MATRIKS DAN RUANG VEKTOR

RESUME

disusun untuk memenuhi mata kuliah Model Linier

oleh

FAIQOTUL MALA

176090500011001

PROGRAM STUDI MAGISTER STATISTIKA

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2018
 RANK MATRIKS
Rank matriks adalah jumlah maksimum dari vektor baris atau vektor kolom yang
linier independen. Rank matriks ditentukan dari dimensi bujur sangkar dimana vektor
baris atau kolomnya tidak bernilai nol. Jika determinan matriks bujur sangkar tidak
sama dengan 0 maka rank-nya adalah ordo dari matriks bujur sangkar tersebut.
Rank matriks digunakan untuk menentukan apakah suatu matriks singular atau
non-singular. Singular artinya tidak dapat di-invers-kan. Jika determinan matriks
adalah 0, maka invers dari matriks tersebut tidak ada, sebab invers matriks berbanding
terbalik dengan determinan. Jika determinan 0, maka akan terdapat persamaan 1/0
dalam invers matriks tersebut sehingga invers matriks tidak terdefinisikan.
Misalkan matriks A adalah matriks bujur sangkar berukuran n×n, maka
matriks A dikatakan matriks singular apabila rank matriks A kecil dari n (rank(A) < n).
Matriks A dikatakan matriks non-singular apabila rank matriks A sama
dengan n (rank(A) = n).
Sebelum memahami lebih lanjut mengenai rank matriks, berikut diberikan
penjelasan terlebih dahulu mengenai vektor baris, vektor kolom, linier independen
(bebas linier) dan linier dependen (tergantung linier).
Misalkan matriks A berukuran n×p.

Vektor-vektor baris dari matriks A adalah b1, b2, … , bn, dimana

Sedangkan vektor-vektor kolom dari matriks A adalah k1, k2, … , kn, dimana

Vektor-vektor pada sebuah matriks disebut linier dependen apabila salah satu dari
vektor-vektor tersebut merupakan kombinasi linier dari vektor lainnya. Sedangkan
disebut linier independen apabila tidak terdapat satu pun kombinasi linier antara vektor
baris yang satu dengan vektor baris yang lain.
Secara matematis, linier dependen dan linier independen dapat dipahami sebagai
berikut. Misalkan vektor-vektor pada matriks A dapat dibuat menjadi suatu persamaan

dimana c1, c2, … , cp merupakan nilai konstan. Vektor-vektor k1, k2, … , kp dikatakan
linier dependen apabila pada nilai konstan c1, c2, … , cp ada atau dapat diperoleh dan
nilai-nilai tersebut semuanya tidak bernilai 0. Selanjutnya,
vektor-vektor k1, k2, … , kp dikatakan linier independen apabila pada persamaan
tersebut, nilai konstan c1, c2, … , cp tidak ada atau tidak dapat diperoleh.
Rank sebuah matriks dapat diketahui dengan metode minor matriks dan metode
eliminasi gauss (metode transformasi elementer).

Metode Minor Matriks

Metode minor matriks adalah metode untuk mendapatkan rank matriks dengan
menggunakan determinan minor matriks. Jika determinan minor-minor matriks yang
berukuran m×m adalah nol dan determinan minor-minor matriks di bawahnya yang
berukuran (m-1)×(m-1) tidak sama dengan 0, maka rank dari matriks tersebut
adalah m-1.

Contoh 1
Tentukan rank dari matriks B di bawah ini dengan menggunakan metode minor
matriks.

Jawab:
Untuk menentukan rank dari matriks B dengan metode minor matriks, tentukan
terlebih dahulu determinan dari matriks B yang berukuran 3×3.

Determinan matriks B adalah -5. Nilai determinan tersebut tidak sama dengan 0,
dengan demikian rank matriks B adalah 3 (rank(B) = 3).

Contoh 2
Tentukan rank dari matriks C di bawah ini dengan menggunakan metode minor matriks.

Jawab:
Untuk mendapatkan mendapatkan rank matriks C, maka dicari terlebih dahulu
determinan matriks Cyang berukuran 3×3.
Determinan matriks C adalah 0. Dalam metode minor matriks, apabila semua
determinan minor-minor matriks masih bernilai 0, maka dicari lagi determinan
minor-minor di bawahnya hingga diperoleh nilai determinan minor matriknya tidak
sama dengan 0.

Karena determinan matriks C adalah 0, maka dapat diketahui rank matriks C tidak
sama dengan 3 (rank(C) ≠ 3), artinya rank matriks C tersebut lebih kecil dari 3 (rank(C)
< 3).

Langkah selanjutnya adalah mendapatkan determinan dari minor-minor

matriks C yang berukuran 2×2.

Dengan terdapatnya nilai determinan minor matriks C yang bernilai ≠ 0 telah

menujukkan bahwa rank dari matriks C adalah 2 (rank(C) = 2).

Contoh 3
Tentukan rank dari matriks D di bawah ini dengan menggunakan metode minor
matriks.

Jawab:
Determinan minor-minor matriks D adalah

Karena determinan dari minor-minor matriks bujur sangkarnya yang berordo 2 tidak
bernilai 0 maka rank dari matriks D adalah 2 (rank(D) = 2).

INVERS MATRIKS

Jika A dan B adalah matriks persegi, dan berlaku 𝐴. 𝐵 = 𝐵. 𝐴 = 𝐼 maka

dikatakan matriks A dan B saling invers. B disebut invers dari A, atau ditulis 𝐴−1.
Matriks yang mempunyai invers disebut invertible atau matriks non singular,
sedangkan matriks yang tidak mempunyai invers disebut matriks singular.
Untuk mencari invers matriks persegi berordo 2×2, coba perhatikan berikut ini.
𝑎 𝑏
Jika 𝐴 = [ ] dengan 𝑎𝑑 − 𝑏𝑐 ≠ 0 , maka invers dari matriks A (ditulis 𝐴−1 )
𝑐 𝑑
adalah sebagai berikut:
1 𝑎 −𝑏
𝐴−1 = [ ]
𝑎𝑑 − 𝑏𝑐 −𝑐 𝑑

Jika 𝑎𝑑 − 𝑏𝑐 = 0 maka matriks tersebut tidak mempunyai invers, atau disebut matriks
singular.
Sifat-sifat matriks persegi yang mempunyai invers:

(𝐴. 𝐵)−1 = 𝐵 −1 𝐴−1

(𝐵. 𝐴)−1 = 𝐴−1 𝐵 −1

(𝐴−1 )𝑡 = (𝐴𝑡 )−1

Menentukan Invers Matriks Berordo 2 × 2

𝑎 𝑏
Misalkan diketahui matriks = [ ] , dengan 𝑎𝑑 − 𝑏𝑐 ≠ 0.
𝑐 𝑑
Suatu matriks lain, misalnya 𝐵 dikatakan sebagai invers matriks 𝐴 jika 𝐴. 𝐵 = 𝐼.
Matriks invers dari A ditulis 𝐴−1. Dengan demikian, berlaku :
𝐴. 𝐴−1 = 𝐴−1 . 𝐴 = 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.

𝑎 𝑏 𝑝 𝑞
Misalkan matriks 𝐴 = [ ] dan matriks 𝐵 = [ ] sehingga berlaku 𝐴 ×
𝑐 𝑑 𝑟 𝑠
𝐵 = 𝐵 × 𝐴 = 𝐼. Kita akan mencari elemen-elemen matriks 𝐵, yaitu 𝑝, 𝑞, 𝑟,
dan 𝑠.

Dari persamaan 𝐴 × 𝐵 = 𝐼, diperoleh :

Jadi, diperoleh sistem persamaan :

𝑎𝑝 + 𝑏𝑟 = 1 dan 𝑎𝑞 + 𝑏𝑠 = 0
𝑐𝑝 + 𝑑𝑟 = 0 𝑐𝑞 + 𝑑𝑠 = 1
Dengan menyelesaikan sistem persamaan tersebut, kalian peroleh :

Dengan demikian,

Matriks 𝐵 memenuhi 𝐴 × 𝐵 = 𝐼.

Sekarang, akan kita buktikan apakah matriks 𝐵 × 𝐴 = 𝐼?

1 0
Karena 𝑎𝑑 – 𝑏𝑐 ≠ 0, berlaku 𝐵𝑥𝐴 = [ ]=𝐼
0 1

Karena 𝐴 × 𝐵 = 𝐵 × 𝐴 = 𝐼 maka 𝐵 = 𝐴– 1.

𝑎 𝑏
Jadi, jika 𝐴 = [ ], maka inversnya adalah :
𝑐 𝑑

untuk 𝑎𝑑 – 𝑏𝑐 ≠ 0.

Menentukan Invers Matriks Berordo 3 × 3 (Pengayaan)

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 :
𝑎𝑑𝑗(𝐴) = (𝑘𝑜𝑓(𝐴))𝑇

Adjoin A dirumuskan sebagai berikut.

Invers matriks persegi berordo 3 × 3 dirumuskan sebagai berikut.

Adapun bukti tentang rumus ini akan kalian pelajari lebih mendalam dijenjang
pendidikan yang lebih tinggi.
b. Dengan Transformasi Baris Elementer
Untuk menentukan invers matriks An dengan cara transformasi baris elementer,
dapat dilakukan dengan langkah-langkah berikut berikut.
1) Bentuklah matriks (An | In), dengan In adalah matriks identitas ordo n.
2) Transformasikan matriks (An | In) ke bentuk (In | Bn), dengan transformasi elemen
baris.
3) Hasil dari Langkah 2, diperoleh invers matriks An adalah Bn.

Notasi yang sering digunakan dalam transformasi baris elementer adalah :

a) Bi ↔ Bj : menukar elemen-elemen baris ke-i dengan elemen-elemen baris ke-j;
b) k.Bi : mengalikan elemen-elemen baris ke-i dengan skalar k;
c) Bi + kBj : jumlahkan elemen-elemen baris ke-i dengan k kali elemen-elemen baris
ke-j.

SINGULAR VALUE DECOMPOSITION

A. PENGERTIAN
Singular Value Decomposition (SVD) adalah suatu pemfaktoran matrik dengan
mengurai suatu matrik ke dalam dua matrik P dan Q. Jika diketahui suatu matrik adalah
matrik A berukuran m×n dengan rank r > 0 , maka dekomposisi dari matrik A
dinyatakan sebagai
A = P  QT
Rank (r) menyatakan banyaknya jumlah baris atau kolom yang saling independen
antara baris atau kolom lainnya dalam suatu matrik. P merupakan matrik orthogonal
berukuran m×r sedangkan Q merupakan matrik orthogonal berukuran n×r.  adalah
matrik diagonal berukuran r×r yang elemen diagonalnya merupakan akar positif dari
eigenvalue matrik A. Terbentuknya matrik  tergantung kondisi matrik A, yaitu
diantaranya:
a.  bila r = m = n c.  (0) bila r=m dan r<n
   ( 0) 
d. 
(0) 
b.   bila r = n dan r<m bila r<m dan r<n
(0) ( 0)
Matrik P dapat diperoleh melalui perkalian antara A, Q dan -1 sehingga dapat
dinyatakan P=AQ-1
Untuk memperjelas dari argumen di atas maka akan diberikan beberapa contoh beserta
cara pengerjaaanya. Contoh yang diberikan berupa matrik simetri dan non simetri.

B. PROSEDUR PENYELESAIAN SINGULAR VALUE DECOMPOSITION

(SVD)
I. Prosedur Penyelesaian SVD untuk matrik berukuran mxm
1. Misal diketahui matrik B berukuran mxm non singular (matrik fullrank / matrik
yang determinannya tidak sama dengan nol).
2. Menghitung matrik BTB dan BBT. Misalkan matrik BTB = matrik Y dan BBT =
matrik Z.
3. Mencari eigenvalue () dari matrik Y dan Z . Dimana determinan dari matrik Y
dan Z dikurangi  dikalikan dengan matrik identitas (I) sama dengan 0.
Y-I=0 dan
Z-I=0
Banyaknya eigenvalue () yang akan diperoleh sama dengan ukuran matrik Y dan Z
yaitu sebanyak m.
4. Setelah diketahui nilai-nilai  nya, langkah selanjutnya adalah mencari
eigenvektor untuk masing-masing . Eigenvektor diperoleh melalui rumus
Y  I x  0 dan Z  I x  0 . Sehingga nanti akan diperoleh persamaan x
dalam bentuk x1, x2 hingga xm (a1x1+a2x2+..+amxm=0). Kemudian dari beberapa
variabel tersebut jadikan menjadi satu variabel. Misalnya didapatkan
persamaan berikut ini:
4,945x11 + 8x12 = 0....(pers. 1)
8x11 + 12,945x12 = 0....(pers.2)
Dari persamaan 1 didapatkan sebuah persamaan baru, yaitu:
x11 = -1,62x12.... pers.4
Setelah didapatkan persamaan 4 dilakukan normalisasi (penormalan) dari tiap-tiap 
dengan mensubsitusikan tiap elemen x1 . Proses penormalan adalah sebagai berikut:
  x11    1,62 x12 
   
*
x1  x12   x12 
 
x1 = T 1 / 2 = 1/ 2
= 1/ 2
x1 x1   x11      1,62 x12  
 ( x11 x12 )     (1,62 x12 x12 )   
  
  x12     12
x 

  1,62 x12    1,62 x12    1,62 x12 

     
  x12    x12    x12     0,85  x11

(2,6244 x12  x12 )

2 2 1/ 2 2 1/ 2  0,52 
(3,6244 x12 ) 1,9 x12   x21

Selajutnya juga dilakukan penormalan seperti

contoh di atas untuk eigenvalue
(  ) yang lain. Setelah x1* dan x2* telah diperoleh elemen-elemennya, selanjutnya adalah

menggabungkan ketiga hasil penormalan tersebut ke dalam satu matrik dimana kolom
pertama adalah x1* , kolom kedua adalah x2* . Sehingga diperoleh matrik X  x1* x2*  
 x11 x12 
= 
 x21 x22 
5. Menentukan D yang merupakan matrik diagonal dengan elemen diagonalnya
adalah akar dari eigenvalue matrik Y atau Z.
  0 
D 1 
0 2 

6. Diperoleh SVD dengan mengoperasikan PD Q dimana hasilnya akan sama

dengan matrik B.
 x11 x12   1 0   x11 x21   a11 a12 
x  
x22  x22   a21 a22 
=
 21 0 2   x12

Note: Jika P adalah eigenvektor dari matrik Z dan Q adalah eigenvektor dari matrik

Y. Dan ketika dioperasikan kedalam PD Q maka akan menghasilkan matrik yang

sama dengan B.

II. Prosedur Penyelesaian SVD untuk Matrik Simetri mxm

1. Misal diketahui matrik A berukuran mxm.
2. Mencari eigenvalue () dari matrik A. Dimana determinan dari matrik A
dikurangi  dikalikan dengan matrik identitas (I) sama dengan 0.
A-I=0
3. Banyaknya eigenvalue () yang akan diperoleh sama dengan ukuran matrik A
yaitu sebanyak m.
4. Setelah diketahui nilai-nilai  nya, langkah selanjutnya adalah mencari
eigenvektor untuk masing-masing . Eigenvektor diperoleh melalui rumus
A  I x  0 . Sehingga nanti akan diperoleh persamaan x dalam bentuk x1, x2 hingga
xm (a1x1+a2x2+..+amxm=0). Kemudian dari beberapa variabel tersebut jadikan menjadi
satu variabel. Misalnya didapatkan persamaan berikut ini:
5x1 + x2 + 4x3 = 0....(pers. 1)
X1 + 2x2 – x3 = 0....(pers.2)
4x1 – x2 + 5x3 = 0....(pers.3)
Kemudian lakukan eliminasi dari pers.1 dan pers.2 sehingga didapatkan
x1 = -x3.... pers.4
Pers.4 tersebut dapat disubstitusikan ke salah satu dari 3 persamaan di atas. Sehingga
didapatkan
x2 = x3....pers.5
Setelah didapatkan persamaan 4 dan pers.5 dilakukan normalisasi (penormalan) dari
tiap-tiap  dengan mensubsitusikan tiap elemen x1 . Proses penormalan adalah sebagai

berikut:
 x1    x3 
   
 x2   x3 
x1 x  x 
x1* =  3  3 
x x  1/ 2
= 1/ 2
= 1/ 2
T
  x1      x3  
1 1
     
 ( x1 x2 x3 )  x2    ( x3 x3 x3 )  x3  
  x    x 
  3    3 

  x3    x3 
   
 x3   x3    1/ 3 
x  x    x11
 3    3   1/ 3 
 x21
( x3  x3  x3 )1 / 2
2 2 2 2
(3 x3 )1 / 2  
1 / 3  x31
 
Selajutnya juga dilakukan penormalan seperti contoh di atas untuk eigenvalue
(  ) yang lain. Setelah x1* , x2* ,dan x3* telah diperoleh elemen-elemennya, selanjutnya

adalah menggabungkan ketiga hasil penormalan tersebut ke dalam satu matrik dimana
kolom pertama adalah x1* , kolom kedua adalah x2* dan kolom ketiga adalah x3* .

 x11 x12 x13 

Sehingga diperoleh matrik X  x  *
1 x *
2 x *
3  =  x21 x22 x23 
 x31 x32 x33 
5. Menentukan  yang merupakan matrik diagonal dengan elemen diagonalnya
adalah eigenvalue dari matrik A.
1 0 0 
  0 2 0 
0 0 3 

6. Diperoleh SVD dengan mengoperasikan X X T dimana hasilnya akan sama

dengan matrik A.
 x11 x12 x13  1 0 0   x11 x21 x31   a11 a12 a13 
x
 21 x22 x23  0
 2 0   x12 x22 
x32  =  a21 a22 a23 
 x31 x32 x33  0 0 3   x13 x23 x33   a31 a23 a33 

III. Prosedur Penyelesaian SVD untuk matrik berukuran mxn

1. Misal diketahui matrik B berukuran mxn.
2. Menghitung matrik BTB dan BBT. Misalkan matrik BTB = matrik C(nxn) dan
BBT = matrik D(mxm).
3. Mencari eigenvalue () dari matrik C(nxn) dan D(mxm) . Dimana determinan dari
matrik C(nxn) dan D(mxm) dikurangi  dikalikan dengan matrik identitas (I) sama
dengan 0.
C-I=0 dan
D-I=0
Banyaknya eigenvalue () yang akan diperoleh sama dengan ukuran matrik C yaitu
sebanyak n (1, 2, ... n) dan eigenvalue untuk matrik D yaitu sebanyak m
(1, 2, ... m). Selanjutnya, setiap eigenvalue dari matrik C dan D dinamai matrik
diagonal dan 
Note: Jika dalam perhitungan eigenvalue didapatkan  = 0 maka untuk prosedur
perhitungan eigenvektor dapat diabaikan. Sehingga, matrik diagonal = 
4. Setelah diketahui nilai-nilai  nya, langkah selanjutnya adalah mencari
eigenvektor untuk masing-masing  untuk setiap matrik C dan D. Eigenvektor
 diperoleh melalui rumus C  I x  0 dan D  I x  0 . Sehingga nanti
akan diperoleh persamaan x dalam bentuk x 1, x2 hingga xm
(a1x1+a2x2+..+amxm=0). Kemudian dari beberapa variabel tersebut jadikan
menjadi satu variabel. Misalnya, didapatkan persamaan berikut ini:
5x11 + x12 + 4x13 = 0....(pers. 1)
X11 + 2x12 – x13 = 0....(pers.2)
4x11 – x12 + 5x13 = 0....(pers.3)
Kemudian lakukan eliminasi dari pers.1 dan pers.2 sehingga didapatkan
x11 = -x13.... pers.4
Pers.4 tersebut dapat disubstitusikan ke salah satu dari 3 persamaan di atas.
Sehingga didapatkan
x12 = x13....pers.5
Setelah didapatkan persamaan 4 dan pers.5 dilakukan normalisasi (penormalan)
dari tiap-tiap  dengan mensubsitusikan tiap elemen x1 . Proses penormalan adalah

sebagai berikut:
 x1    x3 
   
 x2   x3 
x1 x  x 
x1* =  3  3 
x x  1/ 2
= 1/ 2
= 1/ 2
T
  x1      x3  
1 1
     
 ( x1 x2 x3 )  x2    ( x3 x3 x3 )  x3  
  x    x 
  3    3 

  x3    x3 
   
 x3   x3    1/ 3 
x  x    x11
 3    3   1 / 3  x21
( x3  x3  x3 )1 / 2
2 2 2 2
(3 x3 )1 / 2  
1 / 3  x31
 
Selajutnya juga dilakukan penormalan seperti
contoh di atas untuk eigenvalue
(  ) yang lain. Setelah x1* , x2* ,dan x3* telah diperoleh elemen-elemennya, selanjutnya

adalah menggabungkan ketiga hasil penormalan tersebut ke dalam satu matrik dimana
kolom pertama adalah x1* , kolom kedua adalah x2* dan kolom ketiga adalah x3* .

 x11 x12 x13 

Sehingga diperoleh matrik X  x  *
1
*
x
2 x *
3  =  x21 x22 x23 
 x31 x32 x33 
5. Dekomposisi nilai singular matrik B dinyatakan dalam:
dimana
B = P 1  Q1 T P1 = B Q1 -1

Keterangan:
 = matrik diagonal yang berisi akar kuadrat dari eigenvalue matrik C atau
D
-1 = invers 
Q1 = eigenvektor dari matrik C (BTB)
Q1T = transpose Q1

C. CONTOH
Contoh 1:
Menghitung SVD matriks non singular A(2x2)
Bila deketahui matrik X sebagai berikut
2 1
X=   . Maka Hitunglah SVD dari matrik X!
2 3
Jawab:
2 1 2 2 5 7 
X XT =    = 
2 3 1 3 7 13
Eigenvalue X XT

5 7   0 
XX T  I  0  7 13   0    0
   
5 7
0
7 13  

(5-  )(13-  )-(7)(7) = 0

65-5  -13  +  2 -49 = 0
 2 -18  +16 = 0
  b  b 2  4ac  (18)  (18)  4(1)(16)
2
1, 2  
2a 2(1)

18  324  64 18  2 65
=   9  65
2 2

 Eigenvalue matrik X adalah  1 = 9  65 = 0,9377 dan  2 = 9  65 = 17,0623

Eigenvektor XXT
 Untuk  1 = 0,9377
XX T

 I x  0

 5 7  0,9377 0   x1   0 
    =  
 7 13   0 0,9377 
    x2   0 

4,0623 7  x1   0 
 7   
 12,0623 x2   0 

4,0623 x1 -7 x2 = 0 ; 7x1 + 12,0623 x2 = 0

7
x1=  x 2 = -1,7232
4,0623
Proses normalisasi
 x1   - 1,7232 x 2 
   
x1  x2   x2 
x1*   
x T
1 x1  1
2

 x1
 x 
x 2  1  
1
2   - 1,7232 x 2  
 - 1,7232 x 2 x 2   
 
  x2     x2 

 - 1,7232   - 1,7232 
  x2   x2
 1   1    0,8649 
=    
2,9693 x2  x2 x2 3,9693  0,5019 
 Untuk  2 = 17,0623
XX T

 I x  0

 5 7  17,0623 0    x1   0 
       x  =  0 
 7 13
    0 17,0623  2   

 12,0623 7  x1   0 
   x    0 
 7 4,0623 2   
-12,0623 x1 + 7 x2 = 0 ; 7 x1 – 4,0623 x2 = 0
7
x1= x2  0,5803x2
12,0623
Proses normalisasi
 x1   0,5803x2 
   
x1  x2   x2 
x 2*   
x T
1 x1  1
2

 x1
 x 
x 2  1  
1
2   0,5803x2  
 0,5803x 2 x 2   
 
  x2     x 2 

 0,5803   0,5803 
  x 2   x2
 1   1   0.5019 
=    
(0,5803) 2 x 22  x 22 x 2 1,3368  0,8649 

 Sehingga eigenvektor X XT adalah

 0,8649 0,5019
P=  
 0,5019 0,8649

2 2 2 1 8 8 
XTX =     =  
1 3 2 3 8 10
Eigenvalue XTX

8 8   0 
X T X  I  0  8 10   0    0
   
8 8
0
8 10  
(8-  )(10-  )-(8)(8) = 0
80-8  -10  +  2 -64= 0
 2 -18  +16 = 0

 b  b 2  4ac  (18)  (18)  4(1)(16)

2
1, 2  
2a 2(1)

18  324  64 18  2 65
=   9  65
2 2

 Eigenvalue matrik X adalah  1 = 9  65 = 0,9377 dan  2 = 9  65 = 17,0623

Eigenvektor XTX
 Untuk  1 = 0,9377
X T
X  I x  0 
 8 8  0,9377 0    x1   0 
    = 
 8 10   0 0,9377   x 2   0 
  
7,0623 8  x1   0 
 8   
 9,0623 x2   0 
7,0623 x1 + 8x2 = 0 ; 8x1 + 9,0623x2 = 0
8
x1 =  x 2 = - 1,1328 x2
7,0623
Proses normalisasi
 x1   - 1,1328 x 2 
   
x1  x2   x2 
x1*   
x T
1 x1  1
2

 x1
 x 
x 2  1  
1
2   - 1,1328 x 2  
 - 1,1328 x 2 x 2   
 
  x2     x2 

 - 1,1328   - 1,1328 
  x2   x2
=  1    1     7497 
 0,6618 
1,2832 x2  x2 x2 2,2832  

 Untuk  2 = 17,0623
X T
X  I x  0 
 8 8  17,0623 0    x1   0 
       x  =  0 
 8 10
    0 17,0623  2   

 9,0623 8  x1   0 
 8   x    0 
 7,0623 2   
-9,0623 x1 + 8 x2 = 0 ; 8x1 - 7,0623x2 = 0
8
x1 = x 2 = 0,8828 x2
9,0623
Proses normalisasi
 x1   0,8828 x 2 
   
x1  x2   x2 
x1*   
x T
1 x1  1
2

 x1
 x 
x 2  1  
1
2   0,8828 x 2  
 0,8828 x 2 x 2   
 
  x2     x 2 

 0,8828   0,8828 
  x2   x2
=  1    1    0,6618 
 0,7497 
0,7793 x2  x2 x2 1,7793  
 Sehingga eigenvektor XTX adalah
 0,7497 0,6618
Q=  
 0,6618 0,7497

 0,9377 0  0,9684 0 
Sedangkan matrik  adalah    
 0 17,0623   0 4,1307

SVD suatu matrik X bila P  Q = X

 0,8649 0,5019 0,9684 0   0,7497 0,6618
PQ =    0
 0,5019 0,8649  4,1307  0,6618 0,7497
 
 0,8376 2,0733  0,7497 0,6618
=   
 0,4861 3,5727   0,6618 0,7497
2 1
=  
2 3
 Terbukti bahwa P  Q = X

Contoh 2:
Menghitung SVD matriks simetri non singular A(2x2)
5 2
1. Diketahui bahwa A   
 2 2
2. Mencari eigenvalue matrik A
|A-I| = 0

 5 2   0 
     = 0
 2 2  0  
5 2
= 0
2 2

(5-)(2-)-4 = 0
-7
-7
(-1)(-6) = 0
Sehingga didapatkan dan
3. Mencari eigenvektor matrik A
Untuk 1=0
  A  1I 1  0 .

 5 2   1 0   x1   0 
         
 2 2   0 1   x2   0 
 4 2   x1   0 
      
 2 1   x2   0 

 4 x1  2 x2   0 
    
 2 x1  x2   0 
=> 2 x1  x2  0

2 x1   x2
1
x1   x 2
2
 1 
  x2 
 2   1    0,4472 

x1 
x1
  x2  
1   x2    

x x  5 2  x   0,8944 
T
1 1 2
2
  1  2
x2  2 
  1 x 2   x
1 1
x 2   2 2  4
 2   x 
  2 

Untuk 2=6
 A  2 I  = 0 .

 5 2   6 0   x1   0 
         
 2 2   0 6   x 2   0 

 1 2   x1   0 
      
 2  4  x2   0 

  x1  2 x2   0 
    
 2 x1  4 x2   0 
=> 2x1  4x2  0
2x1  4x2
x1  2x2
  2 x2 
 
 x2  x2  1  2 x 2   0,8944 
x2        
2  x 
x T
x2  1
2

1
 2 x 2  2 5 x2  2   0, 4472 
2 x 2 x2 
2
 
  x 2 
Sehingga didapatkan eigenvector matrik A yaitu
  0,4472 0,8944 
    
 0,8944 0,4472 

4. Menentukan 
 merupakan metric diagonal yang elemen-elemennya adalah eigen value dari matrik A

 1 0  1 0
sehingga:     
0 2   0 6 

5. Mencari SVDnya dengan rumus A  X  X T

  0,4472 0,8944   1 0    0,4472 0,8944 

A =      
 0,8944 0,4472   0 6   0,8994 0,4472 
  0,4472 5,3664    0,4472 0,8944 
=    
 0,8944 2,6832   0,8994 0,4472 
 5,027 1,99 
=  
 2,013 1,99 
 5 2
=  
 2 2
Maka dapat disimpulkan bahwa bentuk svd dari matriks A adalah

 5 2    0,4472 0,8944   1 0    0,4472 0,8944 

        
 2 2   0,8944 0,4472   0 6   0,8994 0,4472 

Contoh 3:
Menghitung SVD matriks A(mxn) = A(3x2)
1 1
A= 0 1
1 0

Jawab:
 1 0 1
AT =  
1 1 0
1 1
T1 0 1   = 2 1 
A A=    0 1  1 2 
1 1 0   
1 0
Eigenvalue ATA
2 1  0  2 1
1 2   0    0 
2
0
    1

(2-  )2-1=0
4-4  +  2-1=0
 2-4  +3=0
(  -3)(  -1)=0
 1=1  2=3
Eigenvektor ATA
 Untuk  1=1
( A  1I ) x  0

2   1   x1  0

 1
 2     x2  0

2  1 1   x1  0

 1
 2  1  x2  0

1 1  x1  0
1 1  x   0
  2   
x1 + x2 = 0  x1 = - x2
Proses Normalisasi
 x1    x2 
   
x1 
*  x2    2 
x
1 1
  x1   2
   x2   2
 x1 x2      x2 x2   
 
  x2     2 
x

  x2    x2   1 
    
 2  2
 2 
x x
 
x
2
2  x22  1
2 x2 2  1 
 2 
 Untuk  1=3
( A  2 I ) x  0

2   1   x1  0

 1
 2     x2  0

2  3 1   x1  0

 1
 2  3  x2  0

 1 1   x1  0
 1  1  x   0
  2   
-x1 + x2 = 0  x1 = x2
Proses Normalisasi
 x1   x2   x2   x2   1 
        
 x2   x2   x2  2
  2  
x
x2 
*
  

 x1
 x1  
x2   
1
2

  x2
 x2  
x2   
1
2
x
2
 x22 
1
2 x2 2 

1 
2 
2
 
  x2     x2  
Sehingga eigenvektor ATA
 1 1 
 2 2
X  
 1 1 
 2 2 

1 1 2 1 1
1 0 1 1 1 0 
AAT = 0 1 
1 1 0
=  
1 0  1 0 1

Eigenvalue AAT

 2 1 1   0 0  2 1 1
1 1 0    0  0   0  1 1  0 0
   
1 0 1  0 0   1 0 1 

( 2   )( 1   ) ( 1   ) +0+0-( 1   ) -( 1   ) =0
(  2-2  +1)(2-  )-(2-2  )=0
2  2-4  +2-  3-2  -  -2+2  =0
-  3-3  =0
-  (  2-3)=0   =0 ;  =1 ;  =3
Eigenvektor AAT
 Untuk  1 = 0
( A  1I ) x  0

2   1 1   x1  0 2 1 1  x1  0
 1 1      
0   x2   0  1 1 0  x2   0

 1 0 1     x3  0 1 0 1  x3  0

2x1 + x2 + x3 =0 ; x1 + x2 = 0 ; x1 + x3 = 0
x2 = - x1 ; x3 = - x1
Proses Normalisasi
𝑥1
[𝑥2 ]
𝑥3
𝑥1∗ =
𝑥1 1⁄2
([𝑥1 𝑥2 𝑥3 ] [𝑥2 ])
𝑥3

𝑥1
[−𝑥1 ]
−𝑥1
𝑥1∗ =
𝑥1 1⁄2
([𝑥1 −𝑥1 −𝑥1 ] [−𝑥1 ])
−𝑥1

𝑥1 𝑥1 1
−𝑥
[ 1] −𝑥
[ 1] √3
−𝑥1 −𝑥1 1
𝑥1∗ = 1⁄ = = −
(3𝑥12 ) 2 √3𝑥1 √3
1
−
[ √3]

 Untuk  2 = 1
2   1 1   x1  0 1 1 1  x1  0
 1 1  0   x2   0  1 0 0  x2   0
    

 1 0 1     x3  0 1 0 0  x3  0

x1 + x2 + x3 =0 ; x 1 = 0 ; x1 = 0
x3 = - x2

Proses Normalisasi
 𝑥1
[𝑥2 ]
𝑥3
𝑥2∗ =
𝑥1 1⁄2
([𝑥1 𝑥2 𝑥3 ] [𝑥2 ])
𝑥3
0
[−𝑥3 ]
𝑥3
𝑥2∗ = 1⁄
0 2

([0 −𝑥3 𝑥3 ] [−𝑥3 ])

𝑥3

0
0
[−𝑥3 ] 1
𝑥3 − √2
𝑥2∗ = 1⁄ = 2
(2𝑥32 ) 2 1
[ 2 √2 ]

 Untuk  3 = 3
2   1 1   x1  0  1 1 1   x1  0
 1 1  0   x2   0   1  2 0   x2   0
     

 1 0 1     x3  0  1 0  2  x3  0

-x1 + x2 + x3 =0 ; x1 – 2x2 = 0 ; x1 – 2x3 = 0

1 1
x2 = x1; x3 = x1
2 2

Proses Normalisasi
𝑥1
𝑥
[ 2]
∗ 𝑥3
𝑥3 =
𝑥1 1⁄2
([𝑥1 𝑥2 𝑥3 ] [𝑥2 ])
𝑥3
 𝑥1
1
2 𝑥1
1
[2 𝑥1 ]
𝑥3∗ = 1⁄
𝑥1 2
1
[𝑥1 1 𝑥1 1 𝑥1 ] 2 𝑥1
2 2 1
( [2 𝑥1 ])
𝑥1 𝑥1
1 1
2 𝑥1 2 𝑥1
1 1 0,8165
∗ [2 𝑥1 ] [2 𝑥1 ]
𝑥3 = 1 = = [0,4082]
1 2 ⁄2 1,2247𝑥1 0,4082
(1 2 𝑥1 )

Mencari Nilai P:
P = AQ∆-1
1 1 −1 1 1
0
= [0 1] [ 1√2 √2 √1
1 ][ 1 ]
1 0 √2 0
√2 √3

0 √2 1
1 1 0
= √2 √2 [√1 1 ]
1 1 0
[− √2 √3
√2 ]

√6
0 3
√2 √6
=
2 6
√2 √6
[− 2 6]

A = P∆Q
√6
0 √2 √2
3
√2 √6 1 0 −2 2
= [ ][ ]
2 6 0 √3 √2 √2
√2 √6 2 2
[− 2 6]

0 √2 √2 √2
√2 √2 − 2 2
= 2 2 [ ]
√2 √2
√2 √2
[− 2 2 ]
2 2
 1 1
= [0 1 ]
1 0

Contoh 4
Menghitung SVD matriks A(mxn) = A(2x3)
Dapatkan Singular Value Decomposition (SVD) dari matrik yang berukuran m×n
berikut ini:
 2  2 4
B(2×3) =  
 4 2 2
Jawab:
1. Menghitung Matrik BTB dan BBT
 2 4 20 4 16 
   2  2 4 
B B =C = 2 2 
T
  4 2 2 =  4 8  4
 4 2   16  4 20 
 

 2 4
 2  2 4   = 24 12 
T
BB = D =     2 2   
4 2 2  4 2 12 24
 
2. Mencari Eigenvalue () dari Matrik BTB dan BBT
Eigenvalue Matrik BTB: C-I= 0

20 4 16   0 0 
4 8  4   0  0   0

16  4 20   0 0  

20   4 16
4 8 4 0
16  4 20  

 

 

 (
 
 
   = 0
  = 0
dan

0 0 0 
 Jika dinyatakan dalam bentuk matrik diagonal 12 = 0 12 0 
 
0 0 36

Eigenvalue Matrik BBT: D-I= 0

24 12   0 
12 24   0    0
   
24   12
0
12 24  

 ] = 0
  0
 
 
  dan
12 0 
 Jika dinyatakan dalam bentuk matrik diagonal 22 =   
 0 36
Pada proses mencari eigenvalue matrik BTB (matrik C) didapatkan 1 = 0, mengacu
pada prosedur penyelesaian SVD matrik m×n terdapat catatan bahwa: jika dalam
perhitungan eigenvalue didapatkan  = 0 maka untuk prosedur perhitungan eigenvalue
 = 0 diabaikan yang berakibat eigenvektor untuk kolom  = 0 pada prosedur
selanjutnya akan dihilangkan dari matrik eigenvektornya.. Sehingga, matrik diagonal
= 
12 0 
2 =  
 0 36

3. Mencari Eigenvektor Matrik BTB dan BBT

Untuk 
Eigenvektor Matrik BTB:
 Untuk  (C –  x1 = 0
 20   4 16 
 4 8  4  x1  0

 16  4 20   

20  0 4 16   x11 
 4 8  0  4   x12   0

 16  4 20  0  x3 

20 4 16   x11 
4 8  4  x12   0

16  4 20   x3 

20 x11  4 x12  16 x13  0

 4 x  8 x  4 x   0 
 11 12 13   
16 x11  4 x12  20 x13  0

 20 x11  4 x12  16 x13  0  Pers.1

 
 4 x11  8 x12  4 x13  0  Pers.2
16 x  4 x  20 x  0 
 11 12 13  Pers.3

Eliminasi Pers.1 dan Pers.3:

20x11 + 4x12 + 16x13 = 0
16x11 – 4x12 + 20x13 = 0
+
36x11 + 36x13 = 0
x11 + x13 = 0
x11 = – x13 Pers.4

Subsitusikan Pers.4 ke Pers.2

4(x13) + 8x12  4x13 = 0
8x12  8x13 =0
x12 = x13 Pers.5

Proses normalisasi untuk x1 :

 x11    x13 
   
 x12   x13 
x1 x  x 
x1* =  13   13 
x x  1/ 2
= 1/ 2
= 1/ 2
  x11      x13  
T
1 1
     
 ( x11 x12 x13 )  x12    ( x13 x13 x13 )  x13  
  x   x 
  13     13  
   x13    x13 
   
 x13   x13    1 / 3    0,5774 
x  x     
=  13    13  
 1 / 3  =  0,5774 
( x13  x13  x13 )1 / 2
2 2 2 2
(3 x13 )1 / 2  
1 / 3   0,5774 
 

 Untuk  (C –  x 2 = 0

20   4 16 
 4 8  4  x2  0

 16  4 20   

20  12 4 16   x21 
 4 8  12  4   x22   0

 16  4 20  12  x23 

 8 4 16   x21 
 4  4  4  x   0
   22 
16  4 8   x23 

8 x21  4 x22  16 x23  0

 4 x  4 x  4 x   0
 21 22 23   
16 x21  4 x22  8 x23  0

 8 x21  4 x 22  16 x23  0  Pers.1

 
 4 x21  4 x22  4 x 23  0  Pers.2
16 x  4 x  8 x  0 
 21 22 23  Pers.3

Eliminasi Pers.1 dan Pers.3:

8x21 + 4x22 + 16x23 = 0
16x21 – 4x22 + 8x23 = 0
+
24x21 + 24x23 = 0
x21 + x23 = 0
x21 = – x23 Pers.4

Subsitusikan Pers.4 ke Pers.2

4(x23)  4x22  4x23 = 0
4x22  8x23 =0
x22 = 2x23 Pers.5
Proses normalisasi untuk x 2 :

 x 21    x 23 
   
 x 22    2 x 23 
x2 x  x 
x 2* = =  23  =  13 
x x 
T
2 2
1/ 2


 x 21  
 
1/ 2


  x 23  
 
1/ 2

 ( x 21 x 22 x 23 )  x 22    ( x 23  2 x 23 x 23 )   2 x 23  
  x   x 
  23     23  
  x 23    x 23 
   
  2 x 23    2 x 23    1 / 6 
x  x      0,4082 
=  23    23     2 / 6  =   0.8165 
 4 x 23  x 23 )1 / 2 (6 x 23 )1 / 2  
2 2 2 2

1 / 6   0,4082 
( x 23
 

 Untuk  (C –  x3 = 0

20   4 16 
 4 8  4  x3  0

 16  4 20   
20  36 4 16   x31 
 4 8  36  4   x32   0

 16  4 20  36  x33 
 16 4 16   x31 
 4  28  4   x   0
   32 
 16  4  16  x33 
 16 x31  4 x32  16 x33  0
 4 x  28 x  4 x   0
 31 32 33   
 16 x31  4 x32  16 x33  0

  16 x31  4 x32  16 x33  0  Pers.1

 
 4 x31  28 x32  4 x33  0  Pers.2
 16 x  4 x  16 x  0 
 31 32 33  Pers.3

Eliminasi Pers.1 dan 4 × Pers.2:

16x31 + 4x32 + 16x33 = 0
16x31 – 112x32 + 16x33 = 0
+
108x32 = 0
x32 = 0 Pers.4
 Subsitusikan Pers.4 ke Pers.3
16x31  4(0)  16x33 = 0
16x31  16x33 = 0
x31 = x33 Pers.5

Proses normalisasi untuk x3 :

 x31   x33 
   
 x32  0 
x3 x  x 
x3 = =  32  =  13 
x x 
T
3 3
1/ 2


 x31  
 
1/ 2


 x33  
 
1/ 2

 ( x31 x32 x33 )  x32    ( x33 0 x33 )  0  

  x    x 
  33     33  

 x33   x33 
   
0  0  1 / 2   0,7071
x  x     
=  33    33   0  = 0 
( x33  x33 )1 / 2   
2 2 2
(2 x33 )1 / 2 
1 / 2   0,7071
Sehingga, eigenvektor yang didapatkan adalah:
 0,5774  0,4082 0,7071
X =  0,5774  0,8165 0 
 0,5774 0,4082 0,7071

Akan tetapi, untuk prosedur selanjutnya eigenvektor yang digunakan adalah

eigenvektor dari kolom yang nilai eigenvalue () lebih dari nol (positif).

 0,4082 0,7071
Q =   0,8165 0 
 0,4082 0,7071

Eigenvektor Matrik BBT:

 Untuk  D – 1I) x1 = 0

24   12 
 12 x1  0
 24   

24  12 12   x11 
0
 12
 24  12  x12 
 12 12  x11 
12 12  x   0
   12 

12 x11  12 x12  0

12 x  12 x   0
 11 12   

12 x11  12 x12  0  Pers.1

 
12 x11  12 x12  0  Pers.2

12x11 + 12x12 = 0
x11 + x12 = 0
x11 = – x12 Pers.3

Proses normalisasi untuk x1 :

 x11    x12 
   
x1  x12   x12 
x1* =
x x  1/ 2
= 1/ 2
= 1/ 2
  x     x 
T
1 1
 ( x11 x12 )  11    ( x12 x12 )  12  
 
  x12     x12  

  x12    x12 
   
 12    1 / 2    0,7071
  122 1/ 2  
x x
=  =  
( x12  x12 )
2 2 1/ 2 
(2 x12 )  1 / 2   0,7071 

 Untuk  D – 2I) x 2 = 0

24   12 
 12 x2  0
 24   

24  36 12   x21 
 12   x   0
 24 36  22 

 12 12   x21 
 12  12  x   0
   22 

 12 x21  12 x22  0

 12 x  12 x   0
 21 22   

  12 x21  12 x22  0  Pers.1

 
12 x 21  12 x 22  0  Pers.2

12x21 + 12x22 = 0
x21 + x22 = 0
x21 = x22 Pers.3
 Proses normalisasi untuk x 2 :

 x 21   x 21 
   
x2  x 22   x 22 
x 2* = = =
x x 
T
2 2
1/ 2

 ( x 21
 x 
x 22 )  21  
1/ 2

 ( x 21
 x 
x 22 )  21  
1/ 2

 
  x 22     x 22  

 x 21   x 21 
   
=  x 22 
  x 22   1 / 2  =  0,7071
 
( x 21  x12 )1 / 2 (2 x 22 )1 / 2 1 / 2   0,7071
2 2 2

Sehingga, eigenvektor yang didapatkan adalah:

 0,7071 0,7071
Y=  
 0,7071 0,7071
4. Dekompisisi Nilai Singular (SVD) Matrik B
12 0   12 0  3,464 0
Diketahui: 2 =   =  
 0 36  0 36   0 6

1 / 12 0  0,2887 0 
-1 =  = 
 0 1 / 12   0 0,1667

Didapatkan:
P1 = B Q1 -1

 0,4082 0,7071
 2  2 4   0,2887 0 
P1 =     0,1667
 0,8165 0 
4 2 2  0,4082 0,7071  0
 
 2,4494 4,2426 0,2887 0 
P1 =   
 2,4494 4,2426  0 0,1667

 0,7071 0,7071
P1 =  
 0,7071 0,7071
Dekomposisi matrik B = P1  Q1T
 0,7071 0,7071 3,464 0  0,4082  0,8165 0,4082
B=  
 0,7071 0,7071  0 6  0,7071 0 0,7071

 2,4494 4,2426  0,4082  0,8165 0,4082

B=  
 2,4494 4,2426  0,7071 0 0,7071
 2,0001  2,0000 3,9999
B=  
3,9999 2,0000 2,0001
 2  2 4
B=  
 4 2 2