7.

NILAI EIGEN DAN VEKTOR EIGEN

7.1. Nilai eigen dan vektor eigen
Definisi :
Jika A suatu matrix n  n, maka vektor x  0 , x  R n , disebut vektor eigen dari A jika Ax
adalah kelipatan skalar dari x, yaitu: Ax   x
untuk  skalar.
 disebut nilai eigen dari A dan x disebut vektor eigen yang bersesuaian dengan .
Secara geometris di R2, dapat digambarkan sebagai berikut:

Contoh 1.
3 0  1
A , x   
 8 1  2
 3 0  1   3  1
karena Ax         3    3x
 8 1 2   6   2
1
maka  = 3 adalah nilai eigen dari A, dengan vektor eigen x   
 2
Untuk mencari nilai eigen dari Ann , tulis Ax   x sebagai:
Ax   Ix
( I  A) x  0 ...(7.1)

dan agar  menjadi nilai eigen, maka solusi dari (7.1) haruslah vektor x  0 ,
hal ini dapat terpenuhi jika:
det( I  A)  0 ...(7.2)
Persamaan (7.2) disebut persamaan karakteristik dari A.
Jika persamaan (7.2) diuraikan, maka diperoleh suatu polinomial dalam , sehingga
det( I  A)  0 disebut juga polinomial karakteristik dari A.
Untuk kasus Ann, det( I  A)  0 dapat diuraikan menjadi

det( I  A)   n  c1 n1  ...  cn = 0 ...(7.3)

yaitu polinomial berderajat n dengan koefisien pangkat tertinggi  n adalah 1.

Dari (7.3) diperoleh bahwa A mempunyai paling banyak n nilai eigen yang berbeda.

Contoh 2.
 1 0 1  4 0 1
 
A   2 1 0  , det( I  A)  2  1 0
 2 0 1   1
  2 0
 (  4)(  1)(  1)  2(  1)
= 3  6 2  11  6
  3  6 2  11  6  0 adalah persamaan karakteristik dari A

Nilai Eigen Matrix Segitiga

Teorema 7.1.1.
Jika A adalah matrix segitiga (segitiga atas, segitiga bawah atau diagonal) berukuran n  n,
maka nilai eigen dari A adalah entri-entri pada diagonal utama dari A.

Contoh 3.
 
 12 0 0 
  1 2 1
A   1 2 0  , nilai eigen   ,   ,  =-
 3  2 3 4
 1
 5 8  
 4

Teorema 7.1.2.
Jika A adalah matrix n  n dan  adalah bilangan real, maka pernyataan berikut ekivalen.
a.  adalah nilai eigen dari A
b. Sistem persamaan linear ( I  A) x  0 mempunyai solusi nontrivial

c.  x  0  R n  Ax   x

d.  adalah solusi dari det( I  A)  0

Mencari Basis dari Ruang Eigen
Telah diketahui bahwa masalah mencari nilai eigen berkembang menjadi masalah mencari
vektor eigen.
Vektor eigen dari suatu matrix A yang bersesuaian dengan nilai eigen  , adalah vektor tak nol
yang memenuhi Ax   x atau vektor eigen tersebut merupakan solusi dari ( I  A) x  0 .
Ruang solusi dari ( I  A) x  0 disebut ruang eigen dari A yang bersesuaian dengan .

 0 0 2 
 
Contoh 4. Cari basis ruang eigen dari A   1 2 1 
1 0 3 
 
Jawab:
persamaan karakteristik dari A adalah  3  5 2  8  4  0
 (  1)(  2)2  0
nilai eigen dari A adalah  = 1 dan  = 2
 untuk  = 2

  I  A x  0
 2 0 2  x1   0 
    
 1 0 1 x2    0 
 1 0 1 x   0 
  3   
sistem di atas mempunyai solusi x1  s, x2  t , x3  s

maka vektor-vektor eigen dari A yang bersesuaian dengan  = 2 adalah

 s   1  0 
     
x   t   s 0   t 1
 s   1   0
     

 1 0
   
karena  0  dan  1  saling bebas linear, maka vektor-vektor tersebut membentuk
1 0
   
basis untuk ruang eigen yang bersesuaian dengan  = 2.
 untuk  = 1
  I  A x  0
 1 0 2  x1   0 
    
 1 1 1  x2    0 
 1 0 2  x   0 
  3   
sistem di atas mempunyai solusi x1  2s, x2  s, x3  s
 maka vektor-vektor eigen dari A yang bersesuaian dengan  = 1 adalah

 2s   2 
   
x   s   s 1 
 s  1
   

 2 
 
maka vektor  1  membentuk basis untuk ruang eigen  = 1.
 1
 
Nilai Eigen dari Pangkat Suatu Matrix
Teorema 7.1.3.
Jika k suatu bilangan bulat,  suatu nilai eigen dari A dan x vektor eigen yang bersesuaian,
maka k adalah nilai eigen dari Ak dengan x vektor eigen yang bersesuaian.

Sebagai ilustrasi:
Misalkan  dan x adalah nilai dan vektor eigen yang bersesuaian dari A, maka
A2 x  A( Ax)  A( x)   ( Ax)   ( x)   2 x

Contoh 5.
 0 0 2 
 
Dari contoh 4, diperoleh nilai eigen dari A   1 2 1  adalah  = 2 dan  =1
1 0 3 
 
Maka  = 27 = 128 dan  =17 = 1 adalah nilai eigen dari A7. Sedangkan vektor-vektor eigen
dari A yang bersesuaian dengan , juga merupakan vektor-vektor eigen dari A7.

Nilai Eigen dan Invertible

Teorema 7.1.4.
Suatu matrix bujur sangkar A invertible jika dan hanya jika  = 0 bukan suatu nilai eigen
dari A.
Bukti:
Asumsikan Ann dan perhatikan bahwa  = 0 adalah suatu solusi dari persamaan karakteristik
 n  c1 n1  ...  cn = 0, jika dan hanya jika suku konstan cn = 0.
Maka untuk membuktikan A invertible, cukup dengan membuktikan cn  0.

Tapi det( I  A)   n  c1 n1  ...  cn ,

maka untuk  = 0 maka det(-A) = cn atau (1)n det( A)  cn

 Sehingga det(A) = 0 jika dan hanya jika cn = 0.

Jadi A invertible jika dan hanya jika cn  0.

7.2. Diagonalisasi

Masalah vektor eigen

Diberikan matrix A berukuran n × n, apakah terdapat suatu basis untuk Rn yang terdiri dari vektor-
vektor eigen dari A

Masalah diagonalisasi (bentuk matrix)

Diberikan matrix A berukuran n × n, apakah terdapat suatu matrix invertible P sedemikian sehingga
P-1AP adalah matrix diagonal

Definisi
Suatu matrix bujur sangkar A dikatakan dapat didiagonalisasi jika terdapat matrix P sedemikian
sehingga P-1AP adalah matrix diagonal. Matrix P dikatakan mendiagonalisasi A.

Teorema 7.2.1.
Jika A adalah matrix n × n, maka pernyataan berikut ekivalen
a. A dapat didiagonalisasi
b. A mempunyai n vektor eigen yang bebas linear

Bukti:

Prosedur untuk mendiagonalisasi suatu matrix An × n :

1. Cari n vektor eigen dari A yang bebas linear, misalkan p1, p2, …, pn.
2. Bentuk matrix P dengan p1, p2, …, pn sebagai vektor-vektor kolomnya.
3. Diperoleh matrix P-1AP adalah matrix diagonal dengan 1, 2, …, n sebagai entri-entri
diagonal utamanya, dimana i adalah nilai eigen yang bersesuaian dengan pi, i = 1,2,…, n

Contoh 1:
1 0 
Cari matrix P yang mendiagonalisasi matrix A   
 6  1
Jawab:
 1 0
det(I  A)   (  1)(  1)  0
 6  1
Maka nilai eigen dari A adalah  = 1 dan  = -1.
 Untuk  = 1  (I - A) x = 0 

, misalkan  Basis

 Untuk  = -1  (I - A) x = 0 
 , misalkan  Basis
A matrix 2×2 dan mempunyai 2 vektor eigen yang bebas linear, maka A dapat di
diagonalisasi dengan matrix

Check:

Teorema 7.2.2
Jika adalah vektor-vektor eigen dari A yang bersesuaian dengan maka
bebas linear.

Cara lain untuk menentukan apakah suatu matrix dapat didiagonalisasi atau tidak, adalah dengan
menentukan dimensi dari ruang eigen.

Contoh 2: (dari contoh 1)

 ruang eigen untuk  = 1 adalah ruang solusi dari .
Matrix koefisiennya mempunyai rank =1 , sehingga nulitas = 2-1 = 1
 terdapat 1 vektor basis  dimensi ruang eigen  = 1 adalah 1.
 ruang eigen dari  = -1 adalah ruang solusi dari ,
maka rank =1 , dan nulitas = 2-1 = 1  terdapat 1 vektor basis.
 dimensi ruang eigen  = -1 adalah 1.
Jadi total dimensi ruang eigen = 2  terdapat 2 vektor eigen yang bebas linear  A dapat
didiagonalisasi

Teorema 7.2.3.
Jika An × n mempunyai n nilai eigen yang berbeda, maka A dapat didiagonalisasi.

Contoh 3:

=
Diperoleh  = 4,  = 2 + dan  = 2 -
Karena A matrix 3×3 mempunyai 3 nilai eigen yang berbeda, maka A dapat didiagonalisasi

dimana

Apakah matrix n × n yang tidak mempunyai n nilai eigen yang berbeda tidak dapat didiagonalisasi?

Contoh 4:
 0 0  2
 
A   1 2 1 , det(I  A)  (  1)(  2) 2  0
1 0 3 
 
  2 0 2  x1   0 
    
Untuk =2    1 0  1 x 2    0   rank = 1, nulitas = 2, Dim ruang eigen = 2
  1 0  1 x   0 
  3   

1 0 2  x1   0 
    
Untuk =1    1  1  1  x 2    0   rank = 2, nulitas = 1, Dim ruang eigen = 1
  1 0  2  x   0 
  3   
Total dimensi ruang eigen = 3  terdapat 3 vektor eigen bebas linear  A dapat
didiagonalisasi.

Contoh 5:
 1 0 0
 
A   1 2 0 , det(I  A)  (  1)(  2) 2  0
  3 5 2
 
0 0 0  x1   0 
    
Untuk =1    1  1 0  x 2    0   rank = 2, nulitas = 1, Dim ruang eigen = 1
 3  5  1 x   0 
  3   
1 0 0  x1   0 
    
Untuk =2    1 0 0  x 2    0   rank = 2, nulitas = 1, Dim ruang eigen = 1
 3  5 0  x   0 
  3   
Total dimensi ruang eigen = 2  terdapat 2 vektor eigen bebas linear  A tidak dapat
didiagonalisasi.

Multiplisitas geometri dari 0 adalah dimensi dari ruang eigen yang bersesuaian dengan 0
Multiplisitas aljabar dari 0 adalah jumlah (-0 ) muncul sebagai faktor dari polinomial
karakteristik dari A.

Teorema 7.2.4.
1. Untuk setiap nilai eigen dari A multiplisitas geometris ≤ multiplisitas aljabar
2. A dapat didiagonalisasi jika dan hanya jika multiplisitas geometri = multiplisitas aljabar,
untuk setiap nilai eigen

Jika A adalah matrix n × n dan P matrix invertible, maka

( P 1 AP) 2  ( P 1 AP)( P 1 AP)  P 1 A( PP 1 ) AP  P 1 A2 P
Secara umum: ( P 1 AP) K  P 1 A K P
Maka jika A dapat didiagonalisasi dan P-1AP = D matrix diagonal,
P 1 A K P  ( P 1 AP) K  D K
A K  PD K P 1
 d1 0  0   d1K 0  0 
   
 0 d2  0   0 d 2K  0 
Jika D    maka D  
K

   
       
0 0  d   0  d 2K 
 n  0
Contoh 6:
 1 0
Jika A    maka hitung A 25
 6 1 
1 0  1 0 
Jawab : dari contoh sebelumnya diperoleh P   3 dan D   
 1 1 
   0 1 
25 -1  0   1 0   3 0   1 0  1 0   3 0
25 25
1
25
Maka A =PD P =  3     = 3  
 1 1 0 1   1 1   0  125    3 1 
    3 1     
1 0   1 0   3 0   1 0 
= 3   = 
 1 1   0 1   3 1   6 1 
     

7.3. Diagonalisasi Ortogonal

Masalah vektor eigen yang ortonormal:
Diberikan matrix A berukuran n × n, apakah terdapat basis ortonormal untuk Rn dengan hasil kali
dalam Euclid yang terdiri dari vektor-vektor eigen dari A?

Masalah diagonalisasi orthogonal:

Diberikan matrix An × n, apakah terdapat matrix orthogonal P sedemikian sehingga P-1AP = PTAP
diagonal?
A dikatakan dapat didiagonalisasi secara orthogonal dan P mendiagonalisasi A secara orthogonal.

Teorema 7.3.1.
Jika A adalah matrix n × n, maka pernyataan berikut ekivalen
a. A dapat didiagonalisasi secara orthogonal
b. A mempunyai himpunan ortonormal dari n vektor eigen
c. A simetris

Bukti:
(ac)
A didiagonalisasi secara orthogonal  terdapat matrix orthogonal P, dan matrix diagonal D
 P-1AP = D. maka A=PDP-1 = PDPT (karena P orthogonal)
Sehingga AT= ( PDPT )T = (PT)T DTPT = PDPT = A
Jadi A simetris.

Teorema 7.3.2.
Jika A adalah matrix simetris, maka:
a. Nilai eigen dari A adalah bilangan real
b. Vektor-vektor eigen dari ruang eigen yang berbeda, saling orthogonal.

Bukti:
 
b. Misalkan v1 vektor eigen untuk 1, v 2 vektor eigen untuk 2, dengan 1 ≠ 2
 
Adib. v1 • v 2 = 0
     
A v1 • v 2 = v1 •AT v 2 = v1 •A v 2 (karena A simetris)
         
1 v1 • v 2 = v1 • 2 v 2  1 (v1 • v 2 ) = 2 (v1 • v 2 )  (1 - 2) (v1 • v 2 ) = 0
 
Karena 1 ≠ 2 maka (v1 • v 2 ) = 0
Diagonalisasi matrix simetris:

1. Cari basis untuk setiap ruang eigen dari A

2. Gunakan proses GramSchmidt dan normalisasi untuk mendapatkan basis ortonormal
3. Bentuk matrix P dengan vektor basis (yang diperoleh dari no.2) sebagai vektor kolomnya.

Contoh 7: (Latihan 7.3, no.6)

1 1 0  1 1 0
 
A   1 1 0  , det(I  A)   1   1 0  2   2
 0 0 0 
  0 0
Nilai eigen =0 dan =2
 1 1 0 1 1 0
   
  0    1  1 0    0 0 0   x2  s, x3  t , x1   x 2   s
 0 0 0  0 0 0
   
  s    1  0    1  0
         
x   s   s 1   t  0   p1   1 , p 2   0 
 t   0  1 0 1
         
 1 1 0 1 1 0
   
  2    1 1 0    0 0 0   x3  0, x1  x2  s
 0 0 2  0 0 2
   

 s  1 1
     
x   s   s 1   p 3   1 
 0  0  0
     
Karena p1  p2  p3 , maka lakukan proses normalisasi:
1   1 
 2  0  2
p1  1  p2   p3  1 
v1   , v2    0  , v3  
p1 2 p2 1 p 2
 0   
3

 0 
   

 1 0 1 
 2 2
 1  mendiagonalisasi A secara orthogonal.
Maka P   1 0
2 2
 0 1 0 
 
 1 0  1 1 0   0 1  0 0 0
1 1
 2 2   2 2  


Check: P AP   0
T
0 
1  1 1 0  1 0 1  = 0 0 0
  2 2 
 1 1 0  0 0 0  0 1 0   0 0 2 
 2 2   