BAB I

PENDAHULUAN

1.1 Latar Belakang

Mata kuliah Al-Jabar Linier sangat bermanfaat bagi kita dalam ketika mempelajari
matematika lanjutan dan penerapannya dalan sains dan teknologi. Pada makalah kita
kali ini kita akan membahas materi lanjutan dari mata kuliah Al-Jabar Linier yaitu nilai
eigen (eigen value), vektor eigen (eigen vector) dan diagonalisasi sebuah matriks,
termasuk diagonalisasi ortogonal dan matriks simetris.

Bahasan ini secara khusus merupakan bahasan tentang konsep vektor baik di Ruang
2 maupun di ruang tiga (R3) dan ruang (Rn). Sebagai tujuan instruksional umum setelah
mempelajari materi dalam makalah ini diharapkan dapat memahami nilai eigen, vektor
eigen dan permasalahan diagonalisasi dari sebuah matriks. Sedangkan sebagai tujuan
instruksional khususnya, diharapkan dapat:

 menentukan nilai eigen dan vektor eigen dari suatu matriks/ transformasi linear
 menentukan hasil diagonalisasi sebuah matriks.

2.3 Rumusan Masalah

Berdasarkan latar belakang diatas maka dapat diambil rumusan masalah sebagai
berikut:

1. Apa itu Nilai Eigen dan Vektor Eigen.

2. Apa itu Diagonalisasi.
3. Apa itu Diagonalisasi Ortogonal dan Matriks Simetris.

1
2.4 Tujuan

Adapaun tujuan makalah ini adalah:

1. Untuk mengetahui definisi Nilai Eigen dan Vektor Eigen.

2. Untuk mengetahui definisi Diagonalisasi
3. Untuk mengetahui definisi Diagonalisasi Ortogonal dan Matriks Simetris

2
 BAB II

LANDASAN TEORI

2.1 Nilai Eigen dan Vektor Eigen

Kata vektor eigen adalah rumusan bahasa jerman dan inggris. Dalam bahasa jerman
eigen dapat diterjemahkan sebagai sebenarnya atau karakteristik, oleh karena itu, nilai
eigen dapat juga kita namakan nilai sebenarnya atau nilai karakteristik. Dalam literatur
lama kadang-kadang dinamakan akar-akar latent.

Nilai eigen dan vektor eigen mempunyai tafsiran geometrik yang bermanfaat dalam
R2 dan R3. Jika 𝜆 adalah nilai eigen dari A yang bersesuaian dengan x, maka Ax = 𝜆x,
sehingga perkalian oleh A akan memperbesar x, atau membalik arah x, yang bergantung
pada nilai 𝜆.

𝜆x = Ax

x 𝜆x = Ax

𝜆x = Ax

(a) (b) (c)

(a) Dilatasi (pembesaran) 𝜆 > 1. (b) Kontraksi 0 < 𝜆 < 1. (c) Pembalikan arah 𝜆 < 0

Jika A adalah matriks n x n, maka vektor tak nol x di dalam Rn dinamakan vektor
eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x; yaitu Ax = 𝜆x untuk
suatu skalar 𝜆. Skalar 𝜆 dinamakan nilai eigen (eigen value) dari A dan x dikatakan
vektor eigen yang bersesuaian dengan 𝜆.

3
Definisi 2.1.1 Jika A adalah sebuah matriks nxn maka sebuah vektor tak nol x di dalam
Rn dinamakan vektor eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x:
Ax = 𝜆𝑥

dimana  adalah suatu skalar dan x adalah vektor yang tidak nol. Skalar 𝜆 dinamakan
nilai Eigen dari matriks A.

Nilai eigen adalah nilai karakteristik dari suatu matriks bujur sangkar. Vektor x
dalam persamaan di atas adalah suatu vektor yang tidak nol yang memenuhi persamaan
di atas untuk nilai eigen yang sesuai dan disebut dengan vektor eigen. Jadi vektor x
mempunyai nilai tertentu untuk nilai eigen tertentu.

Untuk mencari nilai eigen dari matriks A yang berukuran n x n, maka kita perlu
memperhatikan kembali definisi nilai eigen dan vektor eigen, yaitu Ax =λx. Bentuk ini
dapat kita tulis sebagai berikut:

Ax = λx

λx - Ax = 0

λIx - Ax = 0

(λI - A) x = 0

Supaya λ menjadi nilai eigen, maka harus ada penyelesaian yang tidak nol dari sistem
persamaan (λI-A) x = 0. Memiliki solusi nontrivial jika dan hanya jika det (λI– A) = 0.
Ini dsebut persamaan karateristik dari A.

Definisi 2.1.2 Persamaan det (λI-A) = 0 dengan λ sebagai variabel disebut persamaan
karakteristik dari matriks A. Akar-akar atau skalar-skalar yang memenuhi persamaan ini
adalah nilai-nilai eigen (nilai-nilai karakteristik) dari matriks A. Det (λI-A) ≡ f(λ) yaitu
berupa polinom dalam λ yang dinamakan polinom karakteristik.
Teorema berikut ini adalah hasil-hasil yang telah kita peroleh dari penjelasan
diatas.

4
Teorema 2.1.1 Jika A adalah sebuah matriks nxn, maka pernyataan-pernyataan yang
berikut ekivalen satu sam lain.
 λ adalah nilai eigen dari A
 sistem persamaan (λI-A) x = 0 mempunyai penyelesaian yang tak trivial
 ada sebuah vektor tak nol x di dalam Rn sehingga Ax = λx
 λ adalah pemecahan real dari persamaan karateristik det (λI-A) = 0

Setelah kita memahami bagaimana mencari nilai-nilai eigen hubungannya

dengan persamaan karakteristik, maka sekarang akan beralih ke masalah untuk mencari
vektor eigen. Menurut definisi terdahulu bahwa vektor eigen dari matriks A yang
bersesuaian dengan nilai eigen λ adalah vektor x yang tidak nol dan haruslah memenuhi
Ax = λx. Dengan kata lain, secara ekuivalen tentunya vektor eigen yang bersesuaian
dengan nilai eigen λ adalah vektor yang tak nol dalam ruang penyelesaian (λ I – A) x =
0. Ruang penyelesaian ini kita namakan sebagai ruang eigen (eigen space) dari matriks
A yang bersesuaian dengan nilai eigen λ.

Definisi 2.1.3 Ruang penyelesaian dari sistem persamaan linear:

(λ I – A) x = 0 atau (A - λ I) x = 0
dinamakan ruang eigen dari matriks A yang berukuran n x n.

Kita tinjau sebuah matriks bujur sangkar orde 2 x 2 berikut:

a a 
A =  11 12 
a21 a22 

Persamaan AX  X dapat dituliskan:

 a11 a12   x1  x 
a      1 
 21 a22   x2   x2 

Persamaan dikalikan dengan identitas didapatkan:

5
 1 0  a11 a12   x1  1 0  x1 
0 1   a    =    
   21 a22   x 2  0 1   x 2 

 a11 a12   x1   0   x1 
a    =   
 21 a22   x 2   0    x 2 

a11   a12   x1 
 a a22    x  = 0
 21  2

Persamaan dalam bentuk sistem persamaan linier dituliskan:

(a11   ) x1  a12 x2  0
a 21 x1  (a 22   ) x2  0

Persamaan di atas adalah sistem persamaan linier homogen, vektor dalam ruang R n
yang tidak nol didapatkan jika dan hanya jika persamaan tersebut mempunyai solusi
non trivial untuk nilai eigen yang sesuai.

2.2 DIAGONALISASI

Terdapat masalah diagonalisasi seperti berikut: “ Diberikan sebuah operator

linear T: V V pada sebuah ruang vektor berdimensi berhingga, apakah terdapat
sebuah baris untuk V terhadap matriks T diagonal ? ” Jika A adalah matriks untuk T :
V V yang bertalian dengan beberapa baris sebarang, maka hal ini ekivalen dengan
masalah diatas yaitu terdapat perubahan basis yang menghasilkan matriks baru untuk T
yang sama dengan P-1AP dimana P adalah matriks transisi yang sesuai. Bentuk Matriks
dari Masalah diagonalisasi : “Diketahui matriks kuadrat A, apakah terdapat matriks P
yang dapat dibalik sehingga P-1AP diagonal?”

6
Definisi 2.2.1 : Matriks kuadrat A dinamakan dapat didiagonalisasi jika terdapat matriks
P yang dapat dibalik sehingga P-1AP diagonal ; matriks P dikatakan mendiagonalisasi
A.

Teorema 2.2.1: Jika A adalah matriks n x n, maka pernyataan-pernyataan berikut

ekivalen satu sama lain.

a). A dapat didiagonalisasi

b). A mempunyai n vektor eigen bebas linear.

Bukti a) b).

Karena A dianggap dapat didiagonalisasi, maka terdapat matriks yang dapat dibalik
yaitu :

𝑃11 𝑃12 ⋯ 𝑃1𝑛

𝑃21 𝑃22 ⋯ 𝑃2𝑛
P= [ ]
⋮ ⋮ ⋮
𝑃𝑛1 𝑃𝑛2 ⋯ 𝑃𝑛𝑛

Sehingga P-1AP diagonal, anggaplah D = P-1AP dimana

𝜆1 0 ⋯ 0
0 𝜆2 ⋯ 0
D= [ ]
⋮ ⋮ ⋮
0 0 ⋯ 𝜆𝑛

Jadi dapat diperoleh AP = PD yaitu :

𝑃11 𝑃12 ⋯ 𝑃1𝑛 𝜆1 0 ⋯ 0 𝜆1 𝑃11 𝜆2 𝑃12 ⋯ 𝜆n 𝑃1𝑛

𝑃21 𝑃22 ⋯ 𝑃2𝑛 0 𝜆2 ⋯ 0 𝜆 𝑃 𝜆 𝑃 ⋯ 𝜆n 𝑃2𝑛
AP = [ ][ ] =[ 1 21 2 22 ]
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑃𝑛1 𝑃𝑛2 ⋯ 𝑃𝑛𝑛 0 0 ⋯ 𝜆𝑛 𝜆1 𝑃𝑛1 𝜆2 𝑃𝑛2 ⋯ 𝜆n 𝑃𝑛𝑛

Dari pembuktian diatas dimisalkan P1, P2, ...., Pn menyatakan vektor-vektor kolom P,
maka bentuk kolom-kolom AP yang berurutan adalah 𝜆1P1, 𝜆2P2, ...., 𝜆nPn, akan tetapi
kolom-kolom AP yang berurutan adalah AP1, AP2, ...., APn. Jadi kita harus memperoleh

7
 AP1= 𝜆1P1, AP2= 𝜆2P2, ....,APn= 𝜆nPn

Karena P dapat dibalik, maka vektor-vektor kolomnya tak nol ; jadi nilai-nilai eigen A
adalah 𝜆1, 𝜆2, ...., 𝜆n, dan P1, P2, ...., Pn adalah vektor-vektor eigen yang bersesuaian. Karena
P dapat dibalik maka P1, P2, ...., Pn bebas linear, jadi A mempunyai n vektor eigen bebas
linear.

Bukti b) a)

A dianggap mempunyai n vektor eigen bebas linear, maka P1, P2, ...., Pn dengan nilai eigen
yang bersesuaian 𝜆1, 𝜆2, ...., 𝜆n , dan misalkan

𝑃11 𝑃12 ⋯ 𝑃1𝑛

𝑃 𝑃 ⋯ 𝑃2𝑛
P= [ 21 22 ]
⋮ ⋮ ⋮
𝑃𝑛1 𝑃𝑛2 ⋯ 𝑃𝑛𝑛

Merupakan matriks yang vektor-vektor kolomnya adalah P1, P2, ...., Pn. Kolom-kolom dari
hasil kali AP adalah AP1, AP2, ...., APn tetapi AP1= 𝜆1P1, AP2= 𝜆2P2, ....,APn= 𝜆nPn sehingga

𝜆1 𝑃11 𝜆2 𝑃12 ⋯ 𝜆n 𝑃1𝑛 𝑃11 𝑃12 ⋯ 𝑃1𝑛 𝜆1 0 ⋯ 0

𝜆 𝑃 𝜆 𝑃 ⋯ 𝜆n 𝑃2𝑛 𝑃 𝑃 ⋯ 𝑃2𝑛 0 𝜆2 ⋯ 0
AP =[ 1 21 2 22 ] = [ 21 22 ][ ] = PD
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝜆1 𝑃𝑛1 𝜆2 𝑃𝑛2 ⋯ 𝜆n 𝑃𝑛𝑛 𝑃𝑛1 𝑃𝑛2 ⋯ 𝑃𝑛𝑛 0 0 ⋯ 𝜆𝑛

Dimana D adalah matriks diagonal yang mempunyai nilai-nilai eigen 𝜆1, 𝜆2, ...., 𝜆n pada
diagonal utama. Karena vektor-vektor kolom dari P bbas linier, maka

P dapat dibalik; jadi dapat dituliskan kembali sebagai P-1AP = D; yaitu A

terdiagonalisasi.

Prosedur untuk mendiagonalkan matriks A yang berukuran n x n dapat didiagonalisasi

Langkah 1 :

Carilah n vektor eigen bebas linier A, P1, P2, ...., Pn

8
Langkah 2 :

Bentuklah matriks P yang mempunyai P1, P2, ...., Pn sebagai vektor-vektor kolomnya

Langkah 3 :

Matriks P-1AP akan diagonal dengan 𝜆1, 𝜆2, ...., 𝜆n sebagai entri-entri diagonalnya yang
berurutan, dimana 𝜆i adalah nilai eigen yang bersesuaian dengan Pi, i = 1,2,....,n.

Teorema 2.2.2 . Jika v1, v2, …., vk adalah vektor-vektor eigen A yang bersesuaian
dengan nilai-nilai eigen yang berbeda 𝜆1, 𝜆2, …., 𝜆k, maka { v1, v2, …., vk} adalah
himpunan bebas linier.

Misalkan 𝜆1, 𝜆2, …., 𝜆k adalah nilai-nilai eigen yang berbeda dan kita pilih himpunan
bebas linier pada masing-masing ruang eigen yang bersesuaian. Jika kita gabungkan
semua vektor ini ke dalam himpunan tunggal, maka hasil tersebut masih merupakan
himpunan bebas linier. Misalnya, jika kita memilih tiga vektor bebas linier dari sebuah
ruang eigen dan dua vektor eigen bebas linier dari ruang eigen lainnya, maka kelima
vektor tersebut bersama-sama membentuk sebuah himpunan bebas linier. Kita
mengabaikan buktinya. Sebagai konsekuensi teorema ini, kita dapatkan hasil yang
berguna berikut.

Teorema2.2.3 . Jika matriks A yang berukuran n x n mempunyai n nilai eigen yang

berbeda, maka A dapat didiagonalisasi.

Bukti. Jika v1, v2, …., vn adalah vektor-vektor eigen yang bersesuaian dengan nilai-nilai
eigen yang berbeda 𝜆1, 𝜆2, …., 𝜆n, maka menurut teorema 3, v1, v2, …., vn bebas linier.
Jadi, A dapat didiagonalisasi, oleh teorema 2.2.1.

Jika A adalah matriks n x n dengan nilai eigen yang lebih kecil dari n, maka kita
memperoleh teorema-teorema yang akan kita telaah dalam pelajaran lebih lanjut yang
dapat digunakan untuk menentukan apakah A dapat didiagonalisasi. Akan tetapi,
teorema ini tidak dapat memberikan prosedur perhitungan yang sederhana untuk

9
membuat determinasi ini; sesungguhnya kita dapat melakukan perhitungan apabila
diperlukan untuk melihat apakah A mempunyai n nilai eigen yang bebas linier.

2.3 DIAGONALISASI ORTOGONAL; MATRIK SIMETRIS

Kita mempunyai dua pertanyaan yang akan ditinjau yang pertama matriks-matriks
manakah yang dapat didiagonalisasi secara ortogonal dan yang kedua bagaimana kita
mencari matriks ortogonal untuk melaksanakan diagonalisasi.

Definisi 2.3.1. Matriks A kuadrat dinamakan dapat didiagonalisasi secara ortogonal jika
terdapat matriks P yang ortogonal sehingga 𝑃−1 𝐴𝑃(= 𝑃𝑡 𝐴𝑃) diagonal; matriks P
dikatakan mendiagonalisasi A secara ortogonal.

Untuk membantu kita menjawab pertanyaan pertama kita akan memerlukan definisi
berikut :

Definisi 2.3.2. Matriks A kuadrat kita namakan simetris jika A = 𝐴𝑡

Contoh :

1 4 5 1 4 5
Jika A = [4 −3 0] maka 𝐴𝑡 = [4 −3 0] = 𝐴 dengan demikian A simetris.
5 0 7 5 0 7

Adalah mudah mengakui matriks simetris dengan pemeriksaan: entri-entri pada

diagonal utama adalah sebarang, namun bayangan cermin dari entri yang melintasi
diagonal utama adalah sama

Teorema selanjutnya merupakan alat utama untuk menentukan apakah sebuah

matriks dapat didiagonalisasi secara ortogonal. Dalam teorema ini dan untuk teorema
selebihnya dari bagian ini, ortogonal akan berarti ortogonal yang bertalian dengan hasil
kali dalam Euclidis pada Rn.

10
Teorema 2.3.1. Jika A adalah matriks n x n, maka pernyataan berikut ekuivalen satu
sama lain.

a) A dapat didioagonalisasi secara ortogonal

b) A mempunyai himpunan ortonormal dari n vektor eigen
c) A adalah simetris

Bukti (a) (b). Karena A dapat didiagonalisasi secara ortogonal, maka terdapat
matriks P yang ortogonal sehingga 𝑃−1 𝐴𝑃 diagonal. Seperti yang diperlihatkan dalam
bukti Teorema 2.2.1, maka vektor kolom ke n dari P adalah vektor eigen A. Karena P
ortogonal, maka vektor-vektor kolom ini ortonormal sehingga A mempunyai n vektor
eigen ortonormal.

(a) (b), anggaplah bahwa A mempunyai himpunan ortonormal dari n vektor eigen
{𝑃1, 𝑃2,⋯, 𝑃𝑛 }. Seperti yang diperlihatkan dalam bukti Teorema 2, maka matriks P
dengan vektor-vektor eigen ini sebagai kolom-kolom akan mendiagonalisasi A. Karena
vektor-vektor eigen ini ortonormal, maka P ortogonal sehingga akan mendiagonalisasi
A secara ortogonal.

(a) (c). Dalam bukti (a) (b) kita menunjukan bahwa matriks A yang berukuran
nxn dapat didiagonalisasi oleh matriks P yang berukuran n x n secara ortogonal yang
kolom-kolomnya membentuk himpunan ortonormal dari vektor-vektor eigen yang
berukuran A. misalkan D adalah matriks diagonal. D = 𝑃−1 𝐴𝑃, jadi 𝐴 = 𝑃𝐷𝑃−1 atau,
karena P ortogonal, maka 𝐴 = 𝑃𝐷𝑃𝑡 , sehingga 𝐴 = (𝑃𝐷𝑃𝑡 )𝑡 = 𝑃𝐷𝑡 𝑃𝑡 = 𝑃𝐷𝑃𝑡 = 𝐴

Teorema 2.3.2. Jika A adalah matriks simetris, maka vektor-vektor eigen dari ruang
eigen yang berbeda akan ortogonal.

Bukti.

misalkan 𝜆1 dan 𝜆2 adalah dua nilai eigen yang berbeda dari matriks A simetrik yang
berukuran m x n dan misalkan

11
 𝑣1 𝑣′1
𝑣2 𝑣′2
𝑣1 [ ⋮ ] 𝑑𝑎𝑛 𝑣2 = [ ]
⋮
𝑣𝑛 𝑣′𝑛

adalah vektor-vektor eigen yang berssuaian. diperlihatkan bahwa

(v1 . v2) = v1 . v’1 + v2 . v’2 + . . . + vn . v’n

karena v1 tv2 adalah matriks 1x1 yang mempunyai v1 . v2 sebagai satu-satunya entrinya,
maka dapat melengkapi bukti tersebut dengan memperlihatkan bahwa v1tv2 = 0. Karena
v1 dan v2 merupakan vektor eigen yang bersesuaian dengan nilai eigen 𝜆1 dan 𝜆2 , kita
mempunyai :

Av1 = 𝜆1 𝑣1

Av2 = 𝜆2 𝑣2

(Av1)t = (𝜆1 𝑣1 )𝑡

atau

v1tAt = 𝜆1 𝑣1 𝑡

juga, karena A adalah simetris

v1t A = 𝜆1 𝑣1 𝑡

dengan mengalikan kedua ruas dari persamaan ini pada bagian kanan
menggunkan v2 akan menghasilkan

v1t Av2 = 𝜆1 𝑣1 𝑡 𝑣2

dan dengan mengalikan kedua ruas pada bagian kiri menggunakan v1t
menghasilkan

v1t Av2 = 𝜆2 𝑣1 .𝑡 𝑣2 .

12
 Jadi

𝜆1 𝑣1 .𝑡 𝑣2 = 𝜆2 𝑣1 .𝑡 𝑣2

atau

(𝜆1 − 𝜆2 ) 𝑣1 .𝑡 𝑣2 = 0

namun demikian 𝜆1 ≠ 𝜆2 , sehingga 𝑣1 .𝑡 𝑣2 = 0 yang manakah yang kita cari untuk

membuktikannya.

Sebagai konsekuensi dari teorema ini maka kita dapatkan prosedur berikut untuk
mendiagonalisasi matriks secara ortogonal.

 Langkah 1 Carilah basis untuk masing-masing ruang eigen dari A.

 Langkah 2 : Terapkanlah proses Gram-Schmidt ke masing-masing basis ini
untuk mendapatkan basis ortonormal untuk setiap ruang eigen.
 Langkah 3 Bentuklah matriks P yang kolom-kolomnya adalah vektor-vektor
Basis yang dibangun dalam langkah 2; matriks ini akan
mendiagonalisasi A secara ortogonal.

Pembetulan prosedur ini sudah seharusnya jelas. Teorema 2.3.1 menjamin bahwa
vektor-vektor eigen dari ruang-ruang eigen yang berbeda akan ortogonal, sedangkan
penerapan proses Gram-Schmidt menjamin bahwa vektor-vektor eigen yang didapatkan
dalam ruang eigen yang sama akan ortonormal. Jadi, keseluruhan himpunan vektor
eigen yang didapatkan dengan prosedur ini akan ortonormal.

Kita simpulkan bagian ini dengan menyatakan dua sifat penting matrik simetris

Teorema 2.3.3.

 persamaan karakteristik matriks A simetrik hanya mempunyai akar-akar riil.

13
 jika nilai eigen 𝜆 dari matriks simetrik A diulangi k kali sebagai akar persamaan
karakteristik tersebut, maka ruang eigen yag bersesuaian dengan 𝜆 adalah ruang
berdimensi k.

14
 BAB III
HASIL DAN PEMBAHASAN

3.1 Contoh soal nilai eigen dan vektor eigen

1
1) Carilah nilai eigen yang bersesuaian dengan vektor x = [ ] adalah vektor eigen
2
3 0
dari A = [ ]
8 −1
Jawab :
Menurut definisi bahwa Ax = 𝜆𝑥
3 0 1 3 1
Ax = [ ] [ ]= [ ]=3[ ]
8 −1 2 6 2
1
𝜆𝑥 = 3[ ] = 3x
2
𝜆= 3
1
2) Carilah nilai eigen yang bersesuaian dengan x = [2] adalah vektor eigen dari A =
3
2 0 0
[2 1 0]
0 0 2
Jawab:
Menurut definisi bahwa Ax = 𝜆𝑥
2 0 0 1 2 1
Ax = [2 1 0] [2]= [4]=2[2]
0 0 2 3 6 3
1
𝜆𝑥 = 2[2]=2x
3
𝜆 =2
3 2
3) Carilah nilai-nilai eigen dari matriks A= [ ]
−1 0
Jawab :
1 0 3 2 𝜆−3 −2
Karena 𝜆𝐼 − 𝐴 = 𝜆 [ ]−[ ]=[ ]
0 1 −1 0 1 𝜆

15
 Maka polinomial karakteristik dari A adalah
𝜆−3 −2
Det (𝜆𝐼 − 𝐴) = 𝑑𝑒𝑡 [ ] = 𝜆2 − 3𝜆 + 2
1 𝜆
Dan persamaan karakteristik dari A adalah
𝜆2 − 3𝜆 + 2 = 0
(𝜆 − 1) (𝜆 − 2) = 0
𝜆 = 1 𝑑𝑎𝑛 𝜆 = 2

4) Carilah basis-basis untuk ruang eigen dari sistem linier x1+3x2 = 𝜆 x1 dan 4x1+2x2
= 𝜆 x2
Jawab:
Menurut definisi Ax = 𝜆𝑥
1 3 𝑥1 𝑥1
[ ] [𝑥 ] = [𝑥 ] 𝜆
4 2 2 2
𝑥1 1 3 𝑥1
[𝑥 ] 𝜆 − [ ][ ] = 0
2 4 2 𝑥2
𝑥1 1 0 1 3
[𝑥 ] (𝜆 [ ]−[ ]) = 0
2 0 1 4 2
𝑥1 𝜆 0 1 3
[𝑥 ] ([ ]−[ ]) = 0
2 0 𝜆 4 2
𝑥1 𝜆 − 1 −3
[𝑥 ] [ ]= 0
2 −4 𝜆 − 2
𝜆 − 1 −3
det [ ]=0
−4 𝜆 − 2
𝜆2 + 2𝜆 − 𝜆 + 2 − 12 = 0
𝜆2 + 3𝜆 − 10 = 0
(𝜆 − 5)(𝜆 + 2) = 0
𝜆 = 5 𝑑𝑎𝑛 𝜆 = −2

Jika 𝜆 = 5
𝑥1 𝜆 − 1 −3 𝑥1 4 −3
[𝑥 ] [ ]= 0 → [𝑥 ] [ ]= 0
2 −4 𝜆−2 2 −4 3

16
 4 −3 0 4 −3 0
( ) E21(1) ( )
−4 3 0 0 0 0
4x1-3x2=0, mis x2=t maka
4x1-3t=0
3
x1=4 𝑡
3
(4 𝑡 )
𝑡
untuk 𝜆 = −2
𝑥1 𝜆 − 1 −3 𝑥1 −3 −3
[𝑥 ] [ ]= 0 → [𝑥 ] [ ]= 0
2 −4 𝜆 − 2 2 −4 −4

−3 −3 0 4 −3 −3 0
( ) E21(-3) ( )
−4 −4 0 0 0 0
−3x1-3x2=0, mis x2=t
−3x1-3t=0
x1= -t
−𝑡
( )
𝑡

3.2 Contoh soal Diagonalisasi

1 0
1) Diketahui matriks A = [ ]
6 −1
Carilah : a) matriks P yang mendiagonalisasi A
b) matriks diagonal D = P-1AP
Jawab : det (λI-A) = 0
𝜆−1 0
det[ ]=0
−6 𝜆+1
(𝜆 − 1) (𝜆 + 1) = 0
𝜆1=1dan 𝜆2 = -1(nilai-nilai eigen A)

untuk 𝜆1=1
(λI-A) x = 0

17
 0 0 𝑥1 0
[ ] [𝑥 ] = [ ]
−6 2 2 0
-6x1 + 2x2 = 0
1
x1 = 3 x2
1
𝑥 = 3𝑡
{ 1
𝑥2 = 𝑡 ∈ 𝑅

1 1
𝑡
x = [3 ] = [3 ] 𝑡
1𝑡 1
1
Jadi, basis ruang eigen yang bersesuaian 𝜆1=1 adalah P1 = [3 ]
1
Dengan demikian didapatkan bahwa (P1,P2) adalah bebas linear, sehingga
1
0
P = [3 ] akan mendiagonalkan matriks A.
01

1 0 1 1
0 0
D = P-1AP = 3 [−1 1 ] [ ] [3 ]
3 6 −1 1 1
1
3 0 1 0 0
=[ ][ ] [3 ]
−3 1 6 −1 1 1
1
3 0 0
=[ ] [3 ]
3 −1 1 1
1 0
=[ ]
−1 −1
−3 2
2) Persamaan karakteristik dari matriks A = [ ] adalah
−2 1
𝜆 + 3 −2
det (λI-A) = det [ ] = (𝜆 + 1)2 = 0
2 𝜆−1
jadi 𝜆 = -1 adalah satu-satunya nilai eigen dari A; vektor-vektor eigen yang
bersesuaian dengan 𝜆 = -1 adalah pemecahan-pemecahan dari (I - A)x = 0; yakni,
dari 2x1 – 2x2 = 0
2x1 – 2x2 = 0

18
 2 −2 0 2 −2 0
Pemecahan sistem ini adalah ( ) 𝐸21 (−1) ( ).
2 −2 0 0 0 0
Misalkan X2 = t => 2x1 – 2 x2 = 0
2x1- 2(t) = 0
2x1 = 2t
x1 = t
Maka ruang eigen tersebut terdiri dari semua vektor yang berbentuk :
𝑡 1
[ ] = 𝑡[ ]
𝑡 1
Karena ruang ini berdimensi 1, maka A tidak mempunyai dua vektor eigen yang
bebas linier, sehingga tidak dapat didiagonalisir.

3.3 Contoh soal Diagonalisasi Ortogonal; Matriks Simetrik

4 2 2
1. Carilah matriks ortogonal P yang mendiagonalisasi A = [2 4 2]
2 2 4
Pemecahan : persamaan karakteristik A adalah :
𝜆 − 4 −2 −2
det (𝜆𝐼 − 𝐴) = det [ −2 𝜆 − 4 −2 ]= (𝜆 − 2)2 (𝜆 − 8) = 0
−2 −2 𝜆 − 4
Jadi, nilai-nilai eigen A adalah 𝜆 = 2 dan 𝜆 = 8. Menurut metode yang digunakan
pada contoh soal diagonalisasi nomor 2, maka dapat diperlihatkan bahwa 𝑢1 =
−1 −1
[ 1 ] dan 𝑢2 = [ 0 ] membentuk basis untuk ruang eigen yang bersesuaian
0 1
dengan 𝜆 = 2.
Dengan menerapkan proses Gram-Schmid t terhadap {𝑢1 , 𝑢2 } akan menhasilkan
vektor-vektor eigen ortonormal.

19
 1
−
1 −
√6
√2 1
𝑣1 = [ 1 ] dan 𝑣2 = − √6 ruang-ruang eigen yang bersesuaian dengan 𝜆 = 8
√2 2
0 [ √6 ]
1
mempunyai 𝑢3 = [1] sebagai basis. Dengan menerapkan proses Gram-Schmidt
1
1
−
√3
1
terhadap {𝑢3 }, maka akan menghasilkan 𝑣3 = √3
.
1
[ √3 ]

Akhirnya dengan menggunakan 𝑣1 , 𝑣2 , 𝑣3 sebagai vektor-vektor kolom maka kita

1 1 1
− − −
√2 √6 √3
1 1 1
dapatkan 𝑃 = −
√2 √6 √3
2 1
[ 0 √6 √3 ]

20
 BAB III

KESIMPULAN

1. Definisi Vektor Eigen:

Jika A adalah sebuah matriks nxn maka sebuah vektor tak nol x di dalam Rn
dinamakan vektor eigen (eigen vector) dari A jika Ax adalah kelipatan skalar
dari x: Ax = 𝜆𝑥
2. Definisi persamaan karakteristik:
Persamaan det (λI-A) = 0 dengan λ sebagai variabel disebut persamaan
karakteristik dari matriks A. Akar-akar atau skalar-skalar yang memenuhi
persamaan ini adalah nilai-nilai eigen (nilai-nilai karakteristik) dari matriks A.
Det (λI-A) ≡ f(λ) yaitu berupa polinom dalam λ yang dinamakan polinom
karakteristik.
3. Teorema 2.1.1 Jika A adalah sebuah matriks nxn, maka pernyataan-pernyataan
yang berikut ekivalen satu sam lain.
 λ adalah nilai eigen dari A
 sistem persamaan (λI-A) x = 0 mempunyai penyelesaian yang tak trivial
 ada sebuah vektor tak nol x di dalam Rn sehingga Ax = λx
 λ adalah pemecahan real dari persamaan karateristik det (λI-A) = 0
4. Definisi 2.2.1 : Matriks kuadrat A dinamakan dapat didiagonalisasi jika
terdapat matriks P yang dapat dibalik sehingga P-1AP diagonal ; matriks P
dikatakan mendiagonalisasi A.
5. Teorema 2.2.1: Jika A adalah matriks n x n, maka pernyataan-pernyataan
berikut ekivalen satu sama lain.
 A dapat didiagonalisasi
 A mempunyai n vektor eigen bebas linear.
 Prosedur untuk mendiagonalkan matriks A yang berukuran n x n dapat
didiagonalisasi

21
6. Prosedur untuk mendiagonalkan matriks A yang berukuran n x n dapat
didiagonalisasi
 Langkah 1 :
carilah n vektor eigen bebas linier A, P1, P2, ...., Pn
 Langkah 2 :
bentuklah matriks P yang mempunyai P1, P2, ...., Pn sebagai vektor-vektor
kolomnya
 Langkah 3 :
Matriks P-1AP akan diagonal dengan 𝜆1, 𝜆2, ...., 𝜆n sebagai entri-entri
diagonalnya yang berurutan, dimana 𝜆i adalah nilai eigen yang
bersesuaian dengan Pi, i = 1,2,....,n.
7. Definisi 2.3.1. Matriks A kuadrat dinamakan dapat didiagonalisasi secara
ortogonal jika terdapat matriks P yang ortogonal sehingga 𝑃−1 𝐴𝑃(= 𝑃𝑡 𝐴𝑃)
diagonal; matriks P dikatakan mendiagonalisasi A secara ortogonal.
8. Teorema 2.3.1. Jika A adalah matriks n x n, maka pernyataan berikut ekuivalen
satu sama lain.
a) A dapat didioagonalisasi secara ortogonal
b) A mempunyai himpunan ortonormal dari n vektor eigen
c) A adalah simetrik

22
 DAFTAR PUSTAKA

Anton, Howard. 1991. Aljabar Linier Elementer edisi 3.terj:Pantur Silaban, Jakarta:
Erlangga

23