Ba R218 410128 18J00063 20190221153924 09816108 PDF

KEMENTERIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGI
UNIVERSITAS NEGERI SEMARANG (UNNES)

Kantor: Komplek Simpang 5 Unnes Kampus Sekaran, Gunungpati, Semarang 50229
Rektor: (024)8508081 Fax (024)8508082, Purek I: (024) 8508001
Website: www.unnes.ac.id - E-mail: unnes@unnes.ac.id
FORMULIR MUTU
BAHAN AJAR/DIKTAT
No. Dokumen No. Revisi Hal Tanggal Terbit
FM-01-AKD-07 02 2dari 8 27 Februari 2017
BAHAN AJAR/DIKTAT
ALJABAR LINEAR ELEMENTER 2

KODE MK : 18J00063
JUMLAH SKS : 2 SKS
PROGRAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI SEMARANG
TAHUN 2019
Diperiksa oleh :
Dibuat oleh :
Dilarang memperbanyak sebagian atau seluruh isi dokumen
tanpa ijin tertulis dari BPM UNNES
FORMULIR MUTU
BAHAN AJAR/DIKTAT
VERIFIKASI BAHAN AJAR
Pada hari ini selasa tanggal 15 Februari 2019, Bahan Ajar Mata Kuliah ALJABAR
LINEAR ELEMENTER 2 Program Studi Pendidikan Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam telah diverifikasi oleh Ketua Jurusan/
Ketua Program Studi Pendidikan Matematika.
Semarang, 15 Februari 2019

Penulis
Ketua Jurusan/ Program Studi
Pend. Matematika
Dra. Rahayu Budhiati V M.Si.

Drs. Arief Agoestanto, M.Si. NIP 19640613 198803 2 002
NIP. 196807221993031005
Diperiksa oleh :
Dibuat oleh : Dilarang memperbanyak sebagian atau seluruh isi dokumen tanpa ijin
tertulis dari BPM UNNES
FORMULIR MUTU
BAHAN AJAR/DIKTAT
PRAKATA
Puji syukur saya haturkan kepada Allah yang Mahabaik karena

atas berkat dan rahmatnya saya dapat menyelesaikan penyusunan
Buku Ajar Aljabar Linear Elementer 2 ini dengan baik. Buku ajar ini
berisi materi-materi tentang Ruang Vektor, Transformasi Linear dan
Diagonalisasi Matriks. Materi-materi tersebut dijabarkan dalam definisi ,
teorema-teorema serta sifat2nya. Dengan mempelajari hal tersebut
diharapkan selain menguasai materinya, mahasiswa dapat mengasah
logika dan keruntutan berpikir serta berpikir kritis.
Buku Ajar Aljabar Linear Elementer 2 ini telah disusun
sebelumnya dan telah direvisi, namun dengan perkembangan ilmu dan
aplikasinya, maka akan terus dilakukan revisi setiap tahunnya sehingga
semakin luas bahasannya dengan tetap memperhatikan diskripsi mata
kuliah tersebut.
Demikianlah prakata dari penyusun, semoga Buku Ajar Aljabar
Linear Elementer 2 ini dapa bermanfaat dan memudahkan mahasiswa
untuk belajar dan memahami materi yang diberikan. Berkat Tuhan
Penyusun.
Diperiksa oleh :
FORMULIR MUTU
BAHAN AJAR/DIKTAT
3
DESKRIPSI MATAKULIAH
DESKRIPSI MATA KULIAH :

Matakuliah ini menyajikan materi yang meliputi ruang vektor, basis dan dimensi, ruang baris dan
ruang kolom, ruang perkalian dalam, basis orthogonal dan basis ortonormal, proses Gram-Schmidt,
koordinat dan perubahan basis, transformasi linear dan sifat-sifatnya, nilai karakteristik, vektor
karakteristik dan diagonalisasi
CAPAIAN PEMBELAJARAN LULUSAN :

1. berperan sebagai warga negara yang bangga dan cinta tanah air, memiliki nasionalisme serta
rasa tanggung jawab pada negara dan bangsa
2. menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri
3. menguasai konsep matematika yang diperlukan untuk melaksanakan pembelajaran di satuan
pendidikan dasar dan menengah
4. mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks
pengembangan atau implementasi ilmu pengetahuan dan teknologi yang memperhatikan dan
menerapkan nilai humaniora yang sesuai dengan bidang keahliannya
5. mengaplikasikan konsep dan prinsip didaktik-pedagogis matematika serta keilmuan matematika
untuk merencanakan, melaksanakan, dan melakukan evaluasi pembelajaran dengan
memanfaatkan IPTEKS yang berorientasi pada kecakapan hidup (life skills)
CAPAIAN PEMBELAJARAN MATAKULIAH :

Mahasiswa dapat memahami dan menguasai konsep dasar Aljabar Linear mengenai ruang vektor,
transformasi linear dan diagonalisasi serta dapat menggunakannya dalam menyelesaikan masalah-
masalah yang terkait.
Diperiksa oleh :
FORMULIR MUTU
BAHAN AJAR/DIKTAT
DAFTAR ISI
Prakata 2
Daftar Isi 4
Bab I : Ruang Vektor 5
Deskripsi Singkat 5
Capaian pembelajaran pertemuan 5
A. Ruang Vektor Umum 6
B. Sub Ruang Vektor 8
C. Merentang 10
D. Bebas Linear dan Bergantung Linear 16
E. Basis dan Dimensi 19
F. Ruang Baris dan Ruang Kolom 22
G. Ruang Perkalian Dalam 26
H. Basis Ortonormal dan Proses Gram-Schmidt 30
I. Koordinat Vektor dan Perubahan Basis 33
J. Rangkuman 38
Pertanyaan 41
Bab II : Transformasi Linear 44
Deskripsi Singkat 44
Capaian pembelajaran pertemuan 44
A. Transformasi Linear 45
B. Kernel dan Jangkauan 50
C. Rangkuman 54
Pertanyaan 54
Bab III : Nilai dan Vektor Karakteristik 55
Diskripsi singkat 55
Capaian Pembelajaran pertemuan 55
A. Nilai dan Vektor Karakteristik 56
B. Diagonalisasi 58
C. Rangkuman 62
Pertanyaan 63
Daftar Pustaka 64
Diperiksa oleh :
FORMULIR MUTU
BAHAN AJAR/DIKTAT
BAB I
RUANG VEKTOR
A. Deskripsi singkat
Pada bab I ini akan dibahas tentang definisi, sifat-sifat dan teorema yang terkait dengan ruang
vektor umum, sub ruang, himpunan yang merentang suatu ruang vektor, himpunan bebas
linear dan bergantung linear, basis dan dimensi, ruang baris dan ruang kolom, ruang
perkalian dalam, basis ortonormal dan proses Gram-Schmidt, serta Koordinat vektor dan
perubahan basis.
B. Sub Capaian pembelajaran matakuliah

Aspek Afektif
Menunjukkan sikap cerdas, kritis, logis, kreatif, serta penuh kejujuran dan tanggung
jawab dalam memahami materi Ruang Vektor.
Aspek Kognitif
1. Mahasiswa memahami ruang vektor dan sifat-sifatnya
2. Mahasiswa memahami sub ruang dari suatu ruang vector dan sifat-sifatnya
3. Mahasiswa memahami basis dan dimensi beserta sifat-sifatnya
4. Mahasiswa memahami ruang baris dan ruang kolom suatu matriks dan basis
untuk ruang baris dan ruang kolom dan ranknya
5. Mahasiswa memahami ruang ruang perkalian dalam, norm, sudut dan jarak
antara 2 vektor serta himpunan yang ortogonal dan ortonormal
6. Mahasiswa memahami basis ortogonal dan ortonormal dan proses Gram-
Schmidt
7. Mahasiswa memahami vektor koordinat relatif terhadap basis, perubahan basis
dan matriks transisi
Aspek Psycomotor
Menerapkan pemikiran logis, kritis, dan sistematis dalam berargumentasi dalam
memahami materi Ruang Vektor
6
Diperiksa oleh :
C. Isi Materi perkuliahan
RUANG VEKTOR
Pada perkuliahan Aljabar Linear Elementer 1 kita telah mempelajari vektor2 di R2, R3 maupun
Rn dengan operasi penjumlahan vektor dan perkalian vektor dengan skalar.
Sekarang kita akan menyelidiki sifat2 kedua operasi tersebut terhadap vektor2 di R2 sbb. :
Misalkan u, v, w  V dan k, l  R maka berlaku :
1. u + v  R2
2. u + v = v + u
3. ( u + v ) + w = u + ( v + w )
4. Ada elemen identitas yaitu vektor 0  V sedemikian sehingga 0 + u = u + 0 = u
5. Untuk setiap u  V, ada –u  V sedemikian sehingga u + -u = -u + u = 0
6. ku R2
7. k ( u + v ) = ku + kv
8. ( k + l ) u = ku + lu
9. ( kl ) u = k ( lu )
10. 1.u = u
Analog, sifat2 tersebut juga berlaku pada R3 maupun Rn.
Karena R2/R3/Rn dengan operasi penjumlahan dan perkalian dengan skalar memenuhi 10 sifat di
atas, maka R2/R3/Rn disebut ruang vektor.
Berikut ini akan didefinisikan secara formal ruang vektor umum.
Definisi :
Misalkan V sebarang humpunan yang tak kosong dengan operasi penjumlahan dan perkalian dengan
skalar yang terdefinisi pada semua anggota V dan semua skalar di R, V disebut ruang vektor jika
untuk setiap u, v, w  V dan k, l  R berlaku :
1. u + v  V
2. u + v = v + u
3. ( u + v ) + w = u + ( v + w )
6. ku V
7. k ( u + v ) = ku + kv
7
Diperiksa oleh :
8. ( k + l ) u = ku + lu
9. ( kl ) u = k ( lu )
10. 1.u = u
Anggota dari suatu ruang vector disebut vector
Contoh 1 :
Misalkan P2 = { ax2 + bx + c  a, b, c  R }. Jika u, v  P2 dengan u = a2x2 + a1x + a0 dan v = b2x2 +

b1x + b0 dan k skalar di R, operasi penjumlahan dan perkalian dengan skalar yang didefinisikan sbb :
u + v = (a2 + b2) x2 + (a1 + b1) x + (a0 + b0) dan
ku = ka2 x2 + ka1 x + ka0
Dengan operasi tersebut maka P2 merupakan ruang vektor.
Contoh 2 :
Misal V adalah himpunan fungsi real yang didefinisikan pada bilangan real ( -,  ) dengan f = f(x)
dan g = g(x) adalah 2 fungsi di V serta k suatu bilangan real. Jika operasi penjumlahan dan perkalian
dengan skalar didefinisikan sbb :
( f + g ) (x) = f(x) + g(x) dan
( kf ) (x) = k ( f(x) ) untuk setiap x  R
Maka V ruang vektor.
Contoh 3 :
 u1   v1 
Misalkan W = R2. Jika u =   dan v =   di W dan k  R dengan operasi penjumlahan dan
u2   v2 
perkalian dengan skalar yang didefinisikan sbb :
 u1  u 2 
u + v =   dan ku = ku1 , 0 
 v1  v 2 
Misal kita mengambil u = ( 2, 3 ). Kita akan melihat sifat 10 tidak berlaku, sbb :
1.u = 1. ( 2, 3 ) = ( 1.2, 0 ) = ( 2, 0 ) ≠ u
Maka W bukan ruang vektor.
Untuk menyelidiki suatu himpunan bukan merupakan ruang vektor, cukup ditunjukkan negasi dari
Diperiksa oleh :
salah satu sifat-sifat ruang vektor. Pada contoh di atas, cukup ditunjukkan bahwa ada u  W
sedemikian hingga 1.u ≠ u.
SUB RUANG / RUANG BAGIAN

Perhatikan contoh berikut ini :
 a b  
Misalkan W =   / a  d  0, a, b, c, d  R  dengan operasi standar penjumlahan pada
 c d  
matriks dan perkalian matriks dengan skalar, maka W merupakan ruang vektor.
Jika kita pandang W sebagai himpunan bagian dari M2x2(R) dan kita lihat bahwa definisi operasi
penjumlahan dan perkalian dengan skalar pada W sama dengan definisi operasi penjumlahan dan
perkalian dengan skalar pada M2x2(R), maka situasi yang demikian dapat kita katakan W merupakan
ruang bagian dari M2x2(R).
Definisi formal dari suatu ruang bagian adalah sbb. :
Definisi :
Misalkan V ruang vektor.
W  V, W ≠ . W disebut ruang bagian dari V jika W dengan operasi penjumlahan dan perkalian
dengan skalar yang sama dengan operasi pada V, merupakan ruang vektor.
Misalkan W  V, W ≠ . Jika operasi penjumlahan dan perkalian dengan skalar di V juga merupakan
operasi penjumlahan dan perkalian dengan skalar di , maka beberapa sifat operasi di ruang vektor V
diwariskan pada operasi di W yauitu sifat 2, 3, 7, 8, 9, dan 10. Sehingga untuk mengetahui apakah W
merupakan ruang bagian dari V, kita tinggal menunjukkan sifat 1, 4, 5, dan 6 berlaku pada W. Hal ini
mendasari teorema berikut ini :
Teorema :
W  V, W ≠ . W disebut ruang bagian dari V jika dan hanya jika untuk setiap
u, v  W dan k  R berlaku :
a). u + v  W
b). ku  W
Diperiksa oleh :
Bukti :
 Diketahui W ruang bagian dari ruang vektor V, maka menurut definisi W

memenuhi semua sifat ruang vektor, sehingga sifar a) dan b) dipenuhi.
 Berdasarkan uraian di atas, untuk menunjukkan W ruang bagian dari V, tinggal menunjukkan
sifat 1, 4, 5, dan 6. Karena diketahui a) dan b) maka sifar 1 dan 6 dipenuhi, sehingga kita tinggal
menunjukkan sifat 4 dan 5 sbb. :
Misalkan u,v sebarang vektor di W dan k skalar. Oleh b) diperoleh ku  W. Misalkan diambil k
= 0 maka diperoleh 0.u = 0  W, dan jika diambil k = -1 maka diperoleh (-1).u = -u  W, sedemikian
sehingga u + (-u) = (-u) + u = 0, sehingga sifat 5 dipenuhi. Oleh a) diperoleh u + v  W. Misalkan u =
0 maka diperoleh 0 + v = v + 0 = v, sehingga sifat 4 dipenuhi. Terbukti.
Contoh 1 :
Misalkan V = { ( x, y, z )  ax + by + cz = 0 }.
Selidikilah apakah V dengan operasi standar penjumlahan dan perkalian dengan
skalar pada R3 merupakan ruang bagian dari R3 !
Jawab :
Jelas bahwa V  R3
V himpunan tak kosong karena ( 0, 0, 0 )  V
Selanjutnya ambil sebarang u, v  V dan k  R, maka
u = ( u1, u2, u3 ) dimana au1 + bu2 + cu3 = 0
v = ( v1, v2, v3 ) dimana av1 + bv2 + cv3 = 0
Sehingga
u + v = ( u1+v1, u2+v2, u3+v3 )
dimana
a (u1+v1 ) + b (u2+v2 ) + c (u3+v3 )
= (au1 + bu2 + cu3 ) + (av1 + bv2 + cv3 ) = 0 + 0 = 0
Jadi u + v  V
10
Diperiksa oleh :
Selanjutnya
ku = ( ku1, ku2, ku3 )
dimana
aku1 + bku2 + cku3 = k (au1 + bu2 + cu3 ) = k. 0 = 0
Sehingga
ku  V
Jadi dapat disimpulkan bahwa V ruang bagian dari R3.
Contoh 2 :
Misalkan W adalah himpunan semua polinomial a0 + a1x + a2x2 + a3x3 dimana
a0, a1, a2, a3  Z. Selidiki apakah W ruang bagian dari P3 !
Jawab :
Akan ditunjukkan bahwa W bukan ruang bagian dari P3
Ambil k = ½ dan u = 3 + 2x + 5x2 + x3
Maka ku = ½ ( 3 + 2x + 5x2 + x3 )
3 5 1
=  x  x2  x3  W
2 2 2
Jadi ada k  R dan u  W sedemikian sehingga ku  W. Maka W bukan ruang
bagian dari P3.
Catatan :
Untuk menunjukka bahwa suatu himpunan W  V bukan merupakan ruang bagian dari V, cukup
menunjukkan negasi salah satu dari kedua sifat ruang bagian.
MERENTANG/MEMBANGUN
Definisi :
Suatu vektor w disebut kombinasi linear dari vektor-vektor v1, v2, ..., vn jika ada skalar-skalar k1, k2,
..., kn sedemikian sehingga w = k1v1 + k2v2 + ... + knvn
11
Diperiksa oleh :
Contoh :
Misalkan u = ( 1, 2, -1 ) dan v = ( 6, 4, 2 ) di R3. Selidiki apakah w = ( 9, 2, 7 ) dan
x = ( 4, -1, 8 ) merupakan kombinasi linear dari u dan v !
Jawab :
a). Pandang persamaan dengan variabel tak diketahui k1 dan k2 sbb. :
( 9, 2, 7 ) = k1 ( 1, 2, -1 ) + k2 ( 6, 4, 2 )
= ( k1 + 6k2 , 2k1 + 4k2 , -k1 + 2k2 )
Bentuk SPLnya
9 = k1 + 6k2
2 = 2k1 + 4k2
7 = -k1 + 2k2
Penyelesaian SPL tersebut adalah k1 = -3 dan k2 = 2
Jadi w = -3u + 2v atau w merupakan kombinasi linear dari u dan v.
b). Pandang persamaan dengan variabel tak diketahui k1 dan k2 sbb. :
( 4, -1, 8 ) = ( k1 + 6k2 , 2k1 + 4k2 , -k1 + 2k2 )
Bentuk SPLnya 4 = k1 + 6k2
-1 = 2k1 + 4k2
8 = -k1 + 2k2
SPL tsb. tidak mempunyai penyelesaian. Jadi x bukan kombinasi linear dari u dan v.
Teorema berikut menunjukkan bahwa jika V ruang vektor dan kita mempunyai himpunan W
yang merupakan himpunan semua kombinasi linear dari { v1, v2, ..., vn }  V maka W ruang bagian
dari V.
12
Diperiksa oleh :
Teorema :
Jika v1, v2, ..., vn adalah vektor-vektor pada ruang vektor V, maka :
1. Jika W himpunan semua kombinasi linear dari v1, v2, ..., vn , maka W merupakan ruang
bagian dari V.
2. W adalah ruang bagian terkecil dari V yang memuat v1, v2, ..., vn , yang berarti bahwa setiap ruang
bagian di V yang memuat v1, v2, ..., vn, pasti memuat W.
Bukti :
1). Ambil sebarang u, v  W dan k  R, maka :
u = a1v1 + a2v2 + ... + anvn
v = b1v1 + b2v2 + ... + bnvn
untuk suatu a1, a2, ..., an  R dan b1, b2, ..., bn  R. Sehingga :
u + v = ( a1 + b1 ) v1 + ( a2 + b2 ) v2 + ... + ( an + bn ) vn
Karena ( a1 + b1 ), ( a2 + b2 ), ..., ( an + bn )  R maka u + v  W
ku = ka1v1 + ka2v2 + ... + kanvn
Karena ka1, ka2, ..., kan  R, maka ku  W
Jadi W ruang bagian dari V
2). Setiap vektor vi adalah kombinasi linear dari v1, v2, ..., vn, karena dapat ditulis sbb. :
vi = 0v1 + 0v2 + ... + 1vi + ... + 0vn
Karena itu ruang bagian W memuat semua vektor-vektor v1, v2, ..., vn. Misalkan W’ adalah sebarang
ruang bagian dari V yang memuat v1, v2, ..., vn. Karena W’ tertutup terhadap operasi penjumlahan
dan perkalian dengan skalar, maka pasti memuat semua kombinasi linear dari v1, v2, ..., vn. Jadi W’
memuat semuat semua vektor di W, atau dapat dikatakan W’ memuat W. Terbukti
Definisi :
Jika V ruang vektor dan S = { v1, v2, ..., vn }  V, maka v1, v2, ..., vn dikatakan
membangun/merentang V jika setiap vektor v V dapat dinyatakan sebagai
kombinasi linear dari v1, v2, ..., vn.
Diperiksa oleh :
13
Contoh 1 :
a. S = { (1,0,0), (0,1,0), (0,0,1) membangun/merentang ruang vektor R3

b. Himpunan { 1, x, x2, ..., xn } membangun ruang vektor Pn,
1 0 0 1 0 0 0 0
c. B = {( ),( ),( ),( ) } membangun ruang vektor M2x2(R)
0 0 0 0 1 0 0 1
Contoh 2 :
Selidiki apakah v1 = (1,1,1) , v2 = (1,2,3) dan v3 = (2,3,3) membangun ruang vektor R3 ?
Jawab :
Ambil sebarang vektor v  R3 dengan v = ( x,y,z ). Akan kita cari apakah ada skalar-skalar k1, k2, k3
sedemikian sehingga :
( x,y,z ) = k1 (1,1,1) + k2 (1,2,3) + k3 (2,3,3)
Bentuk SPLnya
x = k1 + k2 + 2k3
y = k1 + 2k2 + 3k3
z = k1 + 3k2 + 3k3
Bentuk matriks lengkapnya
1 1 2 𝑥
(1 2 3 𝑦)
2 3 3 𝑧
Dengan melakukan OBE diperoleh :
3 3 1 3 1 1 1 1 1
𝑘1 = 𝑥 − 𝑦 + 𝑧, 𝑘2 = − 𝑥 + 𝑦 + 𝑧, 𝑘3 = 𝑥 + 𝑦− 𝑧
2 2 2 2 2 2 2 2 2
Jadi berapapun v = ( x,y,z) di R3, selalu ditemukan k1, k2, k3. Maka dapat disimpulkan { v1, v2, v3 }
membangun R3.
Contoh 3 :
Selidiki apakah v1 = (1,1,2) , v2 = (1,0,1) dan v3 = (2,1,3) membangun ruang vektor R3 ?
Jawab :
Ambil sebarang vektor v  R3 dengan v = ( b1, b2, b3 ). Akan kita cari apakah ada skalar-skalar k1, k2,
k3 sedemikian sehingga : ( b1, b2, b3 ) = k1 (1,1,2) + k2 (1,0,1) + k3 (2,1,3)
Diperiksa oleh :
14
Bentuk SPL nya :
b1 = k1 + k2 + 2k3
b2 = k1 + k3
b3 = 2k1 + k2 + 3k3
Bentuk matriksnya :
 1 1 2   k1   b1 
    
 1 0 1   k 2    b2  ...............................(1)
 2 1 3  k  b 
  3  3
Jika kita mengambil ( b1, b2, b3 ) = ( 1, 1, 1 ), maka dengan melakukan OBE kita
peroleh :
 1 1 2 1  1 0 1 1 1 0 1 1  1 0 1 1 
       
 1 0 1 1   1 1 2 1   0 1 1 0    0 1 1 0 
 2 1 3 1  2 1 3 1  0 1 1  1  0 0 0  1
       
Dengan memperhatikan baris ketiga, kita tahu bahwa SPL ini inconsisten, sehingga tidak ditemukan
skalar-skalar k1, k2, k3. Jadi (1, 1, 1 ) tidak dapat dinyatakan sebagai kombinasi linear dari v1, v2, v3,
Dari perhitungan di atas, dapat disimpulkan : ada v  R3 yang tidak dapat dinyatakan sebagai
kombinasi linear dari v1, v2, v3. Sehingga { v1, v2, v3 } tidak membangun R3.
Pandang (1)
Kita telah mempelajari bahwa SPL Ax = B dengan A matriks persegi akan selalu konsisten (
mempunyai penyelesaian ) untuk sebarang B jika dan hanya jika matriks koefisiennya mempunyai
balikan. Kita tahu bahwa matriks persegi akan mempunyai balikan jika determinannya tidak sama
dengan nol.
 1 1 2
 
Karena det   1 0 1   = 0, maka matriks koefisien tersebut tidak mempunyai balikan. Jadi kita
 2 1 3
 
tidak dapat menemukan skala-skalar k1, k2, k3 untuk sebarang b1, b2, b3, sehingga dapat dikatakan
bahwa { v1, v2, v3 } tidak membangun R3.
Dari contoh di atas, dapat kita simpulkan bahwa jika kita mendapatkan matriks koefisien dari SPL
yang terjadi itu merupakan matriks persegi, maka untuk menentukan vektor-vektor dari ruang vektor
Diperiksa oleh :
15
V yang diketahui itu membangun suatu ruang bagian dari V bisa dengan menunjukkan bahwa
determinannya tidak sama dengan nol.
Perhatikan contoh 2.
1 1 2
Matriks koefisien yang terbentuk adalah matriks persegi yaitu 𝐴 = (1 2 3)
2 3 3
Det (A) ≠ 0. Karena itu SPL di atas selalu mempunyai jawab. Jadi { v1, v2, v3 } membangun R3.
Contoh 4 :
Selidiki apakah S = { v1, v2, v3, v4 }  R3 dengan v1 + ( 1, 0, 0 ), v2 = ( 0, 1, 0 )
v3 = ( 0, 1, 1), v4 = ( 1, 1, 1 ) membangun R3 !
Jawab :
Ambil v = ( x, y, z )  R3 sebarang dan skalar-skalar k1, k2, k3. dan k4
Bentuk persamaan :
v = k1v1 + k2v2 + k3v3 + k4v4
Bentuk SPLnya :
x = k1 + k4
y = k2 + k3 + k4
z = k3 + k4
Bentuk matriksnya :
 k1 
 1 0 0 1    x
   k2   
 0 1 1 1     y
 0 0 1 1  k 3  z
  k   
 4
k1 + k4 = x, k2 = y – z, k3 + k4 = z.
Jika dimisalkan k4 = t, maka diperoleh :
Diperiksa oleh :
16
k1 = x – t, k2 = y – t, k3 = z – t, k4 = t, dengan t  R.
Jadi ada k1, k2, k3, k4  R   v  R, v = k1v1 + k2v2 + k3v3 + k4v4.
Jadi S membangun V.
BEBAS LINEAR
Pada bagian ini kita akan mempelajari tentang suatu himpunan vektor dikatakan bebas linear
atau bergantung linear, beserta sifat-sifatnya
Definisi :
V ruang vektor. Jika S = { v1, v2, ..., vn }  V himpunan vektor tak kosong, maka persamaan :
k1v1 + k2v2 + ... + knvn = 0
mempunyai sekurang-jurangnya satu penyelesaian yaitu
k1 = 0, k2 = 0, ..., kn = 0
Jika penyelesaian di atas merupakan satu-satunya penyelesaian, maka S disebut himpunan yang
bebas linear. Jika masih ada penyelesaian yang lain, maka S disebut himpunan yang tak bebas
linear atau disebut himpunan yang bergantung linear.
Contoh 1 :
a. S = { (1,0,0), (0,1,0), (0,0,1) } bebas linear

b. Himpunan { 1, x, x2, ..., xn } bebas linear
1 0 0 1 0 0 0 0
c. B = {( ),( ),( ),( ) } bebas linear
0 0 0 0 1 0 0 1
Contoh 2 :
Misalkan W = { p1, p2, p3 }  P2 dengan p1 = 1 – x , p2 = 5 + 3x – 2x2, p3 = 1 + 3x – x2
Selidiki apakah W merupakan himpunan yang bebas linear ?
Jawab :
Bentuk persamaan :
k1p1 + k2p2 + k3p3 = 0
17
Diperiksa oleh :
Bentuk SPL homogennya :
k1 + 5k2 + k3 =0
-k1 + 3k2 + 3k3 = 0
-2k2 - k3 =0
Bentuk matriksnya
1 5 1  k1   0
     
1 3 3  k2    0
 0  2  1 k   0
   3  
3 1
k1 = k 3, k 2 = - k3
2 2
Jika diambil k3 = 2t, dengan t  R maka diperoleh
k1 = 3t, k2 = -t, k3 = 2t
SPL homogen di atas mempunyai tak hingga penyelesaian, dengan kata lain ada penyelesaian lain
selain nol. Jadi W tak bebas linear atau bergantung linear.
Jika kita lihat contoh di atas, koefisien matriks yang terbentuk mempunyai determinan sama
dengan nol yang berakibat bahwa SPL homogen yang terbentuk mempunyai lebih dari satu
penyelesaian. Sehingga W merupakan himpunan yang tak bebas linear.
Jadi dari contoh di atas, kita juga dapat menyimpulkan bawa jika kita mendapatkan matriks
koefisien dari SPL itu merupakan matriks persegi, maka untuk mementukan suatu himpunan itu
bebas linear, cukup dengan menunjukkan bahwa determinan matriks koefisiennya tidak sama
dengan nol.
Contoh 3 :
Selidiki apakah S = { a, b, c }  R3 dengan a = ( 1, 1, 1 ), b = (1, 2, 3 ) dan c = ( 2, 3, 3 ) merupakan

himpunan yang bebas linear ?
Jawab :
Bentuk persamaan
0 = k1a + k2b + k3c
18
Diperiksa oleh :
Seperti contoh sebelumnya, diperoleh determinan matriks koefisiennya tidak sama dengan nol, maka
S bebas linear.
Dari contoh di atas, dapat dikembangkan suatu teorema di bawah ini yang dapat mementukan
apakah suatu himpunan itu merupakan himpunan yang bebas linear atau himpunan yang bergantung
linear.
Teorema :
Misalkan S adalah himpunan yang terdiri dari 2 vektor atau lebih. Maka :
S dikatakan bergantung linear jika dan hanya jika terdapat sekurang-kurangnya satu vektor dalam S
yang dapt dinyatakan sebagai kombinasi linear dari vektor-vektor lain di S.
S dikatakan bebas linear jika dan hanya jika tidak ada vektor di S yang dapat dinyatakan sebagai
kombinasi linear dari vektor-vektor di S.
Bukti : sebagai latihan
Teorema :
Himpunan yang berhingga yang memuat vektor nol adalah bergantung linear
Himpunan yang hanya memuat 2 vektor dikatakan bebas linear jika dan hanya jika vektor yang satu
bukan merupakan kelipatan dari vektor yang lain.
Bukti sebagai latihan
Kita pandang contoh berikut ini :
Misalkan S = { a, b, c }  R2 dengan a = (1, 2 ), b = ( 2, 2 ), c = ( 1, -2 ).
Selidiki apakah S bebas linear ?
Jawab :
Kita bentuk persamaan :
0 = k1a + k2b + k3c
Bentuk matriksnya :
19
Diperiksa oleh :
 k1 
1 2 1    0
   k 2    
 2 2  2  k  0
 3
Dengan melakukan OBE diperoleh penyelesaian sbb. :
k1 = t, k2 = -2t , k3 = t, dengan t  R. Artinya SPL tersebut mempunyai penyelesaian tak nol,

misalnya k1 = 1, k2 = -2, k3 = 1 adalah salah satu penyelesaian SPL di atas. Jadi S bergantung
linear.
Dari contoh di atas kita lihat bahwa suatu himpunan vektor-vektor di Rn yang banyaknya
anggota lebih dari n merupakan himpunan yang bergantung linear. Dari contoh tersebut
dikembangkan teorema yang memperlihatkan bahwa himpunan vektor-vektor dalam Rn yang bebas
linear paling banyak memuat n vektor.
Teorema :
Misalkan S = { v1, v2, ..., vr } suatu himpunan vektor di Rn. Jika r  n, maka S bergantung linear.
Bukti sebagai latihan.
BASIS DAN DIMENSI
Definisi :
Jika V sebarang ruang vektor dan S = { v1, v2, ..., vn }  V, maka S disebut basis dari V jika S
membangun dan bebas linear.
Contoh 1 :
a). { (1,0,0), (0,1,0), (0,0,1) } merupakan basis standar dari R3
b). { 1, x, x2, ..., xn } merupakan basis standar dari Pn
 1 0   0 1   0 0   0 0 
c).   ,   ,   ,   merupakan basis standar dari M2x2(R)
 0 0   0 0   1 0   0 1 
Contoh 2 :
Jika S = S = { a, b, c }  R3 dengan a = ( 1, 1, 1 ), b = (1, 2, 3 ) dan c = ( 2, 3, 3 ), dari contoh

sebelumnya diperoleh S membangun R3 dan bebas linear. Jadi S basis untuk R2
Contoh 3 :
20
Diperiksa oleh :
Jika S = { v1, v2, ..., vn } merupakan himpunan yang bebas linear dalam ruang vektor V, maka S
adalah basis untuk ruang bagian dari V yang dibangun oleh S.
Teorema :
Jika S = { v1, v2, ..., vn } adalah basis untuk suatu ruang vektor V, maka setiap vektor v di V hanya
dapat dinyatakan dengan tepat satu cara kombinasi linear yaitu :
V = c1v1 + c2v2 + ... + cnvn
Definisi :
Suatu ruang vektor V disebut berdimensi hingga jika V memuat himpunan berhingga vektor-vektor {
v1, v2, ..., vn } sebagai basisnya. Jika tidak ada himpunan berhingga tersebut, maka V disebut
berdimensi tak hingga.
Contoh :
Ruang vektor Rn, Pn, M2x2(R) adalah ruang vektor berdimensi hingga.
Teorema :
Jika V adalah ruang vektor berdimensi hingga dan { v1, v2, ..., vn } adalah sebarang basis, maka :
1. Setiap himpunan yang anggotanya lebih dari n vektor akan bergantung linear.
2. Tidak ada himpunan yang anggotanya kurang dari n vektor akan membangun V
Bukti :
1. Silahkan buktikan  alurnya sama dengan teoema sebelumnya ( pada Rn ).
2. Diketahui S = { v1, v2, …, vn } basis untuk V
Misalkan S’ = { w1, w2, …, wm } sebarang himpunan di V dengan m  n
Akan dibuktikan bahwa S’ tidak membangun V.
Andaikan S’ membangun V maka untuk setiap vV dapat dinyatakan sebagai kombinasi linear
dari vektor-vektor di S’.
Ambil v1V, maka 𝑣1 = 𝑎11 𝑤1 + 𝑎12 𝑤2 + ⋯ + 𝑎1𝑚 𝑤𝑚 ……………(*)
Karena {𝑣1 }  S maka menurut teorema sebelumnya {𝑣1 } bebas linear sehingga 𝑣1  0. Maka dari
(*) diperoleh 𝑎𝑖𝑗 ≠ 0.
Tanpa mengurangi keumuman bukti, pilih 𝑎11 ≠ 0, maka dari (*) diperoleh :
1 𝑎 𝑎1𝑚
𝑤1 = 𝑎 𝑣1 − 𝑎12 𝑤2 − ⋯ − 𝑤
𝑎11 𝑚
11 11
Sehingga 𝑤1 dapat dinyatakan sebagai kombinasi linear dari 𝑣1 , 𝑤2 , … , 𝑤𝑚
21
Diperiksa oleh :
Karena { w1, w2, …, wm } membangun V maka untuk setiap vV dapat dinyatakan sebagai
kombinasi linear sbb:
𝑣 = 𝑘1 𝑤1 + 𝑘2 𝑤2 + ⋯ + 𝑘𝑚 𝑤𝑚
1 𝑎12 𝑎1𝑚
 𝑣 = 𝑘1 ( 𝑣 − 𝑤 − ⋯− 𝑤 )+ 𝑘2 𝑤2 + ⋯ + 𝑘𝑚 𝑤𝑚
𝑎11 1 𝑎11 2 𝑎11 𝑚
1 𝑎 𝑎1𝑚
 𝑣 = 𝑘1 𝑎 𝑣1 + (𝑘2 − 𝑎12 )𝑤2 + ⋯ + (𝑘𝑚 − 𝑎11
)𝑤𝑚
11 11
Jadi setiap vV dapat dinyatakan sebagai kombinasi linear dari v1, w2, …, wm .
Jadi { v1, w2, …, wm } membangun V.
Sehingga v2 V dapat dinyatakan sebagai kombinasi linear dari { v1, w2, …, wm } yaitu 𝑣2 =
∝1 𝑣1 + 𝑎22 𝑤2 + 𝑎23 𝑤3 + ⋯ + 𝑎2𝑚 𝑤𝑚 .
Karena {v1,v2} bebas linear maka v10 dan v20, sehingga ada a2j0
1 ∝1 𝑎23 𝑎2𝑚
Misal 𝑎22 ≠ 0 maka 𝑤2 = 𝑣 − 𝑣 − 𝑤 − ⋯− 𝑤
𝑎22 2 𝑎22 1 𝑎22 3 𝑎22 𝑚
Sehingga 𝑤2 dapat dinyatakan sebagai kombinasi linear dari { v1, v2, w3, …, wm }.
Karena { v1, w2, …, wm }membangun V maka seperti di atas { v1, v2, w3, …, wm } juga membangun
V. Jika prose ini diteruskan, maka akan diperoleh { v1, v2, …, vm } membangun V.
Karena vm+1  V maka vm+1 dapat dinyatakan sebagai kombinasi linear dari
{ v1, v2, …, vm }, sehingga { v1, v2, …, vm, vm+1 } tak bebas linear.
Padahal jika m n maka m+1≤ n.
Jika m+1 n maka { v1, v2, …, vm, vm+1 }  S bebas linear
Jika m+1 = n maka { v1, v2, …, vm, vm+1 }  S bebas linear
Sehingga terjadi kontradiksi.
Kesimpulan : pengandaian salah, yang benar W tidak membangun V
Teorema :
Semua basis dari suatu ruang vektor berdimensi hingga mempunyai banyak vektor yang sama.
Bukti :
Misalkan A = { v1, v2, ..., vn } dan B = { w1, w2, ..., wm }adalah 2 basis sebarang dari suatu ruang vektor
V. Karena A basis dan B bebas linear, maka m ≤ n. Demikian juga karena B basis dan A bebas linear
maka n ≤ m. Jadi m = n. Terbukti.
Teorema di atas mendasari konsep tentang dimensi.
Definisi :
Dimensi dari suatu ruang vektor V berdimensi hingga, dinotasikan sebagai dim(V) adalah banyaknya
vektor yang menjadi anggota basis dari V. Didefinisikan pula bahwa ruang vektor nol mempunyai
22
Diperiksa oleh :
dimensi nol.
Contoh 1:
dim (Rn) = n ( karena basis standart dari Rn mempunyai n vektor )
dim (Pn) = n + 1 ( karena basis standart dari Pn mempunyai n+1 vektor )
dim (Mmxn(R)) = mn ( karena basis standart dari Mmxn(R) mempunyai mxn vektor.
Contoh 2 :
Tentukan basis dan dimensi dari ruang penbyelesaian SPL homogen berikut ini :
2x1 + 2x2 – x3 + x5 =0
-x1 - x2 + 2x3 – 3x4 + x5 =0
x1 + x2 – 2x3 - x5 =0
x3 + x4 + x5 =0
Jawab :
Penyelesaian dari SPL homogen ini adalah x1 = -s-t, x2 = s, x3 = -t, x4 = 0, x5 = t.
Jadi ruang penyelesaian dari SPLH tersebut adalah :
−1 −1
1 0
𝑥 ∈ 𝑅5 𝑥 = 𝑠 0 + 𝑡 −1 , 𝑠, 𝑡 ∈ 𝑅
0 0
{ (0) (1) }
−1 −1
1 0
Terlihat bahwa v1 = 0 dan v2 = −1 membangun ruang pemecahan SPL homogen di atas.
0 0
0
( ) (1)
Karena { v1, v2 } bebas linear maka { v1, v2 }basis untuk ruang pemecahan SPL tersebut. Sehingga
ruang pemecahan SPLH tersebut berdimensi 2.
RUANG BARIS DAN RUANG KOLOM
𝑎11 𝑎12 ⋯ 𝑎1𝑛

𝑎 𝑎22 ⋯ 𝑎2𝑛
Misal A matriks mxn dengan A = ( 21
⋮ ⋮ ⋮ )
𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛
Maka vektor-vektor baris dari A adalah :
23
Diperiksa oleh :
(𝑎11 𝑎12 … 𝑎1𝑛 ) , (𝑎21 𝑎22 … 𝑎2𝑛 ) , ..., (𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 )
Sedangkan vektor-vektor kolom dari A adalah
𝑎11 𝑎12 𝑎1𝑛

𝑎21 𝑎22 𝑎2𝑛
( ⋮ ) , ( ⋮ ) , ..., ( ⋮ )
Definisi :
Jika A matriks mxn maka ruang baris dari A adalah ruang bagian dari Rn yang dibangun oleh vektor-
vektor baris dari A .
W = { xRn  x = k1(a11 a12 ... a1n) + k2(a21 a22 ... a2n) + ... + km(am1 am2 ... amn) , kiR}
sedangkan ruang kolom dari A adalah ruang bagian dari Rm yang dibangun oleh vektor-vektor kolom
dari A.
𝑎11 𝑎12 𝑎1𝑛

𝑎21 𝑎22 𝑎2𝑛
S = {𝑦 ∈ 𝑅 𝑚 𝑦 = 𝛼1 ( ⋮ ) + α2 ( ⋮ ) + ⋯ + αn ( ⋮ ) , ∝𝑖 ∈ 𝑅}
Teorema :
Operasi baris elementer tidak mengubah ruang baris sebuah matriks.
Bukti :
𝑎11 𝑎12 … 𝑎1𝑛 𝑎11 𝑎12 … 𝑎1𝑛

⋮ ⋮ … ⋮ ⋮ ⋮ … ⋮
𝑎𝑖1 𝑎𝑖2 … 𝑎𝑖𝑛 𝑎𝑗1 𝑎𝑗2 … 𝑎𝑗𝑛
Misal A = ⋮ ⋮ … ⋮ Rij ⋮ ⋮ … ⋮ = 𝐴1
𝑎𝑗1 𝑎𝑗2 … 𝑎𝑗𝑛 𝑎𝑖1 𝑎𝑖2 … 𝑎𝑖𝑛
⋮ ⋮ … ⋮ ⋮ ⋮ … ⋮
(𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 ) (𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 )
Di atas tampak bahwa vektor-vektor baris dari matriks A sama dengan vektor-vektor baris dari A1.
Jadi ruang baris dari A sama dengan ruang baris dari A1.
Analog dengan OBE yang lain.
Dari teorema tersebut, jelas bahwa ruang baris sebuah matriks A tidak berubah jika kita
mereduksi matriks tersebut kepada bentuk eselon baris. Vektor-vektor baris tak nol dari matriks A
dalam bentuk eselon baris selalu bebas linear sehingga vektor-vektor baris yang tak nol ini
membentuk sebuah basis untuk ruang baris tersebut.
Dari penjelasan tersebut muncul teorema sbb. :
24
Diperiksa oleh :
Teorema :
Vektor-vektor baris yang tak nol dalam sebuah bentuk eselon baris dari sebuah matriks A
membentuk sebuah basis untuk ruang baris dari A.
Kalau kita perhatikan, ruang kolom suatu matriks A adalah sama seperti ruang baris dari
transposnya. Jadi untuk mencari basis untuk ruang kolom dari matriks A sama saja dengan mencari
sebuah basis untuk ruang baris dari At.
Contoh :
1 0 1 1
Diketahui A =(3 2 5 1 ). Tentukan :
0 4 4 −4
Ruang baris dan basis untuk ruang baris dari A.
Ruang kolom dan basis untuk ruang kolom dari A.
Jawab :
Ruang baris dari A adalah W={ x ϵ R4 x = r ( 1,0, 1, 1 ) + s ( 3, 2, 5, 1 ) + t ( 0, 4, 4, -4 ) , r,s,t ∈ 𝑅 }
Untuk menemukan basis untuk ruang baris dilakukan OBE sampai memperoleh bentuk matriks
eselon sbb :
1 0 1 1 1 0 1 1 1 0 1 1
(3 2 5 1 ) ~ (0 2 2 −2) ~ (0 1 1 −1)
0 4 4 −4 0 4 4 −4 0 0 0 0
Jadi baris untuk ruang baris dari A adalah {(1, 0, 1, 1 ), ( 0, 1, 1, -1 )}. Sehingga ruang baris dari A
berdimensi 2.
Ruang kolom dari A adalah H = { x ∈ R3 x = p (1,3,0) + q (0,2,4) + r (1,5,4) +
s (1,1,-4) , p,q,r,s ∈ R }
Untuk menemukan basis untuk ruang kolom dilakukan OBE pada transposenya sampai diperoleh
bentuk matriks eselon baris sbb :
1 3 0 1 3 0 1 3 0
(0 2 4 ) ~ (0 1 2 ) ~ (0 1 2)
1 5 4 0 2 4 0 0 0
1 1 −4 0 −2 −4 0 0 0
Jadi basis untuk ruang kolom dari A adalah { ( 1, 3, 0 ), (0, 1, 2 ) }. Sehingga ruang kolom dari A
berdimensi 2
25
Diperiksa oleh :
Dari contoh di atas terlihat bahwa dimensi dari ruang baris dan dimensi dari ruang kolom dari
A sama. Berikut ini adalah teorema yang menguatkan pernyataan di atas :
Teorema :
Jika A adalah sebarang matriks, maka ruang baris dan ruang kolom dari A mempunyai dimensi yang
sama.
Definisi :
Dimensi ruang baris dan ruangkolom dari suatu matriks A dinamakan rank A
Teorema-teorema berikut ini melengkapi teorema-teorema mengenai basis.
Teorema :
Jika V ruang vektor berdimensi n dan S himpunan dalam V dengan tepat n vektor, maka S basis
untuk V jika S membangun V atau S bebas linear.
Teorema :
Misalkan S himpunan dari vektor-vektor dalam ruang vektor V berdimensi hingga.
1. Jika S membangun V tetapi bukan basis untuk V, maka S dapat direduksi menjadi basis untuk
V.
2. Jika S bebas linear tetapi bukan basis untuk V, maka S dapat diperluas menjadi basis untuk
V.
Contoh 2 :
Carilah sebuah sub himpunan dari vektor-vektor v1 = (1,-2,0,3), v2 = (2,-5,-3,6),
v3 = (0,1,3,0), v4 = (2,-1,4,-7), v5 = (5,-8,1,2) yang membentuk sebuah basis untuk ruang yang
direntang oleh vektor-vektor tersebut.
Jawab :
Bentuk persamaan : c1v1 + c2v2 + c3v3 + c4v4 + c5v5 = 0 ...................(1)

SPL Homogennya :
c1 + 2c2 + 2c4 + 5c5 =0
-2c1 - 5c2 + c3 - c4 - 8c5 =0
-3c2 + 3c3 + 4c4 + c5 =0
3c1 + 6c2 - 7c4 + 2c5 =0
26
Diperiksa oleh :
c1 = -2s – t, c2 = s – t, c3 = s, c4 = -t, c5 = t dimana s, t sebarang bilangan real.
Dengan mensubsitusikan ke (1) diperoleh :
( -2s – t ) v1 + ( s – t ) v2 + s v3 – t v4 + t v5 = 0
= s ( -2 v1 + v2 + v3 ) + t ( -v1 – v2 – v4 + v5 ) = 0
Untuk memudahkan kita pilih s = 1, t = 0 dan kemudian s = 0, t = 1, maka diperoleh :
-2 v1 + v2 + v3 = 0 dan -v1 – v2 – v4 + v5 = 0
Dari persamaan-persamaan di atas kita dapat menyatakan v3 dan v5 ( atau vektor lain ) sebagai
kombinasi linear dari vektor-vektor lainnya. Maka diperoleh :
v3 = 2v1 – v2 dan v5 = v1 + v2 + v4
Karena v3 dan v5 dapat dinyatakan sebagai kombinasi linear dari v1, v2 dan v4 maka v3 dan v5 dapat
dibuang tanpa mempengaruhi ruang yang direntangnya.
Vektor-vektor v1, v2, v4 merupakan himpunan vektor yang bebas linear karena persamaan
c1v1 + c2v2 + c4v4 = 0 menpunyai 1 penyelesaian yaitu c1 = 0, c2 = 0, c4 = 0
Jadi { v1, v2, v4 } merupakan basis dari ruang yang direntang oleh vektor-vektor
v1, v2, v3, v4, v5.
Teorema :
Jika A adalah sebuah matriks nxn, maka pernyataan-pernyataan berikut ekivalen satu sama lain :
a. A dapat dibalik
b. Ax = 0 hanya mempunyai satu pemecahan trivial
c. A ekivalen baris dengan In
d. Ax = b konsisten untuk tiap-tiap matriks b yang berukuran nx1
e. Det(A) ≠ 0
f. Rank(A) = n
g. Vektor-vektor baris dari A bebas linear
h. Vektor-vektor kolom dari A bebas linear.
RUANG PERKALIAN DALAM
Ketika kita mempelajari vektor di R2/R3/Rn, kita mengenal dot product ( perkalian titik) atau
27
Diperiksa oleh :
kita juga bisa menyebutnya sebagai perkalian dalam Euclidis. Kita akan memperluas bahasan tsb,
tidak hanya di Rn, tetapi pada ruang vektor umum yang lain.
Definisi :
Misal V ruang vektor
Suatu fungsi F : VxV  R
(u,v)  〈𝑢, 𝑣〉
Disebut perkalian dalam (inner product) jika untuk setiap u, v, w  V dan kR berlaku sifat-sifat
sbb. :
1. 〈𝑢, 𝑣〉 = 〈𝑣, 𝑢〉 ( aksioma simetri )

2. 〈𝑢 + 𝑣, 𝑤〉= 〈𝑢, 𝑤〉 + 〈𝑣, 𝑤〉 ( aksioma aditivitas )
3. 〈𝑘𝑢, 𝑣〉 = k 〈𝑢, 𝑣〉 ( aksioma homogenitas )
4. 〈𝑣, 𝑣〉 ≥ 0 dan 〈𝑣, 𝑣〉 = 0 jhj v = 0 ( aksioma positivitas )
Sebuah ruang vektor dengan sebuah perkalian dalam dinamakan ruang perkalian dalam
( inner product space )
Contoh 1 :
Misalkan u,v  Rn dengan u = ( u1, u2, ..., un ) dan v = (v1, v2, ..., vn )
Perkalian dalam Euclidis 〈𝑢, 𝑣〉 = u . v = u1v1 + u2v2 + ... + unvn merupakan perkalian dalam.
Contoh 2 :
𝑢1 𝑢2 𝑣1 𝑣2
Misalkan U, V  M2x2(R) dengan U = (𝑢 𝑢4 ) dan V = (𝑣3 𝑣4 )
3
〈𝑈, 𝑉〉 yang di definisikan sebagai 〈𝑈, 𝑉〉 = u1v1 + u2v2 + u3v3 + u4v4 merupakan perkalian dalam pada
M2x2(R).
Contoh 3 :
Misalkan p,q  Pn dengan p = a0 + a1x + a2x2 + ... + anxn dan
q = b0 + b1x + b2x2 + ... + bnxn
〈𝑝, 𝑞〉 yang didefinisikan sebagai 〈𝑝, 𝑞〉 = a0b0 + a1b1 + ... + anbn merupakan perkalian dalam pada Pn
Contoh 4 :
28
Diperiksa oleh :
Misalkan u,v  R2 dengan u = ( u1, u2 ) dan v = (v1, v2)
Selidiki apakah fungsi yang didefinisikan sebagai 〈𝑢, 𝑣〉 = 3u1v1 + 2u2v2 merupakan perkalian dalam
pada R2 !
Jawab :
1. 〈𝑢, 𝑣〉 = 3u1v1 + 2u2v2 = 3v1u1 + 2v2u2 = 〈𝑣, 𝑢〉

2. 〈𝑢 + 𝑣, 𝑤〉 = 3(u1 + v1)w1 + 2(u2 + v2)w2
= ( 3u1w1 + 2u2w2 ) + (3v1w1 + 2v2w2 ) = 〈𝑢, 𝑤〉 + 〈𝑣, 𝑤〉
3. 〈𝑘𝑢, 𝑣〉 = 3(ku1)v1 + 2(ku2)v2 = k (3u1v1 + 2u2v2 ) = k〈𝑢, 𝑣〉
4. 〈𝑣, 𝑣〉 = 3v1v1 + 2v2v2 = 3v12 + 2v22 ≥ 0 dan
〈𝑣, 𝑣〉 = 3v1v1 + 2v2v2 = 3v12 + 2v22 = 0 jhj v1 = v2 = 0
Jadi fungsi yang didefinisikan sebagai 〈𝑢, 𝑣〉 = 3u1v1 + 2u2v2 merupakan perkalian dalam pada R2.
Contoh 5 :
Misalkan u,v  R3 dengan u = ( u1, u2, u3 ) dan v = (v1, v2, v3 )
Selidiki apakah fungsi yang didefinisikan sebagai 〈𝑢, 𝑣〉 = u1v1 - u2v2 + u3v3 merupakan perkalian
dalam pada R3 !
Jawab :
Fungsi yang didefinisikan sebagai 〈𝑢, 𝑣〉 = u1v1 - u2v2 + u3v3 bukan merupakan perkalian dalam pada
R3 karena aksioma 4 tidak terpenuhi.
Ambil v = ( 1,3,2 ), maka :
〈𝑣, 𝑣〉 = v1v1 - v2v2 + v3v3 = v12 – v22 + v32 = 1 – 9 + 4 = -4 ≤ 0
Contoh 6 :
Ruang Vektor Rn, M2x2(R), Pn dengan perkalian dalam yang didefinisikan pada contoh 1,2,3 di atas
merupakan ruang perkalian dalam.
Teorema :( Ketaksamaan Cauchy-Schwarz )
Jika u dan v adalah vektor-vektor di dalam sebuah ruang perkalian dalam V, maka
〈𝑢, 𝑣〉2 ≤ 〈𝑢, 𝑢〉〈𝑣, 𝑣〉
Bukti untuk PR
29
Diperiksa oleh :
PANJANG DAN SUDUT DI DALAM RUANG PERKALIAN DALAM
Definisi :
Jika V adalah sebuah ruang perkalian dalam, maka norma/norm (panjang) dari sebuah vektor u di V
yang dinyatakan oleh ‖𝑢‖ didefinisikan sebagai :
‖𝑢‖= 〈𝑢, 𝑢〉½
Sedangkan jarak antara 2 titik (vektor) u dan v dinyatakan oleh d(u,v) didefinisikan sebagai :
d(u,v) = ‖𝑢 − 𝑣‖
Contoh 1 :
Jika u,v  Rn dengan perkalian dalam Euclidis, maka :
‖𝑢‖= 〈𝑢, 𝑢〉½ = √𝑢12 + 𝑢22 + ⋯ + 𝑢𝑛2
dan
d(u,v)=‖𝑢 − 𝑣‖=〈𝑢 − 𝑣, 𝑢 − 𝑣〉½ = √(𝑢1 − 𝑣1 )2 + (𝑢2 − 𝑣2 )2 + ⋯ + (𝑢𝑛 − 𝑣𝑛 )2
Contoh 2 :
Misalkan R2 mempunyai perkalian dalam 〈𝑢, 𝑣〉 = 3u1v1 + 2u2v2. Jika diketahui u = ( 1,1) dan v = (2,3)
maka :
‖𝑢‖= 〈𝑢, 𝑢〉½ = √3(1)(1) + 2(1)(1) = √5
d(u,v)=‖𝑢 − 𝑣‖ = 〈𝑢 − 𝑣, 𝑢 − 𝑣〉½ = 〈(−1, −2), (−1, −2)〉½ = √3(−1)(−1) + 2(−2)(−2) = √11
Teorema :
Jika V adalah sebuah ruang perkalian dalam, maka norma ‖𝑢‖= 〈𝑢, 𝑢〉½ dan jarak d(u,v)=‖𝑢 − 𝑣‖
memenuhi sifat-sifat berikut :
1. ‖𝑢‖ ≥ 0 1. d(u,v) ≥ 0
2. ‖𝑢‖ = 0 jhj u = 0 2. d(u,v) = 0 jhj u=v
3. ‖𝑘𝑢‖ = |𝑘|‖𝑢‖ 3. d(u,v) = d(v,u)
4. ‖𝑢 + 𝑣‖ ≤ ‖𝑢‖ + ‖𝑣‖ 4. d(u,v) ≤ d(u,w) + d(w,v)
Definisi :
Jika  adalah sudut antara vektor u dan vektor v pada ruang perkalian dalam V, maka didefinisikan :
〈𝑢,𝑣〉
cos  = ‖𝑢‖‖𝑣‖
dan 0 ≤  ≤ 
30
Diperiksa oleh :
Contoh :
Carilah cosinus dari sudut  antara vektor-vektor u = (4,3,1,-2) dan v = (-2,1,2,3) dimana ruang
vektornya R4 dengan perkalian dalam Euclidis !
Jawab :
‖𝑢‖= √30 ‖𝑣‖ = √18 〈𝑢, 𝑣〉 = -9
Sehingga
−9 3
Cos  = =-
√30√18 √30√2
Definisi :
Dalam sebuah ruang perkalian dalam, 2 vektor dinamakan ortogonal jika 〈𝑢, 𝑣〉 = 0. Selanjutnya jika
u ortogonal kepada setiap vektor di dalam sebuah himpunan W, maka dikatakan bahwa u ortogonal
kepada W.
Teorema :
Jika u dan v vektor-vektor ortogonal di dalam sebuah ruang perkalian dalam, maka
‖𝑢 + 𝑣‖2 = ‖𝑢‖2 + ‖𝑣‖2
BASIS ORTONORMAL; PROSES GRAM-SCHMIDT
Definisi :
Misal V ruang vektor perkalian dalam. W V. W disebut himpunan ortogonal jika semua pasangan
vektor-vektor yang berbeda di dalam himpunan tersebut ortogonal. Himpunan ortogonal yang setiap
vektornya mempunyai norm 1 disebut himpunan yang ortonormal
Contoh :
1. {(1,0,0), (0,1,0), (0,0,1)} merupakan himpunan yang ortonormal.

1 1 1 1
2. {(0,1,0), ( , 0, 2) , ( 2 , 0, − 2)} merupakan himpunan yang ortonormal.
√2 √ √ √
3. { (1,0), (0,2) } merupakan himpunan yang ortogonal tetapi bukan ortonormal.
Teorema :
Jika S = { v1, v2, ..., vn } adalah sebuah basis ortonormal untuk ruang perkalian dalam V dan u adalah
sebarang vektor di V, maka :
31
Diperiksa oleh :
𝑢 = 〈𝑢, 𝑣1 〉𝑣1 + 〈𝑢, 𝑣2 〉𝑣2 + ⋯ + 〈𝑢, 𝑣𝑛 〉𝑣𝑛
Teorema :
Jika S = { v1, v2, ..., vn } adalah sebuah himpunan ortogonal dari vektor-vektor yang tak nol, maka S
bebas linear.
Berikut ini kita akan membicarakan bagaimana membangun basis yang ortonormal untuk
ruang perkalian dalam.
Teorema :
Misalkan V sebuah ruang perkalian dalam, dan { v1, v2, ..., vr } adalah sebuah himpunan ortonormal
dari vektor-vektor di dalam V. Jika W adalah ruang yang direntang oleh v1, v2, ..., vr , maka tiap-tiap
vektor u di V dapat dinyatakan dalam bentuk
u = w1 + w2
dimana w1 berada dalam W dan w2 ortogonal kepada W dengan memisalkan

𝑤1 = 〈𝑢, 𝑣1 〉𝑣1 + 〈𝑢, 𝑣2 〉𝑣2 + ⋯ + 〈𝑢, 𝑣𝑟 〉𝑣𝑟
dan
𝑤2 = 𝑢 − 〈𝑢, 𝑣1 〉𝑣1 − 〈𝑢, 𝑣2 〉𝑣2 − ⋯ − 〈𝑢, 𝑣𝑟 〉𝑣𝑟
w1 dinamakan sebagai proyeksi ortogonal dari u pada W, dinotasikan proyw u, sedangkan w2 = u –

proyw dinamakan sebagai komponen dari u yang ortogonal kepada W.
Contoh :
Misalkan R3 mempunyai perkalian dalam Euclidis, dan W adalah sub ruang dari R3 yang direntang
4 3
oleh vektor-vektpr ortonormal v1 = (0,1,0) dan v2 = (− 5 , 0, 5). Carilah proyeksi ortogonal dari u =
(1,1,1) pada W dan komponen dari u yang ortogonal kepada W!
Jawab :
1 4 3 4 3
𝑤1 = 𝑝𝑟𝑜𝑦𝑤 𝑢 = 〈𝑢, 𝑣1 〉𝑣1 + 〈𝑢, 𝑣2 〉𝑣2= (1)(0,1,0) + (− 5) (− 5 , 0, 5) = (25 , 1, − 25)
4 3 21 28
𝑤2 = 𝑢 − 𝑝𝑟𝑜𝑦𝑤 𝑢 = (1,1,1) - (25 , 1, − 25) = (25 , 0, 25)
32
Diperiksa oleh :
Teorema :
Tiap-tiap ruang perkalian dalam berdimensi berhingga yang tidak nol mempunyai sebuah basis
ortonormal.
Bukti :
Misalkan V adalah sebarang ruang perkalian dalam berdimensi n yang tak nol, dan misalkan S = { u 1,
u2, ..., un } adalah sebuah basis untuk V. Urutan langkah-langkah yang berikut akan menghasilkan
sebuah basis ortonormal { v1, v2, ..., vn } untuk V.
Langkah 1 :
𝑢
Misalkan 𝑣1 = ‖𝑢1 ‖ , maka vektor v1 mempunyai norm 1.
1
Langkah 2 :
Untuk membangun sebuah vektor v2 yang normnya 1 yang ortogonal kepada v1, kita menghitung
komponen dari u2 yang ortogonal kepada ruang W 1 yang direntang oleh v1 dan kemudian
normalisasikan komponen u2 tersebut, yaitu :
𝑢2 −𝑝𝑟𝑜𝑦𝑤1 𝑢2 𝑢2 −〈𝑢2 ,𝑣1 〉𝑣1

𝑣2 = = ‖𝑢2 −〈𝑢2 ,𝑣1 〉𝑣1 ‖
‖𝑢2 −𝑝𝑟𝑜𝑦𝑤1 𝑢2 ‖
Langkah 3 :
Untuk membangun sebuah vektor v3 yang normnya 1 yang ortogonal kepada v1 dan v2, maka kita
menghitung komponen dari u3 yang ortogonal kepada ruang W 2 yang direntang oleh v1 dan v2 dan
kemudian menormalisasikannya sbb.:
𝑢3 −𝑝𝑟𝑜𝑦𝑤2 𝑢3 𝑢3 −〈𝑢3 ,𝑣1 〉𝑣1 −〈𝑢3 ,𝑣2 〉𝑣2

𝑣3 = = ‖𝑢3 −〈𝑢3 ,𝑣1 〉𝑣1 −〈𝑢3 ,𝑣2 〉𝑣2 ‖
Langkah 4 :
Untuk membangun sebuah vektor v4 yang normnya 1 yang ortogonal kepada v1, v2 dan v3 maka kita
menghitung komponen dari u4 yang ortogonal kepada ruang W 2 yang direntang oleh v1, v2 dan v3
kemudian menormalisasikannya sbb.:
𝑢4 −𝑝𝑟𝑜𝑦𝑤3 𝑢4 𝑢4 −〈𝑢4 ,𝑣1 〉𝑣1 −〈𝑢4 ,𝑣2 〉𝑣2 −〈𝑢4 ,𝑣3 〉𝑣3
𝑣4 = = ‖𝑢3 −〈𝑢3 ,𝑣1 〉𝑣1 −〈𝑢4 ,𝑣2 〉𝑣2 −〈𝑢4 ,𝑣3 〉𝑣3 ‖
Demikian seterusnya sampai kita mendapatkan himpunan ortonormal { v1, v2, ..., vn }. Karena V
berdimensi n dan menurut teorema setiap himpunan yang ortonormal itu bebas linear, maka pasti
membangun V. Sehingga { v1, v2, ..., vn } merupakan basis ortonormal untuk V. Proses di atas disebut
proses Gram-Schmidt.
33
Diperiksa oleh :
Contoh :
Misalkan R3 ruang vektor dengan perkalian dalam Euclidis. Pakailah proses Gram-Schmidt untuk
mentransformasikan basis u1 = (1,1,1), u2 = (0,1,1), u3 = ( 0,0,1) ke dalam sebuah basis ortonormal !
Jawab :
Langkah 1 :
𝑢 (1,1,1) 1 1 1
𝑣1 = ‖𝑢1 ‖ = = ( , , )
1 √3 √3 √3 √3
Langkah 2 :
2 1 1 1 2 1 1
𝑢2 − 𝑝𝑟𝑜𝑦𝑤1 𝑢2 = 𝑢2 − 〈𝑢2 , 𝑣1 〉𝑣1 = (0,1,1) - ( , , ) = (− 3 , 3 , 3)
√3 √3 √3 √3
Maka :
𝑢2 −𝑝𝑟𝑜𝑦𝑤1 𝑢2 3 2 1 1 2 1 1
𝑣2 = = (− 3 , 3 , 3) = (− , , )
‖𝑢2 −𝑝𝑟𝑜𝑦𝑤1 𝑢2 ‖ √6 √6 √6 √6
Langkah 3 :
𝑢3 − 𝑝𝑟𝑜𝑦𝑤2 𝑢3 = 𝑢3 − 〈𝑢3 , 𝑣1 〉𝑣1 − 〈𝑢3 , 𝑣2 〉𝑣2
1 1 1 1 1 2 1 1 1 1
= (0,0,1) − ( , , ) − (− , , ) = (0, − , )
3 3
√ √ √ √3 3 √6 √6 √6 √6 2 2
Maka :
𝑢3 −𝑝𝑟𝑜𝑦𝑤2 𝑢3 1 1 1 1
𝑣3 = = √2 (0, − 2 , 2) = (0, − , )
‖𝑢3 −𝑝𝑟𝑜𝑦𝑤2 𝑢3 ‖ √2 √2
1 1 1 2 1 1 1 1
Jadi v1 = ( , , ), v2 = (− , , ) , v3 = (0, − , )
√3 √3 √3 √6 √6 √6 √2 √2
Membentuk basis ortonormal untuk R3.
KOORDINAT DAN PERUBAHAN BASIS
Telah dibicarakan pada bagian sebelumnya bahwa jika S = { v1, v2, ..., vn } basis untuk ruang
vektor V, maka v ∈ V dapat dinyatakan sebagai kombinasi linear dari vektor-vektor di S sbb. :
v = k1v1 + k2v2 + ... + knvn
Skalar-skalar k1, k2, ..., kn adalah koordinat v relatif terhadap basis S dan vektor
(v)S = ( k1, k2, ..., kn ) ..................... (1)
34
Diperiksa oleh :
disebut vektor koordinat v relatif terhadap basis S. (1) dapat juga dinyatakan sebagai vektor kolom
sbb :
𝑘1
𝑘2
[v]S = ( )
⋮
𝑘𝑛
Contoh :
2 0
Tentukan vektor koordinat dari A = ( ) relatif terhadap basis S = { A1, A2, A3, A4 } untuk M2x2(R)
−1 3
dimana
−1 1 1 1 0 0 0 0
A1 = ( ), A2 = ( ), A3 = ( ), A4 = ( )
0 0 0 0 1 0 0 1
Jawab :
𝑘1
𝑘2
Misalkan [A]S = ( ) , maka A = k1A1 + k2A2 + k3A3 + k4A4
𝑘3
𝑘4
Atau
2 0 −1 1 1 1 0 0 0 0
( ) = k1 ( ) + k2 ( ) + k3 ( ) + k4 ( )
−1 3 0 0 0 0 1 0 0 1
Diperoleh SPL sbb. :
-k1 + k2 = 2
k1 + k2 = 0
k3 = -1
k4 =3
Penyelesaian SPL tersebut adalah k1 = -1, k2 = 1, k3 = -1, k4 = 3. Jadi
−1
[A]S = ( 1 )
−1
3
Masalah Perubahan Basis
Jika kita mengubah basis untuk suatu ruang vektor dari basis lama B ke basis baru B‘,
bagaimana hubungan vektor koordinat lama [v]B dengan vektor koordinat baru [v]B‘ ?
Pandang B = { u1, u2 } dan B‘ = { u1‘, u2‘ } adalah dua basis untuk suatu ruang vektor
35
Diperiksa oleh :
berdimensi dua. Padang B‘ sebagai basis dan u1, u2 sebagai vektor, maka diperoleh :
𝑎 𝑐
[u1]B‘ = ( ) dan [u2]B‘ = ( )
𝑏 𝑑
Untuk suatu a, b, c, d  R. Artinya :
u1 = au1‘ + bu2‘
u2 = cu1‘ + du2‘ .............................. (1)
𝑘
Sekarang misalkan v  V sebarang dan [v]B = ( 1 ), maka
𝑘2
v = k1u1 + k2u2 ................................ (2)
Substitusikan (1) dan (2) diperoleh
v = k1 (au1‘ + bu2‘) + k2 (cu1‘ + du2‘)
= ( k1a + k2c ) u1‘ + ( k1b + k2 d ) u2‘
Sehingga vektor koordinat v relatif terhadap basis baru B‘ adalah :
𝑘 𝑎 + 𝑘2 𝑐 𝑎 𝑐 𝑘1
[v]B‘ = ( 1 ) = ( )( )
𝑘1 𝑏 + 𝑘2 𝑑 𝑏 𝑑 𝑘2
𝑎 𝑐
= ( ) [v]B
𝑏 𝑑
Jadi vektor koordinat v relatif terhadap basis baru B‘ dapat diperoleh dengan mengalikan dari kiri
𝑎 𝑐
matriks P = ( ) = ( [u1]B‘ [u2]B‘ ) dengan vektor koordinat v relatif terhadap basis lama B.
𝑏 𝑑
Secara Umum :
Jika B = { v1, v2, ..., vn } dan B‘ = { v1‘, v2‘, ..., vn‘ } adalah basis untuk suatu ruang vektor
berdimensi n, maka vektor koordinat v terhadap basis baru B‘ adalah :
[v]B‘ = P [v]B
dimana P adalah matriks yang kolom-kolomnya merupakan vektor koordinat dari vektor-vektor basis
lama B relatif terhadap basis baru B‘ atau
P = ( [v1]B‘ [v2]B‘ ... [vn]B‘ )
Matriks P ini disebut matriks transisi dari B ke B’
36
Diperiksa oleh :
Contoh :
Diketahui basis B = { u1, u2 } dan B‘ = { v1, v2 } dimana
u1 = ( 2,0 ) , u2 = ( 2,2 ) , v1 = ( 1,1 ) , v2 = ( 2,1 )
1. Tentukan P yang merupakan matriks transisi dari basis B ke B‘ !

2. Gunakan hasil 1) untuk menghitung [w]B‘ jika w = ( -3,5 ) !
3. Hitung [w]B‘ secara langsung.
4. Tentukan Q yang merupakan matriks transisi dari basis B‘ ke B !
Jawab :
1. Vektor koordinat [u1]B‘ diperoleh dari penyelesaian SPL :

( 2,0 ) = k1 ( 1,1 ) + k2 ( 2,1 )
Vektor koordinat [u2]B‘ diperoleh dari penyelesaian SPL :
( 2,2 ) = r1 ( 1,1 ) + r2 ( 2,1 )
Terlihat bahwa kedua SPL yang terjadi mempunyai koefisien yang sama, sehingga dapat
diselesaikan bersama dengan melakukan OBE sbb.:
1 2 2 2 1 2 2 2 1 0 −2 2
( )~ ( ) ~( )
1 1 0 2 0 −1 −2 0 0 1 2 0
Jadi
−2 2
[u1]B‘ = ( ) dan [u2]B‘ = ( )
2 0
Sehingga
−2 2
P= ( )
2 0
2. Dengan cara yang sama seperti di atas, diperoleh :

−4
[w]B = ( 5 )
2
Sehingga
−2 2 −4 13
[w]B‘ = P [w]B = ( )( 5 ) = ( )
2 0 2 −8
3. Menghitung [w]B‘ secara langsung diperoleh dari penyelesaian SPL :
( 3, -5 ) = k1 ( 1,1 ) + k2 ( 2,1 )
37
Diperiksa oleh :
Dengan melakukan OBE pada matriks lengkapnya diperoleh k1 = 13 dan k2 = -8.
Jadi
13
[w]B‘ = ( )
−8
4. Matriks transisi dari B‘ ke B :
Q = ( [v1]B [v2]B )
Dengan cara yang sama dengan 1) diperoleh :
1
0 2
Q = (1 1)
2 2
Dari contoh di atas, jika kita mengalikan P dan Q akan diperoleh :
1
−2 2 0 2 1 0
PQ = ( )( 1) =( ) = I2 = QP
2 0 1 0 1
2 2
Sehingga
Q = P-1
Dari uraian di atas dikembangkan teorema sbb. :
Teorema :
Misalkan B dan B‘ basis untuk suatu ruang vektor V. Jika P matriks transisi dari B ke B‘, maka :
1. P invertible
2. P-1 adalah matriks transisi dari B‘ ke B.
Bukti :
Misalkan Q adalah matriks transisi dari B‘ ke B, akan kita tunjukkan bahwa QP = I yang berarti Q = P-
1
.
𝑐11 𝑐12 … 𝑐1𝑛

𝑐21 𝑐22 … 𝑐2𝑛
Misalkan B = { u1, u2, ..., un } dan QP = (
⋮ ⋮ ⋮ )
𝑐𝑛1 𝑐𝑛2 … 𝑐𝑛𝑛
Kita tahu bahwa
[x]B‘ = P [x]B dan [x]B = Q [x]B‘ untuk semua x  V ........ (1)
38
Diperiksa oleh :
Misalkan x = u1
1
Karena x = 1u1 + 0u2 + ... + 0un maka [x]B = (0)
⋮
0
Sehingga dari (1) diperoleh :
1 𝑐11 𝑐12 … 𝑐1𝑛 1

𝑐 𝑐22 … 𝑐2𝑛
(0) = ( 21
⋮ ⋮
0
⋮ ) (⋮)
⋮
0 𝑐𝑛1 𝑐𝑛2 … 𝑐𝑛𝑛 0
1 𝑐11
𝑐
(0) = ( ⋮ )
21
⋮
0 𝑐𝑛1
Dengan cara yang sama, jika kita mensubsitusikan untuk x = u2, x = u3, ..., x = un akan diperoleh :
𝑐12 0 𝑐12 0
𝑐22 𝑐22
( ⋮ ) = (1) , .......... , ( ⋮ ) = ( 0)
⋮ ⋮
𝑐𝑛2 0 𝑐𝑛2 1
Jadi QP = In, sehingga Q = P-1. Terbukti
Dari teorema ini diperoleh hubungan sebagai berikut :
Jika P matriks transisi dari basis B ke B‘, maka untuk setiap vektor v  V berlaku hubungan :
[v]B‘ = P [v]B dan [v]B = P-1 [v]B‘
D. Rangkuman
Definisi :
Misalkan V sebarang humpunan yang tak kosong dengan operasi penjumlahan dan perkalian dengan
skalar yang terdefinisi pada semua anggota V dan semua skalar di R, V disebut ruang vektor jika
untuk setiap u, v, w  V dan k, l  R berlaku :
1. u + v  V
2. u + v = v + u
3. ( u + v ) + w = u + ( v + w )
39
Diperiksa oleh :
6. ku V
7. k ( u + v ) = ku + kv
8. ( k + l ) u = ku + lu
9. ( kl ) u = k ( lu )
10. 1.u = u
Anggota dari suatu ruang vector disebut vector
Definisi :
W  V, W ≠ . W disebut ruang bagian dari V jika W dengan operasi penjumlahan dan perkalian
dengan skalar yang sama dengan operasi pada V, merupakan ruang vektor.
Definisi :
Suatu vektor w disebut kombinasi linear dari vektor-vektor v1, v2, ..., vn jika ada skalar-skalar k1, k2,
..., kn sedemikian sehingga w = k1v1 + k2v2 + ... + knvn
Definisi :
Jika V ruang vektor dan S = { v1, v2, ..., vn }  V, maka v1, v2, ..., vn dikatakan
membangun/merentang V jika setiap vektor v V dapat dinyatakan sebagai
kombinasi linear dari v1, v2, ..., vn.
Definisi
Jika S = { v1, v2, ..., vn }  V himpunan vektor tak kosong, maka persamaan :
k1v1 + k2v2 + ... + knvn = 0
mempunyai sekurang-jurangnya satu penyelesaian yaitu
k1 = 0, k2 = 0, ..., kn = 0
Jika penyelesaian di atas merupakan satu-satunya penyelesaian, maka S disebut himpunan yang
bebas linear. Jika masih ada penyelesaian yang lain, maka S disebut himpunan yang tak bebas
linear atau disebut himpunan yang bergantung linear.
Definisi :
Jika V sebarang ruang vektor dan S = { v1, v2, ..., vn }  V, maka S disebut basis dari V jika S
membangun dan bebas linear.
40
Diperiksa oleh :
Definisi :
Dimensi dari suatu ruang vektor V berdimensi hingga, dinotasikan sebagai dim(V) adalah banyaknya
vektor yang menjadi anggota basis dari V. Didefinisikan pula bahwa ruang vektor nol mempunyai
dimensi nol.
Definisi :
Jika A matriks mxn maka ruang baris dari A adalah ruang bagian dari Rn yang dibangun oleh vektor-
vektor baris dari A .
W = { xRn  x = k1(a11 a12 ... a1n) + k2(a21 a22 ... a2n) + ... + km(am1 am2 ... amn) , kiR}
sedangkan ruang kolom dari A adalah ruang bagian dari Rm yang dibangun oleh vektor-vektor kolom
dari A.
𝑎11 𝑎12 𝑎1𝑛

𝑎21 𝑎22 𝑎2𝑛
S = {𝑦 ∈ 𝑅 𝑚 𝑦 = 𝛼1 ( ⋮ ) + α2 ( ⋮ ) + ⋯ + αn ( ⋮ ) , ∝𝑖 ∈ 𝑅}
Definisi :
Dimensi ruang baris dan ruangkolom dari suatu matriks A dinamakan rank A
Definisi :
Misal V ruang vektor
Suatu fungsi F : VxV  R
(u,v)  〈𝑢, 𝑣〉
Disebut perkalian dalam (inner product) jika untuk setiap u, v, w  V dan kR berlaku sifat-sifat
sbb. :
5. 〈𝑢, 𝑣〉 = 〈𝑣, 𝑢〉 ( aksioma simetri )

6. 〈𝑢 + 𝑣, 𝑤〉= 〈𝑢, 𝑤〉 + 〈𝑣, 𝑤〉 ( aksioma aditivitas )
7. 〈𝑘𝑢, 𝑣〉 = k 〈𝑢, 𝑣〉 ( aksioma homogenitas )
8. 〈𝑣, 𝑣〉 ≥ 0 dan 〈𝑣, 𝑣〉 = 0 jhj v = 0 ( aksioma positivitas )
Sebuah ruang vektor dengan sebuah perkalian dalam dinamakan ruang perkalian dalam
( inner product space )
41
Diperiksa oleh :
Definisi :
Jika V adalah sebuah ruang perkalian dalam, maka norma/norm (panjang) dari sebuah vektor u di V
yang dinyatakan oleh ‖𝑢‖ didefinisikan sebagai :
‖𝑢‖= 〈𝑢, 𝑢〉½
Sedangkan jarak antara 2 titik (vektor) u dan v dinyatakan oleh d(u,v) didefinisikan sebagai :
d(u,v) = ‖𝑢 − 𝑣‖
Definisi :
Misal V ruang vektor perkalian dalam. W V. W disebut himpunan ortogonal jika semua pasangan
vektor-vektor yang berbeda di dalam himpunan tersebut ortogonal. Himpunan ortogonal yang setiap
vektornya mempunyai norm 1 disebut himpunan yang ortonormal
Pertanyaan/Latihan Soal
1. Ruang Vektor
Periksa apakah himpunan berikut dengan operasi penjumlahan dan perkalian yang
didefinisikan merupakan ruang vektor.
a. R2 dengan penjumlahan dan perkalian skalar yang didefinisikan sebagai berikut
(a,b) + (c,d) = (a+c, b+d); k(a,b)=(ka, b) untuk setiap k di R dan (a,b), (c,d) di R2.
 a 1  
b.   | a, b di R  dengan penjumlahan matriks dan perkalian matriks dengan skalar.
 1 b  
 a a  b 
c.   | a, b di R  dengan penjumlahan matriks dan perkalian matriks dengan
 a  b b  
skalar.
2. Sub Ruang
Periksa apakah himpunan berikut merupakan ruang bagian !
1. A = {(a, b, c)|b=a+c}  R3.

2. B = {(a, b, c)|b=a+c+1}  R3.
3. W = {AM2x2(R) |A = At}  M2x2(R).
4. C = {a + bx + cx2 | a + b + c = 0}  P2(x).
42
Diperiksa oleh :
3. Merentang, bebas linear dan basis
Periksa apakah himpunan berikut merentang , bebas linear, basis dari ruang vektor yang
bersesuaian.
1. {(1,1,1), (2,2,0), (3,0,0)}  R3.
2. {1 + 2x – x2, 3 + x2}  P2(x).
 1 1  1 0   0 1 
3.  ,  ,    M2x2(R).
 0 0  1 0   1 0 
4. { (1,1,1,1), (1,2,3,4)}  R4
5. { (1,3,3), (1,3,4), (1,4,3),(6,2,1)}
4. Ruang Baris dan Ruang Kolom
a. Tentukan basis dari ruang baris, ruang kolom dari matriks berikut.
1 1 3 
 
1.  5  4  4 
7  6 2 
 
1 2 4 5 
 
0 1 3 0 
2.  0 0 1  3
 
0 0 0 0 
0 0 
 0 0
b. Tentukan rank dari matriks-matriks di atas.
5. Ruang Perkalian Dalam.
a. Tentukan apakah yang berikut ini merupakan perkalian dalam pada R3.
a. u, v =u1v1 + u3v3.
b. u, v =u1v1 – u2v2 + u3v3.
c. u, v =2u1v1 + u2v2 + 4u3v3.
b. Diketahui M2x2(R) dengan perkalian dalam U, V = u1v1 + u2v2 + u3v3 + u4v4 untuk setiap U, V di
M2x2(R).
  2 5
a. Tentukan A jika A =   .
 3 6 
 2 6   4 7
b. Tentukan d(A,B) jika A=   dan B=   .
 9 4  1 6
43
Diperiksa oleh :
c. Tentukan sudut pasangan vektor berikut relatiuf terhadap perkalian dalam Euclid pada R2
a. (0,1) dan (2,0).
b. (-1/ 2 ,-1/ 2 ) dan (1/ 2 ,1/ 2 )

d. Periksa apakah himpunan vektor berikut merupakan himpunan orthogonal relatif terhadap
perkalian dalam Euclid pada R3.
 2 2 1   2 1 1  1 2 2 
a.  , , ,  , ,  , ,  .
 3 3 3   3 3 3  3 3 3 
 1 1  1 1  1 1 1 
b.  ,0, ,   ,0, ,  , ,  .
 2 2  2 2  3 3 3 
6. Koordianat dan perubahan basisl

a. Tentukan koordinat vektor w berikut relatif terhadap basis B={v1, v2} pada R2.
a. w=(3,-7) ; v1= (1,1) , v2= (0,2)
b. w=(2,-4) ; v1= (3,8) , v2= (1,1)
b. Diketahui basis B={u1, u2} dan B’={v1, v2} untuk R2 dengan
1  0  2  3
u1=   , u2=   , v1=   , v2=  
0  1  1  4
a. Tentukan matriks transisi dari B’ ke B .
b. Tentukan matriks transisi dari B ke B’.
44
Diperiksa oleh :
BAB II
TRANSFORMASI LINEAR
A. Deskripsi singkat
Pada bab I ini akan dibahas tentang definisi, sifat-sifat dan teorema yang terkait dengan
Transfomasi Linear, Kernel, Jangkauan/Range, basis untuk kernel dan basis untuk
jangkauan/range, nulitas dan rank.

Aspek Afektif
jawab dalam memahami materi Transformasi Linear
Aspek Kognitif
1. Mahasiswa memahami transformasi linear dan sifat-sifatnya
2. Mahasiswa memahami pengertian kernel, range, basis utk kenel dan range, nulitas dan
rank dari suatu transformasi linear
Aspek Psicomotor
Menerapkan pemikiran logis, kritis, dan sistematis dalam berargumentasi dalam memahami
materi Transformasi Linear
45
Diperiksa oleh :
C. Isi Materi Perkuliahan
TRANSFORMASI LiNEAR
Kita semua telah mengenal bahwa untuk membandingkan dua himpunan, kita dapat menggunakan
apa yang kita sebut dengan fungsi/pemetaan/transformasi.
Jika dua himpunan yang kita bandingkan bukan sekedar himpunan tetapi mempunyai struktur
khusus, seperti misalnya ruang vektor, maka sangat wajar jika kita menginginkan bahwa alat
pembanding tersebut mengawetkan operasi di kedua ruang vektor. Pemetaan atau transformasi yang
seperti ini kita namakan transformasi linear. Formalnya transformasi linear didefinisikan sbb. :
Definisi :
Misalkan U dan V suatu ruang vektor atas bilangan real. T : U → V pemetaan. T dikatakan pemetaan
linear atau transformasi linear jika untuk setiap u,v  U dan α  R berlaku :
T ( u+v ) = T(u) + T(v)
T (αu ) = α T(u) .............................(1)
Khusus untuk U = V, pemetaan linear T : U → U disebut operator linear.
Catatan :
Perlu kita garis bawahi bahwa operasi pada bagian kiri persamaan (1) merupakan operasi di
ruang vektor U, sedangkan operasi pada bagian kanan persamaan (1) merupakan operasi di V. Jadi
pemetaan linear adalah pemetaan yang mengawetkan operasi di daerahdomain menjadi operasi di
daerah kodomain.
Contoh 1 :
Periksalah apakah F : R2 → R3 merupakan pemetaan linear jika diketahui
F [(x,y)] = ( x, x+y, x-y )
Jawab :
Ambil sebarang u, v  R2 dan β  R, maka :
u = ( x1,y1 ) sehingga F(u) = ( x1, x1+y1, x1-y1 )
v = ( x2,y2 ) sehingga F(u) = ( x2, x2+y2, x2-y2 )
F (u+v) = F ( x1+x2, y1+y2 )
46
Diperiksa oleh :
= ( x1+x2, x1+x2+y1+y2, x1+x2-y1-y2 )
= ( x1, x1+y1, x1-y1 ) + ( x2, x2+y2, x2-y2 )
= F(u) + F(v)
F (βu) = F (βx1 + βy1)
= ( βx1, βx1+βy1, βx1-βy1 )
= β ( x1, x1+y1, x1-y1 )
= β F(u)
Karena syarat-syarat pemetaan linear dipenuhi, maka F pemetaan linear.
Contoh 2 :
Tnjukkan bahwa T : M2x2(R) → R yang didefinisikan sebagai
𝑎 𝑏
T( ) = 𝑎2 + 𝑏 2
𝑐 𝑑
bukan pemetaan linear !
Jawab :
Akan ditunjukkan bahwa ada A, B  M2x2(R) sedemikian hingga T (A+B) ≠ T(A) + T(B)
Misalkan diambil :
1 2 2 4
A= ( ) dan B = ( )
3 1 2 3
Maka
T(A) = 5 dan T(B) = 20
Selanjutnya
3 6
T (A+B) = T ( ) = 45 ≠ T(A) + T(B)
5 4
Jadi T bukan pemetaan linear.
Jika T : U → V suatu pemetaan linear, maka untuk sebarang vektor u1, u2  U dan sebarang
skalar c1, c2  R, berlaku :
T ( c1u1 + c2u2 ) = T (c1u1 ) + T (c2u2 ) = c1 T(u1) + c2 T(u2)
47
Diperiksa oleh :
Secara umum jika u1, u2, ..., un adalah vektor-vektor di U dan c1, c2, ..., cn skalar-skalar, maka berlaku
T ( c1u1 + c2u2 + ... + cnun ) = c1 T(u1) + c2 T(u2) + ... + cn T(un)
Beberapa sifat lain yang dimiliki oleh suatu pemetaan linear diperlihatkan dalam teorema
berikut ini :
Teorema :
Jika T : V → W suatu pemetaan linear, maka :
1. T(0) = 0
2. T(-v) = - T(v) untuk semua v  V
3. T(u-v) = T(u) – T(v) untuk semua v  V
Bukti :
Ambil sebarang u,v  V, maka :
1. T(0) = T (0.v) = 0. T(v) = 0

2. T(-v) = T (-1.v) = -1 T(v) = -T(v)
3. T(u-v) = T ( u + (-v) ) = T(u) + T(-v) = T(u) + (-T(v)) = T(u) – T(v)
Contoh berikut menunjukkan bagaimana mencari aturan pengaitan dalam pemetaan linear. Jika
diketahui semua bayangan vektor-vektor basis untuk ruang vektor domainnya.
Contoh 3 :
Diketahui S = { v1, v2, v3 } adalah basis untuk R3 dengan v1 = (1,1,1) , v2 = (1,1,0 ) ,
v3 = (1,0,0). T : R3 → R2 adalah pemetaan linear yang didefinisikan sebagai T(v1) = (1,0) , T(v2) = (2,-
1), T(v3) = (4,3). Carilah T (x,y,z) dan gunakan hasilnya untuk menghitung T (2,-3,5) !
Jawab :
Ambil sebarang (x,y,z)  R3. Karena S basis untuk R3, maka (x,y,z)  R3 dapat dinyatakan sebagai
kombinasi linear dari S sehingga diperoleh :
(x,y,z) = c1(1,1,1) + c2(1,1,0) + c3(1,0,0)
Kita dapatkan c1 = z, c2 = y – z, c3 = x – y, sehingga
(x,y,z) = z(1,1,1) + (y-z)(1,1,0) + (x-y)(1,0,0)
48
Diperiksa oleh :
= zv1 + (y-z)v2 + (x-y)v3
T(x,y,z) = zT(v1) + (y-z)T(v2) + (x-y)T(v3)
= z(1,0) + (y-z)(2,-1) + (x-y)(4,3)
= ( 4x-2y-z, 3x-4y+z )
T(2,-3,5) = ( 9, 23 )
Contoh 4 :
Carilah pemetaan linear T : P2 → P2 untuk mana T(1) = 1+x, T(x) = 3-x2,
T(x2) = 4+2x-3x2. Hitunglah T( 2-2x+3x2)!
Jawab:
Ambil sebarang p  P2 dengan p = a0 + a1x + a2x2
Karena { 1, x, x2 } merupakan basis standart dari P2, maka :
T(p) = T (a0 + a1x + a2x2 )
= a0 T(1) + a1 T(x) + a2 T(x2)
= a0 (1+x) + a1 (3-x2) + a2 (4+2x-3x2)
= ( a0+3a1+4a2 ) + ( a0+2a2 )x + ( -a1-3a2 )x2
T(2-2x+3x2) = 8 + 8x – 7x2
Karakteristik dari pemetaan linear dari Rm ke Rn ditunjukkan dalam teorema berikut :
Teorema :
Misalkan T : Rm → Rn. T pemetaan linear jika dan hanya jika ada Anxm sedemikian sehingga T(u) =
A(u) untuk setiap u  Rm.
Bukti :
⇒ Diketahui T pemetaan linear
Ambil sebarang xRm, dan basis standart untuk Rm yaitu { e1, e2, ..., em }, maka
49
Diperiksa oleh :
𝑥1
𝑥2
x = ( ⋮ ) = x1e1 + x2e2 + ... + xmem
𝑥𝑚
T(x) = T (x1e1 + x2e2 + ... + xmem )
Karena T pemetaan linear maka diperoleh :
T(x) = x1 T(e1) + x2 T(e2) + ... + xm T(em)
𝑥1
𝑥2
= ( T(e1) T(e2) ... T(em) ) ( ⋮ )
𝑥𝑚
Maka ditemukan A = ( T(e1) T(e2) ... T(em) ). Karena T(ei)  Rn, maka A berordo nxm, Jadi ada
Anxm sehingga T(x) = A(x) untuk setiap x Rm.
 Diketahui ada matriks nxm ( sebut A) sehingga T(u) = A(u) untuk setiap uRm. Ambil
sebarang x,y  Rm dan α  R, maka :
T( x+y ) = A ( x+y )
= Ax + Ay = T(x) + T(y)
T(αx) = A(αx)
= α A(x) = α T(x)
Jadi T pemetaan linear.
Catatan :
Matriks A yang berkaitan dengan pemetaan linear T seperti yang disebutkan dalam teorema di atas
disebut matriks transformasi untuk pemetaan linear T.
Contoh 5 :
Misalkan T : R4  R3 pementaan linear yang didefinisikan oleh T(p,q,r,s) =
( 7p+2q-r+s, q+r, -p ). Carilah matriks transformasinya dan gunakan hasilnya untuk menemukan T(
1,3,2,-1 ) !
Jawab :
𝑝
𝑞
Misalkan x = ( 𝑟 )  R4, maka diperoleh :
𝑠
Diperiksa oleh :
50
7𝑝 + 2𝑞 − 𝑟 + 𝑠 𝑝
7 2 −1 1
𝑞+𝑟 𝑞
T(x) = ( ) = ( 0 1 1 0 ) (𝑟 )
−𝑝 −1 0 0 0 𝑠
7 2 −1 1
Jadi matiks transformasinya adalah : A = ( 0 1 1 0 ) dan
−1 0 0 0
1 7 2 −1 1 1 10
T( ) = ( 0 1 1 0 )( 3 )=( 5 )
3
2 2
−1 0 0 0 −1
−1 −1
Jadi T(1,3,2,-1) = (10,5,-1)
KERNEL DAN JANGKAUAN
Definisi :
Diketahui V, W ruang vektor.
Misalkan T : V  W suatu pemetaan linear. Kernel T atau Inti (T) ditulis ker(T) didefinisikan sebagai :
ker(T) = { vV T(v) = 0 }
Sedangkan Range T atau Peta T ditulis R(T) didefinisikan sebagai :
R(T) = { wW w = T(v) untuk suatu vV }
Jika TA : Rm  Rn adalah pemetaan linear oleh matriks transformasi Anxm, maka ker(TA)
adalah ruang pemecahan dari Ax = 0.
Teorema :
Jika T : V  W suatu pemetaan linear, maka kernel T adalah sub ruang dari V dan range T adalah
sub ruang dari W.
Bukti :
Telah dibuktikan bahwa T(0) = 0, maka 0  ker(T) sehingga ker(T) tidak kosong.
Selanjutnya ambil sebarang v1, v2  ker(T), maka T(v1) = 0 dan T(v2) = 0, sehingga
T( v1+v2 ) = T(v1) + T(v2) = 0 + 0 = 0
Jadi v1+v2  ker(T)
Diperiksa oleh :
51
T ( αv1 ) = α T(v1) = α .0 = 0
Jadi αv1  ker(T). Jadi ker(T) sub ruang dari V. Terbukti.
Telah dibuktikan bahwa T(0) = 0, maka 0  R(T) sehingga R(T) tidak kosong.
Selanjutnya ambil sebarang x, y  R(T) dan β  R, maka x = T(a) dan y = T(b) untuk suatu a, b  V.
Maka :
x + y = T(a) + T(b) = T ( a+b )
Karena a, b  V maka a+b  V, sehingga T ( a+b ) = x + y  R(T).
Selanjutnya
βx = β T(a) = T ( βa )
Karena βa  V, maka T ( βa ) = βx  R(T)
Jadi R(T) sub ruang dari W. Terbukti.
Definisi :
Misal V, W ruang vektor
Jika T : V  W suatu pemetaan linear, maka dimensi dari kernel T disebut nulitas(T) dan dimensi
dari Range T disebut rank(T)
Hubungan antara nulitas dan rank suatu pemetaan linear ditunjukkan dalam teorema berikut
ini :
Teorema :
Jika T : V  W suatu pemetaan linear dari ruang vektor V berdimensi n ke suatu ruang vektor W,
maka
nulitas(T) + rank(T) = n
Bukti :
Misalkan nulitas(T) = r dan { v1, v2, ..., vr } basiss untuk ker(T). Maka { v1, v2, ..., vr } bebas linear.
Menurut teorema perluasan basis, maka ada n-r vektor yaitu vr+1, vr+2, ..., vn sedemikian hingga { v1,
v2, ..., vr, vr+1, vr+2, ..., vn } merupakan basis untuk V.
Akan dibuktikan bahwa n-r vektor dalam himpunan S = { T(vr+1), T(vr+2), ..., T(vn) } merupakan basis
untuk R(T). Jelas bahwa S  R(T)
Diperiksa oleh :
52
Akan ditunjukkan bahwa S membangun R(T). Ambil sebarang b  R(T), maka ada v  V ∋ b
= T(v). Karena { v1, v2, ..., vr, vr+1, vr+2, ..., vn } basis untk V, maka v dapat dinyatakan sebagai :
v = c1v1 + c2v2 + ... + crvr + cr+1vr+1 + ... + cnvn
Karena v1, v2, ..., vr  ker(T) maka T(v1) = 0, T(v2) = 0, ..., T(vr) = 0.
Sehingga kita peroleh :
b = T(v) = cr+1 T(vr+1) + cr+2 T(vr+2) + ... + cn T(vn)
Jadi S membangun R(T)
Selanjutnya akan ditunjukkan S bebas linear.
Pandang persamaan berikut :
cr+1 T(vr+1) + cr+2 T(vr+2) + ... + cn T(vn) = 0 ................... (1)
Karena T pemetaan linear maka (1) dapat ditulis :
T (cr+1 vr+1 + cr+2 vr+2 + ... + cn vn ) = 0
Hal ini menunjukkan bahwa cr+1 vr+1 + cr+2 vr+2 + ... + cn vn  ker(T).
Karena { v1, v2, ..., vr } basis untuk ker(T), maka cr+1 vr+1 + cr+2 vr+2 + ... + cn vn dapat dinyatakan
sebagai kombinasi linear dari v1, v2, ..., vr sbb. :
cr+1 vr+1 + cr+2 vr+2 + ... + cn vn = c1v1 + c2v2 + ... + crvr
untuk suatu c1, c2, ..., cr  R. Maka diperoleh :
c1v1 + c2v2 + ... + crvr - cr+1 vr+1 - cr+2 vr+2 - ... - cn vn = 0
Karena { v1, v2, ..., vr, vr+1, vr+2, ..., vn } bebas kinear, maka c1 = c2 = ... = cn = 0.
Secara khusus ditemukan cr+1 = cr+2 = ... = cn = 0, sehingga S bebas linear.
Jadi S basis untuk R(T) dengan rank(T) = n-r. Sehingga ditemukan :
Nulitas(T) + Rank(T) = r + (n-r) = n.
Terbukti.
Contoh :
Diketahui T : R3  R4 adalah pemetaan linear dengan matriks transformasi
Diperiksa oleh :
53
1 0 −1
A = (1 0 1 ).
2 0 2
0 0 1
Tentukan :
1. Ker(T), basis untuk ker(T) dan nulitas(T) !

2. R(T), basis untuk R(T) dan rank(T) !
Jawab :
𝑥1
1. Misalkan x  ker(T) dengan x = (𝑥2 )
𝑥3
Ax = 0
1 0 −1 𝑥1
(1 0 1 ) (𝑥 ) = 0
2
2 0 2 𝑥3
0 0 1
Dengan OBE diperoleh penyelesaian sbb. : x1 = 0, x2 = t, x3 = 0 dengan t R.
Maka :
0
Ker(T) = { 𝑥 = 𝑡 (1) 𝑡  𝑅}
0
Karena ( 0,1,0 ) membangun dan bebas linear maka basis untuk ker(T) adalah
{ ( 0,1,0 ) }. Sehingga nulitas(T) = 1
2. Dengan melakukan perkalian langsung antara matriks A dengan vektor x diperoleh :

1 −1
R(T) = {𝑏  𝑅 4
𝑏 = 𝑥1 ( ) + 𝑥3 ( 1 ) , 𝑥1 , 𝑥3  𝑅}
1
2 2
0 1
Untuk mencari basis untuk R(T) sama dengan mencari basis untk ruang kolom dari matriks A.
Jadi dengan OBE diperoleh :
1 1 2 0 1 1 2 0
(0 0 0 0 ) ~ (−1 1 2 1)
−1 1 2 1 0 0 0 0
Maka basis untuk R(T) adalah ( 1,1,2,0 ), ( -1,1,2,1 )
Sehingga rank(T) = 2
Diperiksa oleh :
54
D. Rangkuman
Definisi :
Misalkan U dan V suatu ruang vektor atas bilangan real. T : U → V pemetaan. T dikatakan
pemetaan linear atau transformasi linear jika untuk setiap u,v  U dan α  R berlaku :
T ( u+v ) = T(u) + T(v)
T (αu ) = α T(u) .............................(1)
Khusus untuk U = V, pemetaan linear T : U → U disebut operator linear.
Definisi :
Diketahui V, W ruang vektor.
Misalkan T : V  W suatu pemetaan linear. Kernel T atau Inti (T) ditulis ker(T) didefinisikan
sebagai :
ker(T) = { vV T(v) = 0 }
Sedangkan Range T atau Peta T ditulis R(T) didefinisikan sebagai :
R(T) = { wW w = T(v) untuk suatu vV }
Jika TA : Rm  Rn adalah pemetaan linear oleh matriks transformasi Anxm, maka ker(TA)
adalah ruang pemecahan dari Ax = 0.
Definisi :
Misal V, W ruang vektor
Jika T : V  W suatu pemetaan linear, maka dimensi dari kernel T disebut nulitas(T) dan dimensi
dari Range T disebut rank(T)
Pertanyaan/Latihan Soal
1. Periksa apakah fungsi yang didefinisikan berikut merupakan suatu transformasi linier.
a. T: R3R2 dengan T(x1, x2, x3) = (x1-x2+x3, x2-4x3).
 a b
b. T: M2x2(R)  R dengan T    = 3a - 4b + c - d.
 c d  
c. T: P2P2 dengan T(a0 + a1x + a2x2) = a0 + a1(x+1) + a2(x+1)2.

2. Diketahui transformasi linier T: P2P3 yang didefinisikan oleh T(p(x)) = xp(x).
Manakah diantara vektor berikut yang termuat dalam Ker(T).
a. x2
b. 0
c. 1 + x
Diperiksa oleh :
55
BAB III
NILAI DAN VEKTOR KARAKTERISTIK
A. Diskripsi Singkat :
Pada bab III ini akan dibahas tentang definisi, sifat-sifat dan teorema yang terkait dengan Nilai
dan Vektor karakteristik/Eigen, Ruang Karankteristik/Eigen, Basis untuk Ruang Eigen dan
diagonalisasi matriks.

Aspek Afektif
jawab dalam memahami Nilai dan Vektor Karakteristik
Aspek Kognitif
1. Mahasiswa memahami polinomial, nilai dan vektor katakteristik
2. Mahasiswa memahami ruang karakteristik dan basisnya.
3. Mahasiswa memahami diagonalisasi matriks dan dekomposisinya.
Aspek Psycomotor
Menerapkan pemikiran logis, kritis, dan sistematis dalam berargumentasi dalam
memahami materi Nilai dan Vektor Karakteristik.
Diperiksa oleh :
56
C. Isi Materi Perkuliahan.
NILAI DAN VEKTOR KARAKTERISTIK/EIGEN
Definisi :
Misalkan A matriks nxn dan x  Rn, x ≠ 0. Vektor x disebut vektor eigen / vektor karakteristik dari A
jika
Ax = λx
Untuk suatu λ  R. Bilangan λ yang memenuhi persamaan di atas disebut nilai eigen / nilai
karakteristik. Vektor x disebut vektor eigen yang bersesuaian dengan λ.
Contoh :
5 −1 1
Misalkan A = ( ). Maka vektor x = ( ) merupakan vektor eigen dari A yang bersesuaian
2 2 2
5 −1 1 1
dengan λ = 3, karena ( )( ) = 3( )
2 2 2 2
Untuk mencari nilai dan vektor eigen dari suatu matriks A berordo nxn adalah sebagai berikut
:
Misalkan A matriks nxn dan v  Rn, v ≠ 0 merupakan vektor eigen dari matriks A, maka ada λ
 R ∋ Av = λv.
 Av = λIv
 ( λI – A )v = 0
Tampak bahwa v merupakan penyelesaian dari SPL homogen ( λI – A )x = 0.
Karena v ≠ 0, maka SPL homogen ( λI – A )v = 0 mempunyai penyelesaian non trivial.
Ini hanya mungkin jika det ( λI – A ) = 0, artinya λ adalah penyelesaian persamaan dari det λI – A) =
0. Det ( λI – A ) = 0 ini disebut persamaan karakteristik dari matriks A
Dari uraian di atas, kita memperoleh lemma sbb. :
Lemma :
Misalkan A matriks nxn. Λ  R adalah nilai eigen dari matriks A jika dan hanya jika λ adalah akar
persamaan karakteristik det (λI-A) = 0. Sedangkan vektor eigen dari matriks A yang bersesuaian
dengan λ adalah penyelesaian dari SPL homogen ( λI – A ) x = 0
Himpunan penyelesaian SPL homogen ( λI – A ) x = 0 membentuk sub ruang dari Rn yang

disebut ruang eigen atau ruang karakteristik utk nilai eigen λ ( ditulisεA(λ) ).
Diperiksa oleh :
57
Contoh 1 :
4 0 1
Diketahui A = (−2 1 0). Carilah nilai dan vektor eigen dari matriks A!
−2 0 1
Jawab :
Persamaan karakteristik dari matriks A adalah :
det (λI-A) = 0
𝜆−4 0 −1
| 2 𝜆−1 0 | = 0
2 0 𝜆−1
( λ-1 ) ( λ-2 ) ( λ-3 ) = 0
Jadi diperoleh nilai-nilai eigennya sbb. : λ1 = 1, λ2 = 2, λ3 = 3
Untuk mencari vektor eigen yang bersesuaian dengan nilai eigen λ1 = 1, kita pandang SPL
homogen sbb. :
−3 0 −1 𝑥1
( λ1I-A )x = 0  ( 2 0 0 ) (𝑥2 ) = 0
2 0 0 𝑥3
Dengan menggunakan OBE diperoleh : x1 = 0, x2 = s, x3 = 0
Jadi vektor eigen yang bersesuaian dengan λ1 = 1 adalah :
0 0
x = ( 𝑠 ) = s (1) dengan s sebarang bilangan real.
0 0
Analog untuk vektor eigen yang bersesuaian dengan λ2 = 2, diperoleh :
−𝑡 −1
x = ( 2𝑡 ) = t ( 2 ) dengan t sebarang bilangan real.
2𝑡 2
Sedangkan vektor eigen yang bersesuaian dengan λ3 = 3, diperoleh :
−𝑟 −1
x = ( 𝑟 ) = r ( 1 ) dengan r sebarang bilangan real.
𝑟 1
Contoh 2 :
0 0 2 0
Diketahui A = (1 0 1 0 ). Carilah nilai dan vektor eigen dari A !
0 1 −2 0
0 0 0 1
Jawab :
Persamaan karakteristik dari matriks A adalah :
det (λI-A) = 0
𝜆 0 −2 0
 | −1 𝜆 −1 0 | = 0
0 −1 𝜆 + 2 0
0 0 0 𝜆−1
 ( λ-1 ) ( λ3 + 2λ2 – λ – 2 ) = 0
Diperiksa oleh :
58
Dengan menggunakan teoremasisa, persamaan karakteristik tersebut dapat difaktorkan menjadi ( λ-
1 )2 ( λ+1 ) ( λ+2 ) = 0.
Jadi nilai-nilai karakteristik dari matriks A adalah : λ1 = 1, λ2 = 1, λ3 = -1, λ4 = -2
Analog contoh 1 diperoleh vektor eigen yang bersesuaian dengan λ = 1 adalah :
2𝑡 2 0
x = (3𝑡 3 0
𝑡 ) = t (1) + s (0) dengan s,t sebarang bilangan real.
𝑠 0 1
Vektor eigen yang bersesuaian dengan λ = -1 adalah :
−2𝑟 −2
x = ( 𝑟𝑟 ) = r ( 1 ) dengan r sebarang bilangan real.
1
0 0
Vektor eigen yang bersesuaian dengan λ = -2 adalah :
−𝑝 −1
x = ( 𝑝 ) = p ( 0 ) dengan p sebarang bilangan real.
0
1
0 0
Contoh 3 :
−1 0 1
Diketahui A = (−1 3 0)
−4 13 −1
Dengan cara yang sama pada contoh 1 diperoleh nilai-nilai eigen sbb. : λ1 = 2,
−1 ± √−3
λ2,3 = 2
. Karena λ2,3 imajiner, maka nilai eigen dari matriks A hanyalah λ = 2.
Sedangkan vektor eigen yang bersesuaian dengan λ = 2 adalah :

𝑡 1
x = ( 𝑡 ) = t (1) dengan t sebarang bilangan real.
3𝑡 3
DIAGONALISASI
Ilustrasi :
1 0 0
Jika kita mempunyai matriks diagonal D = (0 2 0 ) dan kita diminta mencari D25, maka dengan
0 0 −1
125 0 0
25
mudah kita akan menemukannya yaitu : D = ( 0 225 0 ).
0 0 −125
Secara umum jika D matriks diagonal, maka :
𝑚
𝑎11 0 … 0
𝑚
0 𝑎22 … 0
Dm = ( )
⋮ ⋮ ⋮
𝑚
0 0 … 𝑎𝑛𝑛
Diperiksa oleh :
59
Sekarang jika kita mempunyai matriks A berordo nxn yang bukan matriks diagonal, dan kita diminta
mencari Am dengan m cukup besar, bagaimana kita menemukannya ?
Jika A dapat dinyatakan sebagai A = PDP-1 dengan P adalah matriks non singular berordo nxn dan D
matriks diagonal berordo nxn, maka :
A2 = ( PDP-1 ) ( PDP-1 ) = PD2P-1
Dengan cara yang sama diperoleh :
Am = PDmP-1
Dari ilustrasi di atas, muncul suatu permasalahan diagonalisasi matriks yaitu :

Jika dipunyai A matriks nxn, apakah ada matriks non singular P berordo nxn dan matriks diagonal D
berordo nxn sedemikian sehingga A = PDP-1 ? Jika ada maka dikatakan A dapat didiagonalkan dan
matriks non singular P yang memenuhi A = PDP-1 disebut matriks yang mendiagonalkan A.
Definisi :
Sebuah matriks A berordo nxn dikatakan dapat didiagonalkan jika ada sebuah matriks non singular
p berordo nxn sehingga P-1AP diagonal. Matriks P dikatakan mendiagonalkan A
Teorema :
a. A dapat didiagonalkan
b. A mempunyai n vektor eigen yang bebas linear.
Bukti :
a) ⇒ b)
Diketahui A dapat didiagonalkan, maka ada matriks non singular P berordo nxn.
𝑝11 𝑝12 … 𝑝1𝑛
𝑝 𝑝22 … 𝑝2𝑛
Misalkan P = (𝑝1 𝑝2 … 𝑝𝑛 ) = ( 21 ⋮ ⋮ ⋮ )
𝑝𝑛1 𝑝𝑛2 … 𝑝𝑛𝑛
Sehingga P-1AP diagonal, katakanlah P-1AP = D dimana :
𝜆1 0 … 0
0 𝜆2 … 0
D=( )
⋮ ⋮ ⋮
0 0 … 𝜆𝑛
Maka AP = PD
𝜆1 0 … 0
 A (𝑝1 𝑝2 … 𝑝𝑛 ) = (𝑝1 𝑝2 … 𝑝𝑛 ) ( 0 𝜆2 … 0
)
⋮ ⋮ ⋮
0 0 … 𝜆𝑛
 ( Ap1 Ap2 ... Apn ) = ( λ1p1 λ2p2 ... λnpn )
Jadi Ap1 = λ1p1, Ap2 = λ2p2, ... , Apn = λnpn
Diperiksa oleh :
60
Karena P non singular maka vektor-vektor p1, p2, ..., pn merupakan vektor-vektor tak nol. Maka
menurut definisi sebelumnya λ1, λ2, ..., λn merupakan nilai- nilai eigen dari matriks A dan p1, p2, ...,
pn merupakan vektor-vektor eigen yang bersesuaian dengan berturut-turut λ1, λ2, ..., λn .
Karena P matriks non singular maka rank(P) = n sehingga menurut teorema sebelumnya { p1, p2, ...,
pn } bebas linear. Terbukti
b) ⇒ a)
Diketahui A mempunyai n vektor eigen yang bebas linear yaitu p1, p2, ..., pn yang bersesuaian dengan
nilai-nilai eigen berturut-turut λ1, λ2, ..., λn .
Misalkan P = (𝑝1 𝑝2 … 𝑝𝑛 ) matriks nxn dengan vektor-vektor kolomnya pi, maka :
AP = ( Ap1 Ap2 ... Apn )
Tetapi karena p1, p2, ..., pn adalah vektor-vektor eigen dari A yang bersesuaian dengan nilai-nilai
eigen berturut-turut λ1, λ2, ..., λn , maka kita juga mempunyai :
Ap1 = λ1p1, Ap2 = λ2p2, ... , Apn = λnpn
Sehingga kita peroleh :
AP = ( Ap1 Ap2 ... Apn )
= ( λ1p1 λ2p2 ... λnpn )
𝜆1 0 … 0
= (𝑝1 𝑝2 … 𝑝𝑛 ) ( 0 𝜆2 … 0
) = PD
⋮ ⋮ ⋮
0 0 … 𝜆𝑛
Dimana D adalah matriks diagonal yang mempunyai nilai-nilai eigen λ1, λ2, ..., λn sebagai elemen-
elemen pada diagonal utamanya. Karena vektor-vektor kolom dari P bebas linear maka P non
singular. Sehingga ditemukan P-1AP = D. Jadi A dapat didiagonalkan. Terbukti.
Dari bukti di atas, kita mendapatkan prosedur bagaimana langah-langkah

mendiagonalkansebuah matriks A yang berordo nxn sbb. :
1. Carilah n vektor eigen dari matriks A yang bebas linear yaitu p1, p2, ..., pn
2. Bentuklah matriks P yang vektor-vektr kolomnya adalah p1, p2, ..., pn
3. Maka matriks P-1AP akan didiagonalkan ( P-1AP = D ) dengan λ1, λ2, ..., λn merupakan
elemen-elemen diagonalnya secara berurutan, dimana λ1, λ2, ..., λn adalah nilai-nilai eigen
yang bersesuaian dengan pi, i = 1,2,..., n.
Teorema :
Misalkan A matriks nxn. Jika v1, v2, ..., vk adalah vektor-vektor eigen dari A yang bersesuaian dengan
nilai-nilai eigen λ1, λ2, ..., λk yang berbeda, maka { v1, v2, ..., vk } adalah himpunan yang bebas linear
Contoh 4 :
Diperiksa oleh :
61
4 0 1
Diketahui A = (−2 1 0). Selidikilah apakah A dapat didiagonalkan ? Jika dapat, carilah matriks P
−2 0 1
yang mendiagonalkan A.
Jawab :
Dalam contoh 1 telah diperoleh nilai dan vektor eigen dari matriks A.
0 −1 −1
Jika vektor-vektor eigen itu dikumpulkan diperoleh : {(1) , ( 2 ) , ( 1 )}. Menurut teorema di atas,
0 2 1
himpunan tersebut bebas linear. Karena ada 3 vektor yang bebas linear di R3 maka menurut teorma
sebelumnya A dapat didiagonalkan.
0−1 −1
Matriks yang mendiagonalkan A adalah P = (1 2 1 ).
0 2 1
0 1 −1
Dengan menggunakan OBE diperoleh P-1 = ( 1 0 1 )
−2 0 −1
1 0 0
Dan matriks diagonalnya adalah D = (0 2 0)
0 0 3
0 −1 −1 1 0 0 0 1 −1
Sehingga A = PDP-1 = (1 2 1 ) (0 2 0) ( 1 0 1 )
0 2 1 0 0 3 −2 0 −1
A = PDP-1 disebut dekomposisi diagonal matriks A
Teorema :
Misalkan A matriks nxn. λ1, λ2, ..., λk adalah nilai-nilai karakteristik yang berbeda. Jika { vi1, vi 2, ...,
vin1 } adalah himpunan vektor-vektor eigen dari A yang bersesuaian dengan λin yang bebas linear,
maka { v11, v12, ..., v1n1, v21, v22, ..., v2n2, ..., vk1, vk2, ..., vknk } bebas linear.
Contoh 5 :
0 0 2 0
Diketahui A = (1 0 1 0 ). Selidiki apakah A dapat didiagonalkan? Jika dapat, carilah matriks
0 1 −2 0
0 0 0 1
yang mendiagonalkan A dan dekomposisi diagonal matriks A !
Jawab :
0 2 −2 −1
Jika vektor-vektor eigen itu dikumpulkan diperoleh : {(0) , (3) , ( 1 ) , ( 0 )}. Menurut teorema di
0 1 1 1
1 0 0 0
atas, himpunan tersebut bebas linear. Karena ada 4 vektor yang bebas linear di R4 maka menurut
teorma sebelumnya A dapat didiagonalkan.
Diperiksa oleh :
62
0
2 −2 −1
Matriks yang mendiagonalkan A adalah P = (0
3 1 0 )
1
0 1 1
1
0 0 0
0 0 0 1
1⁄ 1⁄ 1⁄ 0
6 6 6
Dengan menggunakan OBE ditemukan P-1 = −1 1 −1
⁄2 ⁄2 ⁄2 0
1 −2⁄ 4⁄ 0)
( ⁄3 3 3
Jadi dekomposisi diagonal dari matriks A adalah :
0 0 0 1
0 2 −2 −1 1 0 0 0 1⁄ 1⁄ 1⁄ 0
6 6 6
A = PDP-1 = (0 3 1 0 ) (0 1 0 0 )
−1⁄ 1⁄ −1⁄
0 1 1 1 0 0 −1 0 2 2 2 0
1 0 0 0 0 0 0 −2 1⁄ −2⁄ 4⁄ 0)
( 3 3 3
Contoh 6 :
−1 0 1
Diketahui A = (−1 3 0 ). Selidiki apakah A dapat didiagonalkan? Jika dapat, carilah matriks
−4 13 −1
yang mendiagonalkan A dan dekomposisi diagonal matriks A !
Jawab :
1
Jika vektor-vektor eigen itu dikumpulkan diperoleh {(1)} yang bebas linear
3
Karena hanya ditemukan 1 vektor eigen yang bebas linear di R3, maka menurut terorema A tidak
dapat didiagonalkan.
D. Rangkuman
Definisi :
Misalkan A matriks nxn dan x  Rn, x ≠ 0. Vektor x disebut vektor eigen / vektor karakteristik dari A
jika
Ax = λx
Untuk suatu λ  R. Bilangan λ yang memenuhi persamaan di atas disebut nilai eigen / nilai
karakteristik. Vektor x disebut vektor eigen yang bersesuaian dengan λ.
Lemma :
Misalkan A matriks nxn. Λ  R adalah nilai eigen dari matriks A jika dan hanya jika λ adalah akar
persamaan karakteristik det (λI-A) = 0. Sedangkan vektor eigen dari matriks A yang bersesuaian
dengan λ adalah penyelesaian dari SPL homogen ( λI – A ) x = 0
Diperiksa oleh :
63
Definisi :
Sebuah matriks A berordo nxn dikatakan dapat didiagonalkan jika ada sebuah matriks non singular
p berordo nxn sehingga P-1AP diagonal. Matriks P dikatakan mendiagonalkan A
Teorema :
a. A dapat didiagonalkan
b. A mempunyai n vektor eigen yang bebas linear.
Langah-langkah mendiagonalkansebuah matriks A yang berordo nxn sbb. :

1. Carilah n vektor eigen dari matriks A yang bebas linear yaitu p1, p2, ..., pn
2. Bentuklah matriks P yang vektor-vektr kolomnya adalah p1, p2, ..., pn
4. Maka matriks P-1AP akan didiagonalkan ( P-1AP = D ) dengan λ1, λ2, ..., λn merupakan
elemen-elemen diagonalnya secara berurutan, dimana λ1, λ2, ..., λn adalah nilai-nilai eigen
yang bersesuaian dengan pi, i = 1,2,..., n.
Pertanyaan/Latihan Soal :
1. Tentukan polinomial, nilai, dan vektor karakteristik yang bersesuaian dengan nilai
karakteristik matriks berikut
5 0 0  5 6 2  5 0 1

1. A= 1 5 0
 
2. B= 0  1  8
 
3. C= 1 1 0

     
0 1 5 1 0  2  7 1 0
2. Tentukan apakah matriks di atas dapat didiagonalkan? Jika ya, tentukan metriks
pendiagonalnya.
Diperiksa oleh :
64

FORMULIR MUTU
BAHAN AJAR/DIKTAT
Daftar Pustaka
1) Howard Anton, 1994, Elementary Linear Algebra 7th edition, New York: John Wiley & Sons, Inc.
2) Bill Jacob, 1994, Linear Algebra
3) Armawi K.Mundit, 1986, Aljabar Linear
Diperiksa oleh :

Ba R218 410128 18J00063 20190221153924 09816108 PDF

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ba R218 410128 18J00063 20190221153924 09816108 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

KEMENTERIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGI

UNIVERSITAS NEGERI SEMARANG (UNNES)

ALJABAR LINEAR ELEMENTER 2

PROGRAM STUDI PENDIDIKAN MATEMATIKA

VERIFIKASI BAHAN AJAR

Semarang, 15 Februari 2019

Dra. Rahayu Budhiati V M.Si.

Puji syukur saya haturkan kepada Allah yang Mahabaik karena

DESKRIPSI MATA KULIAH :

CAPAIAN PEMBELAJARAN LULUSAN :

CAPAIAN PEMBELAJARAN MATAKULIAH :

B. Sub Capaian pembelajaran matakuliah

Misalkan u, v, w  V dan k, l  R maka berlaku :

Analog, sifat2 tersebut juga berlaku pada R3 maupun Rn.

Berikut ini akan didefinisikan secara formal ruang vektor umum.

Anggota dari suatu ruang vector disebut vector

Misalkan P2 = { ax2 + bx + c  a, b, c  R }. Jika u, v  P2 dengan u = a2x2 + a1x + a0 dan v = b2x2 +

u + v = (a2 + b2) x2 + (a1 + b1) x + (a0 + b0) dan

ku = ka2 x2 + ka1 x + ka0

Dengan operasi tersebut maka P2 merupakan ruang vektor.

( f + g ) (x) = f(x) + g(x) dan

( kf ) (x) = k ( f(x) ) untuk setiap x  R

Maka V ruang vektor.

Maka W bukan ruang vektor.

SUB RUANG / RUANG BAGIAN

Definisi formal dari suatu ruang bagian adalah sbb. :

Misalkan V ruang vektor.

Misalkan V ruang vektor.

 Diketahui W ruang bagian dari ruang vektor V, maka menurut definisi W

Selidikilah apakah V dengan operasi standar penjumlahan dan perkalian dengan

skalar pada R3 merupakan ruang bagian dari R3 !

V himpunan tak kosong karena ( 0, 0, 0 )  V

Selanjutnya ambil sebarang u, v  V dan k  R, maka

u = ( u1, u2, u3 ) dimana au1 + bu2 + cu3 = 0

v = ( v1, v2, v3 ) dimana av1 + bv2 + cv3 = 0

u + v = ( u1+v1, u2+v2, u3+v3 )

a (u1+v1 ) + b (u2+v2 ) + c (u3+v3 )

= (au1 + bu2 + cu3 ) + (av1 + bv2 + cv3 ) = 0 + 0 = 0

ku = ( ku1, ku2, ku3 )

aku1 + bku2 + cku3 = k (au1 + bu2 + cu3 ) = k. 0 = 0

Jadi dapat disimpulkan bahwa V ruang bagian dari R3.

Misalkan W adalah himpunan semua polinomial a0 + a1x + a2x2 + a3x3 dimana

a0, a1, a2, a3  Z. Selidiki apakah W ruang bagian dari P3 !

Akan ditunjukkan bahwa W bukan ruang bagian dari P3

Ambil k = ½ dan u = 3 + 2x + 5x2 + x3

Jadi ada k  R dan u  W sedemikian sehingga ku  W. Maka W bukan ruang

bagian dari P3.

Misalkan u = ( 1, 2, -1 ) dan v = ( 6, 4, 2 ) di R3. Selidiki apakah w = ( 9, 2, 7 ) dan

x = ( 4, -1, 8 ) merupakan kombinasi linear dari u dan v !

a). Pandang persamaan dengan variabel tak diketahui k1 dan k2 sbb. :

= ( k1 + 6k2 , 2k1 + 4k2 , -k1 + 2k2 )

Penyelesaian SPL tersebut adalah k1 = -3 dan k2 = 2

Jadi w = -3u + 2v atau w merupakan kombinasi linear dari u dan v.

b). Pandang persamaan dengan variabel tak diketahui k1 dan k2 sbb. :

( 4, -1, 8 ) = ( k1 + 6k2 , 2k1 + 4k2 , -k1 + 2k2 )

Bentuk SPLnya 4 = k1 + 6k2

1). Ambil sebarang u, v  W dan k  R, maka :

u = a1v1 + a2v2 + ... + anvn

v = b1v1 + b2v2 + ... + bnvn

Karena ( a1 + b1 ), ( a2 + b2 ), ..., ( an + bn )  R maka u + v  W

ku = ka1v1 + ka2v2 + ... + kanvn

Karena ka1, ka2, ..., kan  R, maka ku  W