Bahan Ajar Ale Puspa

Daftar Isi
1 Sistem Persamaan Linear dan Matriks 1
1.1 Sistem Persamaan Linier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Pengertian Sistem Persamaan Linier . . . . . . . . . . . . . . . . . . 2
1.1.2 Eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Sistem Homogen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Matriks dan Operasi Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Pengertian Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Operasi Penjumlahan Matriks . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3 Perkalian Skalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.4 Transpos Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Perkalian Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1 Operasi Perkalian Matriks . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.2 Sifat-sifat Operasi Perkalian Matriks . . . . . . . . . . . . . . . . . . 13
iii
iv DAFTAR ISI
1.4 Matriks Invers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.1 Matriks Invers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.2 Sifat-sifat Matriks Invers . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Penilaian Penguasaan Materi . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Determinan 25
2.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Determinan Matriks Bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Sifat-Sifat Determinan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4 Beberapa Aplikasi Determinan . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4.1 Perhitungan Invers Matriks: Rumus Adjoint . . . . . . . . . . . . . . 35
2.4.2 Perhitungan Solusi Sistem Persamaan Linear . . . . . . . . . . . . . . 36
3 Ruang Vektor R2 dan R3 43
3.1 Vektor dan Skalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 Norma dan Jarak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.3 Hasil Kali Titik di R2 dan R3 . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4 Sudut Antara Dua Vektor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.5 Hasil Kali Silang di R3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

DAFTAR ISI v
3.6 Generalisasi ke Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.7 Basis dan Dimensi di Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4 Transformasi Linear 65
4.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2 Transformasi Linear dari Rn ke Rm . . . . . . . . . . . . . . . . . . . . . . . 66
4.3 Ruang Nol, Ruang Baris dan Ruang Kolom . . . . . . . . . . . . . . . . . . 69
4.4 Matriks Representasi Transformasi Linear . . . . . . . . . . . . . . . . . . . 72
4.5 Beberapa Jenis Transformasi Linear . . . . . . . . . . . . . . . . . . . . . . . 75
5 Nilai Eigen dan Vektor Eigen 81
5.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2 Nilai Eigen, Vektor Eigen dan Ruang Eigen . . . . . . . . . . . . . . . . . . 82
5.3 Contoh Kegunaan Nilai Eigen, Vektor Eigen dan Ruang Eigen . . . . . . . . 85

Bab 1
Sistem Persamaan Linear dan

Matriks
Dalam bab ini termuat dua Pokok Bahasan yaitu Sistem Persamaan Linear dan Matriks,
dengan masing-masing Sub-pokok Bahasan sebagai berikut :
1. Sistem Persamaan Linear:
(a.) Pengertian Sistem Persamaan Linear (SPL).
(b.) Contoh pemodelan menggunakan SPL.
(c.) Operasi baris elementer (OBE) dan bentuk eselon baris tereduksi.
(d.) Eliminasi Gauss-Jordan sebagai cara mencari penyelesaian SPL.
2. Matriks :
(a.) Pengertian matriks, jenis-jenis matriks dan komponen suatu matriks.
(b.) Matriks elementer dan sifatnya.
(c.) Operasi-operasi matriks dan sifat-sifatnya.
Materi-materi dalam bab ini disampaikan dalam 4 minggu perkuliahan.
1
2 BAB 1. SISTEM PERSAMAAN LINEAR DAN MATRIKS
1.1 Sistem Persamaan Linier
1.1.1 Pengertian Sistem Persamaan Linier
Seperti sudah diketahui, persamaan 2y + x = 3 dapat digambarkan sebagai garis lurus pada
bidang datar. Jika diberikan dua persamaan berikut :
2y + x = 3 (1.1)
−y + 3x = 6, (1.2)
maka untuk mencari penyelesaiannya secara geometris dapat dilakukan dengan cara mencari
titik perpotongan dua garis tersebut. Faktanya, titik perpotongan tersebut tidak selalu
ada, karena dua garis tersebut mungkin saja paralel. Atau bisa terjadi titik potongnya
ada sebanyak tak hingga banyak karena dua garis tersebut berimpit. Kemungkinan ketiga
adalah titik potongnya tunggal, yaitu jika kedua garis tersebut berpotongan tepat di satu
titik.
Persamaan linier secara umum mempunyai bentuk
a1 x1 + a2 x2 + · · · + an xn = b, (1.3)
dengan ai dan b adalah bilangan-bilangan real, i = 1, 2, . . . , n. Dalam persaman linear

(1.1.1) termuat n buah variabel yaitu x1 , x2 , . . . , xn . Yang dimaksud penyelesaian per-
samaan linear dengan n variabel adalah bilangan-bilangan real
x1 = r1 , x2 = r2 , . . . , xn = rn
yang memenuhi persamaan linier tersebut.
Sistem persamaan linier adalah koleksi sebanyak berhingga persamaan-persamaan lin-

ier. Bentuk umum sistem persamaan linier dengan m persamaan dan n variabel adalah
sebagai berikut :
a11 x1 +a12 x2 +··· +a1n xn = b1
a21 x1 +a22 x2 +··· +a2n xn = b2
.. (1.4)
.
am1 x1 +am2 x2 + · · · +amn xn = bm
1.1. SISTEM PERSAMAAN LINIER 3
Yang dimaksud penyelesaian sistem persamaan linear dengan n variabel adalah bilangan-
bilangan real
x1 = r1 , x2 = r2 , . . . , xn = rn
yang memenuhi semua persamaan linier dalam sistem persamaan linier tersebut.
Sistem persamaan linier (1.1.1) mempunyai matriks yang bersesuaian yang disebut ma-
triks yang diperluas atau augmented matrixsebagai berikut :
 
a11 a12 · · · a1n | b1
 a21 a22 · · · a2n | b2 
 
[A|b] =  .. .
 . 
am1 am2 · · · amn | bm
Contoh 1.1.1 Dua persamaan dalam (1.1) merupakan contoh sistem persamaan linier.
Penyelesaian sistem persamaan (1.1) adalah
x =, y =
Contoh 1.1.2 Carilah penyelesaian sistem persamaan linear dengan 3 persamaan dan 3
variabel berikut ini :
x −z = 2
−y +2z = −2
−x +y = 1.
Dengan menggunakan substitusi variabel x = 2 + z ke dalam persamaan ketiga diperoleh
y − z = 3, sehingga sistem persamaan tersebut tereduksi menjadi :
−y +2z = −2
y −z = 3.
Dengan menjumlahkan kedua persamaan tersebut diperoleh z = 1. Selanjutnya dengan
substitusi pada persamaan-persamaan linier tersebut diperoleh nilai x = 3 dan y = 4. Jadi
penyelesaian yang dicari adalah x = 3, y = 4 dan z = 1.
Contoh 1.1.3 Dengan cara yang sama seperti Contoh (1.1.2) dapat dicari penyelesaian
sistem persamaan linear berikut ini:
x1 −2x2 +3x3 +x4 = −3
2x1 −x2 +3x3 −x4 = 0.
Perhatikan langkah-langkah yang dilakukan untuk mencari penyelesaian yang dimaksud.

Berikut ini sistem persamaan linier tersebut disajikan bersamaan dengan matriks yang
diperluas.
· ¸
x1 −2x2 +3x3 +x4 = −3 1 −2 3 1 | −3
2x1 −x2 +3x3 −x4 = 0 2 −1 3 −1 | 0
Pertama-tama variabel x1 dieliminasi dari persamaan kedua dengan cara mengurangi per-
samaan tersebut dengan 2 kali persamaan pertama. Hasilnya adalah sebagai berikut:
· ¸
x1 −2x2 +3x3 +x4 = −3 1 −2 3 1 | −3
.
3x2 −3x3 −3x4 = 6 0 3 −3 −3 | 6
1
Selanjutnya persamaan kedua dikalikan dengan 3
sehingga diperoleh:
· ¸
x1 −2x2 +3x3 +x4 = −3 1 −2 3 1 | −3
.
x2 −x3 −x4 = 2 0 1 −1 −1 | 2
Dengan demikian variabel x2 pada persamaan pertama bisa dieliminasi dengan cara menam-
bah persamaan pertama dengan 2 kali persamaan kedua.
· ¸
x1 +x3 −x4 = 1 1 0 1 −1 | 1
.
x2 −x3 −x4 = 2 0 1 −1 −1 | 2
Sistem terakhir yang diperoleh bisa dengan mudah dicari penyelesaiannya. Dengan menagm-
bil x3 dan x4 bilangan-bilangan real sebarang, misalnya r dan s berturut-turut, maka x1
dan x2 dapat ditentukan :
x1 = 1 − r + s, x2 = 2 + r + t.
Dalam Contoh 1.1.2 sistem persamaan linier tersebut mempunyai tak berhingga banyak
penyelesaian. Variabel-variabel x3 dan x4 disebut variabel bebas, sedangkan x1 dan x2
disebut variabel tak bebas.
1.1.2 Eliminasi Gauss
Perhatikan bahwa langkah-langkah dalam Contoh (1.1.2) pada dasarnya dapat dibedakan
menjadi 3 macam :
1.1. SISTEM PERSAMAAN LINIER 5
1. menukar letak dua persamaan;
2. mengalikan suatu persamaan dengan skalar tak nol;
3. menambah suatu persamaan dengan kelipatan persamaan yang lain.
Langkah-langkah tersebut berpengaruh pada matriks yang diperluas [A|b] yang selanjutnya
dikenal dengan sebutan operasi baris elementer yang dibagi menjadi 3 :
1. menukar letak dua baris;
2. mengalikan suatu baris dengan skalar tak nol;
3. menambah suatu baris dengan kelipatan baris yang lain.
Operasi-operasi baris elementer tersebut mempunyai tujuan membawa matriks yang diper-
luas menjadi matriks dengan bentuk lebih sederhana, atau lebih tepatnya dibawa ke bentuk
eselon baris tereduksi . Suatu matriks dikatakan mempunyai bentuk eselon baris treduksi
jika memiliki ciri-ciri sebagai berikut:
1. jika ada baris yang terdiri dari nol semua, maka baris tersebut diletakkan pada baris
yang paling bawah;
2. entri tak nol pertama dari kiri adalah 1 dan disebut 1 utama;
3. untuk baris yang lebih bawah, letak 1 utama berada lebih ke kanan daripada baris
yang lebih atas.
Contoh matriks dengan bentuk eselon baris diberikan sebagai berkut:

 
· ¸ 1 2 0 0 · ¸
1 0 1 −1 1 1 −2
,  0 1 −1 −1  , .
0 1 −1 −1 2 0 1
0 0 0 0
Proses menghasilkan bentuk eselon baris ini disebut eliminasi Gauss. Selanjutnya untuk
mencari penyelesaian sistem persamaan linier digunakan eliminasi Gauss ini. Jika kolom
yang memuat 1-utama entrinya semua nol kecuali 1-utama maka matriks tersebut disebut
bentuk eselon baris tereduksi dan prosesnya disebut eliminasi Gauss-Jordan.
Contoh 1.1.4 Sistem persamaan linier di bawah ini akan dicari penyelesaiannya menggu-
nakan eliminasi Gauss.
x1 +x2 −x3 = 1
3x1 −x2 +x3 = 0
x1 −3x2 +3x3 = −2
Operasi baris elementer yang diterapkan pada matriks yang diperluas adalah sebagai berikut:
     
1 1 −1 | 1 1 1 −1 | 1 1 1 −1 | 1
 3 −1 1 | 0  →  0 −4 4 | −3  →  0 −4 4 | −3 
1 −3 3 | −2 0 −4 4 | −3 0 0 0 | 0
   
1 1 −1 | 1 1 0 0 | 41
→  0 1 −1 | 34  →  0 1 −1 | 43  .
0 0 0 | 0 0 0 0 | 0
Dengan demikian sistem persamaan linier tersebut mempunyai 1 variabel bebas yaitu x3 .
Penyelesaiannya adalah
1 3
x1 = , x2 = + t, x3 = t.
4 4
Berikut adalah contoh sistem persamaan linier yang tidak mempunyai penyelesaian.
1.1.3 Sistem Homogen
Sistem persamaan linier disebut homogen jika suku yang memuat konstanta adalah nol.
Jadi sistem persamaan yang terbentuk menjadi demikian:
a11 x1 +a12 x2 +··· +a1n xn = 0
a21 x1 +a22 x2 +··· +a2n xn = 0
.. (1.5)
.
am1 x1 +am2 x2 + · · · +amn xn = 0
Karena suku konstantanya nol semua, maka sistem persamaan linier homogen ini selalu
mempunyai penyelesaian, yaitu
x1 = x2 = · · · = xn = 0.
Pertanyaannya adalah apakah sistem persamaan tersebut juga mempunyai penyelesaian tak
nol. Untuk menjawab pertanyaan ini, metode mencari penyelesaian sistem persamaan non
homogen bisa tetap diterapkan.
1.2. MATRIKS DAN OPERASI MATRIKS 7
Contoh 1.1.5 Carilah penyelesaian sistem persamaan linier homogen berikut ini :
x1 +2x2 +x3 −x4 +3x5 = 0

x1 +2x2 +2x3 +x4 +2x5 = 0
2x1 +4x2 +2x3 −x4 +7x5 = 0
Proses Eliminasi Gauss-Jordan bisa diterapkan dalam sistem persamaan ini. Berikut adalah
langkah-langkahnya.
     
1 2 1 −1 3 | 0 1 2 1 −1 3 | 0 1 2 0 −3 4 | 0
 1 2 2 1 2 | 0 → 0 0 1 2 −1 | 0  →  0 0 1 2 −1 | 0 
2 4 2 −1 7 | 0 0 0 0 1 1 | 0 0 0 0 1 1 | 0
 
1 2 0 0 7 | 0
→  0 0 1 0 −3 | 0  .
0 0 0 1 1 | 0
Dari bentuk eselon baris tereduksi yang dihasilkan, diperoleh
x1 +2x2 +7x5 = 0
x3 −3x5 = 0
x4 +x5 = 0
Dengan mengambil x2 = t dan x5 = r, maka diperoleh sistem persamaan linier homogen

tersebut mempunyai penyelesaian tak nol juga. Lengkapnya, penyelesaian yang dicari
adalah:
x1 = −2t − 7r, x2 = t, x3 = 3r, x4 = −r, x5 = r.
1.2 Matriks dan Operasi Matriks
1.2.1 Pengertian Matriks
Matriks adalah sekumpulan angka, yang menyatakan bilangan-bilangan real, yang disusun
menyerupai persegi panjang. Contoh matriks-matriks adalah sebagai berikut :
 5 
 1
 −10
2 2 −3 0  0
6
0  £ ¤
A=  0 4 −1 5  , B =   −12 15 
,C = 0 0 0 0 0
−2 1 − 13 7
1 −1
Komponen yang penting dalam sebuah matriks adalah banyaknya baris dan banyaknya
kolom. Jika A melambangkan suatu matriks dan matriks tersebut mempunyai baris se-
banyak m dan kolom sebanyak n, maka matriks A tersebut dikatakan mempunyai ukuran
atau order m × n.
Dari contoh di atas, matriks A mempunyai ukuran 3 × 4, matriks B mempunyai ukuran

4 × 2 dan matriks C mempunyai ukuran 1 × 5.
Matriks A selanjutnya bisa dinyatakan secara lebih rinci dengan mendata anggota-
anggotanya sebagai berikut :
A = [aij ]
dengan i = 1, 2, . . . , m dan j = 1, 2, . . . , n. Adapun m menyatakan banyaknya baris dan n

menyatakan banyaknya kolom.
Contoh 1.2.1 Diberikan matriks A yang berukuran 3 × 3 berikut ini :

 
1 2 −3
A =  4 8 −1  ,
−2 1 −3
maka a11 = 1, a23 = −1 dan a31 = −2.
Yang dimaksud dengan matriks nol adalah matriks yang semua entrinya adalah 0, antara
lain  
 0 
£ ¤ 0 0 0  0 
0 0 0 0 , 0 0 0 , 
 0  , [0],
0 0 0
0
1.2.2 Operasi Penjumlahan Matriks
Dua buah matriks dapat dioperasikan dengan cara menjumlahkan keduanya. Syarat agar
penjumlahan ini dapat dilakukan adalah ukuran matriks-matriks tersebut harus sama.
Lebih jelasnya diberikan dalam definisi berikut ini.
Definisi 1.2.2 Jika diberikan matriks-matriks A = [aij ] dan B = [bij ] yang masing-masing
berukuran m × n, maka
A + B = [aij + bij ].
Hasil jumlahan dua matriks berukuran m×n tersebut berupa matriks berukuran m×n den-
gan entri-entrinya merupakan penjumlahan entri-entri matriks A dan B yang bersesuaian.
Untuk lebih jelasnya perhatikan contoh berikut.
Contoh 1.2.3 Diberikan matriks-matriks A dan B yang masing-masing berukuran 4 × 2

· ¸ · ¸
0 1 2 −3 4 −2 1 −3
A= ,B = .
4 −2 1 −3 3 −4 8 −1
Hasil jumlahan A dan B adalah
· ¸ · ¸
0+4 1 + (−2) 2 + 1 −3 + (−3) 4 −1 3 −6
A+B = = .
4 + 3 −2 + (−4) 1 + 8 −3 + (−1) 7 −6 9 −4
Dari suatu matriks A = [aij ] dapat dibentuk
−A = [−aij ],
Untuk A seperti pada Contoh (1.2.3) diperoleh

· ¸
0 −1 −2 3
−A =
−4 2 −1 3
Karena penjumlahan matriks melibatkan penjumlahan bilangan-bilangan real pada masing-

masing entrinya, maka sifat-sifat operasi penjumlahan matriks juga dipengaruhi sifat-sifat
operasi penjumlahan bilangan real.
Proposisi 1.2.4 Jika A, B dan C adalah matriks-matriks yang ukurannya sama, maka
berlaku :
(a.) A + B = B + A;
(b.) (A + B) + C = A + (B + C);
(c.) 0 + A = A + 0 = A;
(d.) A + (−A) = 0.
1.2.3 Perkalian Skalar
Selain penjumlahan dua matriks, dikenal juga operasi antara skalar dengan matriks yang
definisinya sebagai berikut :
Definisi 1.2.5 Jika diberikan matriks-matriks A = [aij ] berukuran m × n dan bilangan real
k, maka
kA = [kaij ].
Dengan kata lain, hasil kali matriks A dan skalar k berupa matriks yang entri-entrinya
k-kali entri-entri matriks A. Untuk lebih jelasnya perhatikan contoh berikut.
Contoh 1.2.6 Diberikan skalar k = 2 dan matriks A sebagai berikut :

 
8 −2 −1 0
A= 2 0 10 −12  .
4 −1 3 −6
Hasil kali A dan k adalah

   
2.8 2.(−2) 2.(−1) 2.0 16 −4 −2 0
kA = 2A =  2.2 2.0 2.10 2.(−12)  =  4 0 20 −24  .
2.4 2.(−1) 2.3 2.(−6) 8 −2 6 −12
Untuk operasi perkalian matriks dan skalar ini diperoleh sifat-sifat sebagai berikut :
Proposisi 1.2.7 Diberikan matriks A dan B yang berukuran sama, k dan h adalah bilangan-
bilangan real. Pernyataan berikut berlaku :
(a.) k(A + B) = kA + kB;
(b.) (k + h)A = kA + hA;
(c.) k(hA) = (kh)A;
(d.) 1A = A.
1.2.4 Transpos Matriks
Jika diberikan A yaitu matriks berukuran m × n, maka dapat diperoleh matriks lain, sebut
saja B, yang berukuran n × m dengan cara merubah baris ke-i matriks A menjadi kolom
ke-i matriks B. Matriks B ini dinamakan transpos matriks A, yang dinotasikan dengan At .
Jadi jika
A = [aij ],
maka
At = [aji ].
Contoh 1.2.8 Diberikan matriks A berikut ini

 
6 −4 1 0
A= 5 7 22 20  .
−7 2 11 13
Transpos matriks tersebut adalah

 
6 5 −7
 −4 7 2 
At =  
 1 22 11  .
0 20 13
Selanjutnya diberikan sifat-sifat yang diperoleh dari suatu transpos matriks terhadap operasi-
operasi yang lain, yaitu jumlahan dan perkalian dengan skalar.
Proposisi 1.2.9 Misalkan A dan B adalah matriks-matriks yang ukurannya sama, k adalah
suatu bilangan real. Pernyataan-pernyataan berikut berlaku :
(a.) (At )t = A;
(b.) (A + B)t = At + B t ;
(c.) (kA)t = kAt .

1.3 Perkalian Matriks
1.3.1 Operasi Perkalian Matriks
Jika suatu matriks mempunyai ukuran khusus yaitu m × 1 atau 1 × n, maka disebut vektor
. Matriks dengan ukuran m × 1  
x1
 x2 
 
 .. 
 . 
xm
disebut vektor kolom, sedangkan matriks dengan ukuran 1 × n
£ ¤
x1 x2 . . . x n
disebut vektor baris. Definisi-definisi tersebut akan digunakan untuk membahas operasi
perkalian dua buah matriks dalam bagian ini.
Diberikan matriks A = [aij ] dengan ukuran m × n dan matriks B = [bij ] dengan ukuran
n × p. Hasil kali matriks A dan B adalah
AB = [cij ],
dengan
n
X
cij = aik bkj .
k=1
Perhatikan bahwa cij merupakan hasil kali entri-entri baris ke-i matriks A dan kolom ke-
j matriks B. Dua matriks dapat dikalikan jika banyaknya kolom matriks pertama sama
dengan banyaknya baris matriks kedua.
Untuk lebih jelasnya oerhatikan contoh berikut. Diberikan matriks-matriks :

 
  0 1 9
1 2 0 3 7  1 0 −3 
 

A = 5 −3 1  
0 −3 , B =  0 −4 1 
,
0 1 0 −4 1  3 1 −5 
8 6 −3
1.3. PERKALIAN MATRIKS 13
Akan dihitung hasil kali baris-baris di A dan kolom-kolom di B. Sebagai contoh, akan
dihitung hasil kali vektor baris ke-2 dari matriks A dan vektor kolom ke-3 dari matriks B,
yang nantinya akan menjadi entri baris ke-2 dan kolom ke-3 dari matriks AB.
 
9
 
£ ¤  −3 
c23 = 5 −3 1 0 −3   1 

 −5 
−3
= 5.9 + (−3)(−3) + 1.1 + 0.(−5) + (−3)(−3) = 45 + 9 + 1 + 0 + 9 = 64.
Langkah-langkah tersebut dilakukan terus terhadap semua vektor-vektor baris matriks A

dan vektor-vektor kolom matriks B, sehingga diperoleh hasil:
 
1 2 0
AB =  5 −3 1 
0 1 0
1.3.2 Sifat-sifat Operasi Perkalian Matriks
Terkait dengan perkalian matriks, terdapat matriks khusus yang disebut matriks identitas,
sebagai berikut :
 
  1 0 0 0
1 0 0 · ¸
1 0  0 1 0 0 
I3 =  0 1 0  , I2 = , I4 = 
 0

0 1 0 1 0 
0 0 1
0 0 0 1
Berikut adalah sifat-sifat perkalian matriks yang dikaitkan dengan operasi-operasi yang
lain, misalnya penjumlahan, perkalian dengan skalar dan transpos.
Proposisi 1.3.1 Diberikan matriks A, B dan C dengan ukuran sedemikian sehingga berlaku
operasi-operasi penjumlahan dan perkalian, k adalah skalar. Pernyataan-pernyataan berikut
berlaku:
(a.) IA = A dan BI = B;
(b.) (AB)C = A(BC);
(c.) A(B + C) = AB + AC;
(d.) (B + C)A = BA + CA;
(e.) k(AB) = (kA)B = A(kB);
(f.) (AB)t = B t At ;
(g.) Jika AB = I dan CA = I, maka B = C.
Setelah dipelajari pada matriks=matriks bisa dilakukan operasi perkalian, sekarang

akan ditinjau keterkaitannya dengan sistem persamaan linier. Perhatikan kembali per-
samaan 1.1.1. Sistem persamaan tersebut dapat dipandang sebagai perkalian matriks-
matriks berikut:     
a11 a12 ··· a1n x1 b1
 a21 a22 ··· a2n  x2   b2 
    
 .. .. .. ..  .. = .. 
 . . . .  .   . 
am1 am2 · · · amn xn bm
atau secara ringkas dapat dinotasikan sebagai
Ax = b
dengan      
a11 a12 ··· a1n x1 b1
 a21 a22 ··· a2n   x2   b2 
     
A= .. .. .. .. ,x =  .. ,b =  .. .
 . . . .   .   . 
am1 am2 · · · amn xn bm
Matriks A disebut matriks koefisien,matriks x disebut matriks variabeldan matriks b disebut
matriks konstanta.
Perlu diingat kembali bahwa cara mencari penyelesaian suatu sistem persamaan lin-
ear adalah menggunakan Eliminasi Gauss-Jordan. Operasi baris elementer juga dapat
dilakukan pada matriks identitas. Misalnya menukar letak dua buah baris:
   
1 0 0 0 0 1
I3 =  0 1 0  →  0 1 0  = E.
0 0 1 1 0 0
1.4. MATRIKS INVERS 15
Matriks yang dihasilkan dari operasi baris elementer pada matriks identitas disebut matriks
elementer, dengan notasi E. Contoh matriks elementer yang lain adalah :
   
2 0 0 1 0 0
 0 1 0 , 0 1 3 
0 0 1 0 0 1
Pada saat dilakukan suatu operasi baris elementer pada sebuah matriks, hal ini juga be-
rarti matriks tersebut dikalikan dari kiri dengan suatu matriks elementer dari operasi baris
elementer yang bersesuaian.
Jika pada matriks A berikut dilakukan operasi baris elementer yaitu baris pertama
ditukar letaknya dengan baris ketiga, maka diperoleh matriks A0 di bawah ini:
   
5 0 2 −2 3 7
A =  0 3 −4  →  0 3 −4  = A0 .
−2 3 7 5 0 2
Matriks A0 juga dapat diperoleh dengan cara :
    
0 0 1 5 0 2 −2 3 7
A0 = EA =  0 1 0   0 3 −4  =  0 3 −4  .
1 0 0 −2 3 7 5 0 2
Dengan demikian sejumlah berhingga operasi baris elementer yang diterapkan pada suatu
matriks sama artinya dengan mengalikan sebanyak berhingga matriks-matriks elementer
yang bersesuaian dengan matriks tersebut. Jika bentuk yang dicari adalah bentuk eselon
baris tereduksi B dari matriks A, maka dapat diilustrasikan sebagai berikut:
B = Ek Ek−1 . . . E2 E1 A.
1.4 Matriks Invers
1.4.1 Matriks Invers
Diberikan matriks bujursangkar A yang berukuran n × n. Jika terdapat matriks bujur-

sangkar C sehingga
AC = CA = I,
maka C disebut invers matriks A.

Contoh 1.4.1 Matriks berikut · ¸

3 −7
A=
−2 5
mempunyai invers karena dapat ditemukan matriks
· ¸
5 7
C=
2 3
sehingga · ¸· ¸ · ¸
3 −7 5 7 1 0
AC = =
−2 5 2 3 0 1
Tetapi pada umumnya tidak setiap matriks bujursangkar mempunyai invers. Berikut adalah
contoh matriks yang tidak mempunyai invers.
Contoh 1.4.2 Akan dibuktikan matriks berikut tidak mempunyai invers:

· ¸
2 1
A= .
0 0
Andaikan terdapat matriks · ¸

a b
C=
c d
sehingga · ¸· ¸ · ¸
2 1 a b 1 0
AC = = ,
0 0 c d 0 1
maka dipenuhi · ¸ · ¸
2a + c 2b + d 1 0
= .
0 0 0 1
Hal ini menyebabkan kontradiksi karena pada entri baris ke-2 kolom ke-2 dari AC tidak
sama dengan 1.
Selanjutnya akan dibahas cara mencari invers suatu matriks bujursangkar. Jika diberikan
matriks bujursangkar A berukuran n×n, maka dengan menerapkan operasi baris elementer
sebanyak berhingga akan dicapai bentuk eselon baris tereduksi. Hal tersebut digambarkan
sebagai berikut:
A → E1 A → E2 E1 A → · · · → Ek Ek−1 . . . E1 A.
1.4. MATRIKS INVERS 17
Jika bentuk eselon tereduksi matriks A, yaitu perkalian matriks yang paling kanan, berupa
matriks identitas, maka artinya:
Ek Ek−1 . . . E1 A = In .
Namakan U = Ek Ek−1 . . . E1 , sehingga U A = In , yang berarti U adalah invers matriks A.
Secara teknis, langkah pertama untuk mencari invers matriks A adalah dibentuk matriks
berikut
[ A | In ]
dengan In adalah matriks identitas. Selanjutnya jika dengan beberapa langkah operasi
baris elementer diperoleh :
[ In | A−1 ],
maka invers matriks A bisa ditemukan.
Contoh 1.4.3 Akan dicari invers matriks berikut:

 
1 1 0 1
 −1 0 1 −1 
 .
 5 7 3 5 
2 5 6 1
   
1 1 0 1 | 1 0 0 0 1 1 0 1 | 1 0 0 0
 −1 0 1 −1 | 0 1 0 0   0 1 1 0 | 1 1 0 0 
  →  
 5 7 3 5 | 0 0 1 0   0 2 3 0 | −5 0 1 0 
2 5 6 1 | 0 0 0 1 0 3 6 −2 | −2 0 0 1
   
1 0 −1 1 | 0 −1 0 0 1 0 0 1 | −7 −3 1 0
 0 1 1 0 | 1 1 0 0    0 1 0 0 | 8 3 −1 0 
→  0 0 →  
1 0 | −7 −2 1 0   0 0 1 0 | −7 −2 1 0 
0 0 3 −2 | −5 −3 0 1 0 0 0 −2 | 16 3 −3 1
   
1 0 0 1 | −7 −3 1 0 1 0 0 0 | 1 − 23 − 12 1
2
 0 1 0 0 | 8 3 −1 
0   0 1 0 0 | 8 3 −1 0 
→ 0 0 1 0 | −7 −2  →  
.
1 0 0 0 1 0 | −7 −2 1 0 
0 0 0 1 | −8 − 23 3
2
− 1
2
0 0 0 1 | −8 − 32 3
2
− 21
Jadi invers matriks yang dicari adalah
 
1 − 32 − 12 1
2
 8 3 −1 0 
 .
 −7 −2 1 0 
3 3
−8 − 2 2
− 12
1.4.2 Sifat-sifat Matriks Invers
Sifat-sifat invers suatu matriks diberikan dalam proposisi berikut ini.
Proposisi 1.4.4 Pernyataan-pernyataan berikut berlaku:
(a.) Jika A mempunyai invers, maka A−1 juga mempunyai invers;
(b.) Jika A dan B masing-masing mempunyai invers, maka AB juga mempunyai

invers dan (AB)−1 = B −1 A−1 ;
(c.) Jika A mempunyai invers, maka At juga mempunyai inversdan (At )−1 = (A−1 )t .
1.5 Penilaian Penguasaan Materi
Kompetensi yang diharapkan dari mahasiswa setelah mengikuti perkuliahan dengan materi
pada bab ini adalah:
1. Menjelaskan pengertian SPL;
2. Memodelkan masalah nyata menjadi SPL;
3. Menjelaskan dan menggunakan OBE;
4. Menjelaskan pengertian bentuk eselon baris suatu matriks;
5. Menggunakan metode eliminasi Gauss Jordan untuk mencari penyelesaian suatu SPL;
6. Menjelaskan definisi dan jenis-jenis matriks serta komponen suatu matriks;
7. Menjelaskan keistimewaan matriks elementer;
8. Menjelaskan operasi-operasi matriks dan membuktikan sifat-sifatnya;
9. Menjelaskan definisi invers suatu matriks;
10. Menjelaskan dan membuktikan sifat-sifat invers suatu matriks;
11. Menghitung invers suatu matriks.

1.5. PENILAIAN PENGUASAAN MATERI 19
Adapun contoh-contoh soal yang digunakan untuk menguji kompetensi mahasiswa adalah
sebagai berikut:
1. (a.) Berikan gambaran jika suatu matriks sama dengan transposnya. Matriks
demikian disebut matriks simetris.
(b.) Berikan gambaran jika suatu matriks sama dengan negatif transposnya.
Matriks demikian disebut matriks simetris miring.
2. Diberikan matriks-matriks berikut :

 
 1
  1 2 1 1  1
1 0 −2 2 
8
2
,C = 
2 −4 −3 2 
.
3
A =  3 −1 0 ,B =  1 0 3 
2
3
3 2
3 2 0 −1  3
6 0 1 −3 3
4
4 4 2 3 −1 8
Hitunglah
(a.) A + B.
(b.) −3A + 2B.
(c.) C t .
(d.) (6B)t .
3. Tentukan matriks A jika diketahui

 
· ¸t 2 0
1 0 −2
2A − =  −3 4 
4 7 3
0 8
4. Tentukan a, b, c dan d jika

· ¸ · ¸
a b b−c c
(a.) =
c d d 1
· ¸ · ¸ · ¸
a b 1
(b.) 3 −2 =
b 0 4
5. Tentukan bentuk eselon baris dari matriks-matriks berikut :
(a.)
 
1 −1 2 1 −3
 2 0 1 −4 2 .
−2 7 −2 5 1
(b.)  
−1 1 0 −1
 −1 0 1 −1 
 
 0 0 2 4 
 .
 −4 5 2 1 
1 3 −6 0
(c.)  
3 2 0
 5 3 5 .
2 5 6
6. Tentukan penyelesaian sistem persamaan linear berikut :
(a.)
3x1 −2x2 +6x5 = 1
−x1 +3x2 +x3 +4x4 +3x5 = −2
x1 −3x2 +4x3 −6x4 +2x5 = 4
(b.)
3x1 +2x2 +2x3 −5x4 = 2
x1 +6x2 −4x3 −2x4 = 3
10x1 +x2 −x3 −x4 = 8
5x1 +2x2 −x3 −9x4 = 2
7. Buktikan bahwa matriks berikut tidak mempunyai invers untuk bilangan real mana-
pun  
0 a 0 0 0
 b 0 c 0 0 
 
 0 d 0 e 0 .
 
 0 0 f 0 g 
0 0 0 h 0
8. Jika kurva f (x) = ax3 + bx2 + cx + d melalui titik-titik (0, 10), (1, 7), (3, −11) dan
(4, −14), tentukan koefisien-koefisien
· ¸ persamaan kurva tersebut.
1 0
9. Diberikan matriks A = . Tentukan matriks-matriks elementer E1 dan E2
−5 2
sehingga E2 E1 A = I.
10. Jika diberikan  
1 0 2
A−1 =  1 2 1 .
3 5 3
(a.) Tentukan matriks X sehingga


2 −1
AX =  1 0 .
0 −3
(b.) Tentukan matriks X sehingga

· ¸
2 3 −1
XA = .
−1 0 5
Bibliografi
[1] Anton, H. and Rorres, C., 2000, Elementary Linear Algebra, John Wiley and Sons Inc.
[2] DeFranza, J. and Gagliardi, D., 2009, Introduction to Linear ALgebra, McGraw-Hill
Int. Edition, Boston.
[3] Nicholson., W.K., 2001, Elementary Linear Algebra, McGrw-Hill Book Co., Toronto.
23
24 BIBLIOGRAFI
Bab 2
Determinan
Dalam bab ini termuat dua Pokok Bahasan yaitu Invers Matriks dan Determinan, dengan
masing-masing Sub-pokok Bahasan sebagai berikut :
1. Invers Matriks:
(a.) Pengertian invers matriks.

(b.) Sifat invers matriks.
(c.) Menghitung invers matriks menggunakan matriks elementer.
2. Determinan:
(a.) Pengertian determinan matriks.

(b.) Sifat determinan matriks.
(c.) Menghitung determinan matriks menggunakan ekspansi kofaktor.
2.1 Latar Belakang
Sudah diketahui bahwa matriks bujursangkar A disebut matriks invertibel jika ada matriks
B yang memenuhi AB = BA = I dengan I adalah matriks identitas. Selain itu dapat
25
26 BAB 2. DETERMINAN
ditunjukkan bahwa jika ada matriks B yang memenuhi AB = BA = I, maka matriks B

tersebut tunggal yang selanjutnya disebut matriks invers dari matriks A dan dinotasikan
dengan A−1 .
Matriks berukuran 2 × 2 berikut

· ¸
a11 a12
A=
a21 a22
mempunyai invers jika dan hanya jika a11 a22 − a12 a21 6= 0 dan invers matriks A adalah
· ¸
−1 1 a22 −a12
A =
a11 a22 − a12 a21 −a21 a11
Nilai a11 a22 − a12 a21 telah dikenal sebagai determinan matriks A2×2 . Tentu saja timbul
pertanyaan, apakah fakta pada matriks bertipe 2×2 tersebut dapat diperluas pada sebarang
matriks berukuran berukuran n × n?. Pada bab ini akan dibahas tentang hal tersebut.
2.2 Determinan Matriks Bujursangkar
Untuk matriks A berukuran 3 × 3 berikut

 
a11 a12 a13
A =  a21 a22 a23 
a31 a32 a33
jika a11 6= 0 maka dapat dilakukan dua kali operasi baris yakni baris ke 2 dan ke 3 masing-
masing dikalikan a11 sehingga diperoleh
   
a11 a12 a13 a11 a12 a13
 a11 a21 a11 a22 a11 a23  ∼  0 a11 a22 − a11 a21 a11 a23 − a11 a21 
a11 a31 a11 a32 a11 a33 0 a11 a32 − a12 a31 a11 a33 − a13 a31
Mengingat A invertibel maka salah satu diantara a11 a22 − a11 a21 dan a11 a32 − a12 a31 tidak
bernilai nol. Misalkan a11 a22 −a11 a21 6=, maka jika baris ke 3 dikalikan dengan a11 a22 −a11 a21
akan diperoleh
 
a11 a12 a13
 0 a11 a22 − a11 a21 a11 a23 − a11 a21 
0 (a11 a22 − a11 a21 )(a11 a32 − a12 a31 ) (a11 a22 − a11 a21 )(a11 a33 − a13 a31 )
2.2. DETERMINAN MATRIKS BUJURSANGKAR 27
selanjutnya dengan mengurangkan baris ke 3 dengan (a11 a32 − a12 a31 ) kali baris ke 2 akan
diperoleh matriks
 
a11 a12 a13
 0 a11 a22 − a11 a21 a11 a23 − a11 a21 
0 0 (a11 a22 − a11 a21 )(a11 a33 − a13 a31 ) − (a11 a32 − a12 a31 )(a11 a23 − a11 a21 )
nilai komponen pada posisi baris ke 3 kolom ke 3, yakni (a11 a22 − a11 a21 )(a11 a33 − a13 a31 ) −
(a11 a32 − a12 a31 )(a11 a23 − a11 a21 ) akan sama dengan a1 1∆ dengan
∆ = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a11 a23 a32 − a12 a21 a33 − a13 a22 a31
Mengingat A invertibel maka ∆ 6= 0. Selanjutnya ∆ disebut determinan matriks A3×3 .
Untuk memperumum pengertian determinan ke bentuk yang lebih besar, akan dilakukan
ekspresi determinan matriks berukuran 3 × 3 dalam bentuk determinan matriks berukuran
2 × 2.
∆ = a11 a22 a·33 + a12 a23¸a31 + a13 a21

· a32 − a11 a¸23 a32 − a12·a21 a33 − a13¸a22 a31
a22 a23 a21 a23 a21 a22
= a11 det − a12 det + a13 det
a32 a33 a31 a33 a31 a32
Untuk mempersingkat, ∆ dapat diekspresikan dengan bentuk sebagai berikut
∆ = a11 detA11 − a12 detA12 + a13 detA13 .
Matriks A1j adalah matriks berukuran 2 × 2 yang diperoleh dengan menghapus baris ke-1
dan kolom ke-j. Untuk sebarang matriks A berukuran n × n, Aij adalah matriks yang
diperoleh dengan menghapus baris ke-i dan kolom ke-j.
Secara recursive dapat didefinisikan pengertian determinan untuk sebarang matriks bu-
jursangkar bertipe n × n. Definisi lengkapnya diberikan di bawah ini.
Definisi 2.2.1 Misalkan An×n = [aij ]. Determinan matriks A didefinisikan sebagai berikut:
1+n
det(A) = a
P11 det A11 − a12 det A12 + · · · + (−1) a1n det A1n
n 1+j
= j=1 (−1) a1j A1+j
Contoh 2.2.2 Hitung determinan matriks

 
1 5 0
A =  2 4 −1 
0 −2 0
Jawab:
det(A) = a11 detA·11 − a12 detA

¸ 12 + a13 detA
· 13 ¸ · ¸
4 −1 2 −1 2 4
= 1 det − 5 det + 0 det
−2 0 0 0 0 −2
= 1(0 − 2) + 5(0 − 0) + 0(−4 − 0)
= −2
Terkait dengan ekspresi pendefinisian determinan matriks bujur sangkar berikut akan didefin-
isikan pengertian co-faktor suatu matriks bujur sangkar.
Definisi 2.2.3 Misalkan A = [aij ] adalah matriks bujursangkar bertipe n × n. Co-faktor

(i, j) dinotasikan dengan Cij = (−1)i+j detAij . Ekspansi co-faktor sepanjang baris pertama
adalah
Pn 1+j
det(A) = j=1 (−1) a1j A1j
Proposisi 2.2.4 Determinan matriks A berukuran n × n dapat dihitung dengan menggu-

nakan ekspansi sebarang baris atau sebarang kolom sebagai berikut:
(a.) Ekspansi baris ke-i,

Pn i+j
det(A) = j=1 (−1) aij Aij
(b.) Ekspansi kolom ke-j,

Pn i+j
det(A) = i=1 (−1) aij Aij
Contoh 2.2.5 Gunakan ekspansi co-faktor sepanjang baris ke 3 untuk menghitung deter-
minan matrik A berikut:  
1 5 0
A =  2 4 −1 
0 −2 0
2.2. DETERMINAN MATRIKS BUJURSANGKAR 29
det(A) = (−1)3+1 a·31 det A31¸− (−1)3+2 a32 det

· A12 + (−1)
¸
3+3
a33 det· A33 ¸
5 0 1 0 1 5
= 1 1 det − (−2) det + 0 det
4 −1 2 (−1) 2 4
= 0 + 2(−1) + 0
= −2
Proposisi (2.2.4) menunjukkan bahwa perhitungan determinan matriks menggunakan ekspan-
si baris atau kolom akan sangat bermanfaat untuk matriks yang banyak memuat nol. Un-
tuk efisiensi dalam perhitungan jelas perhitungan akan menjadi lebih singkat apabila kita
memilih baris atau kolom dengan komponen terbanyak.
Contoh 2.2.6 Hitung determinan matriks berukuran 5 × 5 berikut

 
3 −7 8 9 −6
 0 2 −5 7 3 
 
A=  0 0 1 5 0 

 0 0 2 4 −1 
0 0 0 −2 0
Untuk matriks di atas, jelas perhitungan paling efisien apabila kita memilih ekspansi sep-
anjang kolom ke-1 atau ekspansi baris ke-4. Dengan ekspansi sepanjang kolom ke-1 akan
diperoleh
 
2 −5 7 3
 0 1 5 0 
det(A) = 3 det 
 0 2
 − 0C21 + 0C31 − 0C41 + 0C51
4 −1 
0 0 −2 0
sehingga dengan menggunakan ekspansi kolom ke-1 lagi akan diperoleh
 
1 5 0
det(A) = 3.2. det  2 4 −1  .
0 −2 0
Dari contoh sebelumnya diperoleh determinan
 
1 5 0
det  2 4 −1  = −2.
0 −2 0
Jadi diperoleh det(A) = 3.2.(−2) = −12. Dari contoh di atas dapat disimpulkan dalam
proposisi berikut.
Proposisi 2.2.7 Jika A adalah matriks segitiga atas, maka determinan A merupakan hasil
kali unsur-unsur diagonal utamanya.
2.3 Sifat-Sifat Determinan
Pada Bab 1 telah dipelajari tentang Operasi Baris Elementer (dan Operasi Kolom El-
ementer). Dari ekspansi determinan akan didapat proposisi berikut yang menunjukkan
pengaruh operasi baris atau kolom terhadap nilai determinan.
Proposisi 2.3.1 Misalkan A adalah matriks bujursangkar berukuran n × n.
1. Jika matriks B adalah suatu matriks yang diperoleh dengan menambah suatu baris
(kolom) matriks A dengan hasil kali skalar baris (kolom) baris yang lain, maka de-
terminan B= determinan A.
2. Jika matriks B adalah suatu matriks yang diperoleh dengan mengalikan suatu baris
(kolom) dengan skalar tak nol α kali baris (kolom) baris yang lain, maka det B =
α det A.
3. Jika matriks B adalah suatu matriks yang diperoleh menukar 2 buah baris yang
berlainan, maka det B = − det A.
Dengan Proposisi (2.3.1) dapat dihitung determinan suatu matriks dengan menggunakan
Operasi Baris (Kolom) Elementer.
Contoh 2.3.2 Hitung determinan matriks A berikut ini:

 
1 −4 2
det  −2 8 −9 
−1 7 0
2.3. SIFAT-SIFAT DETERMINAN 31
Strateginya adalah dilakukan operasi baris elementer untuk membawa matriks A ke bentuk
matriks segitiga atas.
 
1 −4 2
det(A) = det  −2 8 −9 
−1 7
 0 
1 −4 2
= det  0 0 −5 
 −1 7 0
1 −4 2
= det  0 0 −5 
0 3
 2 
1 −4 2
= − det  0 3 2 
0 0 −5
= −(1)(3)(−5) = 15
Contoh 2.3.3 Hitung determinan matriks
 
2 −8 6 8
 3 −9 5 10 
det  
 −3 0 1 −2 
1 −4 0 6
Untuk menyederhanakan perhitungan, terlebih dahulu dilakukan operasi baris elementer

sedemikian hingga pada posisi (1, 1) (baris pertama kolom pertama) entrinya bernilai 1,
sehingga diperoleh
 
2 −8 6 8
 3 −9 5 10 
det(A) = det  
 −3 0 1 −2 
1 −4 0 6
 
1 −4 3 4
 3 −9 5 10 
det(A) = 2 det 
 −3 0 1

−2 
 1 −4 0 6 
1 −4 3 4
 0 3 −4 −2 
= 2 det 
 0 −12 10

10 
 0 0 −3 2
1 −4 3 4
 0 3 −4 −2 
= 2 det 
 0 0 −6

2 
 0 0 −3 2 
1 −4 3 4
 0 3 −4 −2 
= 2 det 
 0 0 −6

2 
0 0 0 1
= 2.1.3.(−6).1 = −36
Dari proses perhitungan determinan menggunakan operasi baris elementer, khususnya jika
dibandingkan dengaan penentuan invers matriks menggunakan operasi baris elementer,
maka akan didapatkan proposisi berikut:
Proposisi 2.3.4 Matrik bujursangkar A invertibel jika dan hanya jika determinan A 6= 0
Selain itu, mengingat nilai determinan suatu matriks dapat dihitung baik menggunakan
ekspansi baris ataupun ekspansi kolom maka dapat disimpulkan determinan suatu matriks
bujur sangkar akan sama dengan nilai determinan matriks transposnya seperti dinyatakan
dalam proposisi berikut:
Proposisi 2.3.5 Misalkan A matriks bujursangkar, maka
det(AT ) = det(A).
Seperti sudah dibahas didepan bahwa terdapat hubungan antara determinan suatu ma-
triks bujursangkar A, dengan matriks hasil operasi baris (kolom) elementer. Selain itu pada
Bab I juga sudah diperkenalkan pengertian matriks elementer yaitu matriks yang diperoleh
2.3. SIFAT-SIFAT DETERMINAN 33
dengan melakukan satu kali operasi baris (kolom) elementer. Disamping itu pada Bab I,
juga sudah diterangkan tentang apa makna operasi baris (kolom) elementer dalam kaitan-
nya dengan perkaalian matriks, diantaranya dikatakan bahwa jika B adalah matriks yang
diperoleh dengan melakukan satu kali operasi baris elementer dari satu matriks A, maka
B = EA
dengan E adalah matriks elementer yang diperoleh dengan melakukan satu kali operasi
baris elementer terhadap matriks I. Untuk melihat hubungan antara determinan matriks
B dengan matriks A, kita akan tinjau 3 jenis operasi baris elementer. Misalkan yang
dilakukan adalah operasi Operasi Baris Elementer Tipe 1: yaitu B adalah matriks yang
diperoleh dengan menukar dua baris berlainan dari satu matriks A, maka akan diperoleh
det B = − det A sehingga diperoleh det B = (−1) det A sementara itu det E = − det I =
−1. Selain itu B = EA, dengan demikian akan diperoleh
det(EA) = det(E) det(A).
Dengan cara analog akan dapat ditunjukkan untuk operasi baris elementer tipe yang lain.
Dengan kenyataan akan dapat ditunjukkan bahwa untuk sebarang matriks bukur sangkar
yang berukuran sama.
Proposisi 2.3.6 Jika A dan matriks B adalah matriks-matriks bujursangkar dengan uku-
ran yang sama, maka
det(AB) = det(A) det(B).
Bukti. Pembuktian akan dibedakan untuk dua kasus:

Kasus 1. Matriks A invertibel. Menurut sifat matriks invertibel yang seperti diuraikan
pada Bab I, dengan serangkaian (berhingga) operasi baris elementer A akan dapat diubah
menjadi matriks identitas. Dengan demikian terdapat matriks elementer E1 , E2 , E3 , · · · , En
sedemikian hingga
A = E1 , E2 , E3 , · · · , En I.
Dengan demikian, akan diperoleh
AB = E1 , E2 , E3 , · · · , En IB = E1 , E2 , E3 , · · · , En B
sehingga dengan menggunakan n-kali pengulangan akan diperoleh
det(AB) = det(E1 , E2 , E3 , · · · , En B)
= det(E1 ) det(E2 , E3 , · · · , En B)
= det(E1 ) det(E2 ) det(E3 , · · · , En B)
.. ..
. .
= det(E1 ) det(E2 ) det(E3 ), · · · , det(En−1 ) det(En B)
= det(E1 ) det(E2 )(E3 ), · · · , (En−1 ) det(En B)
= det(E1 )(E2 )(E3 ), · · · , (En−1 )(En B)
= det(E1 )(E2 )(E3 ), · · · , (En−1 I)(En B)
= det(A) det(B)
Kasus 2. Matriks A tidak invertibel. Hal ini berarti det A = 0, dengan demikian untuk me-
nunjukkan bahwa det AB = det A det B, cukup bila dapat ditunjukkan bahwa det(AB) = 0
atau yang ekivalen dengan meunjukkan bahwa AB juga tidak invertibel. Andaikan AB
invertibel, maka ada (AB)−1 yang memenuhi (AB)(AB)−1 = I. Dengan demikian meng-
gunakan Kasus 1 akan diperoleh
det(AB)(AB)−1 = det(I)
yang berarti
det(AB) det(AB)−1 = 1
dengan demikian det(AB) 6= 0. Kontradiksi dengan pengandaian bahwa matriks AB in-

vertibel.
2.4. BEBERAPA APLIKASI DETERMINAN 35
2.4 Beberapa Aplikasi Determinan
2.4.1 Perhitungan Invers Matriks: Rumus Adjoint
Determinan dapat dihitung menggunakan ekspansi kofaktor sepanjang sebarang baris yang
dapat dinyatakan sebagai berikut.
det(A) = a11 det A11 − a12 det A12 + ··· + (−1)1+n a1n det A1n
det(A) = −a21 det A21 + a22 det A22 + ··· + (−1)2+n a2n det A2n
.. .. .. .. .. .. .. .. ..
. . . . . . . . .
n+1 n+2
det(A) = (−1) an1 det An1 + (−1) an2 det An2 + · · · + (−1)n+n ann det Ann
Dari formula tersebut akan diperoleh

 
det A 0 ··· 0
 0 det A · · · 0 
 
 .. .. .. ..  =
 . . . . 
0 0 · · · det A
  
a11 a12 · · · a1n det A11 − det A21 ··· (−1)n+1 det An1
 a21 a22 · · · a2n   − det A12 + det A22 ··· (−1)n+2 det An2 
  
 .. .. .. ..   .. .. .. .. 
 . . . .  . . . . 
an1 an2 · · · ann (−1)1+n det A1n +(−1)2+n det A2n · · · (−1)n+n det Ann
Dengan menotasikan matriks
 
det A11 − det A21 ··· (−1)n+1 det An1
 − det A + det A ··· (−1)n+2 det An2 
 12 22 
 .. .. .. ..  = Adj(A)
 . . . . 
1+n 2+n
(−1) det A1n (−1) det A2n · · · (−1)n+n det Ann
akan diperoleh
det(A)In×n = A Adj(A)
dengan Adj berarti adjpint . Akhirnya diperoleh Rumus Adjoint yang disajikan dalam
proposisi berikut ini.
Proposisi 2.4.1 Jika A invertibel, maka
1
A−1 = Adj(A)
det(A)
dan untuk mempermudah penotasian komponen-komponen Adj(A), dinotasikan sebagai berikut:

 
C11 C21 · · · Cn1
 C12 C22 · · · Cn2 
 
Adj(A) =  .. .. .. .. 
 . . . . 
C1n C2n · · · Cnn
dengan
Cij = (−1)i+j det(Aij )
Contoh 2.4.2 Tentukan invers matriks A berikut:

 
2 1 3
A =  1 −1 1 
1 4 −2
Untuk menghitung A−1 , terlebih dahulu dihitung masing-masing nilai Cij berikut
· ¸ · ¸ · ¸
−1 1 1 1 1 −1
C11 = + det = −2, C12 = − det = 3, C13 = + det = −2
· 4 −2¸ · 1 −2 ¸ · 1 4¸
1 3 2 3 2 1
C21 = − det = 14, C22 = + det = −7, C23 = − det = −7
· 4 −2 ¸ · 1 −2¸ · 1 4 ¸
1 3 2 3 2 1
C31 = + det = 4, C32 = − det = 1, C33 = + det = −3
−1 1 1 1 1 −1
Kemudian dibentuk Adj(A) sebagai berikut
 
−2 14 4
Adjoint(A) =  3 −7 1 
5 −7 −3
Kemudian dengan rumus adjoint diperoleh
   1 2

−2 14 4 −7 1
1  7
A−1 = 3 −7 1  =  143
− 12 14
1 .
14 5 1 3
5 −7 −3 14
− 2 − 14
2.4.2 Perhitungan Solusi Sistem Persamaan Linear
Jika A matriks invertibel maka sistem persamaan linear An×n xn×1 = bn×1 akan mempunyai
solusi tunggal yakni:
xn×1 = A−1 bn×1 .
2.4. BEBERAPA APLIKASI DETERMINAN 37
Dengan demikian akan diperoleh
1
xn×1 = Adjoint(A)bn×1 .
det(A)
Jika komponen x dan b dituliskan secara lengkap akan diperoleh

   
x1 b1
 x2  1  b2 
   
 ..  = Adjoint(A)  .. 
 .  det(A)  . 
xn bn
yakni akan diperoleh

    
x1 C11 C21 · · · Cn1 b1
 x2  1  C12 C22 · · · Cn2  b2 
    
 .. =  .. .. .. ..  .. .
 .  det(A)  . . . .  . 
xn C1n C2n · · · Cnn bn

1
x1 = det(A) (b1 C11 + b2 C21 + · · · + bn Cn1 )
1
x2 = det(A) (b1 C12 + b2 C22 + · · · + bn Cn2 )
.. .. .. .. .. .. .. .. ..
. . . . . . . . .
1
xn = det(A) (b1 C1n + b2 C2n + · · · + bn Cnn )
Untuk mempermudah pemahaman digunakan notasi berikut :
∆1 = b1 C11 + b2 C21 + · · · + bn Cn1

∆2 = b1 C12 + b2 C22 + · · · + bn Cn2
.. .. .. .. .. .. ..
. . . . . . . vdots
∆n = b1 C1n + b2 C2n + · · · + bn Cnn
Dari ekspresi di atas nampak bahwa
∆1 = det A1
dengan A1 adalah matriks yang diperoleh dari matriks A dengan mengganti kolom ke-1
dengan b, yakni  
b1 a12 · · · a1n
 b2 a22 · · · a2n 
 
A1 =  .. .. .. .. 
 . . . . 
bn an2 · · · ann
Secara analog
∆2 = det A2
dengan A2 adalah matriks yang diperoleh dari matriks A dengan mengganti kolom ke-2
a11 b1 · · · a1n
 a21 b2 · · · a2n 
 
A2 = det A2 =  .. .. .. .. 
 . . . . 
an1 bn · · · ann
dan
∆n = det An
dengan An adalah matriks yang diperoleh dari matriks A dengan mengganti kolom ke-n
a11 a12 · · · b1
 a21 a22 · · · b2 
 
An =  .. .. .. .. .
 . . . . 
an1 an2 · · · bn
Dari penjelasan di atas, akan diperoleh proposisi berikut,
Proposisi 2.4.3 Jika A invertibel, maka sistem persamaan linear An×n xn×1 = xn×1 mem-
punyai penyelesaian tunggal
det A1
x1 = det(A)
det A2
x2 = det(A)
.. ..
. .
det An
xn = det(A)
Contoh 2.4.4 Gunakan Aturan Cramer untuk menghitung solusi sistem persamaan linear
3x1 − 2x2 = 6
−5x1 + 4x2 = 8
Sistem persamaan linear di atas dapat dituliskan dengan dengan bentuk Ax = b, dengan
· ¸
3 −2
A =
· −5 ¸ 4
x1
x =
· x2¸
6
b =
8
Terlebih dahulu dihitung det(A), det A1 , dan det2 sebagai berikut:

· ¸
3 −2
det A = det = 3.4 − (−2)(−5) = 12 − 10 = 2
· −5 4¸
6 −2
det A1 = det = 6.4 − (−2)(8) = 25 + 16 = 20
· 8 4 ¸
3 6
det A2 = det = 3.8 − (6)(−5) = 24 + 30 = 27
−5 8
sehingga dengan Aturan Cramer diperoleh:

det A1
x1 = det(A) = 27
2
= 13, 5
det A2 48
x2 = det(A) = 2 = 24
1. Menjelaskan definisi determinan matriks;

2. Menjelaskan dan membuktikan sifat-sifat determinan matriks dalam kaitannya den-
gan OBE;
3. Menghitung determinan matriks menggunakan ekspansi kofaktor;
4. Menghitung invers matriks menggunakan determinan.
sebagai berikut:
1. Diberikan matriks berikut

 
8 2 1 1
 3 −4 −3 2 
A=
 4

2 0 −1 
2 3 −1 3
(a.) Carilah semua minor matriks A.

(b.) Carilah semua kofaktor matriks A.
(c.) Hitunglah determinan matriks A.
(d.) Hitunglah invers matriks A menggunakan determinannya.
2. Dengan Aturan Cramer, hitunglah penyelesaian sistem persamaan linear pada soal
nomor 3b di Bab 1.
3. Buktikan matriks berikut

 
cos θ sin θ 0
B =  − sin θ cos θ 0 
0 0 1
mempunyai invers untuk semua nilai θ kemudian carilah B −1 .
4. Buktikan jika det(A) = 1 dan semua entri A adalah bilangan bulat, maka semua entri
A−1 juga bilangan bulat.
5. Diketahui determinan matriks berikut

 
a b c
det  d e f  = −6.
g h i
Tentukan
 
d e f
(a.) det  g h i .
a b c
 
−3a −3b −3c
(b.) det  d e f .
g − 4d h − 4e i − 4f
6. Tentukan nilai k sehingga matriks berikut tidak mempunyai invers:
· ¸
k − 3 −2
(a.) A = .
−2 k − 2
 
1 2 4
(b.) A =  3 1 6 .
k 3 2
Bibliografi
41
42 BIBLIOGRAFI
Bab 3
Ruang Vektor R2 dan R3
Dalam bab ini termuat dua Pokok Bahasan yaitu Ruang Euclid dan Vektor-vektor yang
Membangun dan Bebas Linear, dengan masing-masing Sub-pokok Bahasan sebagai berikut
:
1. Ruang Euclid:
(a.) Definisi Ruang Euclid.
(b.) Operasi-operasi vektor yang berlaku di Ruang Euclid.
(c.) Hasil kali dalam pada Ruang Euclid.
(d.) Proyeksi vektor.
2. Vektor-vektor yang Membangun dan Bebas Linear
(a.) Pengertian kombinasi linear dan kaitannya dengan SPL.
(b.) Himpunan pembangun dan kaitannya dengan SPL.
(c.) Himpunan yang bebas linear dan kaitannya dengan SPL.
(d.) Basis dalam Ruang Euclid.
(e.) Definisi rank dan dimensi pada Ruang Euclid.
43
44 BAB 3. RUANG VEKTOR R2 DAN R3
3.1 Vektor dan Skalar
Dalam matematika dikenal dua besaran pokok yaitu skalar dan vektor. Bab ini akan mem-
bahas besaran vektor dan sifat-sifatnya. Vektor mempunyai ciri khas selain mempunyai
besar juga mempunyai arah. Di dalam ruang vektor R2 suatu vektor a mempunyai dua
komponen yang dinotasikan dengan
· ¸
a1
a= atau a = (a1 , a2 )t .
a2
Komponen-komponen tersebut menentukan arah vektor a. Adapun besar atau panjangnya

dinyatakan dengan notasi kak dan dicari dengan rumus
q
kak = a21 + a22 .
yang merupakan terapan Prinsip Phytagoras.
Secara analog untuk vektor-vektor di R3 dapat dinyatakan dengan

 
a1
a =  a2  atau a = (a1 , a2 , a3 )t .
a3
dan rumus jarak yang berlaku adalah
q
kak = a21 + a22 + a23 .
Contoh 3.1.1 1. Diberikan a = (−1, 2)t vektor di R2 . Panjang vektor itu adalah
p √ √
kak = (−1)2 + 22 = 1+4= 5.
2. Diberikan a = (2, 0, −3)t vektor di R3 . Panjang vektor itu adalah

p √ √
kak = 22 + 0 + (−3)2 = 4 + 9 = 13.
Untuk pembahasan selanjutnya, definisi maupun sifat-sifat yang dipelajari adalah untuk
vektor-vektor di R3 dengan pengertian bahwa vektor-vektor di R2 merupakan kejadian
khusus.
3.1. VEKTOR DAN SKALAR 45
Vektor-vektor dalam R3 maupun R2 dapat dioperasikan secara aljabar, yaitu dijum-

lahkan (dikurangkan) dan dikalikan dengan suatu bilangan real.
Untuk sebarang dua vektor di R3 yaitu a = (a1 , a2 , a3 )t dan b = (b1 , b2 , b3 )t hasil jumlah
kedua vektor tersebut adalah
     
a1 b1 a1 + b1
a + b =  a2  +  b2  =  a2 + b2  .
a3 b3 a3 + b3
Jika α suatu bilangan real sebarang, maka hasil kali α dan a adalah
   
a1 αa1
αa = α  a2  =  αa2  .
a3 αa3
Terkait dengan dua operasi tersebut, ada vektor-vektor khusus yang mempunyai sifat is-
timewa. Vektor-vektor tersebut adalah
   
a1 −a1
−a = −1  a2  =  −a2 
a3 −a3
dan  
0
0 =  0 .
0
Sifat-sifat operasi-operasi tersebut yang bisa dibuktikan ditulis dalam proposisi berikut ini.
Proposisi 3.1.2 Diberikan a, b dan c masing-masing vektor di R3 . Berlaku sifat-sifat

berikut :
(a.) a + b = b + a.
(b.) a + (−a) = 0.
(c.) a + 0 = 0 + a = a.
(d.) a + 0 = 0 + a = a.
(e.) α(a + b) = αa + αb.
(f.) (α + β)a = αa + βa.

Bukti. Bukti sifat-sifat ini menggunakan definisi operasi penjumlahan dan perkalian skalar.
Akan diberikan satu contoh, sementara bukti selebihnya diserahkan kepada pembaca.
   
a1 b1
a + b =  a2  +  b2 
a3 b3
 
a 1 + b1
=  a 2 + b2 
a 3 + b3
 
b1 + a 1
=  b2 + a 2 
b3 + a 3
   
b1 a1
=  
b2 + a2  .
b3 a3
3.2 Norma dan Jarak
Selanjutnya akan dibahas sifat-sifat vektor lebih lanjut, terutama yang terkait dengan besar
atau panjang vektor. Panjang suatu vektor, yang selanjutnya lebih dikenal dengan sebutan
norm vektor, mempunyai peranan cukup penting dalam aljabar vektor karena bermula dari
pengertian norm inilah diturunkan definisi jarak dan sudut.
Jika ada dua vektor di R3 misalnya a = (a1 , a2 , a3 )t dan b = (b1 , b2 , b3 )t , maka jarak
dua vektor tersebut adalah :
p
d(a, b) = ka − bk = (a1 − b1 )2 + (a2 − b2 )2 + (a3 − b3 )2 .
Dari definisi jarak ini bisa dilihat bahwa panjang suatu vektor pada dasarnya adalah jarak
vektor tersebut dengan vektor nol, yaitu
p q
kak = ka − 0k = (a1 − 0) + (a2 − 0) + (a3 − 0) = a21 + a22 + a23 .
2 2 2
Beberapa sifat norm suatu vektor adalah sebagai berikut.
Proposisi 3.2.1 Diberikan a, b dan c masing-masing vektor di R3 . Berlaku :

3.3. HASIL KALI TITIK DI R2 DAN R3 47
(a.) ka + bk ≤ kak + kbk.

(b.) ka − bk + kb − ck ≤ ka − ck.
3.3 Hasil Kali Titik di R2 dan R3
Ada dua cara untuk mengalikan dua buah vektor, yaitu hasil kali titik (dot product) dan
hasil kali silang (cross product). Pada subbab ini akan dibicarakan terlebih dahulu hasil
kali titik, sementara untuk hasil kali silang akan dibicarakan kemudian.
Definisi 3.3.1 Diberikan dua vektor di R2 yaitu a = (a1 , a2 )t dan b = (b1 , b2 )t . Hasil kali
titik (dot product)a dan b adalah
a · b = a1 b1 + a2 b2 .
Definisi 3.3.1 menyatakan hasil kali titik pada ruang vektor R2 . Sedangkan untuk definisi
hasil kali titik pada ruang vektor R3 diperoleh secara analog dengan menambahkan satu
komponen lagi, sebagai berikut:
a · b = a1 b1 + a2 b2 + a3 b3 ,
untuk setiap a = (a1 , a2 , a3 )t dan b = (b1 , b2 , b3 )t di R3 .
Contoh 3.3.2 1. Diberikan a = (1, −2)t dan b = (−3, 0)t . Hasil kali titik dari a dan b
adalah
a · b = 1.(−3) + (−2).0 = −3.
2. Diberikan a = (−2, 7, −3)t dan b = (3, 1, 4)t . Hasil kali titik dari a dan b adalah
a · b = (−2).3 + 7.1 + (−3).4 = −11.
Beberapa sifat yang dapat diturunkan dari definisi hasil kali titik di R2 dan R3 , seperti
tercantum dalam proposisi berikut.
Proposisi 3.3.3 Diberikan dua vektor di R2 (atau R3 ) yaitu a = (a1 , a2 )t dan b = (b1 , b2 )t .
Pernyataan-pernyataan berikut berlaku :
1. a · b = b · a.
2. a · a ≥ 0 dan a · a = 0 jika dan hanya jika a = 0.
3. (αa + βb) · c = αa · c + βb · c.
4. |a|2 = a · a.
Bukti. Bukti yang diberikan di bawah ini dilihat untuk vektor-vektor di R3 , adapun untuk
R2 merupakan kejadian khusus.
1. Ambil a, b ∈ R3 dengan a = (a1 , a2 , a3 )t dan b = (b1 , b2 , b3 )t .
a · b = a1 b1 + a2 b2 + a3 b3
= b1 a1 + b2 a2 + b3 a3
= b · a.
2. Ambil a ∈ R3 dengan a = (a1 , a2 , a3 )t .
a · a = a1 a1 + a2 a2 + a3 a3
= a21 + a22 + a23 ≥ 0
Dari perhitungan tersebut dengan mudah dapat dibuktikan bahwa a · a ≥ 0 dan

a · a = 0 jika dan hanya jika a = 0.
Untuk pernyataan-pernyataan yang lain bukti diserahkan kepada pembaca.
3.4 Sudut Antara Dua Vektor
Jika dua vektor a dan b dengan posisi masing-masing titik pangkalnya bertemu, maka akan
terbentuk sudut θ di antara dua vektor tersebut dengan 0 ≤ θ ≤ π. Kemudian dengan
3.4. SUDUT ANTARA DUA VEKTOR 49
menggunakan Aturan Cosinus diperoleh sifat berikut ini.
Proposisi 3.4.1 Jika θ adalah sudut yang terbentuk dari dua vektor tak nol a dan b, maka
a · b = kakkbk cos θ.
Bukti. Akan dihitung terlebih dahulu ka−bk2 dengan dua cara kemudian hasilnya diband-
ingkan. Pertama akan dihitung menggunakan Aturan Cosinus pada sudut segitiga yang
terbentuk dari dua vektor tersebut.
ka − bk2 = kak2 + kbk2 − 2kakkbk cos θ.
Di pihak lain dapat juga dihitung
ka − bk2 = (a − b) · (a − b)
= a·a−a·b−b·a+b·b
= kak2 − 2a · b + kbk2 .
Dari kedua perhitungan tersebut diperoleh
kak2 + kbk2 − 2kakkbk cos θ = kak2 − 2a · b + kbk2 (3.1)
kakkbk cos θ = a · b. (3.2)
Proposisi 3.4.1 menunjukkan kaitan antara sudut dua buah vektor dan hasil kali titik antara
keduanya. Kalau ditinjau kembali persamaan 3.2 akan diperoleh cara untuk menghitung
besar sudut yang terbentuk dari dua buah vektor sebagai berikut :
a·b
cos θ = . (3.3)
kakkbk
Contoh 3.4.2 Akan dicari sudut antara vektor-vektor berikut a = (−1, −2, 1)t dan b =
(2, 1, 1)t . Menggunakan Proposisi 3.4.1 dapat dihitung sudut yang terbentuk sebagai berikut
:
a·b
cos θ =
kakkbk
−1.2 + (−2).1 + 1.1
= √ √
1+4+1 4+1+1
−3
= √ √
6 6
−3 1
= =− .
6 2
2π
Untuk 0 ≤ θ ≤ π diperoleh θ = 3
= 120o .
Selanjutnya untuk mengetahui jenis-jenis sudut yang terbentuk dari dua vektor dapat dicek
dari syarat-syarat berikut :
a·b>0 ⇔ θ sudut lancip

π
a·b=0 ⇔ θ= 2
a·b<0 ⇔ θ sudut tumpul
Dua vektor dikatakan saling ortogonalatau saling tegak lurus jika sudut dua vektor tersebut
sama dengan π2 . Secara mudah dapat dibuktikan akibat berikut.
Akibat 3.4.3 Diberikan a dan b masing-masing vektor tak nol di R3 . Vektor a dan b
saling tegak lurus jika dan hanya jika a · b = 0.
Misalnya diberikan dua vektor a dan b dengan b 6= 0. Dari kondisi tersebut vektor a
dapat dinyatakan sebagai jumlahan dua vektor, yaitu
a = c1 + c2 (3.4)
dengan c1 sejajar dengan vektor b dan c2 tegak lurus dengan vektor b. Karena c1 sejajar
dengan b, maka c1 bisa dinyatakan sebagai kelipatan dari b atau dengan kata lain terdapat
skalar k sehingga
c1 = kb.
3.5. HASIL KALI SILANG DI R3 51
Dari persyaratan bahwa c2 tegak lurus dengan b dan dari persamaan 3.4 yang berarti
c2 = a − c1 , diperoleh
0 = c2 · b = (a − c1 ) · b
= (a − kb) · b = a · b − k(b · b)
= a · b − kkbk2 .
Sehingga dapat diperoleh

a·b
kkbk2 = a · b atau k = .
kbk2
Akibatnya,
a·b
c1 = kb = b
kbk2
dan vc2 dapat dicari menggunakan hubungan c2 = a − c1 . Vektor c1 disebut proyeksi a
pada b dan dinyatakan sebagai
c1 = proyb a.
Contoh 3.4.4 Akan ditentukan proyeksi vektor va = (3, −1)t pada b = (−2, 3)t . Misalnya
c1 = proyb a, maka
· ¸ · ¸ · 18
¸
a·b 3.(−1) + (−2).3 −2 −9 −2
c1 = b= = = 13
−27 .
kbk2 4+9 3 13 3 13
3.5 Hasil Kali Silang di R3
Selain hasil kali titik dua buah vektor yang hasilnya berupa skalar, ada jenis perkalian
vektor yang lain yang menghasilkan vektor pula. Hasil kali ini hanya bisa didefinisikan
pada ruang vektor R3 .
Diberikan vektor a = (a1 , a2 , a3 )t dan b = (b1 , b2 , b3 )t di R3 . Vektor

 
a2 b3 − b2 a3
a × b =  −(a1 b3 − b1 a3 )  (3.5)
a1 b2 − b1 a2
disebut hasil kali silang atau cross product vektor a dan b.
Perhatikan bahwa vektor a × b merupakan vektor yang tegak lurus baik dengan a
maupun b. Hal ini dapat dengan mudah dibuktikan.
Selanjutnya perhatikan vektor-vektor di R3 berikut ini:

     
1 0 0
   
i = 0 ,j = 1 ,k = 0 . 
0 0 1
Setiap vektor di R3 dapat dinyatakan sebagai

 
a1
 a2  = a1 i + a2 j + a3 k.
a3
Dengan demikian hasil kali silang pada 3.5 dapat dinyatakan sebagai berikut :
 
i j k
a × b = det a1  a2 a3 
b1 b2 b3
· ¸ · ¸ · ¸
a2 a3 a1 a3 a1 a2
= det i + det j + det .
b2 b3 b1 b3 b1 b2
Contoh 3.5.1 Diberikan vektor-vektor di R3 sebagai berikut a = (2, 0, 1)t dan b = (−3, 4, 1)t .
Hasil kali silang dua vektor tersebut adalah
   
i j k −4
a × b = det  2 0 1  = −4i − (−1)j + 8k =  1  .
−3 4 1 8
Dari hasil tersebut dapat dibuktikan bahwa a × b tegak lurus dengan masing-masing a dan
b.
Berikut ini akan dibahas beberapa sifat hasil kali silang.
Proposisi 3.5.2 Diberikan vektor-vektor a, b, c di R3 . Berlaku sifat-sifat berikut :
(a.) a · (b × c) = det[a, b, c].

(b.) a × 0 = 0 = 0 × a.
(c.) a × b = −(b × a).
3.6. GENERALISASI KE RN 53
(d.) (ka) × b = k(a × b) = a × (kb).
(e.) a × (b + c) = (a × b) + (a × c).
(f.) (b + c) × a = (b × a) + (c × a).
Proposisi 3.5.3 Identitas Lagrange Jika a dan b dua vektor di R3 , maka
ka × bk2 = kak2 kbk2 − (a · b)2 .
Bukti. Bukti dapat dilakukan dengan menggunakan definisi hasil kali titik dan hasil kali
silang.
Akibat dari Identitas Lagrange tersebut adalah sebagai berikut :
ka × bk2 = kak2 kbk2 − (a · b)2
= kak2 kbk2 − (kakkbk cos θ)2
= kak2 kbk2 (1 − cos2 θ)
= (kakkbk sin θ)2 ,
sehingga
ka × bk = kakkbk sin θ.
Interpretasi geometris dari fakta ini adalah hasil kali silang dua buah vektor sama dengan
luas jajarangenjang yang terbentuk dari dua vektor tersebut.
3.6 Generalisasi ke Rn
Pada bab terdahulu sudah dibahas bagaimana definisi yang berlaku di R2 dapat diperluas
ke R3 dengan menambah satu komponen pada vektor-vektornya. Dengan pengertian yang
analog, beberapa definisi di R3 dapat pula diperumum ke R4 dan seterusnya, sehingga
secara umum dapat diperoleh perumuman definisi di Rn .
Sebelum membahas lebih lanjut tentang masalah ini terlebih dahulu diberikan definisi
Rn sebagai berikut :
 
x1
 x2 
 
Rn = { ..  | xi ∈ R, i = 1, 2, . . . , n, n ∈ N}.
 . 
xn
Di dalam ruang vektor Rn suatu vektor a mempunyai n komponen yang dinotasikan dengan
 
a1
 a2 
 
a =  ..  atau a = (a1 , a2 , . . . , an )t .
 . 
an
Komponen-komponen tersebut menentukan arah vektor a. Adapun besar atau panjangnya

dinyatakan dengan notasi kak dan dicari dengan rumus
q
kak = a21 + a22 + · · · + a2n .
Seperti halnya vektor-vektor di R3 maupun R2 , vektor-vektor di Rn pun dapat di-

operasikan secara aljabar, yaitu dijumlahkan (dikurangkan) dan dikalikan dengan suatu
bilangan real.
Untuk sebarang dua vektor di Rn yaitu a = (a1 , a2 , . . . , an )t dan b = (b1 , b2 , . . . , bn )t

hasil jumlah kedua vektor tersebut adalah
     
a1 b1 a1 + b1
 a2   b2   a2 + b2 
     
a + b =  ..  +  .. = .. .
 .   .   . 
an n an + bn
¯
Jika α suatu bilangan real sebarang, maka hasil kali α dan a adalah
   
a1 αa1
 a2   αa2 
   
αa = α  ..  =  ..  .
 .   . 
an αan
Sifat operasi-operasi tersebut yang bisa dibuktikan ditulis dalam proposisi berikut ini.
3.6. GENERALISASI KE RN 55
Proposisi 3.6.1 Diberikan a, b dan c masing-masing vektor di Rn . Berlaku sifat-sifat

berikut :
(a.) a + b = b + a.
(b.) a + (−a) = 0.
(c.) a + 0 = 0 + a = a.
(d.) a + 0 = 0 + a = a.
(e.) α(a + b) = αa + αb.
(f.) (α + β)a = αa + βa.
Definisi 3.3.1 menyatakan hasil kali titik pada ruang vektor R2 . Sedangkan untuk definisi
hasil kali titik pada ruang vektor Rn diperoleh secara analog sebagai berikut:
a · b = a1 b1 + a2 b2 + · · · + an bn ,
untuk setiap a dan vb di Rn .
Contoh 3.6.2 Diberikan a = (1, −2, 0, 0, 1)t dan b = (−2, −3, 2, 0, 1)t vektor-vektor di R5 .
Hasil kali titik dari a dan b adalah
a · b = 1.(−2) + (−2)(−3) + 0 + 0 + 1.1 = 5.
Beberapa sifat yang dapat diturunkan dari definisi hasil kali titik di Rn tercantum dalam
proposisi berikut.
Proposisi 3.6.3 Diberikan dua vektor di Rn a dan b. Pernyataan-pernyataan berikut

berlaku :
1. a · b = b · a.
2. a · a ≥ 0 dan a · a = 0 jika dan hanya jika a = 0.
3. (αa + βb) · c = αa · c + βb · c.
4. |a|2 = a · a.
Selanjutnya cara untuk menghitung besar sudut yang terbentuk dari dua buah vektor di
Rn analog dengan rumus 3.3 sebagai berikut :
a·b
cos θ = . (3.6)
kakkbk
3.7 Basis dan Dimensi di Rn
Basis dan dimensi merupakan definisi yang penting dalam Rn pada umumnya. Pengertian
basis terkait erat dengan definisi-definisi berikut.
Diberikan himpunan bagian tak kosong S = {s1 , s2 , . . . , sk } di Rn . Yang dimaksud

kombinasi linier vektor-vektor di S adalah
α1 s1 + α2 s2 + . . . + αk sk
untuk suatu α1 , α2 , . . . , αk di R.
Suatu himpunan bagian di Rn , misalnya S = {s1 , s2 , . . . , sk } dikatakan membangun Rn

jika untuk setiap a di Rn dapat dinyatakan sebagai kombinasi linear vektor-vektor di S.
Atau dengan kata lain terdapat skalar αi sehingga
a = α1 s1 + α2 s2 + . . . + αk sk .
Atau sering juga dinotasikan Rn = span{S} = span{s1 , s2 , . . . , sk }.
Himpunan S tersebut dikatakan bebas linier jika untuk setiap skalar αi yang memenuhi
α1 s1 + α2 s2 + . . . + αk sk = 0
berakibat αi = 0 untuk semua αi .
Jika ada himpunan yang bebas linier sekaligus membangun, maka himpunan tersebut
disebut basis .
3.7. BASIS DAN DIMENSI DI RN 57
Untuk mengetahui apakah vektor-vektor dalam suatu himpunan bersifat bebas linier
dapat dikembalikan ke masalah mencari solusi suatu sistem persamaan linier homogen.
Selain itu, untuk mengetahui apakah himpunan vektor-vektor membangun ruang vektornya
merupakan masalah mencari solusi dari suatu sistem persamaan linier. Untuk lebih jelasnya
akan diberikan beberapa contoh berikut.
Contoh 3.7.1 Dalam ruang vektor R3 terdapat vektor-vektor

     
1 0 0
i = 0 ,j = 1 ,k = 0 
    
0 0 1
yang merupakan basis di R3 . Dua sifat yang harus dipenuhi oleh suatu basis dapat dibuk-
tikan sebagai berikut.
(a.) Sebarang a = (a1 , a2 , a3 ) di R3 selalu dapat dinyatakan sebagai

       
a1 1 0 0
a = a2 = a1 0 + a2 1 + a3 0  = a1 i + a2 j + a3 k.
      
a3 0 0 1
(b.) Jika dibentuk kombinasi linear
α1 i + α2 j + α3 k = 0
       
1 0 0 0
α1  0  + α2  1  + α3  0  =  0 
0 0 1 0
maka sama artinya dengan pernyataan berikut :
    
1 0 0 α1 0
 0 1 0   α2  =  0  . (3.7)
0 0 1 α3 0
Dengan memandang persamaan 3.7 sebagai sistem persamaan linear homogen
dan dengan fakta bahwa matriks koefisiennya invertibel, maka sistem tersebut
hanya mempunyai solusi trivial, yaitu
   
α1 0
 α2  =  0  .
α3 0
Jadi terbukti vektor-vektor i, j, k bebas linier.
Untuk selanjutnya notasi yang akan digunakan di R3 adalah
e1 = i, e2 = j, e3 = k.
Dalam kasus umum, notasi vektor kolom ei di Rn mempunyai arti suatu vektor yang en-
trinya semua 0 kecuali entri ke-i.
Contoh 3.7.2 Dalam ruang vektor R4 akan dilihat apakah vektor-vektor berikut bebas
linier.        
1 2 0 3
 2   1   1   2 
S = {  
 3 , 0
, ,
  1   2
}

0 1 2 −1
Pertama dibentuk kombinasi linier berikut :
         
1 2 0 3 0
 2   1   1   2   0 
α1    
 3  + α2  0  + α3 
  + α4 
 
= 
1 2   0 
0 1 2 −1 0
yang sama artinya dengan kondisi berikut :
    
1 2 0 3 α1 0
 2 1 1 2    
α2   0 
  = .
 3 0 1 2  α3   0 
0 1 2 −1 α4 0
Bentuk eselon baris terseduksi dari matriks koefisien sistem persamaan linier tersebut
adalah  
1 0 0 1
 0 1 0 1 
 
 0 0 1 −1 
0 0 0 0
Dari matriks tersebut terlihat bahwa tidak semua kolomnya memuat 1 utama, sehingga
kolom keempat dapat dinyatakan sebagai kombinasi linear dari kolom-kolom yang lain.
Jadi vektor-vektor penyusun matriks tersebut tidak bebas linier.
Contoh 3.7.3 Perhatikan kembali himpunan S dalam Contoh 3.7.2. Akan diselidiki apakah
 
1
 −4 
a= 
 3  ∈ span{S}.
5
3.7. BASIS DAN DIMENSI DI RN 59
Untuk menyelesaikan masalah ini sama dengan mencari skalar-skalar α1 , α2 , α3 , α4 yang

memenuhi          
1 2 0 3 1
 2   1   1    
2   −4 
α1   + α2 
 3  
 + α3   + α4  = .
0   1   2   3 
0 1 2 −1 5
Sehingga diperoleh     
1 2 0 3 α1 1
 2 1 1  
2   α2   −4 
 = 
 3 0 1 2   α3   3 .
0 1 2 −1 α4 5
Sudah disebutkan pada Contoh 3.7.2 bahwa bentuk eselon baris terseduksi dari matriks
koefisien sistem persamaan linier tersebut adalah
 
1 0 0 1
 0 1 0 1 
 .
 0 0 1 −1 
0 0 0 0
Akibatnya terhadap sistem persamaan linier yang terkait adalah sistem tersebut mempunyai
solusi yang tak hingga banyak. Kesimpulannya a ∈ span{S}.
Pengertian membangun dan bebas linier juga bisa diterapkan pada suatu himpunan
bagian Rn yang disebut ruang bagian. Definisinya adalah sebagai berikut.
Definisi 3.7.4 Himpunan bagian tak kosong T di Rn disebut ruang bagian jika memenuhi:
(a.) untuk setiap t, s ∈ T berlaku t + s ∈ T ;

(b.) untuk setiap t ∈ T dan α ∈ R berlaku αt ∈ T .
Contoh 3.7.5 Diberikan himpunan bagian di R3 berikut
S = {(s, 0, 0)t | s ∈ R}.
Dapat dengan mudah ditunjukkan bahwa S merupakan ruang bagian R3 .
Terhadap sebarang ruang bagian T di Rn pengertian basis analog dengan pengertian basis
pada ruang vektor Rn .
1. Menjelaskan pengertian Ruang Euclid sebagai perumuman ruang geometri berdimensi

2 dan 3.
2. Menjelaskan dan menggunakan operasi-operasi vektor dalam Ruang Euclid;
3. Membuktikan sifat-sifat operasi vektor dalam Ruang Euclid;
4. Menjelaskan dan menghitung hasil kali dalam pada Ruang Euclid;
5. Membuktikan sifat-sifat hasil kali dalam pada Ruang Euclid.
6. Menghitung dan menggunakan proyeksi suatu vektor pada vector lain;
7. Menjelaskan pengertian kombinasi linear vektor-vektor dalam suatu Ruang Euclid;
8. Menjelaskan dan membuktikan sifat-sifat kombinasi linear vektor-vektor dalam suatu

Ruang Euclid;
9. Menjelaskan pengertian vektor-vektor pembangun dalam suatu Ruang Euclid;
10. Menjelaskan dan membuktikan sifat-sifat vektor-vektor pembangun dalam suatu Ru-
ang Euclid;
11. Menjelaskan pengertian vektor-vektor bebas linear dalam suatu Ruang Euclid;
12. Menjelaskan dan membuktikan sifat-sifat vektor-vektor bebas linear dalam suatu Ru-
ang Euclid;
13. Menjelaskan pengertian basis dan dimensi dalam Ruang Euclid;
14. Menjelaskan dan membuktikan sifat-sifat basis dalam suatu Ruang Euclid.
sebagai berikut:
1. Diberikan vektor-vektor di R4 berikut ini :

     
1 2 3
 −2   0   
u=   ,w =  7 
 1  , v =  −3   −4 
−1 −4 2
(a.) Hitunglah besar vektor u.

(b.) Hitunglah jarak vektor v dan w.
(c.) Hitunglah u · w.
2. Buktikan jika u, v, w masing-masing adalah vektor di Rn dan k sebarang skalar, maka
(a.) u · (kv) = k(u · v).

(b.) u · (v + w) = u · v + u · w.
3. Tentukan apakah vektor-vektor di R3 berikut

     
0 1 5
u =  2  , v =  3  , w =  −0 
−2 −3 1
(a.) membangun R3 ;
(b.) bebas linear.
4. Dalam ruang vektor R5 didefinisikan himpunan bagian :

 
u1
T := {u ∈ R5 | u =  u1 + u2 }.
2u2
Selidiki apakah T subruang di R3 .

5. Diberikan vektor-vektor u = (−3, 1, 2), v = (4, 0, −8) dan w = (6, −1, −4).
(a.) Tentukan komponen-komponen 6u + 2v.

(b.) k3v − 2w + 5uk.
(c.) Tentukan skalar-skalar c1 , c2 dan c3 sehingga
c1 u + c2 v + c3 w = (2, 0, 4).
6. Buktikan bahwa jika v ortogonal dengan w1 dan w2 , maka v ortogonal dengan k1 w1 +

k2 w2 untuk setiap skalar k1 dan k2 .
7. Diketahui S adalah himpunan semua kombinasi linear vektor-vektor v1 , v2 , . . . , vk

di ruang Euclid Rn dan T adalah himpunan semua kombinasi linear vektor-vektor
v1 , v2 , . . . , cvk dengan c ∈ R skalar tak nol. Buktikan S = T .
8. Diketahui S = {v1 , v2 , . . . , vn } adalah himpunan vektor-vektor tak nol di Rn yang

saling tegak lurus. Buktikan vektor-vektor tersebut bebas linear.
9. Diberikan S dan T himpunan-himpunan bagian tak kosong di Rn . Didefinisikan

S + T = {s + t | s ∈ S, t ∈ T }. Jika S = Span(u1 , u2 , . . . , uk ) dan T = Span(v1 , v2 ,
. . . , vt ), buktikan
S + T = Span(u1 , u2 , . . . , uk , v1 , v2 , . . . , vt ).
Bibliografi
63
64 BIBLIOGRAFI
Bab 4
Transformasi Linear
Dalam bab ini termuat Pokok Bahasan Transformasi Linear dengan Sub-pokok Bahasan
sebagai berikut :
(a.) Definisi transformasi linear dan contoh-contohnya.

(b.) Beberapa sifat transformasi linear.
(c.) Matriks yang mewakili transformasi linear.
Materi-materi dalam bab ini disampaikan dalam sekali perkuliahan.
4.1 Latar Belakang
Jika A adalah matriks berukuran 2 × 3 dengan komponen-komponen bilangan real, maka

untuk setiap x di R3 hasil perkalian A dengan x yaitu Ax akan berada di R3 . Jadi dapat
disimpulkan bahwa untuk setiap x ∈ R3 , terdapat dengan tunggal b ∈ R2 sedemikian
hingga b2×1 = A2×3 x3×1 . Dari kenyataan tersebut disimpulkan bahwa dari matriks A2×3
dapat didefinisikan fungsi atau pemetaan berikut
T : R3 → R2
dengan defisini T (x) = A2×3 x3×1 , untuk setiap x3×1 ∈ R3 .
65
66 BAB 4. TRANSFORMASI LINEAR
Selain itu mengingat

A(x + y) = Ax + Ay
dan
A(αx) = αA(x)
∀x, y ∈ R3 dan ∀α ∈ R. Sifat tersebut dapat ditulis dengan fungsi T sebagai berikut:
∀x, y ∈ R3 dan ∀α ∈ R berlaku
T (x + y) = T (x) + T (y)
dan
T (αx) = αT (x).
Sifat itu dapat diinterpretasikan bahwa T mempunyai sifat:
1. Peta dari jumlah dua buah vektor di R3 sama dengan jumlah dari masing-masing
petanya.
2. Peta dari hasil kali sebarang skalar dengan sebarang vektor di R3 sama dengan skalar
kali peta vektor tersebut.
Artinya T mengawetkan hasil operasi penjumlahan pada R3 ke penjumlahan pada R2 dan

T mengawetkan hasil operasi pergandaan skalar dengan vektor pada R3 ke pergandaan
skalar dengan vektor di R2 . Pada bab ini akan dibahas suatu fungsi atau pemetaan yang
mempunyai sifat-sifat tersebut.
4.2 Transformasi Linear dari Rn ke Rm
Definisi 4.2.1 Fungsi T : Rn → Rm disebut transformasi linear jika ∀x, y ∈ R3 dan ∀α ∈ R

berlaku
1. T (x + y) = T (x) + T (y)
4.2. TRANSFORMASI LINEAR DARI RN KE RM 67
2. T (αx) = αT (x).
Dari definisi tersebut dan uraian pada latar belakang di atas, dapat disimpulkan bahwa
setiap matriks Am×n = [aij ] dengan komponen-komponen bilangan real akan mendefinisikan
transformasi linear T dari ruang vektor Rn ke ruang vektor Rm :
T : Rn → Rm
dengan definisi
T (x) = Ax
untuk semua x ∈ Rn .
     
1 −3 · ¸ 3 3
  2   
Contoh 4.2.2 Misalkan A = 3 5 , u = , b = 2 , dan c = 2 ,
−1
−1 7 −5 5
dan didefinisikan transformasi linear
T : R2 → R3
dengan definisi
  
1 −3 · ¸ x1 − 3x2
x1
T (x) = Ax =  3 5  =  3x1 + 5x2 
x2
−1 7 −x1 + 7x2
untuk semua x ∈ R2 .
1. Tentukan nilai dari T (u)
2. Tentukan x ∈ R2 yang petanya oleh T sama dengan vektor b
3. Apakah ada lebih dari satu x yang petanya oleh T samadengan b?
4. Apakah c berada dalam Im(T )?

Contoh 4.2.3 Tunjukkan bahwa pemetaan T : R4 → R2 , dengan definisi

 
x1 · ¸
 x2  x1 + x2 − x3
T  =
x3  x1 − x2 + x4
x4
 
x1
 x2 
untuk setiap   4
 x3  ∈ R merupakan transformasi linear.
x4
Pada proposisi berikut akan ditunjukkan bahwa jika T merupakan transformasi linear dari
Rn ke ruang vektor Rm , maka T tidak hanya mengawetkan operasi penjumlahan dan
perkalian skalar dengan vektor, tetapi juga mengawetkan vektor nol, mengawetkan negatif
dari vektor, serta mengawetkan kombinasi linear.
Proposisi 4.2.4 Jika pemetaan T : Rn → Rm merupakan transformasi linear, maka
1. T (ORn ) = ORm
2. T (−x) = −T (x)
3. T (αx + βy) = αT (x) + βT (y)
untuk semua x, y ∈ Rn dan α, β ∈ R. Selanjutnya dapat dibuat himpunan semua elemen

dalam x ∈ Rn yang oleh T dipetakan ke ORm , yang disebut dengan kernelT yaitu
Ker(T ) = {x ∈ Rn | T (x) = ORm }.
Selain itu juga dapat dibentuk Im(T ) yakni himpunan semua elemen y ∈ Rm yang mem-
punyai kawan di Rn , yakni
Im(T ) = {y ∈ Rm | (∃x ∈ Rn )T (x) = y}.
Dari sifat T (ORn ) = ORm jelas bahwa Ker(T ) 6= ∅ sebab ORn ∈ Ker(T ) dan Im(T ) 6= ∅
sebab ORm ∈ Im(T ).
4.3. RUANG NOL, RUANG BARIS DAN RUANG KOLOM 69
Proposisi 4.2.5 Jika pemetaan T : Rn → Rm merupakan transformasi linear, maka
1. Ker(T ) merupakan subruang di Rn ;
2. Im(T ) merupakan subruang di Rm .
4.3 Ruang Nol, Ruang Baris dan Ruang Kolom
Perhatikan bahwa jika Am×n = [aij ] dengan komponen-komponen bilangan real dan didefin-
isikan transformasi linear T dari ruang vektor Rn ke ruang vektor Rm sebagai berikut
T : Rn → Rm
dengan definisi
T (x) = Ax
untuk semua x ∈ Rn , maka
(a.) Kernel(T ) tidak lain adalah himpunan semua x ∈ Rn yang memenuhi Ax =

0, jadi Kernel(T ) merupakan himpunan semua penyelesaian sistem persamaan
linear homogen Ax = 0. Selanjutnya KernelT disebut Ruang Nol A. Ax = 0
(b.) Image(T ) tidak lain adalah himpunan semua Ax dengan x ∈ Rn . Mengingat
  
a11 a12 · · · a13 x1
 a21 a22 · · · a23   
   x2 
Ax =  .. .. .. ..   .. 
 . . . .  . 
am1 am2 · · · amn xn
sehingga akan diperoleh
 
a11 x1 + a12 x2 + · · · + a13 xn
 a21 x1 + a22 x2 + · · · + a23 xn 
 
Ax =  .. 
 . 
am1 x1 +am2 x2+ · · · +amn xn  
a11 a12 a1n
 a21   a22   a2n 
     
= x1  ..  + x2  ..  + · · · + xn  .. 
 .   .   . 
am1 am2 amn
= x1 K1 (A) + x2 K2 (A) + · · · + xn Kn (A)
dimana Ki menotasikan kolom ke-i dari matriks A. Jadi nampak bahwa Image(A)
tidak lain adalah himpunan semua kombinasi linear dari kolom-kolom matriks
A, sehingga sering disebut sebagai Ruang Kolom matriks A yang dinotasikan
dengan RK(A) yang tidak lain adalah himpunan
RK(A) = {x1 K1 (A) + x2 K2 (A) + · · · + xn Kn (A) | x1 , x2 , · · · , xn ∈ R}
(c.) Dengan cara yang sama kita dapat menghimpun semua kombinasi linear dari
semua baris-baris matriks A yakni himpunan
RB(A) = {y1 B1 (A) + y2 B2 (A) + · · · + yn Bm (A) | y1 , y2 , · · · , ym ∈ R}

T
yang tidak lain adalah himpunan semua y1×m Am×n dengan y1×m ∈ Rm
Berikut akan dibicarakan basis dari masing-masing subruang di atas dan teknik menghi-
tung basis dan dimensinya. Salah satu hal penting dari ruang kolom dan ruang baris suatu
matriks adalah mereka tidak berubah pada saat dilakukan operasi kolom atau operasi baris.
Hal tersebut dituangkapkan dalam lemma berikut:
Lemma 4.3.1 Misalkan A adalah suatu matriks berukuran m × n atas R.
1. Jika dengan menggunakan serangkaian operasi baris elementer A → B maka RB(A) =

RB(B).
2. Jika dengan menggunakan serangkaian operasi kolom elementer A → C maka RK(A) =

RK(C).
Dengan Lemma 4.3.1 dapat disimpulkan basis dari RB(A) sama dengan basis dari RB(B)
dan basis dari RK(A) sama dengan basis dari RK(B). Dengan demikian dimensi dari
RB(A) sama dengan dimensi dari RB(B), dan dimensi dari RK(A) sama dengan dimensi
dari RK(B).
Contoh 4.3.2 Tentukan basis dari ruang
U = span{[1 1 − 2 4], [2 5 4 − 2], [1 7 14 − 16]}

4.3. RUANG NOL, RUANG BARIS DAN RUANG KOLOM 71
Nampak bahwa U tidak lain adalah RB(A) dengan matiks A adalah matriks
 
1 1 −2 4
 2 5 4 −2  .
1 7 14 −16
Dengan menggunakan operasi baris elementer akan diperoleh
   
1 1 −2 4 1 1 −2 4
 2 5 4 −2  ∼  0 3 8 −10  ∼
1 7 14 −16 0 6 16 −20
   
1 1 −2 4 1 1 −2 4
 0 3 8 −10  ∼  0 1 8 −10 
3 3
0 0 0 0 0 0 0 0
dari sini akan diperoleh bahwa himpunan
8 −10
{[1 1 − 2 4], [0 1 ]
3 3
merupakan basis dari RB(A) = U .
Contoh 4.3.3 Hitung basis dan dimensi ruang nol matriks berikut
 
1 −2 1 1

A = −1 2 0 1 .
2 −4 1 0
Jika X berada di ruang nol A maka X adalah solusi Sistem Persamaan Linear Homogem
AX = 0, dengan demikian X dapat diperoleh dengan menyelesaikan sistem persamaam
linear homogem AX = 0 yakni dengan menggunakan eliminasi Gauss.
   
1 −2 1 1 1 −2 1 1
A =  −1 2 0 1  ∼  0 0 1 2 ∼
2 −4 1 0 0 0 −1 −2
 
1 −2 0 −1
 0 0 1 2 
0 0 0 0
1x1 − 2x2 + 0x3 − 1x4 = 0

0x1 + 0x2 + 1x3 + 2x4 = 0
dengan mendefinisikan parameter-parameter x2 = s dan x4 = t, maka akan diperoleh
x1 = 2s + t
dan
x3 = −2t
dengan demikian akan diperoleh

     
2s + t 2 1
 s   1   
X=    + t 0 .
 −2t  = s  0   0 
t 0 −2
   
2 1
 1   
Jadi X berada pada span{X1 , X2 } dengan X1 =   dan X2 =  0 . Dan dapat
 0   0 
0 −2
ditunjukkan bahwa {X1 , X2 } bebas linear, jadi {X1 , X2 } adalah basis dari Ruang Nol (A),
sehingga sekaligus dapat disimpulkan bahawa dimensi dari Ruang Nol A adalah 2. Secara
umum dapat ditunjukan teorema berikut yang menunjukkan hubungan antara dimensi
image A dan dimensi ruang nol A.
Proposisi 4.3.4 Jika A adalah matriks berukuran m × n maka
dimensi (imageA) + dimensi (RuangN olA) = n
4.4 Matriks Representasi Transformasi Linear
Sudah dibahas bahwa setiap transformasi linear Am×n akan mendefinikasn transformasi
linear dari Rn → Rm . Pertanyaan adalah apakah sebaliknya juga berlaku, yakni apakah
setiap transformasi linear dari Rn → Rm menentukan sutau matriks berukuran m × n
atas R? Untuk menjawab pertanyaan itu, mari kita lihat pertanyaan berikut pada contoh
berikut:
4.4. MATRIKS REPRESENTASI TRANSFORMASI LINEAR 73
¸ · ¸ ·
1 0
Contoh 4.4.1 Sudah diketahui bahwa B = {e1 = , e2 = } merupakan basis
0 1
dari R2 . Pertanyaannya adalah bisakah dibuat transformasi linear
T : R2 → R3
   
5 −3
sedemikian hingga T (e1 ) =  −7  , T (e2 ) =  8 .
2 0
· ¸
x1
Mengingat setiap x = ∈ R2 dapat dinyatakan dengan
x2
x = x1 e 1 + x2 e 2
Selanjutnya, mengingat T transformasi linear maka dia mengawetkan kombinasi linear,

sehingga diperoleh
T (x) = T (x1 e1 + x2 e2 )
= x1 T(e1 ) +x2 T (e
2) 
5 −3
= x1  −7  + x2  8 
 2  0
5x1 − 3x2
=  −7x1 + 8x2  .
2x1 + 0x2
Nampak bahwa T (x) dapat diekspresikan dalam bentuk matriks sebagai berikut:
 
5 3 · ¸
x
T (x) =  −7 8  1
= Ax
x2
2 0
Kolom pertama dari matriks A adalah T (e1 ) dan kolom kedua dari matriks A adalah T (e2 ).
Sehingga ekspresi di atas dapat dinyatakan sebagai berikut:
· ¸
£ ¤ x1
T (x) = T (e1 ) T (e2 ) = Ax
x2
Pembahasan pada contoh diatas menunjukkan sifat yang dinyatakan pada proposisi berikut:
Proposisi 4.4.2 Jika T : Rn → Rm adalah transformasi linear, maka terdapat dengan

tunggal matriks A sedemikian hingga
T (x) = Ax, ∀x ∈ Rn
Ambil sebarang x di Rn Rn , maka x dapat dinyatakan secara tunggal
x = x1 e1 + x2 e2 + · · · + xn en
     
1 0 0
 0   1   0 
     
dengan B = {e1 =  ..  , e2 =  ..  , · · · , en =  .. }. Dengan sifat mengawetkan
 .   .   . 
0 0 1
kelinearan transformasi linear T diperoleh:
T (x) = T (x1 e1 + x2 e2 + · · · + xn en )
= x1 T (e1 ) + x2 T (e2 ) + · · · + xn T(en ) 
x1
£ ¤ x2


= T (e1 ) T (e2 ) · · · T (en )  ..  = Ax
 . 
xn
Pembaca diminta untuk membuktikan ketunggalan matriks tersebut. Selanjutnya matriks
£ ¤
A= T (e1 ) T (e2 ) · · · T (en )
disebut Matriks Standar Transformasi Linaer T .
Contoh 4.4.3 Tentukan matriks standar transformasi linear T : R2 → R2 dengan definisi

T (x) = 3x, ∀x ∈ R2 .
Terlebih dahulu dihitung T (e1 ) dan T (e2 )

¸ ·
3
T (e1 ) = 3e1 =
· 0 ¸
0
T (e2 ) = 3e2 =
3
dengan demikian diperoleh
· ¸
£ ¤ 3 0
A= T (e1 ) T (e2 ) =
0 3
Contoh 4.4.4 Tentukan matriks standar transformasi linear T : R2 → R3 dengan definisi

 
· ¸ 3x1 + x2
x1
T =  5x1 + 7x2 
x2
x1 + 3x2
· ¸
x1
∀ ∈ R2 .
x2
4.5. BEBERAPA JENIS TRANSFORMASI LINEAR 75
Matriks standar transformasi linear T tidak lain adalah matriks berukuran 3 × 2 dengan
kolom-kolomnya adalah T (e1 ) dan T (e2 ), yakni

£ ¤ 3 1
A = T (e1 ) T (e2 ) =  5 7 
1 3
nampak jelas bahwa T (x) = Ax untuk semua x ∈ R2 .
4.5 Beberapa Jenis Transformasi Linear
Pada bagian ini akan dibicarakan beberapa jenis transformasi linear dan ciri-ciri yang
terkait dengan matriks standarnya. Seperti diketahui bahwa jika T : Rn → Rm adalah
suatu pemetaan maka tidak harus semua elemen di Rm punya kawan di Rn . Jika y ∈ Rm
mempunyai kawan di Rm maka kawannya tunggal. Dari hal tersebut dapat didefinisikan
pengertian transformasi linear onto (pada atau surjektif) dan transformasi linear satu-satu
(injektif) seperti disajikan dalam definisi sebagai berikut:
Definisi 4.5.1 Misalkan T : Rn → Rm adalah suatu transformasi linear
1. T disebut transformasi linear pada (onto atau surjektif ) jika untuk setiap eleman di
Rm mempunyai kawan di Rn , yakni
(∀y ∈ Rm )(∃x ∈ Rn )T (x) = y
2. T disebut transformasi linear satu-satu (injektif ) jika untuk setiap eleman di Rm

bilaman mempunyai kawan di Rn , maka kawannya tunggal, yakni
(∀x1 , x2 ∈ Rn )(T (x1 ) = T (x2 ) ⇒ x1 = x2 )
Berikut ini adalah suatu sifat yang memberikan ciri-ciiri transformasi linear bersifat onto,
dan transformasi linear bersifat satu-satu.
Proposisi 4.5.2 Misalkan T : Rn → Rm transformasi linear dan A adalah matriks standar

transformasi linear T maka
1. T merupakan pemetaan surjektif jika dan hanya jika kolom-kolom A membangun Rn ,

yakni RK(A) = Rn .
2. T merupakan pemetaan surjektif jika dan hanya jika setiap y ∈ Rm dapat dinyatakan
sebagai kombinasi linear kolom-kolom A.
3. T merupakan pemetaan injektif jika dan hanya jika T (x) = 0 hanya mempunyai
penyelesaian trivial
4. T merupakan pemetaan injektif jika dan hanya jika kolom-kolom dari A bebas linear.
1. Menjelaskan definisi transformasi linear;
2. Menjelaskan dan membuktikan sifat-sifat transformasi linear;
3. Menghitung matriks representasi suatu transformasi linear.
sebagai berikut:
     
1 1 1
3
1. Diberikan basis dalam R sebagai berikut {u =  
1 ,v =  
1 ,w =  0 }.
1 0 0
Kemudian diketahui T : R3 → R3 adalah transformasi linear yang memenuhi
     
2 3 −1
T (u) =  −1  , T (v) =  0  , T (u) =  5  .
4 1 1
  
x1 x1
(a.) Tentukan rumus umum untuk T ( x2 ) untuk sebarang  x2  ∈ R3 .
x3 x3
 
3
(b.) Gunakan hasil pada (a) untuk menentukan T ( −2 ).
4
2. Diberikan transformasi linear T : R3 → R3 yang diwakili oleh matriks
 
1 3 4
 3 4 7 .
−2 2 0
(a.) Carilah KerT .
(b.) Carilah ImT .
3. Diberikan transformasi linear T yang diwakili oleh matriks

 
1 4 5 0 9
 3 −2 1 0 −1 
 .
 −1 0 −1 0 −1 
2 3 5 1 8
Carilah rank dan nulitas T .
4. Diberikan transformasi linear T : Rn → Rm dan {v1 , v2 , . . . , vn } adalah basis di
Rn . Jika T merupakan pemetaan yang surjektif, buktikan {T (v1 ), T (v2 ), . . . , T (vn )}
adalah basis di Rm .
5. Diberikan transformasi linear berikut
   
x x − y + 2z
T  y  =  2x + 3y − z  .
z −x + 2y − 2z
(a.) Tentukan vektor-vektor di R3 yang dipetakan ke vektor 0 oleh T .

(b.) Diberikan vektor  
7
w =  −6  .
−9
Tentukan apakah ada vektor v ∈ R3 sehingga T (v) = w.
6. Diberikan matriks A berukuran m × n atas lapangan F . Selanjutnya didefinisikan

transformasi linear berikut τA : F n → F m dengan aturan perkawanan τA (x) = Ax
untuk setiap x ∈ F n . Buktikan:
(a.) τA injektif jika dan hanya jika rk(A) = n;
(b.) τA surjektif jika dan hanya jika rk(A) = m.
7. Diberikan matriks A berukuran m × n dan matriks B berukuran m × k. Selanjutnya

R(A) dan R(B) berturut-turut menyatakan range A dan range B. Sementara N (A)
dan N (B) berturut-turut menyatakan ruang null A dan ruang null B. Jelaskan
mengapa
dim N (A|B) = dim N (A) + dim N (B) + dim (R(A) ∩ R(B)).

Bibliografi
79
80 BIBLIOGRAFI
Bab 5
Nilai Eigen dan Vektor Eigen
Dalam bab ini termuat Pokok Bahasan Transformasi Linear dengan Sub-pokok Bahasan
vektor karakteristik, nilai karakteristik dan diagonalisasi.
Materi dalam bab ini disampaikan dalam sekali pertemuan.
5.1 Latar Belakang
Sudah diketahui bahwa jika A adalah matriks bujur sangkar bertipe n×n dengan komponen-
komponennya adalah bilangan real dan 0 adalah vektor nol pada ruang Euclid Rn , maka
akan berlaku
A(0) = 0
yakni terdapat skalar 1 6= 0 sedemikian hingga A(0) = 1.0. Hal itu berakibat bahwa A(0)
dapat dinyatakan sebagai kelipatan dari 0. Hal ini menimbulkan pertanyaan apakah hal
tersebut berlaku juga untuk sebarang vektor tak nol di Rn ? Hal ini jelas tidak berlaku,
sebagai contoh, jika diambil matriks A berikut
µ ¶
1 6
A=
5 2
81
82 BAB 5. NILAI EIGEN DAN VEKTOR EIGEN
µ ¶
3
maka untuk vektor v = tidak ada skalar λ yang memenuhi A(v) = λ.v, sebab
µ ¶ µ ¶ −2
−9 3
Av = 6= λ
11 −2 µ ¶
6
Sementara itu untuk vektor u = untuk λ = −4 akan diperoleh Au = −4u
−5
Dari kenyataan tersebut berikut ini akan didefinisikan pengertian nilai eigen, vektor eigen
dan ruang eigen serta beberapa contoh manfaatnya.
5.2 Nilai Eigen, Vektor Eigen dan Ruang Eigen
Definisi 5.2.1 Misalkan A adalah suatu matriks bujur sangkar bertipe n × n.
(a.) Skalar λ disebut nilai eigen matriks A jika terdapat vektor tak nol v di Rn yang
memenuhi
A(v) = λ.v.
(b.) Selanjutnya, jika λ merpakan nilai eigen matriks A, maka vektor v di Rn yang
memenuhi
A(v) = λ.v.
dsebut Vektor Eigen matriks A yang berkorespondensi dengan nilai eigen λ.
Dari definisi di atas dapat disimpulkan beberapa hal berikut. Syarat agar skalar λ
merupakan nilai eigen matriks A adalah terdapat vektor tak nol v di Rn yang memenuhi
A(v) = λ.v.
Hal ini ekuivalen dengan mengatakan bahwa skalar λ merupakan nilai eigen matriks A jika
ada vektor tak nol v di Rn yang memenuhi
A(v) = λ.I.v.
atau ada vektor tak nol v di Rn yang memenuhi
A(v) − λ.I.v. = 0
5.2. NILAI EIGEN, VEKTOR EIGEN DAN RUANG EIGEN 83
yang ekivalen dengan mengatakan bahwa λ merupakan nilai eigen matriks A jika ada vektor
tak nol v di Rn yang memenuhi λ merupakan nilai eigen matriks A jika ada vektor tak nol
v di Rn yang memenuhi
(A − λ.I).v. = 0
hal ini bermakna bahwa syarat perlu dan cukup agar λ merupakan nilai eigen matriks A
adalah Sistem Persamaan Linear Homogen pada persamaan terakhir di atas mempunyai
solusi Non Trivial. Dari pembahasan pada Bab I, diperoleh sifat sebagai berikut:
Proposisi 5.2.2 Skalar λ merupakan nilai eigen matriks A jika dan hanya jika det(A −
λI) = 0.
Mengingat det(A − λI) merupakan polinomial berderajat n maka dapat disimpulkan

bahwa λ merupakan nilai eigen matriks A jika dan hanya jika λ merupakan akar dari
persamaan det(A − λI) = 0. Selanjutnya sukubanyak det(A − λI) disebut sukubanyak
karakteristik matriks A dan dituliskan dengan notasi cA (λ).
Untuk suatu nilai eigen λ dari matriks A, dapat dihimpun semua vektor eigen dari
matriks A yang dinotasikan dengan
E(λ) = {v ∈ Rn | A(v) = λ.I.v.}.
Jadi E(λ) tidak lain adalah himpunan solusi sistem persamaan linear homogen A−λ.I).v. =
0, dengan menggunakan syarat perlu dan cukup suatu subruang, dapat ditunjukan bahwa
E(λ) merupakan subruang dalam Rn .
Contoh 5.2.3 Untuk matriks

µ ¶
5 −2
A=
4 −1
dapat dihitung nilai eigen dari matriks A dengan langkah sebagai berikut:
(a.) Hitung polinomial karakteristik matriks A yakni
cA (λ) = det(A − λI)

µ ¶
5−λ −2
= det( )
4 −1 − λ
= (5 − λ)(−1 − λ) − (−2)(4).
Sehingga diperoleh cA (λ) = λ2 − 4λ + 3.

(b.) Hitung akar-akar dari polinomial karakteristik matriks A, yakni λ yang memenuhi
cA (λ) = λ2 − 4λ + 3 = 0. Diperoleh dua nilai karakteristik A yakni λ1 = 3 dan
λ2 = 1.
Selanjutnya untuk nilai-nilai karakteristik tersebut akan dapat dihitung vektor-vektor karak-
teristiknya, sebagai berikut:
(a.) Untuk λ1 = 3, akan diperoleh
E(λ1 ) = {v ∈ R2 | A(v) = λ1 .I.v.}.
(b.) Sedangkan λ2 = 1 akan diperoleh
Contoh 5.2.4 Dapat ditunjukan bahwa matriks A3×3 berikut

 
4 −1 6
A=  2 1 6 
2 −1 8
mempunyai λ = 2 sebagai salah satu nilai eigennya. Dan dapat dihitung bahwa penyelesaian
umum sistem persamaan homogen (A − 2I)v = 0 dapat dinyatakan sebagai
   
1 −3
v = t 2  + s 0 
0 1
dengan demikian Ruang Eigen Matriks A yang berkorespondensi dengan λ = 2 dapat
dinyatakan dengan    
1 −3
E(λ1 ) = {t  2  + s  0  | t, s ∈ R}.
0 1
5.3. CONTOH KEGUNAAN NILAI EIGEN, VEKTOR EIGEN DAN RUANG EIGEN85
Pada teorema berikut disajikan sifat-sifat yang dapat dipakai untuk menghitung nilai eigen
dari suatu matriks dengan lebih mudah, dan njuga suatub teorema yang akan dipakai untuk
menunjukkan salah satu kegunaan dari nilai eigen dan vektor eigen.
Proposisi 5.2.5 Nilai eigen dari matriks diagonal adalah elemen-elemen dari diagonal
utamanya.
Bukti
Tanpa mengurangi keumuman bukti, untuk menyederhanakan akan dibuktikan untuk ma-
triks diagonal berukuran 3 × 3. Jika A adalah matriks diagonal berukuran 3 × 3, maka
A − λI mempunyai bentuk
   
a11 a12 a13 λ 0 0
A − λI =  0 a22 a23  −  0 λ 0 
0 0 a33 0 0 λ
sehingga akan diperoleh

 
a11 − λ a12 a13
det(A − λI) = det( 0 a22 − λ a23  = (a11 − λ)(a22 − λ)(a33 − λ)
0 0 a33 − λ
dengan demikian diperleh nilai eigen dari A adalah λ1 = a1 1, λ2 = a2 2, dan λ3 = a3 3
Proposisi 5.2.6 Jika v1 , v2 , · · · , vr adalah vektor eigen-vektor eigen dari nilai eigen -
nilai eigen yang berbeda λ1 , λ2 , · · · , λr , maka himpunan {v1 , v2 , · · · , vr } bebas linear.
5.3 Contoh Kegunaan Nilai Eigen, Vektor Eigen dan

Ruang Eigen
µ ¶
5 0
Jika D = , maka dengan mudah dapat dihitung
0 3
µ ¶µ ¶ µ ¶
2 5 0 5 0 52 0
D = =
0 3 0 3 0 32
dan
µ ¶µ ¶ µ ¶
3 5 0 52 0 53 0
D = =
0 3 0 32 0 33
secara umum akan diperoleh
µ ¶
k 5k 0
D =
0 3k
untuk sebarang bilangan bulat positif k.
Jika A = P DP −1 dengan P matriks invertibel dan D matriks diagonal akan diperoleh
A2 = (P DP −1 )(P DP −1 ) = P D(P −1 P )DP −1 = P D(I)DP −1 ) = P DDP −1 ) = P D2 P −1 )
secara umum akan diperoleh

Ak = P Dk P −1
nampak bahwa jika A = P DP −1 maka penghitungan Ak juga akan mudah. Matriks A

dengan sifat A = P DP −1 untuk suatu matriks invertibel P disebut dengan matriks yang
dapat didiagonalkan (diagonalizable matrix). Pada bagian berikut akan ditunjukkan salah
satu manfaatn dari vektor eigen suatu matriks untuk mengidentifikasi apakah suatu ma-
triks dapat didiagonalkan atau tidak.
Proposisi 5.3.1 (i) Matriks bertipe n × n dapat didiagonalkan jika dan hanya jika A
mempunyai n vektor eigen yang bebas linear.
(ii) Matriks A = P DP −1 dengan D matriks diagonal jika dan hanya jika kolom-kolom P
adalah vektor eigen vektor eigen yang bebas linaer dari A.
(iii) Matriks A dapat didiagonalkan jika dan hanya jika terdapat basis Rn yang anggota-
anggotanya merupakan vektor-vektor eigen A.
Bukti. Misalkan P adalah matriks yang kolom-kolomnya adalah {v1 , v2 , · · · , vn }, dan mis-
alkan λ1 , λ2 , · · · , λn adalah unsur-unsur diagonal matriks D, maka
AP = A[v1 , v2 , · · · , vn ] = [Av1 , Av2 , · · · , Avn ]

sementara itu akan dipunyai

 
λ 0 ··· 0
 0 λ ··· 0 
 
PD = P  .... ..  = [λ1 v1 , λ2 v2 , · · · , λn vn ]
 . . ··· . 
0 0 ··· λ
Jika A = P DP −1 yang ekuivalen dengan mangatakan AP = P D, maka akan diperolah

persamaan
[Av1 , Av2 , · · · , Avn ] = [λ1 v1 , λ2 v2 , · · · , λn vn ]
yang berarti
Av1 = λ1 v1 , Av2 = λ2 v2 , · · · , Avn = λn vn
Selanjutnya, mengingat P invertibel maka diperoleh vektor kolom nya yakni v1 , v2 , · · · , vn

bebas linear, dan mengingat kolom-kolom tersebut tak nol maka diperoleh masing-masing
v1 , v2 , · · · , vn merupakan vektor eigen dari berkorespondensi dengan nilai eigen λ1 , λ2 , · · · ,
λn .
Contoh 5.3.2 Diagonalkan matriks berikut, jika mungkin

 
1 3 3
A=  −3 −5 −3  .
3 3 1
Untuk melakukan perintah tersebut, akan dilakukan 4 (empat) langkah berikut:
(a.) Tentukan nilai eigen matriks A. Dengan perhitungan yang sederhana akan diper-
oleh suku banyak karakteristik A adalah
cA (λ) = det(A − λI) = −λ3 + −3λ2 + 4 = −(λ − 1)(λ + 2)2
dengan demikian diperolah nilai eigen λ1 = 1, dan λ2 = λ3 = −2.
(b.) Menentukan 3 vektor eigen yang bebas linear dari A. Diperlukan 3 vektor eigen
sebab matriks A bertipe 3 × 3. Dengan perhitungan-perhitungan terkait dengan
pencarian solusi sistem persamaan linear homogen (A − λI)v = 0 untuk masing-

masing nilai eigen tersebut akan diperoleh, vektor eigen yang berkorespondensi
dengan λ1 = 1 adalah  
1
v1 =  −1 
1
sedangkan untuk nilai eigen λ2 = λ3 = −2 akan diperoleh vektor eigen
   
−1 −1
v2 =  1  , v 3 =  0 
0 1
dan dapat dicek bahwa {v1 , v2 , v3 } bebas linear.
(c.) Bentuk matriks P yang kolom-kolomnya adalah {v1 , v2 , v3 }, yakni
 
1 −1 −1
P = [v1 , v2 , v3 ] =  −1 1 0 .
1 0 1
(d.) Bentuk matriks D yang komponen diagonalnya adalah nilai eigen dari matriks
A, yaitu  
1 0 0
D =  0 −2 0  .
0 0 −2
Setelah ke empat langkah selesai, maka ada baiknya dilakukan pengecekan apakah benar
A = P DP −1 . Namun untuk menghindari perhitungan P −1 pengecekan dapat dilakukan
dengan menghitung apakah AP = P D. Dengan perhitungan sederhana dapat dicek bahwa
    
1 3 3 1 −1 −1 1 2 2
AP =  −3 −5 −3   −1 1 0  =  −1 −2 0 
3 3 1 1 0 1 1 0 −2
dan     
1 −1 −1 1 0 0 1 2 2
P D =  −1 1 0   0 −2 0  =  −1 −2 0 
1 0 1 0 0 −2 1 0 −2
Contoh 5.3.3 Diagonalkan matriks berikut, jika mungkian.

 
2 4 3
A =  −4 −6 −3  .
3 3 1
Suku banyak karakteristik A adalah
cA (λ) = det(A − λI) = −λ3 + −3λ2 + 4 = −(λ − 1)(λ + 2)2
dengan demikian diperolah nilai eigen λ1 = 1, dan λ2 = λ3 = −2. Namun demikian vektor
eigen dari A untuk λ1 = 1 adalah 

1
v1 =  −1 
1
sedangkan untuk nilai eigen λ2 = λ3 = −2 akan diperoleh vektor eigen
 
−1
v2 =  1 
0
dan tidak ada lagi nilai eigen yang lain yang bebas linear dengan {v1 , v2 } sehingga tidak
mungkin kita mendapatkan basis R3 yang merupakan vektor eigen - vektor eigen matriks
A. Disimpulkan bahwa A tidak dapat didiagonalkan. Berikut ini dikemukakan proposisi
yang memebrikan syarat cukup agar suatu matriks A dapat didiagonalkan.
Proposisi 5.3.4 Jika matriks An×n mempunyai n nilai eigen yang berbeda, maka A dapat
didiagonalkan.
Bukti. Misalakn An×n mempunyai n nilai eigen yang berbeda, sebut λ1 , λ2 , · · · , λn dan
misalkan v1 , v2 , · · · , vn masing-masing adalah vektor eigen yang berkorespondensi dengan
nilai eigen tersebut. Maka menurut Proposisi 5.3.1 {v1 , v2 , · · · , vn } bebas linear di Rn .
Dengan demikian {v1 , v2 , · · · , vn } membentuk basis dalam {v1 , v2 , · · · , vn }Rn . Hal ini be-
rakibat bahwa A dapat didiagonalkan.
Contoh 5.3.5 Tunjukkan bahwa matriks

 
5 −8 1
A =  0 0 7 .
0 0 02
Mengingat A merupakan matriks segitiga atas, dengan mudah diperoleh nilai eigennya
adalah unsur-unsur diagonalnya yakni λ1 = 5, λ2 = 0, dan λ3 = −2 yang semuanya
berbeda. Dengan demikian menggunakan Proposisi 5.3.4, A dapat didiagonalkan.
1. Menjelaskan definisi vektor karakteristik dan nilai karakteristik suatu matriks;

2. Menjelaskan dan membuktikan sifat-sifat vektor karakteristik dan nilai karakteristik
suatu matriks;
3. Melakukan diagonalisasi pada matriks yang dapat didiagonalkan;
4. Menjelaskan dan membuktikan sifat-sifat matriks yang dapat didiagonalkan.
sebagai berikut:
1. Hitunglah nilai karakteristik dan vektor karakteristik matriks berikut ini

 
−1 −2 −2
A= 1 2 1 .
−1 −1 0
2. Tunjukkan bahwa persamaan karakteristik matriks A yang berukuran 2 × 2 dapat

dinyatakan sebagai
λ2 − tr(A)λ + det(A) = 0,
dengan tr(A) menyatakan trace A.

3. Carilah matriks invertibel P yang mendiagonalkan matriks berikut
 
−1 4 −2
B =  −3 4 0 .
−3 1 3
4. Hitunglah C n jika  
3 −1 0
C =  −1 2 −1  .
0 −1 3
5. Diketahui matriks persegi A yang berukuran n × n merupakan matriks invertibel.
Jika λ adalah nilai karakteristik matriks A, buktikan:
(a.) λ 6= 0,
(b.) 1/λ adalah nilai karakteristik untuk A−1 .
6. Diberikan matriks persegi A yang berukuran n × n. Jika matriks invertibel P meru-

pakan matriks yang mendiagonalkan A, tentukan matriks yang mendiagonalkan At .
Bibliografi
93

Bahan Ajar Ale Puspa

Diunggah oleh

Informasi Dokumen

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

Bahan Ajar Ale Puspa

Diunggah oleh

Hak Cipta:

Format Tersedia

Daftar Isi

1 Sistem Persamaan Linear dan Matriks 1

1.1 Sistem Persamaan Linier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.1.1 Pengertian Sistem Persamaan Linier . . . . . . . . . . . . . . . . . . 2

1.1.2 Eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.1.3 Sistem Homogen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.2 Matriks dan Operasi Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2.1 Pengertian Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2.2 Operasi Penjumlahan Matriks . . . . . . . . . . . . . . . . . . . . . . 8

1.2.3 Perkalian Skalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

1.2.4 Transpos Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.3 Perkalian Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

1.3.1 Operasi Perkalian Matriks . . . . . . . . . . . . . . . . . . . . . . . . 12

1.3.2 Sifat-sifat Operasi Perkalian Matriks . . . . . . . . . . . . . . . . . . 13

1.4 Matriks Invers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.4.1 Matriks Invers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.4.2 Sifat-sifat Matriks Invers . . . . . . . . . . . . . . . . . . . . . . . . . 18

1.5 Penilaian Penguasaan Materi . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.2 Determinan Matriks Bujursangkar . . . . . . . . . . . . . . . . . . . . . . . . 26

2.3 Sifat-Sifat Determinan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.4 Beberapa Aplikasi Determinan . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.4.1 Perhitungan Invers Matriks: Rumus Adjoint . . . . . . . . . . . . . . 35

2.4.2 Perhitungan Solusi Sistem Persamaan Linear . . . . . . . . . . . . . . 36

2.5 Penilaian Penguasaan Materi . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3 Ruang Vektor R2 dan R3 43

3.1 Vektor dan Skalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.2 Norma dan Jarak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.3 Hasil Kali Titik di R2 dan R3 . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3.4 Sudut Antara Dua Vektor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3.5 Hasil Kali Silang di R3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.7 Basis dan Dimensi di Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

3.8 Penilaian Penguasaan Materi . . . . . . . . . . . . . . . . . . . . . . . . . . 60

4.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

4.2 Transformasi Linear dari Rn ke Rm . . . . . . . . . . . . . . . . . . . . . . . 66

4.3 Ruang Nol, Ruang Baris dan Ruang Kolom . . . . . . . . . . . . . . . . . . 69

4.4 Matriks Representasi Transformasi Linear . . . . . . . . . . . . . . . . . . . 72

4.5 Beberapa Jenis Transformasi Linear . . . . . . . . . . . . . . . . . . . . . . . 75

4.6 Penilaian Penguasaan Materi . . . . . . . . . . . . . . . . . . . . . . . . . . 76

5 Nilai Eigen dan Vektor Eigen 81

5.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

5.2 Nilai Eigen, Vektor Eigen dan Ruang Eigen . . . . . . . . . . . . . . . . . . 82

5.4 Penilaian Penguasaan Materi . . . . . . . . . . . . . . . . . . . . . . . . . . 90

Sistem Persamaan Linear dan

1. Sistem Persamaan Linear:

(a.) Pengertian Sistem Persamaan Linear (SPL).

(b.) Contoh pemodelan menggunakan SPL.

(d.) Eliminasi Gauss-Jordan sebagai cara mencari penyelesaian SPL.

(a.) Pengertian matriks, jenis-jenis matriks dan komponen suatu matriks.

(b.) Matriks elementer dan sifatnya.

(c.) Operasi-operasi matriks dan sifat-sifatnya.

Materi-materi dalam bab ini disampaikan dalam 4 minggu perkuliahan.

1.1 Sistem Persamaan Linier

1.1.1 Pengertian Sistem Persamaan Linier

Persamaan linier secara umum mempunyai bentuk

dengan ai dan b adalah bilangan-bilangan real, i = 1, 2, . . . , n. Dalam persaman linear

yang memenuhi persamaan linier tersebut.

Sistem persamaan linier adalah koleksi sebanyak berhingga persamaan-persamaan lin-

Perhatikan langkah-langkah yang dilakukan untuk mencari penyelesaian yang dimaksud.

1.1.2 Eliminasi Gauss

1. menukar letak dua persamaan;

2. mengalikan suatu persamaan dengan skalar tak nol;

3. menambah suatu persamaan dengan kelipatan persamaan yang lain.

1. menukar letak dua baris;