Ringkasan

Matriks – Matriks
Khusus

MATERI :
 Matriks Diagonal Dominan
 Matriks Definit Positif
 Faktorisasi LDL
 Teorema Cholesky
 Matriks Tridiagonal
 Teorema Crout

DIBUat oleh :
Detasya avri magfira 1606894894
Fahira khairunnisa 1606900846
Ika marta sari 1606902050
JIDAN yUSAN Zenadin 1606900871
Nabila indah safira

I. Matriks Dominan Diagonal

 definisi : untuk setiap baris matriks, besarnya entri diagonal berturut-turut lebih besar dari atau
sama dengan jumlah magnitudo dari semua entri (non-diagonal) lainnya di baris tersebut. Lebih
tepatnya, matriks A n x n dikatakan dominan diagonal ketika :
 n
aii  a
j 1, j  i
ij

dimana aij menunjukkan entry di baris ke-i dan kolom ke-j.

 Contoh : suatu matriks

dominan diagonal, karena :

dimana

Sedangkan, matriks

tidak dominan diagonal, karena :

dimana :

Artinya, baris pertama dan ketiga gagal memenuhi kondisi dominasi diagonal.
Untuk matriks
 disebut matriks strictly diagonally dominant, karena :

dimana

II. Matriks Definit Positif

Definisi : Sebuah matriks A adalah positive definite jika matriks A simetris dan jika xTAx > 0 untuk
setiap n-dimensi vector x ≠ 0.

Dari definisi tersebut harus ditentukan baha matrix 1 x 1 yang dihasilkan oleh operasi xTAx
memiliki nilai positif untuk satu entri. Dimana, operasinya sebagai berikut :

Teorema : Jika Anxn adalah matriks positive definite, maka :

 (i) A mempunyai invers
(ii) aii > 0, untuk i = 1, 2, … , n
(iii) max 1 ≤ kj ≤ n | a kj | ≤ max1 ≤ i ≤ n | a ii |
(iv) (a ij )2 < a ii a jj , untuk i≠j

Bukti :

(i) Jika x memenuhi Ax = 0, maka xTAx = 0. Ketika A adalah matriks positif definite, ini
mengakibatkan x = 0. Oleh sebab itu Ax = 0 memiliki nol solusi. Dengan menggunakan
teorema 6.17 di halaman 398 buku Burden, ini ekuivalen dengan A yang nonsingular.
(ii) Untuk suatu i, misalkan x = (xj) didefinisikan oleh xi = 1 dan xj = 0, jika j ≠ i. Ketika x ≠
0, 0 < xTAx = aii

(iii) Untuk k ≠ j , didefinisikan x = (xi) dengan

Ketika x ≠ 0 ,

0 < xTAx = ajj + akk – akk – aii

Tapi AT = A, jadi ajk = akj, yang berakibat

2 akj < ajj + akk (6.11)

Sekarang definisikan z = (zi ) dengan

Maka zTAz > 0, jadi

 -2 akj < akk + ajj (6.12)

(6.11) dan (6.12) mengakibatkan k ≠ j,

(iv) For i ≠ j, definisikan x = (xk )

Dimana, α mempresentasikan bilangan ril. Karena x ≠ 0

0 < xTAx = aii α2 + 2 aij α + ajj.

Definisi : Leading Principal Submatrix dari matriks A adalah matriks dengan bentuk

untuk 1 ≤ k ≤ n.
Teorema : Sebuah matriks simetrik A adalah positife definite jika dan hanya jika sebagian dari
leading Principal Submatrix mempunyai determinan yang positif.
Teorema : Matriks simetrik A adalah positif definite jika dan hanya jika eliminasi Gauss tanpa
petukaran baris dapat ditunjukkan dengan system linier Ax=b dengan semua element
pivot positif.
Corollary : matriks A positif definite jika dan hanya jika A bisa di faktorkan dengan LDLT , dimana L
adalah matriks segitiga bawah dengan 1s di diagonal dan D adalah matriks dengan entri
diagonalnya positif.
Corollary :Matriks A positif definite jika dan hanya jika A bisa difaktorkan dengan LLT , dimana L
adalah matriks segitiga bawah dengan entri diagonal bukan nol.

Faktorisasi LDLT
Ax=b
LDLT x = b ; misal LTx = y ( L matriks segitiga atas dan P matriks dengan semua elemen selain
diagonal utama 0)
LD y = b ; misal Dy = z
Lz = b
Pertama cari solusi z, kemudian y, lalu akan didapati solusi x

Faktorisasi LLT

Ax=b
LLT x = b ; misal LTx = y
Ly = b
Pertama cari solusi y, lalu akan didapati solusi x

III. Teorema Cholesky

Untuk melakukan pemfaktoran terhadap matriks Anxn positive definite menjadi LLT , dengan
L adalah matriks segitiga bawah, dapat dilakukan dengan melakukan pemograman berikut ;
Algoritma diatas menyediakan metode yang stabil untuk dapat melakukan pemfaktoran terhadap
matriks positive definite menjadi bentuk A = LDLT , Namun harus dimodifikasi terlebih
dahulu untuk melakukan penyelesaian terhadap Ax=b. Untuk melakukan ini kita hapus
algoritma sebelumnya pada step 6 dan 7 kemudian ganti dengan ;

Sistem persamaan linear Dz = y dapat diselesaikan dengan ;

Terakhir, system persamaan segitiga atas Lx = z dapat dilakukan dengan step berikut
 IV. Matriks Tridiagonal

Matriks tridiagonal adalah matriks yang elemen pada 3 diagonal utamanya adalah tak nol.
Sebagaimana terlihat seperti matriks dibawah ini :

Untuk melakukan faktorisasi terhadap matriks tridiagonal kita bisa gunakan dekomposisi LU.
Misalkan A = LU . Dimana matriks A,L,U dalam form tridiagonal.

Dengan membentuk A = LU maka akan didapatkan ;

Nantinya penyelesaian dapat dilakukan dengan pertama menggunakan persamaan 6.13 untuk
mencari nilai tak nol pada elemen diluar diagonal utama berdasarkan elemen pada matriks L.
Dilanjutkan dengan menggunakan persamaan 6.14 dan 6.15 untuk menentukan nilai pada
elemen sisanya berdasarkan elemen matriks L dan U.

Berikut contoh operasi pada matriks tridiagonal 4x4 :

A=LxU

Dengan melakukan perkalian L dan U didapatkan

V. Dekomposisi LU (Crout)

Terdiri dari 2 langkah utama :

 Eliminasi maju
 Subtitusi mundur
Penurunan rumus :

 Matrik A didekomposisi menjadi matrik L dan U

 Matrik U adalah matrik segitiga atas
 Matrik L adalah matrik segitiga bawah dengan elemen diagonalnya = 1

Metode Crout merupakan alternatif lain dalam menyelesaikan suatu system persamaan linear.
Meode Dekomposisi LU ini menurut saya lebih ringkas dalam penyelesaiannya dan
perhitungannya pun lebih mudah. Metode ini dapat digunakan untuk menyelesaiakan
persamaan linear dengan ukuran matrik yang tak terhingga.
Pada metode Dekomposisi LU Decomposition, matriks A ditulis sebagai perkalian matriks L dan
U. Dimana matrik L adalah matrik segitiga bawah (Lower) dan U adalah matrik segitiga atas
(upper). Jika kita mengalikan matrik L dan U akan menghasilkan matrik A kembali.

Langkah Langkah penyelesaian dengan metode Dekomposisi LU

1. Cari matriks L dan U sehingga A = LU. Matriks B tetap. Untuk saya sendiri biasanya
matrik L dan U saya gabung dulu untuk meminimalisir kesalahan perhitungan (saya
namakan matrik LU). Setelah terbentuk matrik LU barulah saya pisah elemen-elemen
matri L dan matrik U.
2. Definisikan sebuah matriks kolom baru, misalnya Y, yaitu Y = UX, sehingga LY = B. Lalu
hitung y dengan substitusi maju (mulai dari Y1 sampai Yn ).
3. Hitung x dengan substitusi mundur (mulai dari X1 sampai Xn).