigen vektor dimana tiap-tiap
elemen dibagi dengan panjang vektor tersebut. Untuk lebih jelasnya perhatikan
contoh berikut :
Contoh 1
Tentukan eigen value dan eigen vektor dari matriks A berukuran 33 sebagai berikut
5 −3 3
𝐴 = [4 − 2 3]
4 −4 5
Jawab :
Dengan menggunakan definisi 1.3, persamaan karakteristik A adalah,
5−𝜆 −3 3
|𝐴 − 𝜆𝐼| = [4 −2−𝜆 3]
4 −4 5−𝜆
   (5   ) 2(2   )  3(4) 2  4(3) 2  3(4)(2   )  3(4)(5   )  3(4)(5   )
=  3  82 17 10

=   5 2  0

Jadi, dari hasil di atas diperoleh tiga eigen value A, yaitu : 1 = 5 , 2 = 2 dan 3=1
Untuk mendapatkan eigen vektor A yang bersesuaian dengan 1 = 5, kita harus
menyelesaikan persamaan Ax = 5x, sedemikian hingga diperoleh sistem persamaan
sebagai berikut,
5 − 3 3 𝑥1 𝑥1
𝑥 𝑥
[ 4 − 2 3] [ 2 ] = 5 [ 2 ]
4 − 4 5 𝑥3 𝑥3
yang ekuivalen dengan persamaan-persamaan :
5x1  3x 2  3x3 5x1
4x1  2x 2  3x3 5x2
4x1  4x 2  5x3 5x3
Atau
x2 x3 ….. (a)

4x  3x3 7x2 …… (b)


x x2 ….. (c)
Dari persamaan (a), misal jika kita ambil x2 = 1 maka x3 = 1, sehingga dengan
persamaan (c) diperoleh dan x1 = 1. Sehingga eigen vektor dari A yang bersesuaian

3
dengan 1 = 5 adalah x = (1, 1, 1)T. Dari persamaan x2 = x3 dan x1 = x2 , anda dapat
mengambil sembarang x2 yang lain, pasti akan memenuhi persamaan tersebut. Dari
hal ini dapat dikatakan bahwa eigen vektor tidak tunggal.
Dengan cara yang sama, sekarang untuk 2 = 2, kita harus menyelesaikan
persamaan Ax = 2x, sedemikian hingga diperoleh sistem persamaan sebagai berikut,
5x1  3x2  3x3 2x1
4x1  2x2  3x3 2x2

4x1  4x2  5x3 2x3


Dari persamaan diatas kita peroleh :
3x2  3x3 7x1
4x1  3x3 4x2
4x1  4x2 7x3
Akan terpenuhi jika x1 = 1, x2 = 1 maka x3 = 0 . Sehingga eigen vektor dari A
yang bersesuaian dengan 2 = 2 adalah x = (1, 1, 0)T.
Dan untuk 3 = 1, kita harus menyelesaikan persamaan Ax = x, sedemikian
hingga diperoleh sistem persamaan sebagai berikut,
5x1  3x2  3x3 x
4x1  2x2  3x3 x2

4x1  4x2  5x3 x3


Dari persamaan diatas kita peroleh :
3x2  3x3 4x1
4x1  3x3  3x2
4x1  4x2 4x3
Akan terpenuhi jika x1 = 0 , x2 = 1 maka x3 = 1 . Sehingga eigen vektor dari A
yang bersesuaian dengan 3 = 1 adalah x = (0, 1, 1)T.
Dari ketiga eigen vektor tersebut kita dapatkan eigen vektor yang ternormalisasi :
Panjang eigen vektor yang bersesuaian dengan 1 = 5 adalah

√12 + 12 + 12 = √3
Panjang eigen vektor yang bersesuaian dengan 2 = 2 adalah :

4
√12 + 12 + 0 = √2
Panjang eigen vektor yang bersesuaian dengan 3 = 1 adalah :

√0 + 12 + 12 = √2
Sehingga eigen vektor yang ternormalisasi yang berhubungan dengan eigen value 5,2,1 :
𝑇 𝑇 𝑇
(1⁄√3 , 1⁄√3 , 1⁄√3) , (1⁄√2 , 1⁄√2 , 0) , (0, 1⁄√2 , 1⁄√2)
Eigen vektor ternormalisasi akan tunggal, kecuali untuk tandanya saja,
sehingga nilai eigen vektor tersebut kita kalikan dengan -1 juga merupakan
eigen vektor yang lain.
Eigen value dan eigen vektor mempunyai interpretasi geometri yang
sederhana, misalnya jika  merupakan eigen value dari matriks A yang bersesuaian
dengan eigen vektor x. Vektor Ax merupakan perkalian skalar dari x dengan
eigen value nya, sehingga panjang dari vektor Ax  x. Tanda plus minus
tergantung kepada tanda dari .
Contoh 2
Dari matriks segitiga atas, tentukan eigen value dan eigen vektornya
𝑎11 𝑎12 𝑎13 𝑎14
0 𝑎22 𝑎23 𝑎24
[0 0 𝑎33 𝑎34 ]
0 0 0 𝑎44
Jawab :
Dengan mengingat bahwa determinan dari matriks segitiga adalah perkalian diagonal
utama maka kita dapatkan :
𝑎11 − 𝜆 𝑎12 𝑎13 𝑎14
0 𝑎22 − 𝜆 𝑎23 𝑎24
|𝐴 − 𝜆𝐼| = [ ] = (𝑎11 − 𝜆)(𝑎22 − 𝜆)(𝑎33 − 𝜆)(𝑎44 − 𝜆)
0 0 𝑎33 − 𝜆 𝑎34
0 0 0 𝑎44 − 𝜆
Sehingga persamaan karakteristiknya adalah :
( 11   )(a22   )(a33   )(a44   )  0
dan diperoleh eigen value nya adalah :
 11; a22 ; a33 dan a44
yang merupakan elemen-elemen diagonal utama dari A

5
Teorema 1.1
Jika A adalah suatu matriks segitiga (segitiga atas atau segitiga bawah
atau matriks diagonal) berukuran m x m, maka eigen value dari A
adalah elemen-elemen diagonal utama dari A.

Contoh 3
Tentukan eigen value dan eigen vektornya dari matriks berikut :
1
2
0 0
2
𝐴= −1 3
0
4
[ 5 −8 − 8]

Jawab : ½
Berdasarkan teorema 1, diatas dengan mudah dapat kita tentukan eigen value dari
matriks A yaitu  ;  dan 
Pada prakteknya eigen value dan eigen vektor dari suatu matriks tidak selalu
bernilai real, kadang suatu matriks mempunyai eigen value dan eigen vektor bilangan
komplek. Perhatikan contoh berikut :
Contoh 4
Perhatikan pada matriks 2 2 berikut,
1 1
𝐴=[ ]
−2 − 1
Tentukan persamaan karekteristik, dan tentukan eigen valuenya.
Jawab :
Dengan definisi 5.3, persamaan karakteristik matriks A dapat ditentukan :

|𝐴 − 𝜆𝐼| = [ 1 − 𝜆 1
] = −(1 − 𝜆)(1 + 𝜆) + 2 = 𝜆2 + 1 = 0
−2 −1−𝜆
Sehingga eigen value dari A adalah √−1 atau √−1 i dan √−1 i.
Untuk menentukan eigen vektor yang berhubungan dengan  i , kita tentukan x =
(x1,x2)T = (y1 + iz1, y2 + iz2)T. Untuk mendpatkan nilai y1, z1, y2, z2 kita gunakan
persamaan Ax = ix.
Demikian juga untuk menentukan eigen vektor yang berhubungan dengan
i , kita tentukan x = (x1,x2)T = (y1 - iz1, y2 - iz2)T. Untuk mendapatkan nilai y1, z1,

6
y2, z2 kita gunakan persamaan Ax = -ix. Untuk mendapatkan eigen vektor, lakukan
sebagai latihan.
Dalam prakteknya, untuk menentukan persamaan karakteristik, eigen value
dan eigen vektor dari suatu matriks yang berukuran besar (4x4 atau lebih), tentulah
bukan hal yang mudah. Perhatikanlah contoh berikut :
Contoh 5
Tentukan persamaan karakteristik, eigen value dan eigen vektor dari matriks A berikut:
10 −9 0 0
𝐴 = [4 −2 0 0]
0 0 −2 −7
Jawab :
Dengan menggunakan bantuan paket program Matlab, untuk menyelsaikan matriks
diatas, langkah pertama adalah memasukkan nilai dari matriks A sebagai berikut :
» A=[10 -9 0 0;4 -2 0 0;0 0 -2 -7;0 0 1 2]

A = 10 -9 0 0
4 -2 0 0
0 0 -2 -7
0 0 1 2
inilah bentuk matriks A. Untuk mendapatkan persamaan karakteristik dari matriks
A, lakukan perintah sebagai beikut :
» poly(A)
ans = 1.0000 -8.0000 19.0000 -24.0000 48.0000
Dari hasil diatas ekivalen dengan bentuk persamaan:
14 - 83 + 192 - 24 + 48
Untuk mendapatkan eigen value, lakukan perintah sebagai berikut :
» eig(A)
ans = 4.0000
4.0000
0 + 1.7321i
0 - 1.7321i

7
Jadi eigen value dari matriks A adalah 4, 4, 1.7321i dan -1.7321i. Nampak
bahwa matriks A mempunyai eigen velue bilangan kompleks. Untuk mendapatkan nilai
eigen vektor, yang bersesuaian dengan eigen veluen, lakukan perintah
» [V,D]=eig(A)
V= 0.8321 0.8321 0 0
0.5547 0.5547 0 0
0 0 -0.6124 - 0.7071i -0.6124 + 0.7071i
0 0 0 + 0.3536i 0 - 0.3536i
D= 4.000 0 0 0
0 4000 0 0
0 0 0 + 1.7321i 0
0 0 0 0 - 1.7321i
dimana V berisikan eigen vektor ternormalisasi dari matriks A dan D adalah matriks
Diagonal dengan elemen diagonal adalah eigen value yang bersesuaian dengan eigen
vektor.
- Kolom pertama matriks V merupakan eigen vektor ternormalisasi yang
bersesuaian dengan eigen value 4
- Kolom kedua matriks V merupakan eigen vektor ternormalisasi yang
bersesuaian dengan eigen value 4
- Kolom ketiga matriks V merupakan eigen vektor ternormalisasi yang
bersesuaian dengan eigen value 1.7321i
- Kolom keempat matriks V merupakan eigen vektor ternormalisasi yang
bersesuaian dengan eigen value - 1.7321i
Untuk matriks yang sederhanapun anda dapat menentukan persamaan
karakteristik, eigen value dan eigen vektor dengan program Matlab. Coba anda kerjakan
kembali contoh 6.1 sampai dengan contoh 6.44, dengan menggunakan bantuan
program Matlab, bandingkan hasilnya dengan penghitungan manual.
Dalam beberapa kondisi, kita menginginkan bekerja dengan himpunan semua
eigen vektor yang dihubungkan dengan suatu eigen value. Kumpulan semua
eigen vektor SA() yang berhubungan dengan eigen value  tertentu, disebut ruang
eigen dari A yang bersesuaian dengan . Dimana SA()={x:xRm dan Ax = x}.

8
Teorema 2

Jika SA() adalah ruang eigen dari matriks A berukuran


m x m yang bersesuaian dengan maka SA() adalah sub
ruang vektor dari Rm.

Bukti :
Dengan menggunakan definisi : jika x SA(), maka Ax = x. Maka jika x SA() dan
y  SA(), maka untuk skalar dan berlaku :
A(x + y) = Ax + Ay =( x)+ (y) = (x+ y)
Akibatnya (x+ y)  SA() dan SA() merupakan ruang vektor
Contoh 6
Diberikan matriks A sebagai berikut :
2 −1 0
𝐴 = [0 1 0]
0 0 1
tentukan ruang eigennya.
Jawab :
Langkah pertama, menentukan persamaan karakteristik dari matriks A sebagai
berikut :
2−𝜆 −1 0
[0 1−𝜆 0 ] = (1 − 𝜆)2 (2 − 𝜆) = 0
0 0 1−𝜆
maka diperoleh eigen value dari A adalah 1 dan 2.
Untuk mendapatkan SA(1) , selesaikan persamaan Ax = x.
2 − 3 0 𝑥1 𝑥1
[0 𝑥 𝑥
1 0] [ 2] = [ 2]
0 0 1 𝑥3 𝑥3
ekiuvalen dengan persamaan :
2x x2 x 
 x x2
x2 x2
x3 x3
Misal jika kita pilih x1 = 0 maka x2 = 0 dan kita pilih x3 = 1 . Sehingga eigen
vektor dari A yang bersesuaian dengan 1 = 1 adalah x = (0, 0, 1)T. Pilihan lain yang juga

9
memenuhi adalah untuk x1 = 1 maka x2 = 1 dan kita pilih x3 = 0 . Sehingga eigen vektor
dari A yang bersesuaian dengan 1 = 1 adalah x = (1, 1, 0)T. Juga merupakan eigen
vekor dari A. dimana dua vektor tersebut bebas secara linear, maka vektor-vektor ini
membentuk suatu basis untuk ruang eigen yang bersesuaian dengan 1 = 1.
Sehingga S A(1) adalah sub ruang yang merentang dengan basis (x1 ,x2). SA(1)
merupakakan bidang dalam R3.
Untuk mendapatkan SA(2) , selesaikan persamaan Ax = 2x
2 − 1 0 𝑥1 𝑥1
[0 1 0 ] [𝑥2 ] = 2 [𝑥2 ]
0 0 1 𝑥3 𝑥3
2x1 x2 2x1
x2 2x2

x3 2x3
Untuk persamaan diatas yang memenuhi adalah untuk x2 = 0 dan x3 = 0
dan sembarang nilai dari x1, misal kita beri nilai 1 atau kelipatannya. Sehingga
eigen vektor dari A yang bersesuaian dengan 1 = 2 adalah x = (1, 0, 0)T. Sehingga
SA(2) adalah garis dalam R3 yang diberikan oleh {(a,0,0)T ; -< a < }
Contoh 7
Perhatikan pada matriks 3 3 berikut,
1 2 3
𝐴 = [0 1 0]
0 2 1
Persamaan karakteristik dari A adalah |AI| = (1)³ = 0, A memiliki eigen value 1
yang berulang tiga kali. Eigenvalue-eigenvektor persamaan Ax = x menghasilkan tiga
persamaan skalar.
x1 2x2  3x3 x1

x2 x2
2x2 x3 x3

yang mempunyai pemecahan vektor untuk bentuk x = (a,0,0)T. Jadi, meskipun


perkalian eigen value 1 adalah 3, ruang eigen yang bersesuaian SA(1) = {(a,0,0)T; -a
} adalah hanya berdimensi satu

10
2.2 Sifat-sifat Eigen value dan Eigen vektor
Pada bagian ini, kita buat beberapa hasil yang berguna yang bersesuaian
dengan eigen value. Bukti dari hasil pada teorema pertama kita dapat dengan mudah
diperoleh menggunakan persamaan karakteristik atau persamaan eigen value-eigen
vektor.
Teorema 3

Jika diberikan matriks Am x m. Maka,


a) Eigen value AT adalah sama dengan eigen value A
b) A matriks singular jika dan hanya jika sedikitnya satu eigen value A sama dengan 0
c) Elemen-elemen diagonal A adalah eigen value A, jika A merupakan matriks segitiga
-1
d) Eigen value BAB sama dengan eigen value A, jika B merupakan matriks nonsingular m x
m
e) Setiap eigen value A adalah +1 atau -1, jika A merupakan matriks orthogonal.

Bukti :
Buktikan teorema 3 sebgai latihan.
Kita perhatikan pada contoh 6 bahwa memungkinkan untuk dimensi sebuah ruang eigen
yang dikaitkan dengan eigen value  lebih kecil daripada perkalian . Teorema berikut
menjelaskan bagaimana jika dim{SA()}r.
Teorema 4

Anggap adalah eigen value dari matriks A m m, dengan


perkalian r 1, maka 1 dim{SA()} r

Bukti :
Jika adalah eigen value A, dengan definisi terdapat x 0 yang memenuhi persamaan
eigen value-eigen vektor Ax = x dan, jelas, dim{SA()}1. Sekarang, diberikan k =
dim{SA()}, dan x1,,xk. akan menjadi eigen vektor independen linear yang
bersesuaian dengan . Bentuk nonsingular matriks X berukuran mm yang mana

vektor k ini sebagai kolom k, yaitu, X mempunyai bentuk X  X 1 X 2 , dimana X 1

11
x1 ,, xk  dan X2 adalah m  (m  k). Karena setiap kolom X1 adalah eigen

vektor A yang bersesuaian dengan eigen value , kemudian AX1 = X1, dan
𝐼𝑘
𝑋 −1 𝑋1 = [ ]
(0)
Mengikuti dari kenyataan bahwa X-1X=Im. Sebagai hasilnya kita dapatkan,

X 1 AX X 1 AX 1 AX 2  X 1 X 1 AX 2 

𝜆𝐼𝑘 𝐵1
=[ ]
(0) 𝐵2
dimana B1 dan B2 menyatakan pemisahan matriks X-1AX2. Jika adalah eigen value
(𝜆 − 𝜇)𝐼𝑘 𝐵1
0 = |𝑋 −1 𝐴𝑋 − 𝜇𝐼𝑚 | = | | = (𝜆 − 𝜇)𝑘 |𝐵2 − 𝜇𝐼𝑚−𝑘 |
(0) 𝐵2 − 𝜇𝐼𝑚−𝑘
dimana persamaan terakhir diperoleh dengan mengulangi penggunaan rumus
perluasan kofaktor untuk sebuah determinan. Jadi, haruslah merupakan eigen value X-
1
AX dengan perkalian sedikitnya k. Hasilnya sekarang mengikuti karena,
berdasarkan teorema 5.3 (d), eigen value X-1AX adalah sama seperti halnya A.
Jika eigen value dan eigen vektor suatu matriks A diperoleh, maka Anda
dapat dengan mudah mencari eigen value dan eigen vektor dari sembarang pangkat
bilangan bulat positif dari A. Misalnya jika adaalah suatu eigen value dari A dan x
adalah eigen vektor yang bersesuaian, maka :
A2x = A(Ax) = A(x) = (Ax) = (x) = 2x
Yang menunjukkan bahwa 2 merupakan eigen value dari A2 dan x merupakan
eigen vektor yang bersesuaian. Secara umum, perhatikan teorema berikut :
Teorema 5
Diberikan  merupakan eigen value matriks A m  m dan x eigen vektor yang
berhubungan. Maka,
a) Jika n adalah integer  1, n adalah eigen value dari An yang berhubungan dengan
eigen vektor x

b) Jika A adalah nonsingular, -1 adalah eigen value dari A-1 yang berhubungan dengan
eigen vektor x

12
Bukti :
Untuk bagian (a) dengan menggunakan hubungan Ax = λx yang berulang, sehingga kita
mempunyai

An x An1  Ax  A n1 x  An1 x   n x

Untuk membuktikan poin (b), perkalian awal persamaan eigen value-eigen vektor Ax x
dengan A-1, memberikan persamaan
x  A1 x (1.4)
Karena A nonsingular, berdasarkan teorema 6.2(b) kita tahu bahwa λ ≠ 0, sehingga
pembagian kedua sisi dengan λ menghasilkan
A1 x λ1 x
yang mana merupakan persamaan eigen value-eigen vektor untuk A-1, dengan
eigen value λ-1 dan eigen vektor x.
Contoh 8
Lihat kembali matriks A pada contoh 6. Tentukan eigenvalue dan eigenvektor dari A7 !
Jawab :
Dari contoh soal 6, telah diperoleh bahwa eigen value dari matriks A adalah = 1 dan
 = 2. Dengan menggunakan teorema 5 maka = 27 = 128 dan = 17= 1 merupakan
eigen value dari A7.
Eigen vektor dari A yang bersesuaian dengan = 1 adalah x = (0, 0, 1)T.
Dan eigen vektor dari A yang bersesuaian dengan = 27 = 128 adalah x = (1, 0, 0)T
Dalam mempelajari matriks dan statistik lebih lanjut, anda akan sering
berhubungan dengan trace dan determinan suatu matriks. Jika eigen value dari suatu
matriks sudah diperoleh, maka untuk mendapatkan trace ataupun determinan dari suatu
matriks anda akan dapat menentukan dengan mudah. Perhatikan teorema berikut :
Teorema 6
Diberikan A berupa matriks m × m dengan eigen value λ1, , λm. Maka

(a) tr(A)  i1λ i

(b) A   i1λ i

13
Bukti : (Tunjukkan sebagai latihan)
Hal penting dalam statistika adalah mengetahui kebebasan linear dari
beberapa vektor. Penerapan dari kebebasan linear telah anda kenal dalam penentuan rank,
basis, dimensi ataupun dalam penyelesaian dari sistem persamaan linear yang telah
dibahas pada modul-modul sebelumnya. Dalam kaitannya dengan kebebasan linear, juga
ada kaitannya dengan eigen value dari suatu matriks.
Teorema berikut memberikan kondisi yang cukup untuk serangkaian
eigen vektor yang independen secara linear.
Teorema 7
Anggap x1, ,xr adalah eigen vektor matriks A berdimensi m × m, dimana r m. Jika
eigen value yang bersesuaian λ1, ,λr adalah λi ≠ λj untuk semua i ≠ j, maka vektor x1,
,xr independen secara linear.
Bukti :
Pembuktian kita dilakukan dengan cara berkebalikan, karenanya kita mulai dari
asumsi bahwa vektor x1, ,xr adalah independen secara linear. Kemudian h adalah
bilangan integer terbesar untuk x1, ,xh yang independen secara linear. Kumpulan yang
seperti itu dapat ditemukan karena x1, yang menjadi eigen vektor, tidak boleh sama
dengan 0 (nol), dan karenanya independen secara linear. Vektor-vektor x1, ,x h+1

haruslah bergantung secara linear (linearly dependent), jadi skalar yang ada 1, ,h+1
dengan sedikitnya dua skalar yang tidak boleh sama dengan nol karena menyebabkan
eigen vektor menjadi vektor null, sehingga
1 x    h1 xh1  0
Penyelesaian persamaan di atas untuk sisi sebelah kiri dengan mengalikannya dengan
(Ah+1I), kita dapatkan

1  A  λ h1  x1   h1  A  λ h1  xh1

 1  Ax1  λ h1 x1    h1  Axh1  λ h1 xh1 

 1  λ1  λ h1  x1  h  λh  λ h1  xh

juga harus sama dengan 0. Tetapi x1, ,xh linear independen sehingga berlaku

1 λ1  λh1    h λh  λh1   0

14
Kita mengetahui bahwa sedikitnya salah satu dari skalar 1, , h tidak sama dengan nol
dan sebagai contoh, jika i adalah satu dari skalar-skalar yang tidak nol, maka kita harus
memiliki λi = λh+1. Hal ini bertolak belakang dengan kondisi-kondisi yang disebutkan
dalam teorema, jadi vektor-vektor x1, , xr haruslah independen linear.

2.3. Diagonalisasi
Jika eigen value λ1, , λm dari matriks A berukuran m×m semuanya adalah
berbeda, maka sesuai dengan teorema 6.7 bahwa matriks X = (x1,, xm) adalah
nonsingular, dimana xi adalah eigen vektor yang berhubungan dengan λi. Berlaku pula
dengan persamaan eigen value-eigen vektor Axi = λixi, yaitu jika tentukan matriks diagonal
 = diag(λ1, , λm), maka AX=X. Perkalian persamaan ini dengan X-1 menghasilkan
X-1AX = . Setiap matriks persegi yang dapat ditransformasikan ke matriks diagonal
melalui perkalian diawal matriks (postmultiplication) dengan sebuah matriks
nonsingular dan perkalian diakhir matriks (premultiplication) dengan inversnya disebut
dapat didiagonalkan (diagonalizable). Jadi, suatu matriks persegi dengan eigen value
berbeda adalah diagonalizable.
Jelasnya, apabila sebuah matriks adalah diagonalizable, rank-nya sama
dengan jumlah eigen value yang tidak nol, karena rank(A) = rank(X-1AX) = rank()
Contoh 9
Pertimbangkan matriks berukuran 2 x2 berikut :
1 1 0 1
𝐴=[ ];𝐵 = [ ]
0 1 0 0
tentukan rank dari matriks A dan B.
Jawab :
Dapat anda tentukan dengan mudah bahwa rank dari matriks A dan B adalah 1. Dan
diperoleh persamaan karakteristik dari A adalah  (1  )  0 , sehingga eigen value dari
A adalah 0 dan 1, jadi dalam kasus ini rank dari A adalah sama dengan jumlah eigen
value yang tidak nol.
Perhatikan untuk matriks B, persamaan karakteristik dari B adalah 2 = 0,
sehingga eigen value dari B adalah 0 yang diulang sebanyak dua kali. Disini rank dari B
lebih besar dari jumlah eigen value yang tidak sama dengan nol.

15
Contoh 10
Diberikan matriks A sebagai berikut :
0 0 −2
𝐴=[ 1 2 1]
1 0 3
Tentukan suatu matriks X yang mendiagonalkan matriks A.
Jawab :
Dari matriks tersebut dapat kita tentukan persamaan karakteristiknya adalah (-1)(-2)2 =
0 dan didapatkan basis-basis untuk ruang eigen :
= 2 diperoleh e1 = (-1 0 1)T dan e2 =(0 1 0)2
=1 diperolah e3 = (-2 1 1)T
sehingga ada tiga vektor basis dan matriks A dapat didiagonalkan,
−1 0 −2
𝐴=[ 0 1 1 ] mendiagonalkan A
1 0 1
dimana:
1 0 1 0 0 − 2 −1 0 −2 2 0 0
𝑋 −1 𝐴𝑋 = [ 1 1 1 ] [1 2 1] [ 0 1 1 ] = [0 2 0]
−1 0 −1 1 0 3 1 0 1 0 0 1
yang merupakan matriks diagonal dengan elemen diagonalnya adalah eigen value.

Teorema 8
Diberikan matriks A berukuran m×m dengan eigen value λ1, , λm, dan
𝑚

∏(𝐴 − 𝜆𝑖 𝐼) = (0);
𝑖=1

yaitu, jika  λ   m1  λ   1  λ   0 0 adalah persamaan karakteristik A,


m m1

maka

 A   m1  A  1  A  0 0


m m1

Bukti : (Tunjukkan sebagai latihan)

16
2.4 . Matriks Simetris
Banyak sekali aplikasi-aplikasi yang yang melibatkan eigen value dan
eigen vektor, salah satunya adalah matriks simetri. Dimana matriks simetri
mempunyai beberapa sifat khusus yang berkaitan dengan eigen value dan
eigen vektor.
Teorema 9
Jika A adalah matriks simetri berukuran m x m, maka:
a) eigen value dari A semuanya bilangan real, dan
b) vektor-vektor eigen dari ruang eigen yang berbeda orthogonal
Bukti :
a) Misal   i merupakan eigen value dari A dan x +y = iz merupakan eigen vektor
yang bersesuaian, dimana i 1 . Akan kita tunjukkan bahwa =0
Substitusikan ekspresi λ dan x ke dalam persamaan eigen value eigenvector Ax = λx

A y  iz    i  y  iz     (1.5)

Perkalian (1.5) dengan (y  iz) menghasilkan


T

 y  iz  A( y  iz)   i  y  iz  ( y  iz)


T T

yang disederhanakan menjadi y’TAy + z TAz = (+ i)(yTy + z Tz), karena y TAz = z TAy
berlaku simetri A. Sekarang x ≠ 0 berimplikasi bahwa (yTy + z Tz) > 0, dan
konsekuensinya kita harus mempunyai = 0 karena sisi kiri persamaan di atas
adalah real. Substitusikan  = 0 ke dalam persamaan (1.5) hasilnya adalah
Ay + iAz = y + iz
Jadi, x= y + iz akan menjadi eigen vektor A yang berhubungan dengan λ =
sepanjang y dan z memenuhi Ay = y, Az = z dan sedikitnya tidak ada salah satu
yang bernilai 0 sehingga x ≠ 0. Sebuah eigenvector real kemudian dibentuk
dengan memilih y ≠ 0 sedemikian hingga Ay = y dan z = 0.
Jadi terbukti bahwa eigen value dari A semuanya bilangan real.
b) Anggap x1 dan x2 adalah eigen vektor yang bersesuaian dengan eigen value x1 dan x2 yang
berbeda dari matriks A. Kita ingin menunjukkan bahwa x1 .x2 = 0. Menurut teori hasil kali
titik pada modul Ruang Vektor, dan kesimetrisan A, diperoleh :
Ax1 .x2 = x1 .A Tx2 = x1 .A Tx2 (1.6)

17
Tetapi x1 adalah eigen vektor yang bersesuaian dengan 1 dan x2 adalah eigen vektor
yang bersesuaian dengan2, sehingg persamaan (1.6) menghasilkan hubungan :
1x1 .x2 = x1 . 2 x2
yang dapat ditulis kembali menjadi :
(1 - 2 )( x1 .x2 ) = 0 (1.7)
Tetapi (1 - 2 ) 0, karena 1 dan 2 dianggap berbeda. Jadi dari persamaan 1.7 dapat
kita simpulkan bahwa x1 .x2 = 0. Yang berarti x1 dan x2 ortogonal.
Telah kita lihat bahwa himpunan eigen vektor dari sebuah matriks A ukuran m×m
adalah linear independen jika eigen value yang terasosiasi semuanya adalah berbeda satu sama
lainnya. Sekarang akan kita tunjukkan, jika A simetris, kita bisa bahas lebih lanjut. Anggaplah
x dan y adalah eigenvector A yang berhubungan dengan eigen value λ dan , dimana λ ≠ .
Maka, karena A simetris, berlaku bahwa
λxT y  (λx)T y  (Ax)T y xT AT y xT (Ay) xT (γy) γxT y

Karena λ ≠  kita harus mempunyai xTy = 0, yaitu eigenvector yang


berhubungan dengan eigen value yang berbeda haruslah orthogonal. Sehingga, jika m
eigen value A adalah berbeda, maka serangkaian eigenvector yang berhubungan akan
membentuk kelompok vektor yang saling orthogonal. Akan kita tunjukkan bahwa hal itu
masih memungkinkan apabila A mempunyai eigen value yang beragam. Sebelumnya
kita perlu hasil berikut :
Teorema 10
Sebuah matriks A simetris m × m dan x adalah vektor tidak nol m × 1. Maka untuk
sembarang r ≥ 1, ruang vektor spanned by vektor x, Ax, …, Ar-1x, memuat sebuah
eigen vektor A.

2.5. Mencari Nilai Eigen Dengan Cara Analitis


1) Nilai Eigen
Sebelumnya telah dijelaskan bahwa nilai eigen merupakan nilai karakteristik
suatu matriks. Secara sederhana, nilai eigen merupakan nilai yang mempresentasikan suatu
matriks dalam perkalian dengan suatu vektor, dapat ditulis sebagai:
Ax = λx
di mana A suatu matriks persegi (n,n), x merupakan vektor (n,1), dan λ merupakan nilai
eigen dari matriks A. Nilai eigen matriks A dapat dicari dengan

18
Ax−λx = 0
(A−λ)x = 0
Misalkan diberikan A matriks 3x3 dan vektor x
−8 21 −9 a
𝐴 = [−14 31 − 13] dan x = [b]
−22 45 − 19 c
Berdasarkan persamaan (A−λ)x = 0 dapat dituliskan
−8 − 𝜆 21 −9 a
[ −14 31 − 𝜆 − 13 ] [b] = 0
−22 45 − 19 − 𝜆 c
Untuk mencari nilai λ yang sesuai, terlebih dahulu dihitung determinan dari (A−λ) dengan metode
Sarrus (khusus matriks 3x3) atau ekspansi kofaktor. Menggunakan ekspansi kofaktor baris
pertama, diperoleh
31 − λ −13 −14 −13 −14 31 − λ
det(A − λ) = (−8 − λ) | | − (21) | | + (−9) | |
45 −19 − λ −22 −19 − λ −22 45
= −λ3 + 4λ2+ 4 λ− 16

Polinomial yang didapatkan di atas disebut polinomial karakteristik. Berdasarkan


persamaan (A−λ)x = 0, diketahui jika x tidak nol maka A−λ harus sama dengan nol. Hal ini
berarti det(A−λ) = 0. Dengan demikian, diperoleh persamaan
−λ3 + 4λ2+ 4 λ− 16 = 0
Jika dicari dengan pemfaktoran atau dengan bantuan Matlab, diperoleh −λ3 + 4λ2 +
4λ – 16 = (λ+2)(−λ+2)(λ−4) sehingga didapatkan ketiga nilai eigen yaitu λ=2, λ=−2 dan
λ=4.
Jelaslah untuk matriks persegi orde-n akan memberikan persamaan karakteristik
orde-n pula. Dengan begitu, matriks persegi orde-n memiliki paling banyak n nilai eigen
(bisa kurang jika ada akar kembar).
Cara spesial untuk memperoleh polinomial karakteristik matriks 2x2 dan 3x3 ialah:
- matriks 2x2: det(A) − λ⋅trace(A) + λ2
- matriks 3x3: det(A) − λ⋅(M11+M22+M33)+λ2⋅trace(A)−λ3
dengan Mij adalah Minor dari matriks A.

19
2) Vektor Eigen
Vektor eigen x merupakan solusi dari matriks A−λ untuk setiap nilai λ yang ada di
mana x≠0. Misalkan pada matriks A tadi mempunyai tiga nilai eigen, maka vektor
eigennya juga ada tiga.
Misalkan untuk λ = 2, substitusikan nilai λ ke dalam persamaan:
−8 − 𝜆 21 −9 a
[ −14 31 − 𝜆 − 13 ] [b] = 0
−22 45 − 19 − 𝜆 c
−8 − (2) 21 −9 a 0
[ −14 31 − (2) − 13 ] [b] = [0]
−22 45 − 19 − (2) c 0
−10 21 −9 a 0
b
[−14 29 −13] [ ] = [0]
−22 45 −21 c 0
SPL di atas dapat diselesaikan dengan metode Gauss atau Gauss-Jordan. Metode Crammer
tak dapat digunakan karena matriks di atas tidak memiliki solusi sejati (determinannya =
0). Jadi kita hanya dapat memperoleh solusi trivialnya dengan menyatakan a, b, dan c
misalkan dalam c. Dengan metode Gauss, matriks pada ruas kiri persamaan
−10 21 −9 a 0
[−14 29 −13] [b] = [0] dapat diubah menjadi matriks segitiga melalui operasi baris
−22 45 −21 c 0
elementer (OBE) yaitu:
−10 21 −9
−10 21 −9 4 4
[−14 29 −13] 𝑂21 (−14/10) = [ 0 − − ] 𝑂31 (−22/10)
−22 45 −21 10 10
−22 45 −21
−10 21 −9
4 4 −10 21 −9
0 − − 4 4
= 10 10 𝑂32 (−3) = [ 0 − − ]
12 12 10 10
0 − − 0 0 0
[ 10 10]
−10 21 −9 a 0
Dengan demikian, persamaan [−14 29 −13] [b] = [0] dapat ditulis ulang menjadi:
−22 45 −21 c 0
−10 21 −9 a 0
[ 0 −0,4 −0,4] [b] = [0]
0 0 0 c 0
jika a,b,c kita nyatakan dalam c, diperoleh
−0,4b − 0,4c = 0
−10a + 21b − 9c = 0

20
Dari kedua persamaan di atas diperoleh b = −c dan a = −3c. Jadi vektor eigen untuk λ = 2
ialah
−3c −3
x1 = [ −c ] = [−1]
c 1
Dengan cara serupa, untuk λ = −2, jika ditelusuri diperoleh
1
4
c 1
x 2 = [ ] = [ 2]
1
c
2
c 4
dan untuk λ=4
c 1
x3 = [c] = [1]
c 1

2.6. Implementasi MATLAB Untuk Mencari Nilai Eigen


 Nilai Eigen
Di bawah ini akan dijelaskan cara mencari nilai eigen untuk persamaan matriks.
Contoh 1 : matriks yang akan diuji adalah matriks persegi 3 x 3 yang sama dengan matriks
yang dicari nilai eigennya secara analitis di atas.
Langkah-langkah dengan MATLAB:
1. Sebagai langkah awal buka program Matlab pada desktop sehingga akan terbuka
program dengan memunculkan kotak dialog MATLAb dan Comman Window seperti
gambar di bawah ini:

21
2. Buat M-file baru pada Comman Window dengan cara mengklik menu File pada
Comman Window dan pilih New kemudian M-File seperti gambar di bawah ini:

3. Maka akan muncul kotak M-File baru seperti pada gambar di bawah ini:

4. Masukkan kode program ke program MATLAB sebagai berikut dengan cara


mengketikkannya pada kotak dialog M-File yang tampak pada gambar di langkah 5.
Catatan : Jika ada kode/script program yang sudah baku dan lengkap seperti kode
program dibawah ini, maka copy-paste saja kode tersebut ke kotak dialog M-File. Jika
tidak lengkap, maka harus diketik ulang dan direvisi dimana terdapat kesalahannya.

22
Script/kode tersebut diketahui tidak lengkap jika setelah di jalankan programnya
ternyata eror.
Kode Program :
% Polinomial Karakteristik dan Nilai Eigen
clc;
clear all;
disp ( ' FUNGSI EIGEN DAN NILAI EIGEN ' );
disp ( ' OLEH : KELOMPOK 6 ' );
disp ( ' NAMA : AISYAH (NIM 8176175001) ' );
disp ( ' DEWI ARISANTI (NIM 8176175003) ' );
disp ( ' DEWI RATNA PERTIWI (NIM 8176175004)' );
disp ( ' KELAS : REG-A 2017 PROG.PASCA SARJANA' );
disp ( ' MATA KULIAH : FISIKA KOMPUTASI' );
disp ( ' DOSEN PENGAMPU : Dr.Makmur Sirait,M.Si ' );
disp ('________________________________________________________');
disp (' ')
A=input('Mariks A = ');
disp('Matriks A =');
disp(A);
dA=det(A);
[ba,ka]=size(A);
syms L;
for j=1:ka
for i=1:ba
C=A-L*eye(ba);
end
end
disp(C);
disp('polinomial karakteristik matriks A=');
disp(det(C));
disp('nilai eigen matriks A=');
disp(eig(A));

Koding yang telah di input sebagai berikut:

23
5. Setelah selesai mengetik script program, simpanlah hasil kerja (work) dengan
mengklik menu File kemudian Save pada kotak dialog M-File. Gantilah nama file dari
Untitled menjadi FungsiEigen (tanpa spasi). Catatan : nama file tidak boleh
menggunakan spasi, jika menggunakan spasi maka file akan eror jika dijalankan.
Gambar dibawah menjelaskan cara menyimpan file kerja:

6. Pada work path klik ‘Debug’ kemudian ‘Run’ untuk menjalankan program sebagai
berikut:

24
7. Maka akan muncul pada Comman Window sebagai berikut:

>> FUNGSI EIGEN DAN NILAI EIGEN


OLEH : KELOMPOK 6
NAMA : AISYAH (NIM 8176175001)
DEWI ARISANTI (NIM 8176175003)
DEWI RATNA (NIM 8176175004)
KELAS : REG-A 2017 PROG.PASCA SARJANA
MATA KULIAH : FISIKA KOMPUTASI
DOSEN PENGAMPU : Dr.Makmur Sirait,M.Si
________________________________________________________

Mariks A =

Gambar pada comman window:

8. Kemudian masukkan nilai matriks persegi 3x3 sesuai contoh pada cara analitis yaitu
−8 21 −9
𝐴 = [−14 31 − 13]. Cara menginput pada matlab : [-8 21 -9;-14 31 -13;-22 45 -19].
−22 45 − 19

Setelah itu tekan ‘Enter’ pada keyboard, maka akan muncul persamaan karakterisstik
polynomial dan nilai eigen matriks A tersebut.
>> FUNGSI EIGEN DAN NILAI EIGEN
OLEH : KELOMPOK 1
NAMA : AISYAH (NIM 8176175001)
DEWI ARISANTI (NIM 8176175003)
DEWI RATNA (NIM 8176175004)
KELAS : REG-A 2017 PROG.PASCA SARJANA
MATA KULIAH : FISIKA KOMPUTASI
DOSEN PENGAMPU : Dr.Makmur Sirait,M.Si
________________________________________________________

25
Mariks A = [-8 21 -9;-14 31 -13;-22 45 -19]
Matriks A =
-8 21 -9
-14 31 -13
-22 45 -19

[ -8-L, 21, -9]


[ -14, 31-L, -13]
[ -22, 45, -19-L]

polinomial karakteristik matriks A=


-16+4*L+4*L^2-L^3

nilai eigen matriks A=


4.0000
2.0000
-2.0000
Gambar pada Comman Window:

Dimana V dalah Vektor eigen dan D adalah Nilai eigen

Catatan :
1. Cara menginput nilai matriks persegi pada Matlab : [-8 21 -9;-14 31 -13;-22 45 -19]
2. Matlab akan menampilkan matriks A persegi ordo 3x3 dan akan menampilkan matriks
memenuhi (A−λ)x = 0
3. Pada Matlab, symbol λ diganti dengan L. Dari gambar diatas tampak bahwa polynomial

karakteristik matriks A adalah − 16 + 4*L + 4*L^2 – L^3. Karena λ = L maka

26
persamaannya menjadi − 16 + 4* λ + 4* λ ^2 – λ ^3 sama dengan − 16 + 4λ + 4λ2 – λ3 atau –
λ3 + 4λ2 + 4λ − 16
4. Polinomial karakteristik dan nilai eigen dari matriks A yang dicari menggunakan matlab
sesuai dengan yang dicari menggunakan metode analitis
5. Nilai eigen matriks ada 3 karena matriksnya berordo 3x3
6. Polynomial karakteristik matriksnya pangkat 3 karena matriksnya berordo 3x3

27
BAB III
PENUTUP
3.1. Kesimpulan
1. Program MATLAB yang dibuat diatas untuk mencari nilai eigen untuk persamaan
matriks yang fleksibel dengan syarat matriknya harus matriks persegi misalnya 2 x 2,
3 x 3, 4 x 4, atau 5 x 5 dan seterusnya.
2. Kefleksibelan persamaan yang dimaksud adalah kita dapat dengan bebas memasukkan
nilai matriks yang akan dicari nilai eigennya apakah angka 0, bilangan negatif maupun
bilangan positif dengan syarat utama yaitu matriknya harus matriks persegi
3. Pada Matlab, symbol λ diganti dengan L untuk menyatakan polynomial karakteristik
matriksnya. Contoh jika polynomial karakteristik matriks A adalah − 16 + 4*L +
4*L^2 – L^3, ini sama dengan − 16 + 4* λ + 4* λ ^2 – λ ^3 atau − 16 + 4λ + 4λ2 – λ3,
(karena λ = L).
4. Jumlah nilai eigen dari matriks persegi ditentukan oleh ordo matriksnya. Jika
matriksnya berordo 2x2 maka nilai eigen matriksnya ada 2, jika matriksnya berordo
3x3 maka nilai eigen matriksnya ada 3 dan seterusnya untuk matriks persegi nxn yang
lain. Jadi, matrik berordo nxn maka jumlah nilai eigennya sebanyak n.
5. Pangkat maksimal dari polynomial karakteristik matriks ditentukan oleh ordo
matriksnya. Jika matriksnya berordo 2x2, maka polynomial karakteristik matriksnya
memiliki pangkat maksimal 2, begitupula untuk matriks 3x3 maka pangkat
maksimalnya 3 dan seterusnya untuk matriks persegi nxn yang lain. Jadi, matrik
berordo nxn maka polynomial karakteristiknya berpangkat maksimal n.
6. Polinomial karakteristik dan nilai eigen dari matriks A yang dicari menggunakan
matlab sesuai dengan yang dicari menggunakan metode analitis

28
DAFTAR PUSTAKA
Anonim. 2012. Praktikum Numerik Dengan Matlab. http://simasdap.blogspot.com.
Diakses tanggal 28 Januari 2017
Fachruddin, Imam. 2013. Metode Numerik. Jakarta : UI Press
Sartono, Arif. 2006. Penggunaan Metode Numerik dan MATLAB Dalam Fisika. Jakarta :
UI Press
Nugroho, Fahrudin. 2013. Pemrograman dan Metode Numerik (Untuk Fisika). Catatan
Kuliah Fisika. Diakses tanggal 28 Januari 2017
Sahyar. 2013. Algoritma dan Pemrograman Mengunakan Matlab. Medan : UNIMED
Press
Wibawati. 2007. Eigenvalue dan Eigenvektor. Modul5_Nilai_Eigen. Diakses tanggal 22
Februari 2017
Zakaria, Ulfah. 2010. Metode Numerik. Jakarta: UNILA Press

29
1