METODE NUMERIK
Oleh
M. Yogi Fahrezi (D411 15 007)
Wahyudi (D411 15 011)
Aryawansa (D411 16 317)
Nurul Khaerunnisa H. (D411 16 513)
Muh. Waiz Al Karni J. (D411 16 517)
Muh. Rafiud Priatna Y. (D411 16 519)
PENDAHULUAN
Dalam kehidupan sehari-hari, banyak permasalahan dari fenomena riil yang dapat
dijelaskan melalui pembentukan model matematika. Pada umumnya perumusan
model matematika ini berupa fungsi. Dalam banyak kasus, tidak semua model
matematika tersebut dapat diselesaikan secara mudah dengan menggunakan metode
analitik, sehingga digunakan metode numerik untuk mencari penyelesaiannya.
Metode numerik adalah teknik yang digunakan untuk memformulasikan persoalan
matematik sehingga dapat dipecahkan dengan operasi perhitungan atau aritmetik
biasa (tambah, kurang, kali, dan bagi).
Salah satu penerapan dari metode numerik ini yaitu dalam masalah nilai eigen dan
vektor eigen. Metode numerik memberikan suatu cara alternatif yang digunakan
untuk menemukan nilai eigen dan vektor eigen dari suatu matriks. Cara yang
digunakan dalam metode numerik ini termasuk unik karena dalam penyelesaiannya
hanya diperlukan operasi-operasi aljabar biasa. Hanya saja, dalam penghitungannya
tidak cukup dilakukan sekali tetapi harus dilakukan berulang-ulang sampai ditemukan
nilai yang konvergen ke satu nilai yang merupakan nilai penyelesaiannya.
Nilai eigen banyak digunakan untuk mendapatkan solusi berbagai bidang. Karena
permasalahan nilai eigen cukup penting kegunaannya, maka berbagai metode yang
digunakan untuk menemukan nilai eigen menjadi penting untuk dipelajari. Metode
numerik memberikan suatu cara alternatif yang digunakan untuk menemukan nilai
eigen dan vektor eigen dari suatu matriks, salah satunya yaitu metode pangkat.
Biasanya jika suatu matriks A berukuran m X m dan x suatu vektor pada Rm, tidak
ada hubungan antara vektor x dan vektor Ax. Tetapi seringkali kita menemukan suatu
vektor tak nol x tertentu sedemikian hingga x dan Ax merupakan pergandaan satu
sama lain dan berlaku Ax=λx dengan A matrik berukuran m X m dan λ suatu skalar.
Kejadian inilah yang dinamakan nilai eigen dan vektor eigen (eigenvalue dan
eigenvektor) dan merupakan kejadian yang sering dijumpai dalam matriks.
Eigenvalue dan eigenvektor secara implisit dinyatakan sebagai fungsi elemen-elemen
dari sebuah matriks bujur sangkar (square matrix).
Meskipun metode pangkat bisa digunakan untuk mengaproksimasi nilai eigen dan
vektor eigen dari matriks, akan sulit untuk mengaproksimasi nilai eigen keseluruhan
dari matriks tersebut. Oleh sebab itu, diperlukan metode deflasi berturut-turut untuk
menemukannya.
1.3 Tujuan
PEMBAHASAN
Ax (1)
( A-I )x = 0 (3)
1(A) m(A).
Persamaan karakteristik dapat digunakan untuk mencari eigenvalue matriks A.
Kemudian dapat juga digunakan dalam persamaan eigenvalue-eigenvektor untuk
mencari eigenvektor. Dari eigenvektor yang telah diperoleh, dalam bebarapa
penerapan, seperti penguraian nilai singular dan spektral, yang digunakan adalah
eigenvektor ternormalisasi. Eigenvektor ternormalisasi adalah eigenvektor dimana
tiap-tiap elemen dibagi dengan panjang vektor tersebut. Untuk lebih jelasnya
perhatikan contoh berikut:
Contoh:
Tentukan eigenvalue dan eigenvektor dari matriks A berukuran 3×3 sebagai berikut.
Jawab:
Dengan menggunkan definisi 5.3, persamaan karakteristik A adalah,
Jadi, dari hasil di atas diperoleh tiga eigenvalue A, yaitu : λ1=5 , λ 2= 2 dan λ 3=1Untuk
mendapatkan eigenvector A yang bersesuaian dengan λ 1 = 5, kita harus
menyelesaikan persamaan Ax=5x, sedemikian hingga diperoleh sistem persamaan
sebagai berikut,
atau
Dari persamaan (a), misal jika kita ambil x2 = 1 maka x3 = 1, sehingga dengan
persamaan (c) diperoleh dan x1 = 1. Sehingga eigenvektor dari A yang bersesuaian
dengan = 5 adalah x = (1, 1, 1)T. Dari persamaan x2 = x3 dan x1 = x2 , anda dapat
mengambil sembarang x2 yang lain, pasti akan memenuhi persamaan tersebut. Dari
hal ini dapat dikatakan bahwa eigenvektor tidak tunggal.
Dengan cara yang sama, sekarang untuk λ2 = 2, kita harus menyelesaikan persamaan
Ax=2x, sedemikian hingga diperoleh sistem persamaan sebagai berikut,
Eigenvektor ternormalisasi akan tunggal, kecuali untuk tandanya saja, sehingga nilai
eigenvektor tersebut kita kalikan dengan -1 juga merupakan eigenvektor yang lain.
Eigenvalue dan eigenvektor mempunyai interpretasi geometri yang sederhana, misalnya jika
λ merupakan eigenvalue dari matriks A yang bersesuaian dengan eigenvektor x. Vektor Ax
merupakan perkalian skalar dari x dengan eigenvalue nya, sehingga panjang dari vektor ||Ax||
= ± λ ||x||. Tanda plus minus tergantung kepada tanda dari λ.
Contoh 2:
Dari matriks segitiga atas, tentukan eigenvalue dan eigenvektornya
Jawab:
Dengan mengingat bahwa determinan dari matriks segitiga adalah perkalian diagonal utama
maka kita dapatkan:
Teorema 1:
Jika A adalah suatu matriks segitiga (segitiga atas atau segitiga bawah atau matriks diagonal)
berukuran m x m, maka eigenvalue dari A adalah elemen-elemen diagonal utama dari A.
Contoh 3:
Tentukan eigenvalue dan eigenvektornya dari matriks berikut:
Jawab:
Berdasarkan teorema 1 diatas, dengan mudah dapat kita tentukan eigenvalue dari matriks A
yaitu
Pada prakteknya eigenvalue dan eigenvektor dari suatu matriks tidak selalu bernilai real,
kadang suatu matriks mempunyai eigenvalue dan eigenvektor bilangan komplek.
Contoh 4:
Perhatikan pada matriks 2 × 2 berikut,
Contoh 5:
Tentukan persamaan karakteristik, eigenvalue dan eigenvektor dari matriks A berikut:
Jawab:
Dengan menggunakan bantuan paket program Matlab, untuk menyelsaikan matriks diatas,
langkah pertama adalah memasukkan nilai dari matriks A sebagai berikut:
dimana V berisikan eigenvektor ternormalisasi dari matriks A dan D adalah matriks Diagonal
dengan elemen diagonal adalah eigenvalue yang bersesuaian dengan eigen vector
Dalam beberapa kondisi, kita menginginkan bekerja dengan himpunan semua eigenvektor
yang dihubungkan dengan suatu eigenvalue. Kumpulan semua eigenvektor SA(λ) yang
berhubungan dengan eigenvalue λ tertentu, disebut ruang eigen dari A yang bersesuaian
dengan λ. Dimana SA(λ)={x:xϵ Rm dan Ax = λx}
Teorema 2:
Jika SA(λ) adalah ruang eigen dari matriks A berukuran m x m yang bersesuaian dengan λ
maka SA(λ) adalah sub ruang vektor dari Rm.
Bukti:
ngan menggunakan definisi : jika xϵ SA(λ), maka Ax = λx. Maka jika xϵ SA(λ), dan y ϵ SA(λ),
maka untuk skalar α dan β berlaku:
3.1. Kesimpulan
Persamaan det (λ I – 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(λ I – A) ≡ f(λ)
yaitu berupa polinom dalam λ yang dinamakan polinom karakteristik.
Jika A adalah suatu matriks n n dan λ adalah suatu bilangan real, maka
pernyataan-pernyataan berikut ini adalah ekuivalen:
1. λ adalah nilai-nilai eigen dari matriks A.
2. Sistem persamaan (λ I – A)x = 0 mempunyai penyelesaian tak trivial (non
trivial).
3. Ada vektor x yang tidak nol dalam Rn sedemikian sehingga Ax = λx. ) λ
adalah suatu penyelesaian real dari persamaan karakteristik det (λ I–A)= 0
4. 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.
Nilai eigen pada umumnya memberikan cara mudah untuk mendapatkan solusi
berbagai bidang keilmuan. Nilai eigen diperlukan untuk memecahkan berbagai
permasalahan dalam kehidupan sehari-hari, sehingga bisa dikatakan metode dalam
menemukan nilai eigen merupakan salah satu ilmu pengetahuan yang bisa digunakan
untuk membantu mempermudah kehidupan sehari-hari.
Dalam bidang fisika, aplikasi nilai eigen antara lain pada kasus struktur
melengkungnya batang (mencari beban kritis pada ujung salah satu batang yang jika
dilampaui menyebabkan batang patah) dan pada campuran (menentukan jumlah zat
dalam suatu pencampuran pada waktu t).
Dengan ditemukannya nilai eigen dan aplikasinya, banyak permasalahan dalam
praktek sehari-hari yang menjadi lebih mudah. Dengan demikian, metode untuk
mencari nilai eigen merupakan ilmu pengetahuan yang merupakan sarana untuk
mencapai kemudahan.
DAFTAR PUSTAKA
Anton, H., 1987, Elementary Linear Algebra, John Wiley & Son, New York
Basilevsky, A., 1983, Applied Matrix Algebra in the Statistical Sciences, Elsevier Sciences
Publ. Co. Inc.
Erwin, Kreyszig, 2011, Advanced Engineering Mathematics, 10th Edition, John Wiley & Son,
New York.
Shchoot, J.R., Matrix Analysis for Statistics, John Wiley, New York.