RESUME
oleh
FAIQOTUL MALA
176090500011001
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 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).
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 𝑎𝑑 − 𝑏𝑐 = 0 maka matriks tersebut tidak mempunyai invers, atau disebut matriks
singular.
Sifat-sifat matriks persegi yang mempunyai invers:
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.
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.
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.
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.
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.
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
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
sama dengan B.
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* .
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* .
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
18 324 64 18 2 65
= 9 65
2 2
5 7 0,9377 0 x1 0
=
7 13 0 0,9377
x2 0
4,0623 7 x1 0
7
12,0623 x2 0
- 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
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
18 324 64 18 2 65
= 9 65
2 2
- 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
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
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
T1 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
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
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
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
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
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
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
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
x31 x33
x32 0
x3 x x
x3 = = 32 = 13
x x
T
3 3
1/ 2
x31
1/ 2
x33
1/ 2
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
0,4082 0,7071
Q = 0,8165 0
0,4082 0,7071
24 12
12 x1 0
24
24 12 12 x11
0
12
24 12 x12
12 12 x11
12 12 x 0
12
12x11 + 12x12 = 0
x11 + x12 = 0
x11 = – x12 Pers.3
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
24 12
12 x2 0
24
24 36 12 x21
12 x 0
24 36 22
12 12 x21
12 12 x 0
22
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
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