NILAI EIGEN

Nama kelompok :
Tina Imaniar [ 103214013 ]
Arista Laili [ 103214036 ]
Ulil Iffah [103214034 ]

UNIVERSITAS NEGERI SURABAYA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
2012
 DAFTAR ISI

DAFTAR ISI.........................................................................................................................................i
KATA PENGANTAR.........................................................................................................................ii
BAB I PENDAHULUAN...................................................................................................................1
1.1 Latar Belakang...................................................................................................................1
1.2 Rumusan Masalah..............................................................................................................2
1.3 Batasan Masalah................................................................................................................2
1.4 Tujuan Penulisan................................................................................................................2
BAB II LANDASAN TEORI..............................................................................................................2
2.1 Matriks................................................................................................................................4
A. Definisi Matriks...............................................................................................................4
B. Bentuk Matriks................................................................................................................4
C. Operasi Matriks...............................................................................................................5
D. Invers Matriks..................................................................................................................6
F. Vektor................................................................................................................................6
G. Diagonalisasi...................................................................................................................7
H. Determinan........................................................................................................................7
2.2 Nilai dan Vektor Eigen......................................................................................................7
2.3 Dekomposisi LU................................................................................................................8
BAB III PEMBAHASAN....................................................................................................................9
3.1 Nilai Karakteristik..............................................................................................................9
3.2 Metode Pangkat................................................................................................................10
3.3 Metode Pangkat Invers.....................................................................................................14
3.4 Metode QR.......................................................................................................................20
BAB IV PENUTUP............................................................................................................................24
4.1 Kesimpulan......................................................................................................................24
DAFTAR PUSTAKA.........................................................................................................................25

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 berbagai 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 dalam
pembuatan makalah ini.

Medan, 04 April 2020

Kelompok 5

ii
 BAB I
PENDAHULUAN

1.1 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.
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”.

1.2 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 ?
3. Bagaimana aplikasi metode QR dalam mengaproksimasi nilai eigen dan vektor eigen suatu
matriks ?

1.3 Batasan Masalah

Permasalahan yang dibahas dalam skripsi ini dibatasi pada :
1. Metode digunakan hanya pada matriks yang semua nilai eigennya adalah bilangan real. Matriks
yang sesuai dalam hal ini yaitu matriks simetri yang elemennya tidak ada yang memuat
bilangan kompleks
2. Dalam mencari nilai eigen dan vektor eigen, digunakan bantuan program Matlab karena proses
penghitungan secara manual terlalu panjang
3. Metode pangkat dalam makalah ini meliputi metode pangkat langsung dan metode pangkat
invers.

1.4 Tujuan Penulisan

Adapun penulisan makalah ini bertujuan untuk :
1. Menjelaskan langkah-langkah mencari nilai eigen dari persamaan differensial.
2. Menjelaskan langkah – langkah mengaproksimasi nilai eigen pada matriks dengan
menggunakan metode pangkat.

2
3. Menjelaskan langkah – langkah mengaproksimasi nilai eigen pada matriks dengan
menggunakan metode QR

3
 BAB II
LANDASAN TEORI

2.1 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 matriks.

a 11 a12 … a1 n
Matriks ditulis sebagai berikut : A=
[
a21 a22 … a2 n
: :
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 aij menyatakan elemen

yang terdapat dalam baris i dan kolom j dari A. Sehingga A = [aij].

Contoh: Berikut ini adalah matriks

[ 10 01] ,[ ac bd ] ,[ 10 2 3
1 0 ]
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 a11, a22, . . . , ann disebut elemen diagonal

karena berada pada diagonal utama matriks.

Contoh :

4
A= [ 12 −23 ]

b. Matriks Segitiga Atas

Definisi 2.3. Matriks segitiga atas adalah suatu matriks bujur sangkar A yang elemen-elemen
ajk = 0 untuk j > k, yaitu berbentuk

a 11 a 12 a13 … a1n

[
0 a 22 a 23 …
A= 0

0
:
0 a 33 …

0
: : :
0 …
:
amn
a2n
a3n
]
c. Matriks Segitiga Bawah
Definisi 2.4. Matriks segitiga bawah adalah suatu matriks bujur sangkar A yang elemen-
elemen ajk = 0 untuk j < k, yaitu berbentuk:

a11 0 0 … 0

[
a 21 a22
A= a 31 a32
: :
0
a 33

an 1 an2 an 3
:
… 0
… 0
: :
… amn
]
d. Matriks Transpos

Definisi 2.5. Jika A adalah sebarang matriks m × n, maka transpos A dinyatakan oleh At
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

[ ]
B= 1 4
5 6
B=
t
[ 32 1 5
4 6 ]

5
 C. Operasi Matriks
Definisi 2.12. Jika A = [aij] adalah matriks m × p dan B = [bik] adalah matriks p× n, maka hasil

kali A dengan B yang ditulis AB didefinisikan sebagai matriks C = [cjk] yang berordo m × n dengan

elemen pada baris ke-j dari A dan dan kolom ke-k dari B. Misalkan matriks baris ke-j dari matriks A

b1k
adalah [ aj 1 aj 2 … ajp ] dan matriks B adalah

dari matriks AB = C adalah:

b2k
:
bpk
[]
, maka elemen baris ke-j dan kolom ke-k

p
c jk−a j 1 b1 k +…+ a jp b pk −∑ a ji b ik
i=1

dimana, j = 1, 2, . . . , m
k = 1, 2, . . . , n

D. Invers Matriks
Definisi 2.13 Jika A dan B matriks bujur sangkar sedemikian sehingga

AB = BA = I , maka B disebut invers dari A dan ditulis B = A-1. Matriks B juga mempunyai invers

yaitu ditulis A = B-1

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 :

6
 u1

[]
u= u 2
:
um

Notasi uj berupa bilangan nyata, merupakan komponen vektor. uj adalah komponen ke-j dari 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 = [v1, v2, . . . , vn]

Notasi vk berupa bilangan nyata, merupakan komponen vektor. vk adalah komponen ke-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 = [u1, u2, . . . , un], dan v = [v1, v2, . . . , vn] adalah sebarang vektor pada

Rn, maka hasil kali dalam Euclidis (Euclidean inner product) u . v didefinisikan dengan

u . v = u1v1 + u2v2 + . . . + unvn

norma Euclidis ( atau panjang Euclidis) vektor u = [u1, u2, . . . , un] pada Rn didefinisikan menurut :

||u||=¿¿

F. Diagonalisasi

Definisi 2.17. Matriks bujur sangkar A dinamakan dapat didiagonalisasi (diagonalizeable) jika

terdapat matriks P yang dapat dibalik sehingga P-1AP diagonal. Matriks P dikatakan mendiagonalisasi
A.

G. Determinan

7
 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 tersebut.

2.2 Nilai Eigen dan Vektor Eigen

Definisi 2.21. Jika A adalah matriks n × n, maka vektor taknol x di dalam Rn dinamakan vektor
eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x; yakni,
Ax = λx (2.2)

Untuk suatu skalar λ. Skalar λ dinamakan nilai eigen (eigen value) dari A dan x dikatakan vektor eigen
yang bersesuaian dengan λ.
Untuk mencari nilai eigen matriks A yang berukuran n × n maka Ax = λx dituliskan kembali sebagai
Ax = λIx
atau secara ekivalen
(λI-A)x = 0 (2.3)
supaya λ menjadi nilai eigen, maka harus ada pemecahan taknol dari persamaan ini. Persamaan (2.2)
akan mempunyai pemecahan taknol jika dan hanya jika

det(λI-A) = 0
det(λI-A) = 0 dinamakan persamaan karakteristik A. Skalar yang memenuhi persamaan ini adalah nilai
eigen dari A. Bila diperluas, maka determinan det(λI-A) adalah polinom λ yang dinamakan polinom
karakteristik dari A.

Ini dapat ditunjukkan bahwa jika A adalah matriks n × n, maka polinom karakteristik A harus berderajad
n dan koefisien adalah 1. Jadi, polinom karakteristik dari matriks n × n mempunyai bentuk

det( λI − A ¿=λn + c1 λn−1 +…+ c n

2.3 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)
2. Jika terdapat baris yang seluruhnya terdiri dari nol, maka semua baris seperti itu dikelompokkan
bersama-sama di bawah matriks

8
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.

BAB III
PEMBAHASAN

3.1 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 2
+k u=0 ;u ( 0 )=0 , u ( 1 )=0
dx 2

9
Dimana k 2 adalah parameter.

Selanjutnya persamaan differensial orde dua diatas diubah dan disajikan dalam bentuk
matriks.

Contoh:

d2u 2
+k u=0 ;u ( 0 )=0 , u ( 1 )=0 (1.1)
dx 2

Solusi khususnya adalah :

ui−1−2 ui+ ui+1 2

2
+ k u i=0
h

Dengan menggunakan 5 subinterval, h=0,2 dan berikut adalah empat persamaan dengan empat titik.
Disajikan dalam matriks.

2−0.04 k 2 −1 0 0 u1 0

[ −1
0
0
2−0.04 k
−1
0
2
−1
2−0.04 k
−1
2
0
−1
2−0.04 k 2
][ ] [ ]
u2
u3
u4
=0
0
0
(1.2)

Persamaan matriks ( A−λI ) u=0, dimana I adalah matriks identitas dan A adalah matriks :

2 −1 0 0

[ −1 2 −1 0
0 −1 2 −1
0 0 −1 2
]
Dan λ=0.04 k 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

10
3.2 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 λ 1 yang memenuhi ¿ λ1 ∨¿ ¿ λi∨¿ untuk i= 2,....,n. Jika nilai-nilai eigen dari A
memenuhi :
¿ λ1|¿ ¿ λ2|>...> ¿ λ n∨¿
maka metode pangkat dapat digunakan untuk menghitung nilai-nilai eigen satu per satu.

Misalkan diketahui vektor A berukuran n × n dan dapat didiagonalkan. Misalkan pula λ ,

1

λ , . . ., λ nilai eigen dari A yang memenuhi hubungan

2 n

¿ λ1|¿ ¿ λ2|>...> ¿ λ n∨¿ >0

Karena A dapat didiagonalkan, terdapat vektor eigen v , v , . . ., v yang masing-masing

1 2 n

n
berkaitan dengan nilai eigen λ , λ , . . ., λ dan membentuk basis di R , kemudian sebarang
1 2 n

n
vektor x di R dapat dituliskan sebagai
0

x =s v +s v +...+s v .
0 1 1 2 2 n n

dengan mengalikan A diperoleh

Ax = A (s v + s v + . . . + s v )
0 1 1 2 2 n n

=s Av +s Av +...+s Av
1 1 2 2 n n

=s λ v +s λ v +...+s λ v
1 1 1 2 2 2 n n n

Kemudian hasil terakhir ini dikalikan dengan A, hal ini dilakukan berulang –ulang. Hasil sampai
dengan k kali adalah
k
A x = s1 λ1k v 1 +s 2 λ 2k v 2+ …+ sn λnk v n
0

= λ 1k ¿ (1.1)

11
 λi k
Jika k makin besar, nilai ¿ akan makin kecil untuk i = 2, . . . , n, karena ¿ ∨¿ ¿< 1 Oleh
λ1
karena itu, untuk k yang cukup besar bentuk (1.1) menjadi

Ak x 0 ≈ s1 λ1k v 1

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

| λ | > | λ | ≥ . . . | λ | > 0 , maka nilai eigen ini dapat dicari dengan menggunakan teknik iterasi
1 2 n
yang disebut metode pangkat. Rumus umum yang digunakan untuk mencari nilai eigen mutlak
terbesar ini yaitu :
(k) (k +1) (k+1 ) (k +1)
A x =y =λ x

Berikut adalah langkah-langkah penggunaan metode pangkat :

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 λ k ≈ λ k+1 . λ k+1 merupakan nilai eigen mutlak terbesar dari matriks
tersebut, sedangkan x(k +1) adalah vektor eigen yang bersesuaian dengan λ k+1.

C. Contoh
Carilah nilai eigen mutlak terbesar dan vektor eigen yang bersesuaian dengannya pada matriks
berikut:

12
 3.6 4.4 0.8 −1.6 −2.8

[4.4 2.6
A= 0.8 1.2
1.2 −0.4 0.8
0.8 −4.0 −2.8
−1.6 −0.4 −4.0 1.2
−2.8 0.8 −2.8 2.0
2.0
1.8
]
Karena matriks A diatas berukuran 5 × 5, maka matriks A mempunyai 5 nilai eigen. Sehingga

1
(0)
langkah pertama kita tentukan x = 1
1

1
1
[]
Langkah berikutnya mencari nilai y (1) yang memenuhi perkalian matriks A x(0) = y(1), yaitu :

3.6 4.4 0.8 −1.6 −2.8 1 4.4

[ 4.4 2.6
A x(0) = 0.8 1.2
1.2 −0.4 0.8
0.8 −4.0 −2.8
−1.6 −0.4 −4.0 1.2
−2.8 0.8 −2.8 2.0
2.0
1.8
][ ] [ ]
1 8.6
1 ¿ −4
1
1

elemen vektor x(0) yang terbesar adalah 8.6 sehingga

−2.8
−1

0.51162790697674
(1)
λ =8.6 x(1)
=
[ 1
−0.46511627906977
−0.32558139534884
−0.11627906976744
]
3.6 4.4 0.8 −1.6 −2.8 0.51162790697674

[ 4.4 2.6
A x (1)= 0.8 1.2
1.2 −0.4 0.8 1

][
0.8 −4.0 −2.8 −0.46511627906977
−1.6 −0.4 −4.0 1.2
−2.8 0.8 −2.8 2.0
2.0 −0.32558139534884
1.8 −0.11627906976744
]
6.71627906976744

[
4.33023255813954
¿ 2.86511627906977
0.01860465116279
−0.19069767441860
]
13
 1

λ(2)=6.71627906976744
[ 0.64473684210526
x(2) = 0.42659279778393
0.00277008310249
−0.02839335180055
]
3.6 4.4 0.8 −1.6 −2.8 1

[
4.4 2.6
A x (2)= 0.8 1.2
1.2 −0.4 0.8

][
0.64473684210526
0.8 −4.0 −2.8 0.42659279778393
−1.6 −0.4 −4.0 1.2
−2.8 0.8 −2.8 2.0
2.0 0.00277008310249
1.8 −0.02839335180055
]
6.85318559556787

[
6.56440443213296
¿ 1.98337950138504
−3.61772853185596
−3.52423822714681
]
1
(3)
λ =6.85318559556787
[ 0.95786176232821
x(3) = 0.28940986257074
−0.52789005658852
−0.51424818108327
]
pada iterasi selanjutnya, dengan menggunakan bantuan program matlab didapatkan hasil dalam
tabel berikut ini:

Iterasi λk x 1k x 2k x 3k x 4k x 5k
(k)

0 1 1 1 1 1

1 8.6 0.5116279070 1.0000000000 -0.4651162791 -0.3255813953 -0.1162790698

2 6.7162790698 1.0000000000 0.6447368421 0.4265927978 0.0027700831 -0.0283933518

3 6.8531855956 1.0000000000 0.9578617623 0.2894098626 -0.5278900566 -0.5142481811

14
4 10.3306386419 1.0000000000 0.6812250567 0.5548947492 -0.4649033571 -0.4671042335

5 9.0930432741 1.0000000000 0.7312553787 0.5750430293 -0.6141135972 -0.6135811102

6 9.9781669535 1.0000000000 0.6760857181 0.6325833597 -0.6170244329 -0.6171263119

7 9.7960366135 1.0000000000 0.6808908424 0.6444872762 -0.6508192977 -0.6507980024

8 9.9750548109 1.0000000000 0.6700103774 0.6574570821 -0.6549221761 -0.6549263962

9 9.9556807176 1.0000000000 0.6698691353 0.6612768046 -0.6622944297 -0.6622935769

10 9.9905387418 1.0000000000 0.6676591723 0.6642749017 -0.6638676365 -0.6638678067

34 9.9999999991 1.0000000000 0.6666666667 0.6666666665 -0.6666666665 -0.6666666665

35 9.9999999995 1.0000000000 0.6666666667 0.6666666666 -0.6666666666 -0.6666666666

36 9.9999999998 1.0000000000 0.6666666667 0.6666666666 -0.6666666666 -0.6666666666

37 9.9999999999 1.0000000000 0.6666666667 0.6666666666 -0.6666666666 -0.6666666666

38 9.9999999999 1.0000000000 0.6666666667 0.6666666667 -0.6666666667 -0.6666666667

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:

15
 1

[
0.6666666667
x(38)= 0.6666666667
−0.6666666667
−0.6666666667
]
3.3 Metode Pangkat Invers
A. Pengertian

Jika harga mutlak terkecil dari nilai eigen suatu matriks adalah bilangan real dan
memenuhi
¿ λ1|≥ ¿ λ2|≥... ¿ λ n∨¿ 0

maka nilai eigen ini dapat dicari dengan menggunakan variasi dari metode pangkat yang
disebut metode pangkat invers. Pada dasarnya, nilai eigen terbesar dari invers matriks A−1
adalah merupakan nilai eigen terkecil dari matriks A. Perhatikan kembali persamaan:
A x=λ x
dengan mengalikan kedua sisi persamaan tersebut dengan A−1 akan menghasilkan

A−1 A x=I x=x= λ A−1 x (1.2)

dengan menyusun kembali persamaan (1.2), maka diperoleh persamaan nilai eigen untuk
A−1 :
x=λ A−1 x

A−1 x= ( 1λ ) x=λ invers x

Nilai eigen dari matriks A−1, yaitu λ invers berbanding terbalik dengan nilai eigen dari matriks
A, sedangkan vektor eigen dari matriks A−1 sebanding dengan vektor eigen dari matriks A.
Metode pangkat dapat digunakan untuk menemukan nilai eigen terbesar (dalam harga
mutlak) dari matriks A−1, yaitu λ invers. Kebalikan dari nilai eigen ini adalah adalah nilai
eigen terkecil (dalam harga mutlak) dari matriks A.
Dalam penggunaannya, metode LU diperlukan untuk mencari nilai eigen mutlak
terbesar dari matriks A−1. Persamaan metode pangkat yang diterapkan pada matriks A−1
(matriks invers) yaitu:
A−1 x(k) = y(k +1) (1.3)

16
 dengan mengalikan persamaan (1.3) dengan A akan menghasilkan

A A−1 x (k ) ¿ A y (k+ 1)

I x (k ) ¿ A y ( k+1)

x (k )=A y (k +1)

jadi,

Ay
(k +1)
=x
(k )
(1.4)

Persamaan (1.4) adalah bentuk standard Ax = b , dimana x= y (k+1) dan b = x(k) . Sehingga

(k) (k+1)
jika x diketahui, maka y dapat dicari dengan metode LU.

B. Langkah-Langkah

Langkah-langkah yang digunakan pada metode pangkat invers yaitu :

1. Carilah matriks L dan U yang memenuhi persamaan LU = A.
(0)
2. Tentukan matriks x yang bukan matriks nol.

(0)
3. Carilah x’ dengan substitusi ke depan pada persamaan Lx’ = x

(1)
4. Carilah y’ dengan substitusi ke belakang pada persamaan Uy = x’

(1) (1)
5. Bagi y dengan elemen y yang terbesar (dalam harga mutlak) agar diperoleh
y (1) =λ(1)invers x(1).
6. Ulangi langkah 3 sampai 5 dengan x k =x k+ 1 dengan k = 0, 1, 2, 3, . . .
Iterasi dilakukan sampai nilai x konvergen. Pada saat konvergen, λ = 1/ λ adalah
inverse

(k+1)
nilai eigen yang dicari dan x adalah vektor eigen yang bersesuaian.

C. Contoh

17
 Carilah nilai eigen mutlak terkecil dan vektor eigen yang bersesuaian dengannya dari
matriks berikut:
3.6 4.4 0.8 −1.6 −2.8

[
4.4 2.6
A= 0.8 1.2
1.2 −0.4 0.8
0.8 −4.0 −2.8
−1.6 −0.4 −4.0 1.2
−2.8 0.8 −2.8 2.0
2.0
1.8
]
Penyelesaian :
Karena nilai eigen yang dicari adalah yang terkecil harga mutlaknya, maka digunakan
metode pangkat invers. Langkah pertama yaitu mencari matriks L dan U yang memenuhi
persamaan LU = A.

a11 0 0 0 0 1 a 12 a13 a 14 a15 3.6 4.4 0.8 −1.6 −2.8

[ a21
a31
a41
a51
a22
a32
0
a33
a42 a43
a52 a53
0 0
0 0
a44 0
a54 a 55
][ 0 1 a23 a 24 a25
0 0
0 0
0 0
0 1 a45
0 0 1
][
1 a34 a35 =
4.4 2.6
0.8
−1.6
1.2
−0.4
1.2 −0.4 0.8
0.8 −4.0 −2.8
−4.0 1.2
−2.8 0.8 −2.8 2.0
2.0
1.8
]
Dengan metode dekomposisi LU diperoleh

3.6 0 0 0 0

[
4.4 −25/9
L= 0.8 2/9
−1.6 14 /9
0 0 0
16 /25 0 0
−88/25 −18 0
−2.8 38 /9 −46 /25 −7 125/36
]
1 11/9 2/9 −4 / 9 −7/9
0
dan U = 0
0
0
[
1
0
0
0
−2/25 −14 /25 −38/25
1 −11 /2 −23 /18
0 1 7 /18
0 0 1
]
Langkah kedua (0)t
, karena matriks A berukuran 5 × 5, maka x = [1 1 1 1 1]. Langkah

(0)
ketiga mencari x’ pada persamaan Lx’ = x

18
 x 1'

][ ] [ ]
3.6 0 0 0 0 1

[
'
4.4 −25/9 0 0 0 x2 1
'
L= 0.8 2/9 16 /25 0 0 x3 = 1
−1.6 14 /9 −88/25 −18 0 x4 ' 1
−2.8 38 /9 −46 /25 −7 125/36 ' 1
x5

x 1'

[ ][ ]
5 /18
x 2' 2/25
'
Dengan metode substitusi biasa diperoleh x 3 = 19 /16
' −11/36
x4
107 /250
x 5'

(1)
Langkah keempat mencari y’ pada persamaan Uy = x’

y 1(1)

][ ] [ ]
1 11/9 2/9 −4 /9 −7/9 5 /18

[
(1)
0 1 y
−2/25 −14 /25 −38 /25 2 2/25
0 0 1 −11/2 −23/18 y 3(1) = 19 /16
0 0 0 1 7/18 y 4(1 ) −11/36
0 0 0 0 1 107 /250
y 5(1)

y 1(1)

[ ][ ][ ]
−14 /125 −0.112
y 2(1) 113 /250 0.452
(1)
diperoleh y 3 = −89/500 = −0.178
y 4(1 ) −59/125 −0.472
107/250 0.428
y 5(1)

Langkah kelima membagi y(1) dengan elemen y(1) yang terbesar (dalam harga mutlak) agar
(1) (1)
diperoleh y =λ invers x(1)
Sehingga,

0.2372881356

[
−0.9576271186

]
y (1) =−0.472 0.3771186441 . Hasil dari iterasi pertama ini digunakan untuk iterasi kedua
1
−0.9067796610

yang dimulai pada langkah kedua yaitu mencari x’ pada persamaan

(0) (0) (1)

Lx’ = x dengan x =x . Iterasi ini dilanjutkan beberapa kali sampai nilai

19
 ≈λ .
(k+1) (k)
λ

Pada iterasi selanjutnya, dengan menggunakan bantuan program matlab didapatkan hasil
dalam tabel berikut ini :

Iterasi λk x 1k x 2k x 3k x 4k x 5k
(k)

0 1 1 1 1 1

1 -0.472 0.2372881356 -0.9576271186 0.3771186441 1.0000000000 -0.9067796610

2 -0.7521186441 -0.6732394366 0.8478873239 0.9366197183 -0.2676056338 1.0000000000

3 1.0858873239 -0.5549041480 0.5855145399 0.4997146489 -0.7510181846 1.0000000000

4 0.9029015020 -0.7236708092 0.7302788747 0.7395553059 -0.6161029939 1.0000000000

5 1.0547907039 -0.6342824683 0.6355190877 0.6305748231 -0.6853706491 1.0000000000

6 0.9708342864 -0.6833945812 0.6836476518 0.6843552306 -0.6570931980 1.0000000000

7 1.0152225191 -0.6581548031 0.6582044924 0.6579188221 -0.6711093046 1.0000000000

8 0.9923296841 -0.6709718341 0.6709818321 0.6710313438 -0.6644446170 1.0000000000

9 1.0038834058 -0.6645078896 0.6645098798 0.6644930755 -0.6677588832 1.0000000000

10 0.9980561769 -0.6677497014 0.6677501001 0.6677534127 -0.6661210398 1.0000000000

33 1.0000000002 -0.6666666665 0.6666666665 0.6666666665 -0.6666666667 1.0000000000

34 0.9999999995 -0.6666666667 0.6666666667 0.6666666667 -0.6666666666 1.0000000000

20
35 1.0000000001 -0.6666666666 0.6666666666 0.6666666666 -0.6666666667 1.0000000000

36 1.0000000000 -0.6666666667 0.6666666667 0.6666666667 -0.6666666667 1.0000000000

Berdasarkan tabel di atas, dapat diketahui bahwa nilai λ inverse dari matriks A pada iterasi ke-36

adalah 1. Jadi, aproksimasi terhadap nilai eigen mutlak terkecil dari matriks A adalah

1 1
λ= = =1
λinvers 1

dan vektor eigen yang bersesuaian dengan nilai eigen tersebut yaitu:

−0.6666666667

1 ×10−10
(36)

[0.6666666667
x = 0.6666666667 .
−0.6666666667
1
] Kedua nilai ini memiliki galat maksimal

3.4 METODE QR

BAGIAN I: Transformasi Kesamaan

• ada transformasi lain yang tidak mengubah nilai eigen yang sering disebut dengan
transformasi kesamaan. untuk setiap matriks nonsingular M nonsingular, perkalian M * A *
M-1 = B, mengubah A ke B, dan B memiliki nilai eigen sebagai A.
Trik untuk menemukan M:

• Pertama, mengubah salah satu elemen subdiagonal dari A ke nol.

21
 7 8 6 6
1 6  1  2 
A •  Kedua, melakukan

1  2 5  2 ini untuk semua elemen di bawah diagonal sampai A telah menjadi
 
3segitiga
4 atas
3 4
d  (Dalam
6 2  4 2 proses ini lambat, iterasi banyak dibutuhkan, tetapi prosedur bekerja.
)  7.21110
6
c   0A.83205
Misalkan adalah matriks 4x4, Berikut ini adalah matriks Q juga 4x 4, yang akan menciptakan nol
d
di posisi
4 a42
s   0.55470
d
Q = 11 0 0 0 00
 0 
00 0.c83205 
0 s0 0.5547 
Q   
00 0 0 1 01 0 
 0  s 0 c  
0  0.5547 0 0.83205

dimana, 2 2
d  (a 22)  (a22)
Contoh a 22
c
d
Diketahui a 42
s
 7 d 8 6 6 
2.49615 7.21110
Dimana, 0.83205 0.5547 
Q* A  
 1 2 5 2 
 
1.94145 0 3.05085 4.4376

Ketika kita mengalikan Q dengan A, kita peroleh:

22
 Yang mana

Kita peroleh :

Dimana jejaknya adalah sama dengan matriks A asli sehingga nilai eigennya juga sama.

BAGIAN II- Membuat matriks Upper Hassenberg

1 0 0 0 
1

Langkah-langkah yang akan
0 0.83205 0 kita 
gunakan:
0.5547
Q 0   
0 1 0 

• Konversikan 
0 0.55470ke upper
0 0.Hessenberg
83205 
• Geser dengan ann kemudian lakukan similarity transforomation untuk semua kolom dari 1
sampai n-1
• Ulangi langkah 2 hingga semua elemen di sebelah kiri ann adalah nol. Sebuah nilai eigen
akan di dapatkan dari posisi ann
• Abaikan  baris
7 dan9.kolom
98460 terakhir
6 , dan0.ulangi 
55470 langkah 2 dan 3 sampai semua elemen di
2.49615 6.30769 0.83205  3.53846
Q * A*Qbawah
1
  diagonal dari matriks asli dasarnya nol.  nilai-nilai eigen kemudian muncul pada
 1  2.77350 5  0.55470
diagonal
 
1.94145 2.46154 3.05085 3.69231 
Contoh

23
Diketahui

Kita dapat membuat nol pada kolom pertama dan baris ke-3 dan ke- 4 dengan B * A * B-1, di mana
1 0 0 0  1 0 0 0 
   
1 0 0 1 0 0 0 0 11 00 01 00 0
B2  B 
 0 0 1 0 0 1 0 0 2 0 10 0 01 0
B1    B1   
1  
0 0 b03 1 b40 1 0 b03 10 b04 1
   
 0 a42 b4 220 1  0 b4 0 1
b4    11
a31a32  2
b3  1
a21
a41 3
b    3 B *A*B -1, , kita peroleh:
Jika kitaa mengalikan
4
21 1 1 1

7 32 6 8
1  1  1  2 
 
0  2 6 0
 
0 22 6 10 
Yang mana bernilai nol dibawah subdiagonal dari kolom ke dan mempunyai nilai eigen yang sama
dengan matriks A. Kita lanjutkan pada kolom ke-2, dimana sekarang

7 8 6 6 
1 6  1  2
A
1 2 5  2
 
3 4 3 4 

Sekarang premultiplying matriks yang terakhir dengan B 2 and postmultiplying B2-1 menghasilkan
the lower Hassenberg matrix

7 32  60 6 
1 1 21  2
B2 B1 AB11 B21 
0 2 6 0 
 
0 0  38 10 

24
Bagian III- Langkah Kombinasi

Jika kita

(1) mengkonversi matriks A ke Hassenberg atas dan

(2) melakukan operasi QR, akhirnya

10 9.8315 4.9054  3.2668

0 1 1.8256 2.7199 

0 0 4  1.6958 
 
0 0 0 7 

BAB IV
PENUTUP

4.1Kesimpulan
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 λ 1 yang memenuhi ¿ λ1 ∨¿ ¿ λi∨¿ untuk i= 2,....,n. Jika nilai-nilai eigen dari A
memenuhi :
¿ λ1|¿ ¿ λ2|>...> ¿ λ n∨¿

2. Metode Pangkat Invers (The Invers Power Method) adalah suatu metode iteratif untuk
mendapatkan nilai eigen terkecil dari suatu matriks dan vektor eigennya untuk nilai-nilai
eigen dari A yang memenuhi :
¿ λ1|≥ ¿ λ2|≥... ¿ λ n∨¿ 0

3. Metode QR adalah

25
 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

26
27