Oleh :
NPM : 121052220118064S
Fakultas Teknik
i
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Allah SWT, yang telah melimpahkan dan
memberikan petunjuk sehingga penyusun dapat menyelesaikan tugas untuk membuat makalah
ini.
Penyusun membuat makalah ini sebagai tugas yang diberikan oleh dosen kami untuk
melatih kami dan untuk menambah pengetahuan kami dalam memahami suatu materi.
Secara umum makalah ini menjelaskan tentang metode untuk mencari nilai eigen
beserta contoh dan pembahasan. Kami berharap dengan terselesaikannya makalah ini,
pembaca dapat mengetahui metode- metode yang dapat digunakan untuk mencari nilai eigen
dan contoh soal beserta pembahasannya. Semoga makalah ini bermanfaat bagi semua pihak.
Saran dan kritik selalu kami tunggu dalam kesempurnaan makalah ini.
Akhirnya kami ucapkan terima kasih kepada dosen dan semua pihak yang terlibat
Penyusun
ii
BAB I
PENDAHULUAN
A. Latar Belakang
Dalam kehidupan sehari-hari, banyak permasalahan dari fenomena riil yang dapat dijelaskan
melalui pembentukan model matematika. Pada umumnya perumusan model matematika ini
berupa fungsi. Dalam banyak kasus, tidak semua model matematika tersebut dapat diselesaikan
secara mudah dengan menggunakan metode analitik, sehingga digunakan analisis numerik untuk
mencari penyelesaiannya. Analisis numerik adalah teknik yang digunakan untuk
memformulasikan persoalan matematik sehingga dapat dipecahkan dengan operasi perhitungan
atau aritmetik biasa (tambah, kurang, kali, dan bagi) (Munir, 2003: 5).
Pada umumnya analisis numerik tidak mengutamakan diperolehnya jawab yang eksak (tepat),
tetapi mengusahakan perumusan metode yang menghasilkan jawab pendekatan yang berbeda dari
jawab yang eksak sebesar suatu nilai yang merupakan galat dari metode yang digunakan. Namun
demikian, hasil perhitungan dengan analisis numerik cukup dapat memberikan solusi pada
persoalan yang dihadapi.
Salah satu penerapan dari analisis numerik ini yaitu dalam masalah nilai eigen dan vektor
eigen. Analisis numerik memberikan suatu cara alternatif yang digunakan untuk menemukan nilai
eigen dan vektor eigen dari suatu matriks. Cara yang digunakan dalam analisis numerik ini
termasuk unik karena dalam penyelesaiannya hanya diperlukan operasi-operasi aljabar biasa.
Hanya saja, dalam penghitungannya tidak cukup dilakukan sekali tetapi harus dilakukan berulang-
ulang sampai ditemukan nilai yang konvergen ke satu nilai yang merupakan nilai
penyelesaiannya.
Salah satu metode dalam analisis numerik yang bisa digunakan untuk mencari nilai eigen dan
vektor eigen yaitu metode pangkat. Dengan metode pangkat ini, nilai eigen yang berupa bilangan
real dan vektor eigennya dapat ditemukan secara bersamaan menggunakan proses yang sama pula
sehingga jika nilai eigen dari suatu matriks ditemukan, maka secara otomatis vektor eigen dari
matriks yang bersangkutan akan diperoleh.
Dalam mencari nilai eigen dan vektor eigen menggunakan metode pangkat, akan memerlukan
proses iterasi yang sangat panjang untuk menemukan hasil yang mendekati nilai yang sebenarnya.
Semakin banyak iterasi yang dilakukan, maka semakin baik hasil yang diperoleh.
1
Meskipun metode pangkat bisa digunakan untuk mengaproksimasi nilai eigen dan vektor eigen
dari matriks, akan sulit untuk mengaproksimasi nilai eigen keseluruhan dari matriks tersebut. Oleh
sebab itu, diperlukan metode QR berturut-turut untuk menemukannya.
Dalam makalah ini, jika metode determinan sangat sulit digunakan untuk matriks berordo di
atas 3 × 3, maka metode QR dapat digunakan dengan mudah untuk mencari nilai eigen dan vektor
eigen pada matriks berordo di atas 3 × 3. Dengan demikian, metode pangkat dan metode QR
merupakan salah satu metode yang dapat mempermudah dalam mencari nilai eigen dan vektor
eigen suatu matriks.
Aplikasi nilai eigen mencakup berbagai bidang keilmuan. Nilai eigen diperlukan untuk
memecahkan berbagai permasalahan dalam kehidupan sehari-hari, diantaranya dalam hal struktur
melengkungnya batang, campuran, gerak harmonik, getaran suatu bangunan, dan lain sebagainya.
Sehingga bisa dikatakan metode dalam menemukan nilai eigen merupakan ilmu pengetahuan
yang digunakan untuk membantu mempermudah kehidupan manusia sehari-hari.
Berdasarkan latar belakang di atas, penulis mengangkat permasalahan tentang “Macam –
macam metode yang dapat digunakan untuk mencari nilai eigen”.
B. Rumusan Masalah
Dari latar belakang permasalahan di atas, dapat diambil rumusan masalah sebagai berikut:
1. Bagaimana mencari nilai eigen apabila diketahui dalam persamaan differensial?
2. Bagaimana aplikasi metode pangkat dalam mengaproksimasi nilai eigen dan vektor
eigen suatu matriks ?
2
BAB II
LANDASAN TEORI
A. Matriks
a. Definisi Matriks
Matriks didefinisikan sebagai susunan persegi panjang dari bilangan-bilangan yang diatur
dalam baris dan kolom. Bilangan-bilangan dalam susunan tersebut dinamakan elemen dalam
𝑎11 𝑎12 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑛 ]
matriks. Matriks ditulis sebagai berikut : A= [ : : :
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛
Susunan di atas disebut sebuah matriks m kali n (ditulis m × n) karena memiliki m baris dan n
kolom. Sebagai aturan, kurung siku [ ], kurung biasa ( ) atau bentuk || || digunakan untuk
menuliskan matriks beserta elemen-elemennya. Dalam makalah ini, penulis menggunakan
kurung siku [ ] untuk menuliskan matriks beserta elemen-elemennya.
Matriks dinotasikan dengan huruf-huruf besar. Sedangkan elemen-elemen dalam matriks
dinotasikan dengan huruf kecil yang dicetak miring. Jika A adalah sebuah matriks , maka a
ij
menyatakan elemen yang terdapat dalam baris i dan kolom j dari A. Sehingga A = [a ].
ij
B. Bentuk Matriks
a. Matriks Bujur Sangkar
Definisi 2.2. Matriks m × n dengan m = n disebut matriks bujur sangkar berordo n atau
sebuah matriks bujur sangkar n.
Dalam suatu matriks bujur sangkar, elemen-elemen a , a , . . . , a disebut elemen diagonal
11 22 nn
𝑎11 0 0 … 0
𝑎21 𝑎22 0 … 0
𝐴 = 𝑎31 𝑎32 𝑎33 … 0
: : : : ∶
[𝑎𝑛1 𝑎𝑛2 𝑎𝑛3 … 𝑎𝑚𝑛]
d. Matriks Transpos
Definisi 2.5. Jika A adalah sebarang matriks m × n, maka transpos A dinyatakan oleh
t
A dan didefinisikan dengan matriks n × m yang kolom pertamanya adalah baris pertama dari
A, kolom keduanya adalah baris kedua dari A, demikian juga dengan kolom ketiga adalah
baris ketiga dari A, dan seterusnya.
Contoh:
2 3
1 5]
𝐵 = [1 4] 𝐵 𝑡 = [2
5 6 3 4 6
C. Operasi Matriks
Definisi 2.12. Jika A = [a ] adalah matriks m × p dan B = [b ] adalah matriks p× n, maka
ij ik
hasil kali A dengan B yang ditulis AB didefinisikan sebagai matriks C = [c ] yang berordo m
jk
× n dengan elemen pada baris ke-j dari A dan dan kolom ke-k dari B. Misalkan matriks baris
𝑏1𝑘
ke-j dari matriks A adalah [𝑎𝑗1 𝑎𝑗2 … 𝑎𝑗𝑝] dan matriks B adalah [𝑏2𝑘
: ], maka elemen
𝑏𝑝𝑘
baris ke-j dan kolom ke-k dari matriks AB = C adalah:
𝑝
dimana, j = 1, 2, . . . , m
4
k = 1, 2, . . . , n
D. Invers Matriks
Definisi 2.13 Jika A dan B matriks bujur sangkar sedemikian sehingga
-1
AB = BA = I , maka B disebut invers dari A dan ditulis B = A . Matriks B juga mempunyai
-1
invers yaitu ditulis A = B
E. Vektor
Suatu matriks yang mempunyai baris atau kolom tunggal adalah sama dengan vektor,
dinotasikan dengan huruf kecil yang dicetak tebal.
Definisi 2.14. Matriks yang terdiri dari satu kolom adalah matriks m × l , disebut sebuah
vektor kolom dan ditulis :
𝒖𝟏
𝒖 = [ 𝒖𝟐
: ]
𝒖𝒎
Notasi u berupa bilangan nyata, merupakan komponen vektor. u adalah komponen ke-j dari
j j
vektor u. Vektor kolom A yang mempunyai m baris dikatakan sebuah vektor berkomponen m
atau vektor berdimensi m.
Definisi 2.15. Sebuah matriks yang berisi satu baris adalah suatu matriks 1 × n, disebut
sebuah vektor baris dan ditulis:
v = [v , v , . . . , v ]
1 2 n
Notasi v berupa bilangan nyata, merupakan komponen vektor. v adalah komponen ke-
k k
k dari vektor v. Vektor baris A yang mempunyai n kolom dikatakan sebuah vektor
berkomponen n atau vektor berdimensi n.
Contoh: v = [-2, 3, -1] adalah vektor berdimensi 3.
Definisi 2.16. Jika u = [u , u , . . . , u ], dan v = [v , v , . . . , v ] adalah sebarang vektor
1 2 n 1 2 n
n
pada R , maka hasil kali dalam Euclidis (Euclidean inner product) u . v didefinisikan dengan
u.v=u v +u v +...+u v
1 1 2 2 n n
n
norma Euclidis ( atau panjang Euclidis) vektor u = [u , u , . . . , u ] pada R didefinisikan
1 2 n
menurut :
1
||𝑢|| = (𝑢. 𝑢)2 = √𝑢12 + 𝑢22 + ⋯ + 𝑢𝑛2
5
F. Diagonalisasi
Definisi 2.17. Matriks bujur sangkar A dinamakan dapat didiagonalisasi (diagonalizeable)
-1
jika terdapat matriks P yang dapat dibalik sehingga P AP diagonal. Matriks P dikatakan
mendiagonalisasi A.
G. Determinan
Definisi 2.18. Permutasi himpunan bilangan-bilangan bulat {1, 2, . . . , n } adalah susunan
bilangan-bilangan bulat ini menurut suatu aturan tanpa menghilangkan atau mengulangi bilangan-
bilangan ter
6
BAB III
PEMBAHASAN
b. Dekomposisi LU
Matriks dinyatakan dalam bentuk eselon baris tereduksi (reduced row-echelon form) jika
matriks tersebut mempunyai sifat-sifat berikut
1. Jika baris tidak terdiri seluruhnya dari nol, maka bilangan taknol pertama dalam baris tersebut
adalah 1. (dinamakan 1 utama)
7
2. Jika terdapat baris yang seluruhnya terdiri dari nol, maka semua baris seperti itu
dikelompokkan bersama-sama di bawah matriks
3. Dalam sebarang dua baris yang berurutan yang seluruhnya tidak terdiri dari nol, maka 1 utama
dalam baris yang lebih rendah terdapat lebih jauh ke kanan dari 1 utama dalam baris yang lebih
tinggi
4. Masing-masing kolom yang mengandung 1 utama mempunyai nol di tempat lain.
Sebuah matriks yang mempunyai sifat-sifat 1, 2, dan 3, dikatakan berada dalam bentuk eselon
baris (row-echelon form).
Definisi 2.22. Sebuah faktorisasi matriks A bujur sangkar seperti A = LU , dimana L adalah
segitiga bawah dan U adalah segitiga atas dikatakan sebuah dekomposisi LU atau dekomposisi
segitiga A.
Prosedur untuk membentuk dekomposisi LU dari matriks bujur sangkar A yang dapat direduksi
terhadap bentuk eselon baris tanpa mempertukarkan baris-baris tersebut yaitu:
Langkah 1.Reduksi A terhadap bentuk eselon baris U tanpa menggunakan pertukaran baris,
dengan mencari jejak pengali-pengali yang digunakan untuk memperkenalkan 1 utama
dan pengali-pengali yang digunakan untuk memperkenalkan nol di bawah 1 utama.
Langkah 2.Pada masing-masing kedudukan sepanjang diagonal utama L, tempatkanlah pengali
yang saling bertukar yang memperkenalkan 1 utama dalam kedudukan U.
Langkah 3.Pada masing-masing kedudukan di bawah diagonal utama L, tempatkanlah bilangan
negatif pengali yang digunakan untuk memperkenalkan nol dalam kedudukan U.
Langkah 4.Bentuklah dekonposisi A = LU.
C. Nilai Karakteristik
Nilai Karakteristik disebut juga nilai eigen. Nilai Karakteristik dijelaskan atau
diformulasikan dalam bentuk persamaan differensial orde dua.
Diberikan persamaan differensial homogen orde dua:
𝑑2𝑢
+ 𝑘 2 𝑢 = 0 ; 𝑢(0) = 0, 𝑢(1) = 0
𝑑𝑥 2
Dimana 𝑘 2 adalah parameter.
Selanjutnya persamaan differensial orde dua diatas diubah dan disajikan dalam bentuk
matriks.
Contoh:
8
𝑑2 𝑢
+ 𝑘 2 𝑢 = 0 ; 𝑢(0) = 0, 𝑢(1) = 0
𝑑𝑥 2
(1.1)
Solusi khususnya adalah :
𝑢𝑖−1 − 2𝑢𝑖 + 𝑢𝑖+1
+ 𝑘 2 𝑢𝑖 = 0
ℎ2
Dengan menggunakan 5 subinterval, h=0,2 dan berikut adalah empat persamaan dengan
empat titik. Disajikan dalam matriks.
2 − 0.04𝑘 2 −1 0 0 𝑢1 0
2 − 0.04𝑘 2 −1 0 𝑢
[ −1 ] [𝑢2 ] = [0]
0 −1 2 − 0.04𝑘 2 −1 3 0
0 0 −1 2 − 0.04𝑘 2 𝑢4 0
(1.2)
Persamaan matriks (𝐴 − 𝜆𝐼)𝑢 = 0, dimana I adalah matriks identitas dan A adalah matriks :
2 −1 0 0
2
[−1 −1 0 ]
0 −1 2 −1
0 0 −1 2
Dan 𝜆 = 0.04𝑘 2
Solusi aproksimasi untuk permasalahan nilai karakteristik pada (1.1) dapat diselesaikan
menggunakan matriks dari (1.2). Tetapi, pada contoh adalah system persamaan homogen
(ruas kanan sama dengan 0), dan mempunyai solusi nontrivial jika det(𝐴 − 𝜆𝐼) = 0
Pada umumnya kita menghitung nilai eigen untuk masalah nilai karakteristik dari det(𝐴 −
𝜆𝐼) = 0
c. Metode Pangkat
A. Pengertian
Metode Pangkat ( The Power Method ) adalah suatu metode iteratif untuk
mendapatkan nilai eigen dominan dari suatu matriks dan vektor eigennya. Kami
mengartikan nilai eigen dominan sebagai nilai eigen 𝜆1 yang memenuhi |𝜆1 | > |𝜆𝑖 | untuk
i= 2,....,n. Jika nilai-nilai eigen dari A memenuhi :
|𝜆1 |> |𝜆2 | > . . . > |𝜆𝑛 |
maka metode pangkat dapat digunakan untuk menghitung nilai-nilai eigen satu per satu.
9
Karena A dapat didiagonalkan, terdapat vektor eigen v1, v2, . . ., vn yang masing-
n
masing berkaitan dengan nilai eigen λ1, λ2, . . ., λn dan membentuk basis di R , kemudian
n
sebarang vektor x0 di R dapat dituliskan sebagai
= s1λ1 v1 + s2 λ2 v2 + . . . + sn λn vn
Kemudian hasil terakhir ini dikalikan dengan A, hal ini dilakukan berulang –ulang. Hasil
sampai dengan k kali adalah
k
A x0 = 𝑠1 𝜆1 𝑘 𝐯1 + 𝑠2 𝜆2 𝑘 𝐯2 + ⋯ + 𝑠𝑛 𝜆𝑛 𝑘 𝐯𝑛
𝜆 𝜆
= 𝜆1 𝑘 (𝑠1 𝐯1 + 𝑠2 (𝜆2 )𝑘 𝐯2 + ⋯ + 𝑠𝑛 ( 𝜆𝑛)𝑘 𝐯𝑛 ) (1.1)
1 1
𝜆 𝜆
Jika k makin besar, nilai (𝜆 𝑖 )𝑘 akan makin kecil untuk i = 2, . . . , n, karena | 𝜆 𝑖 |𝑘 < 1
1 1
Oleh karena itu, untuk k yang cukup besar bentuk (1.1) menjadi
𝐴𝑘 𝐱 0 ≈ 𝑠1 𝜆1 𝑘 𝐯1
Dengan demikian telah didapatkan hampiran dari kelipatan vektor eigen 𝐯1 tersebut, yaitu
vektor 𝐴𝑘 𝐱 0 . Vektor 𝐴𝑘 𝐱 0 merupakan hampiran vektor eigen yang berkaitan dengan nilai
eigen terbesar 𝐯1 . makin besar nilai k makin baik pula hampiran 𝐴𝑘 𝐱 0 terhadap sebuah
vektor eigen dari A.
B. Langkah-Langkah
Jika harga mutlak terbesar dari nilai eigen suatu matriks adalah bilangan real dan
memenuhi | λ1| > | λ2| ≥ . . . | λn| > 0 , maka nilai eigen ini dapat dicari dengan
menggunakan teknik iterasi yang disebut metode pangkat. Rumus umum yang digunakan
untuk mencari nilai eigen mutlak terbesar ini yaitu :
𝐴𝒙(𝑘) = 𝒚(𝑘+1) = 𝜆(𝑘+1) 𝒙(𝑘+1)
10
1. Jika matriks A berukuran n × n, maka tentukanlah sebuah matriks yang berukuran n × 1
dan bukan matriks nol.
2. Carilah nilai 𝑦 (1) yang memenuhi perkalian matriks 𝐴𝑥 (0) = 𝑦 (1)
3. Bagi matriks 𝑦 (1) dengan elemen dari matriks tersebut yang harga mutlaknya terbesar
yaitu 𝜆(1) sehingga didapatkan 𝑦 (1) = 𝜆(1) 𝑥 (1)
4. Ulangi langkah 2 dan 3 dengan 𝑥 𝑘 = 𝑥 𝑘+1 dengan k = 0, 1, 2, 3, . . . sampai suatu iterasi
yang menunjukkan bahwa nilai 𝜆𝑘 ≈ 𝜆𝑘+1 . 𝜆𝑘+1 merupakan nilai eigen mutlak terbesar
dari matriks tersebut, sedangkan 𝑥 (𝑘+1) adalah vektor eigen yang bersesuaian dengan
𝜆𝑘+1 .
C. Contoh
Carilah nilai eigen mutlak terbesar dan vektor eigen yang bersesuaian dengannya pada
matriks berikut:
11
3.6 4.4 0.8 −1.6 −2.8 0.51162790697674
4.4 2.6 1.2 −0.4 0.8 1
𝐴𝐱 (1) = 0.8 1.2 0.8 −4.0 −2.8 −0.46511627906977
−1.6 −0.4 −4.0 1.2 2.0 −0.32558139534884
[ −2.8 0.8 −2.8 2.0 1.8 ] [−0.11627906976744]
6.71627906976744
4.33023255813954
= 2.86511627906977
0.01860465116279
[−0.19069767441860]
1
0.64473684210526
𝛌(2) = 6.71627906976744 𝐱 (2) = 0.42659279778393
0.00277008310249
[−0.02839335180055]
6.85318559556787
6.56440443213296
= 1.98337950138504
−3.61772853185596
[−3.52423822714681]
1
0.95786176232821
𝛌(3) = 6.85318559556787 𝐱 (3) = 0.28940986257074
−0.52789005658852
[−0.51424818108327]
pada iterasi selanjutnya, dengan menggunakan bantuan program matlab didapatkan hasil
dalam tabel berikut ini:
Iterasi 𝜆𝑘 𝐱1 𝑘 𝐱2𝑘 𝐱3𝑘 𝐱4𝑘 𝐱5𝑘
(k)
0 1 1 1 1 1
12
2 6.7162790698 1.0000000000 0.6447368421 0.4265927978 0.0027700831 -
0.0283933518
13
0.6666666666
Berdasarkan tabel di atas, dapat diketahui bahwa nilai eigen terbesar dari matriks A pada
iterasi ke-38 adalah 9.9999999999 dan vektor eigen yang bersesuaian dengan nilai eigen
tersebut yaitu:
1
0.6666666667
𝐱 (38) = 0.6666666667
−0.6666666667
[−0.6666666667]
14
BAB IV PENUTUP
A. Kesimpulan
Nilai eigen adalah Untuk mencari nilai eigen dapat menggunakan berbagai macam
metode diantaranya adalah :
1. Metode Pangkat ( The Power Method ) adalah suatu metode iteratif untuk
mendapatkan nilai eigen dominan dari suatu matriks dan vektor eigennya. Nilai
eigen dominan sebagai nilai eigen 𝝀𝟏 yang memenuhi |𝝀𝟏 | > |𝝀𝒊 | untuk i= 2,....,n.
Jika nilai-nilai eigen dari A memenuhi :
|𝜆1 |> |𝜆2 | > . . . > |𝜆𝑛 |
15
DAFTAR PUSTAKA
http://retserv.eng.hawaii.edu/Distance_Learning/SP2010/Documents/Intro_Eigen-
Value_typed.pdf
http://distance-ed.math.tamu.edu/Math640/chapter6/node6.html
http://www.astro.utu.fi/edu/kurssit/f90/f90/english/pdf/numeigen.pdf
http://lib.uin-malang.ac.id/thesis/fullchapter/03510017-noor-farida.ps
16