7.

NILAI-NILAI VEKTOR EIGEN

• Nilai Eigen dan Vektor Eigen

• Diagonalisasi
• Diagonalisasi Ortogonal
 Nilai Eigen, Vektor Eigen

Diketahui A matriks nxn dan x adalah suatu vektor

pada Rn, maka biasanya tdk ada hubungan antara vektor x
dengan vektor Ax.
Ax

Namun , dapat terjadi vektor x tertentu sedemikian

sehingga x dan Ax merupakan penggandaan satu sama lain

Ax

x
 Nilai Eigen, Vektor Eigen
Apabila diberikan transformasi linier A : Rn  Rn, maka kita
perlu menentukan skalar  sehingga Ax = x mempunyai
solusi tak nol.
Jika A adalah matriks nxn,
• Vektor-vektor tidak nol pada Rn disebut vektor eigen
dari A jika Ax adalah suatu penggandaan skalar dari x,
yaitu: Ax = x
• Untuk semua skalar .
• Skalar  disebut eigenvalue A, dan x disebut juga
eigenvector A bersepadanan dengan .
 Nilai Eigen, Vektor Eigen

Jika diketahui vektor adalah suatu vektor eigen

maka tentukan nilai eigen dari vektor tersebut.

Ax = x

λ =3
 Menghitung λ

Untuk mencari nilai eigen dari matriks A yang berukuran nxn,

maka:
A nn  Ax = x
 Ax = Ix  (I – A)x = 0.

  det (I – A) = 0

Persamaan karakteristik dari A,

dimana skalar yang memenuhi
persamaan ini adalah nilai eigen
dari A.

det (I – A) merupakan persamaan polinomial p dalam

 dan disebut polinomial karakteristik dari A.
Menghitung λ

det (I – A) = 0
 Nilai Eigen, Vektor Eigen
0 1 0 
 
Tentukan nilai eigen dari A  0 0 1 
 4 17 8 

• Polinomial karakteristik A didapat melalui:

  1 0 
det( I  A)  det  0  1    3  8 2  17  4
 4 17   8

• Nilai eigen value diperoleh melalui 3 – 82 + 17 – 4 =0

3 – 82 + 17 – 4 =0
(-4)(2-4 +1) = 0
 Nilai Eigen, Vektor Eigen
1 
2 0 0 
 
Tentukan nilai eigen dari A   1
2
0 
 3 
 5 8  
1
 4 

det (I – A) = 0

• Nilai eigen value  = ½ , = 2/3, dan  = -1/4

Jika A adalah matriks segitiga nn triangular matrix ( segitiga atas,

segitiga bawah atau diagonal) maka nilai eigen dari A adalah anggota
diagonal A.
 Teorema Eigen

Jika Ann dan  adalah bilangan real maka pernyataan

berikut adalah ekuivalen:

•  adalah nilai eigen dari A.

• Sistem persamaan (I – A)x = 0 memiliki solusi
tak-trivial.
• Ada suatu vektor tak-nol x pada Rn sedemikian
sehingga Ax = x.
•  merupakan suatu penyelesaian dari persamaan
karakteristik det(I – A) = 0.
 Basis Ruang Eigen

• Eigenvectors A bersepadanan dengan eigenvalue  adalah

vektor tak-nol x yang memenuhi Ax = x.

• Eigenvectors yang bersepadanan dengan  adalah vektor

tak-nol dalam ruang penyelesaian (I – A)x = 0 
ruang eigen A yang berhubungan dengan .

Mencari nilai eigen 

det (I – A) = 0

Mencari vektor eigen

(I – A)x = 0
 Basis Ruang Eigen

Cara menentukan nilai eigen dan vektor eigen matriks A

ukuran nxn :

1. Tentukan polinomial karakteristik det(I – A)=0 dari

matriks A.
2. Tentukan nilai eigen A dengan menyelesaikan persamaan
karakteristik det (I – A) = 0 untuk .
3. Untuk tiap nilai eigen tentukan ruang null dari matriks
A-I. Vektor tak nol yang berhubungan dengan itu
merupakan vektor eigen A.
4. Tentukan basis untuk ruang eigen tersebut.
 Contoh Basis Ruang Eigen

0 0 2 
Cari basis-basis untuk ruang eigen dari A  1 2 1 
1 0 3 

• Mencari nilai eigen 

det (I – A) = 0 3 – 52 + 8 – 4 = 0

( – 1)( – 2)2 = 0  = 1 and  = 2

• Mencari vektor eigen

(I – A)x = 0  0 2   x1  0 
 1   2 1   x   0 (3)
  2  
 1 0   3  x3  0
 Contoh Basis Ruang Eigen
• Menentukan ruang solusi dan basis untuk  = 2

 2 0 2   x1  0 
 1 0 1  x   0  x1 = -s, x2 = t, x3 = s
  2  
 1 0 1  x3  0 

Vektor eigen dari A yang bersepadanan dengan  =

2 adalah vektor tak nol berbentuk:

  s    s  0  1 0 
x   t    0    t   s  0   t 1 
 s   s  0   1  0

Cek : apakah bebas linier.

Jika iya, maka vektor-vektor tersebut membentuk suatu basis

untuk ruang eigen yang berpadanan dengan  = 2
 Contoh Basis Ruang Eigen

• Dengan cara yang sama, ditentukan ruang solusi dan basis untuk
=1

Vektor eigen dari A yang bersepadanan dengan  = 1 adalah

vektor tak nol berbentuk:

basis untuk ruang eigen

yang berpadanan dengan
=2
 Nilai Eigen Dari Pangkat Suatu Matriks

Jika k : bilangan bulat positif, k adalah eigenvalue

dari Ak dan x is a
 : eigenvalue matriks A,
corresponding
x : eigenvector eigenvector.

A2x= A (Ax) –A (x) =  (Ax) -  (x) = 2x

Teorema:

Jika k adalah suatu bilangan bulat positif,  adalah suatu nilai eigen
dari suatu matriks A, dan x adalah suatu vektor eigen yang
berpadanan, maka k adalah suatu nilai eigen dari Ak dan x adalah
suatu vektor eigen yang berpadanan.
 Nilai Eigen Dari Pangkat Suatu Matriks
Contoh: 0 0 2 
Nilai Eigen dari A  1 2 1  adalah  = 1 and  = 2
1 0 3 

Nilai eigen untuk A7 : = 27 = 128 dan  = 17 = 1

Vektor eigen dari A untuk nilai  = 2 adalah

Vekor eigen untuk A7 yang bersepadanan dengan = 27 = 128

Vektor eigen dari A untuk nilai  = 1 adalah

Vekor eigen untuk A7 yang bersepadanan dengan = 17 = 1

 Matriks Balikan pada Nilai Eigen

Suatu matriks bujursangkar A dapat dibalik jika dan hanya

jika  = 0 bukanlah suatu nilai eigen dari A.
 Ringkasan
Jika A mn matrix, dan jika TA : Rn  Rn adalah perkalian dengan A;
• A dapat di-invers.
• Ax = 0 hanya memiliki persamaan trivial.
• Bentuk baris tereduksi dari A adalah In.
• A dapat dinyatakan sebagai hasil kali matriks-matriks dasar.
• Ax = b konsisten untuk setiap matriks b, n1.
• Ax = b tepat mempunyai satu solusi untuk setiap matriks b, n1.
• det(A)≠0.
• Range (daerah hasil) TA adalah Rn.
• TA satu satu.
• Vektor kolom A bebas linier.
• Vektor baris A bebas linier.
• Vektor kolom A merentang Rn.
• Vektor baris A merentang Rm.
• Vektor kolom dari A membentuk suatu basis untuk Rn.
• Vektor baris dari A membentuk suatu basis untuk Rn.
• A berpangkat n.
• A mempunyai kekosongan 0.
• Komplemen orthogonal dari ruang kosong A adalah Rn.
• Komplemen orthogonal dari ruang baris A adalah {0}.
• ATA bisa dibalik
• = 0 bukanlah suatu nilai eigen dari A
DIAGONALISASI
 Diagonalisasi Matriks

Suatu matriks bujursangkar A dikatakan diagonalizable

• Jika ada matriks P yang dapat diinvers sehingga P-1AP =D
adalah matriks diagonal
• Matriks P dikatakan mendiagonalkan ( diagonalize) A.

Jika A nn maka:

• A dapat didiagonalkan.
• A mempunyai n vektor eigen yang bebas secara linier.
 Prosedur Diagonalisasi Matriks

Suatu matriks Anxn dengan n vektor eigen yang bebas linier dapat
didiagonalkan dengan langkah sbb: .

• Step 1. Cari n vektor eigen yang bebas secara linier dari A,

yaitu p1, p2, …, pn.

• Step 2. Bentuk matriks P yang mempunyai p1, p2, …, pn

sebagai vektor-vektor kolomnya.

• Step 3. Matriks P-1AP akan menjadi matriks diagonal

dengan 1, 2, …, n sebagai anggota diagonalnya dimana i
adalah nilai eigen yang berpadanan dengan pi, untuk i = 1,
2, …, n.
 Contoh Diagonalisasi Matriks
0 0 2 
 
Cari matriks P yang mendiagonalkan : A  1 2 1 
1 0 3 

• Mencari nilai eigen 

det (I – A) = 0 3 – 52 + 8 – 4 = 0

( – 1)( – 2)2 = 0  = 1 and  = 2

• Mencari vektor eigen

(I – A)x = 0  0 2   x1  0 
 1   2 1   x   0 (3)
  2  
 1 0   3  x3  0
 Contoh Diagonalisasi Matriks
• Menentukan ruang solusi dan basis untuk  = 2

 2 0 2   x1  0 
 1 0 1  x   0  x1 = -s, x2 = t, x3 = s
  2  
 1 0 1  x3  0 

Vektor eigen dari A yang bersepadanan dengan  =

2 adalah vektor tak nol berbentuk:

  s    s  0  1 0 
x   t    0    t   s  0   t 1 
 s   s  0   1  0

Cek : apakah bebas linier.

Jika iya, maka vektor-vektor tersebut membentuk suatu basis

untuk ruang eigen yang berpadanan dengan  = 2
 Contoh Diagonalisasi Matriks

• Dengan cara yang sama, ditentukan ruang solusi dan basis untuk
=1

Vektor eigen dari A yang bersepadanan dengan  = 2 adalah

vektor tak nol berbentuk:

basis untuk ruang eigen

yang berpadanan dengan
=2
 Contoh Diagonalisasi Matriks

Sehingga didapat basis untuk ruang eigen adalah sebagai berikut:

 1 0 
 = 2: p1   0 , p 2  1
 1  0   1 0  2
P   0 1 1 
 2
1   1 0 1 
 = 1: p 3   
 1 

Cek apakah matriks A dapat didiagonalkan dan mendiagonalkan A:

 1 0 2  0 0  2    1 0  2   2 0 0 
P 1 AP   1 1 1  1 2 1   0 1 1   0 2 0  D
 1 0  1 1 0 3   1 0 1  0 0 1
 Contoh Diagonalisasi Matriks
 1 0 0
Cari matriks P yang mendiagonalkan A   1 2 0
 3 5 2

Polinominal karakteristik dari A dicari dengan :

 1 0 0
det (I – A) = 0 det( I  A)  1  2 0  (  1)(  2) 2
3 5  2

Persamaan karakteristik:
Nilai eigen dan basis ruang eigen adalah:

Karena A matriks 3X3 dan P hanya terdiri dari 2 vektor basis,

maka A tidak dapat didiagonalkan.
 Teorema Diagonalisasi Matriks

Jika v1, v2, …, vk, adalah vektor-vektor eigen dari A yang

berpadanan dengan nilai eigen yang berbeda-beda 1, 2, …,
k, maka {v1, v2, …, vk} adalah suatu himpunan yang bebas
secara linier.

Jika suatu matriks Ann mempunyai nilai-nilai eigen yang

berbeda-beda, maka A dapat didiagonalkan.
 Diagonalisasi Matriks

Contoh :
0 1 0
Cari matriks P yang mendiagonalkan A   0 0 1 
 4 17 8 

• Polinomial karakteristik A didapat melalui:

  1 0 
det( I  A)  det  0  1    3  8 2  17  4
 4 17   8

3 – 82 + 17 – 4 =0
(-4)(2-4 +1) = 0

4 0 0 
Matriks A3x3 mempunyai nilai-  
P 1 AP   0 2 3 0 
nilai eigen yang berbeda-beda,
maka A dapat didiagonalkan. 0 2  3 
 0
 Diagonalisasi Matriks Segitiga

Ingat: Jika A adalah matriks segitiga nn triangular matrix ( segitiga atas, segitiga
bawah atau diagonal) maka nilai eigen dari A adalah anggota diagonal A.

Matriks A berikut adalah sebuah matriks yang bisa

didiagonalkan.
 1 2 4 0
0 3 1 7 
A
0 0 5 8
 
0 0 0 2 
DIAGONALISASI
ORTOGONAL
 Masalah Diagonalisasi Ortogonal (Bentuk Matriks)

Diketahui suatu matriks A, nxn, dan suatu matriks

ortogonal P sedemikian sehingga :
P-1AP = PTAP=D
maka A disebut dapat didiagonalkan secara ortogonal
dan P disebut mendiagonalkan A secara ortogonal.
 Masalah Diagonalisasi Ortogonal (Bentuk Matriks)

Setiap matriks simetris dapat didiagonalkan secara ortogonal.

Jika A adalah matriks nn maka pernyataan berikut ekuivalen:

• A dapat didiagonalkan secara ortogonal.
• A mempunyai suatu himpunan n vektor eigen yang
ortonormal.
• A simetris.

AT = (PDPT)T=PDTPT = PDPT = A

Jika A adalah suatu matriks simetris, maka:

– Nilai eigen dari A semuanya bilangan real.
– Vektor-vektor eigen dari ruang eigen yang berbeda
ortogonal.
 Diagonalisasi Matriks Simetris

Prosedur mendiagonalkan secara ortogonal suatu matriks

simetris:
• Step 1. Cari basis untuk setiap ruang eigen dari A.
• Step 2. Terapkan proses Gramm Schmidt pada setiap
basis-basis ini untuk mendapatkan suatu basis ortonormal
untuk setiap ruang eigen.
• Step 3. Bentuk matriks P yang kolom-kolomnya adalah
vektor-vektor basis yang disusun pada step-2, matriks ini
mendiagonalkan A secara ortogonal
 Masalah Diagonalisasi Ortogonal (Bentuk Matriks)
4 2 2
 
• Cari suatu matriks ortogonal P yang mendiagonalkan A   2 4 2 
 2 2 4 
• Solusi:
– Persamaan karakteristik A adalah:
  4 2 2 
det( I  A)  det  2   4 2   (  2) 2 (  8)  0
 2 2   4 
– Basis ruang eigien yang bersepadanan dengan  = 2 adalah

 1  1
u1   1  and u 2   0 
 0   1 

– :
 Masalah Diagonalisasi Ortogonal (Bentuk Matriks)

Terapkan proses Gram Schmidt pada {u1, u2untuk menghasilkan

vektor eigen yang ortonormal berikut:

 1/ 2   1/ 6 
   
v1   1/ 2  and v 2   1/ 6 
 0   
   2 / 6 
1
Ruang eigen yang bersepadanan dengan  = 8 adalah u3  1
1/ 3  1
 
Terapkan proses Gram Schmidt pada {u3} didapat: v 3  1/ 3 
 
1/ 3 
 1 / 2  1 / 6 1 / 3 
sehingga  
P  v1 v 2 v 3    1 / 2  1 / 6 1 / 3 
 0 2 / 6 1 / 3 
 

P mendiagonalkan A secara ortogonal. Cek bahwa PTAP=D