INFORMATION RETREIVAL
Disusun oleh :
TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI ALAUDDIN
MAKASSAR
2019
Eigenvector dan eigenvalues
Pengertian
Sebuah matriks bujur sangkar dengan orde n x n misalkan A, dan sebuah vektor
n
kolom X. Vektor X adalah vektor dalam ruang Euklidian R
yang dihubungkan
dengan sebuah persamaan:
AX X (7.1)
Dimana adalah suatu skalar dan X adalah vektor yang tidak nol Skalar
dinamakan nilai Eigen dari matriks A. Nilai eigen adalah nilai karakteristik dari suatu
matriks bujur sangkar. Vektor X dalam persamaan (7.1) adalah suatu vektor yang
tidak nol yang memenuhi persamaan (7.1) untuk nilai eigen yang sesuai dan disebut
dengan vektor eigen. Jadi vektor X mempunyai nilai tertentu untuk nilai eigen
tertentu.
Perhitungan eigenvalues
Kita tinjau perkalian matriks A dan X dalam persamaan (7.1) apabila kedua sisi
dalam persamaan tersebut dikalikan dengan matriks identitas didapatkan:
IAX =
I X
AX = IX
Perhitungan eigenvector
a11 a12
A=
a21 a22
Persamaan
AX X dapat dituliskan:
1 0 a11 a12 x1 0 x1
=1
0 1 a21 a22 x2 0 1 x 2
a11 a12 x1 0 x1
=
a21 a22 x 0 x 2
2
a11 a1 x1 = 0
(7.5)
2
2
a 21 a22 x
A. PENGERTIAN
Singular Value Decomposition (SVD) adalah suatu pemfaktoran matrik dengan
mengurai suatu matrik ke dalam dua matrik P dan Q. Jika diketahui suatu matrik adalah
matrik A berukuran m×n dengan rank r > 0 , maka dekomposisi dari matrik A dinyatakan
sebagai
A = P Δ QT
Rank (r) menyatakan banyaknya jumlah baris atau kolom yang saling independen antara baris
atau kolom lainnya dalam suatu matrik. P merupakan matrik orthogonal berukuran m×r
sedangkan Q merupakan matrik orthogonal berukuran n×r. Δ adalah matrik diagonal
berukuran r×r yang elemen diagonalnya merupakan akar positif dari eigenvalue matrik A.
Terbentuknya matrik Δ tergantung kondisi matrik A, yaitu diantaranya:
4
2. Menghitung matrik BTB dan BBT. Misalkan matrik BTB = matrik Y dan BBT = matrik
Z.
3. Mencari eigenvalue () dari matrik Y dan Z . Dimana determinan dari matrik Y dan Z
dikurangi dikalikan dengan matrik identitas (I) sama dengan 0.
Y-I=0 dan
Z-I=0
Banyaknya eigenvalue () yang akan diperoleh sama dengan ukuran matrik Y dan Z
yaitu sebanyak m.
4. Setelah diketahui nilai-nilai nya, langkah selanjutnya adalah mencari eigenvektor
( Z −λI ) x=0 . Sehingga nanti akan diperoleh persamaan x dalam bentuk x1, x2
hingga xm (a1x1+a2x2+..+amxm=0). Kemudian dari beberapa variabel tersebut jadikan
menjadi satu variabel. Misalnya didapatkan persamaan berikut ini:
4,945x11 + 8x12 = 0....(pers. 1)
8x11 + 12,945x12 = 0....(pers.2)
Dari persamaan 1 didapatkan sebuah persamaan baru, yaitu:
x11 = -1,62x12.... pers.4
Setelah didapatkan persamaan 4 dilakukan normalisasi (penormalan) dari tiap-tiap
x1
( x11 ¿) ¿ ¿¿¿¿ (−1,62x12 ¿) ¿ ¿¿¿¿
x 1 = ( x T1 x 1)1/2 =
¿
¿ = ¿
−1, 62 x12 ¿ ) ¿
=( ¿ ¿ ¿¿ x11
¿ x21
Selajutnya juga dilakukan penormalan seperti contoh di atas untuk eigenvalue
¿ ¿
( λ ) yang lain. Setelah
x 1 dan x 2 telah diperoleh elemen-elemennya,
selanjutnya adalah menggabungkan ketiga hasil penormalan tersebut ke dalam satu
5
¿ ¿
matrik dimana kolom pertama adalah
x 1 , kolom kedua adalah x 2 . Sehingga
[x 11 x 12
¿ ¿
[ ] x 22 ]
diperoleh matrik X =[ x1 x 2 ] = [x 21 ¿
5. Menentukan D yang merupakan matrik diagonal dengan elemen diagonalnya adalah
akar dari eigenvalue matrik Y atau Z.
0
D=¿ [ √ λ1 [ ] √ λ2 ]
[0 ¿
6. Diperoleh SVD dengan mengoperasikan PDQ dimana hasilnya akan sama dengan
matrik B.
[x 11 x 12 [ √ λ1 [ 0 [x 11 x 21 [a 11 a12
[ ] x 22 ] ] √ λ2 ] [ ] x 22 ] [ ]a22 ]
[x 21 ¿ [0 ¿
[x 12 ¿ =
[a 21 ¿
Note: Jika P adalah eigenvektor dari matrik Z dan Q adalah eigenvektor dari
matrik Y. Dan ketika dioperasikan kedalam PDQ maka akan menghasilkan matrik
yang sama dengan B.
6
4x1 – x2 + 5x3 = 0....(pers.3)
Kemudian lakukan eliminasi dari pers.1 dan pers.2 sehingga didapatkan
x1 = -x3.... pers.4
Pers.4 tersebut dapat disubstitusikan ke salah satu dari 3 persamaan di atas. Sehingga
didapatkan
x2 = x3....pers.5
Setelah didapatkan persamaan 4 dan pers.5 dilakukan normalisasi (penormalan) dari
x1
(x1 ¿)(x2 ¿)¿¿¿¿¿ (−x3 ¿)(x3 ¿)¿¿¿¿¿
x 1 = ( x T1 x 1)1/2 =
¿
¿ = ¿
(− x 3 ¿ )( x 3 ¿ ) ¿ ¿¿¿¿ x11
x21
¿ x31
[x 11
[x 21 [
ketiga adalah
x ¿3 . Sehingga diperoleh matrik X =[ x1
¿ ¿
x2 x ¿3 ] = [x 31
x 12 x 13
] x 23 ]
x 22
] x 33
x 32 ¿
7
5. Menentukan Δ yang merupakan matrik diagonal dengan elemen diagonalnya
adalah eigenvalue dari matrik A.
[ λ1 0
0
Δ=¿ [0 [ λ2
]0 ]
] λ3
[0 0 ¿
a13
]a23 ]
]a33
¿
rumus ( C−λI ) x=0 dan ( D−λI ) x=0 . Sehingga nanti akan diperoleh
8
persamaan x dalam bentuk x1, x2 hingga xm (a1x1+a2x2+..+amxm=0). Kemudian dari
beberapa variabel tersebut jadikan menjadi satu variabel. Misalnya, didapatkan
persamaan berikut ini:
5x11 + x12 + 4x13 = 0....(pers. 1)
X11 + 2x12 – x13 = 0....(pers.2)
4x11 – x12 + 5x13 = 0....(pers.3)
Kemudian lakukan eliminasi dari pers.1 dan pers.2 sehingga didapatkan
x11 = -x13.... pers.4
Pers.4 tersebut dapat disubstitusikan ke salah satu dari 3 persamaan di atas. Sehingga
didapatkan
x12 = x13....pers.5
Setelah didapatkan persamaan 4 dan pers.5 dilakukan normalisasi (penormalan) dari
x1
(x1 ¿)(x2 ¿)¿¿¿¿¿ (−x3 ¿)(x3 ¿)¿¿¿¿¿
x 1 = ( x T1 x 1)1/2 =
¿
¿ = ¿
(− x 3 ¿ )( x 3 ¿ ) ¿ ¿¿¿¿ x11
x21
¿ x31
9
[x 11
[x 21 [
ketiga adalah
x ¿3 . Sehingga diperoleh matrik
¿
X =[ x1
¿
x2
¿
x 3 ] = [x 31
x 12 x 13
] x 23
x 22 ]
] x 33
x 32 ¿
5. Dekomposisi nilai singular matrik B dinyatakan dalam:
dimana
B = P1 Q1T P1 = B Q1 -1
Keterangan:
= matrik diagonal yang berisi akar kuadrat dari eigenvalue matrik C atau D
-1 = invers
Q1 = eigenvektor dari matrik C (BTB)
Q1T = transpose Q1
C. CONTOH
Contoh 1:
Menghitung SVD matriks non singular A(2x2)
Bila deketahui matrik X sebagai berikut
2 1
X=
[ ]2 3 . Maka Hitunglah SVD dari matrik X!
Jawab:
X XT =
[22 31 ] [12 32 ] [75 137 ] =
Eigenvalue X XT
T | 5 7 − λ 0 |=0
[ ][ ]
|XX −λI|=0 7 13 0 λ
5− λ 7
| |=0
7 13−λ
(5- λ )(13- λ )-(7)(7) = 0
65-5 λ -13 λ + λ 2
-49 = 0
λ 2
-18 λ +16 = 0
10
−b± √b 2−4 ac −(−18 )±√(−18)2 −4(1)(16 )
λ1,2 = =
2a 2(1 )
18± √ 324−64 18±2 √65
= =9±√ 65
= 2 2
x1
x 1= ¿
= ( x1 ¿ ) ¿¿ ¿ ¿ ¿
1
¿
( x T1 x 1) 2
( -1,7232 ¿ ) ¿ ¿ ¿ ¿ ¿
= ¿
Untuk λ 2 = 17,0623
( XX T −λI ) x=0
( x1 ¿) ¿ ¿¿
([57 137 ]−[17,0623
0
0
17,0623 ]) ¿ =
(0 ¿) ¿¿¿
¿
7
[−12,0623 ] ¿(x ¿)¿¿ 1
7 −4,0623 ¿
-12,0623 x1 + 7 x2 = 0 ; 7 x1 – 4,0623 x2 = 0
11
7
x =0, 5803 x 2
x1= 12 ,0623 2
Proses normalisasi
x1
x 2= ¿
= ( x 1 ¿ ) ¿ ¿¿ ¿ ¿
1
¿
( x T1 x 1 ) 2
( 0 , 5803 ¿ ) ¿ ¿ ¿ ¿ ¿
= ¿
∴ Sehingga eigenvektor X XT adalah
0,5019
P=
[−0,8649
0,5019 0,8649 ]
2 2 2 1 8 8
XTX =
[ ] [ ] [ ]
1 3 2 3 = 8 10
Eigenvalue XTX
| 8 8 − λ 0 |=0
T
|X X −λI|=0
[ ][ ]
8 10 0 λ
8−λ 8
| |=0
8 10−λ
(8- λ )(10- λ )-(8)(8) = 0
80-8 λ -10 λ + λ 2
-64= 0
λ 2
-18 λ +16 = 0
12
Untuk λ 1 = 0,9377
( X T X −λI ) x=0
( x1 ¿) ¿ ¿¿
[( 88 108 ]−[0,9377
0
0
0,9377 ]) ¿ =
(0 ¿) ¿¿¿
¿
7 ,0623 8
[ ¿ ( x1 ¿) ¿ ¿
]
8 9,0623 ¿
7,0623 x1 + 8x2 = 0 ; 8x1 + 9,0623x2 = 0
8
− x
x1 = 7 ,0623 2 = - 1,1328 x2
Proses normalisasi
x1
x 1=
¿
= ( x1 ¿ ) ¿¿ ¿ ¿ ¿
1
¿
( x T1 x 1) 2
( - 1,1328 ¿ ) ¿ ¿ ¿ ¿ ¿
= ¿
Untuk λ 2 = 17,0623
( X T X −λI ) x=0
( x1 ¿) ¿ ¿¿ (0 ¿) ¿¿¿
([88 108 ]−[17,0623
0
0
17,0623 ]) ¿ = ¿
8
¿ ( x1 ¿ ) ¿ ¿
[−9,0623
8 −7,0623 ]
¿
-9,0623 x1 + 8 x2 = 0 ; 8x1 - 7,0623x2 = 0
8
x
x1 = 9,0623 2 = 0,8828 x2
Proses normalisasi
13
x1
x 1= ¿
= ( x1 ¿ ) ¿¿ ¿ ¿ ¿
1
¿
( x T1 x 1) 2
( 0,8828 ¿ ) ¿ ¿ ¿ ¿ ¿
= ¿
∴ Sehingga eigenvektor XTX adalah
,7497 0,6618
Q=
[−00 ,6618 0,7497 ]
0, 9377 0 0 ,9684 0
Sedangkan matrik Δ adalah
Δ= [√ 0 √17, 0623][
=
0 4 ,1307 ]
SVD suatu matrik X bila P Δ Q = X
−0,8649 0,5019 0,9684 0 −0,7497 0 ,6618
P Δ Q=
[ 0,5019 0,8649 ] [ 0 4 ,1307 ] [ 0,6618 0 ,7497 ]
2,0733 −0 ,7497 0,6618
=
[
−0,8376
0,4861 3,5727 ] [ 0 ,6618 0,7497 ]
=
[22 31 ]
∴ Terbukti bahwa P Δ Q = X
Contoh 2:
Menghitung SVD matriks simetri non singular A(2x2)
A= 5 2
1. Diketahui bahwa 2 2 [ ]
2. Mencari eigenvalue matrik A
|A-I| = 0
( 52 22 )−(0λ 0λ )|
|
= 0
14
5− λ 2
| |
2 2− λ = 0
(5-)(2-)-4 = 0
-7
-7
(-1)(-6) = 0
Sehingga didapatkan dan
3. Mencari eigenvektor matrik A
Untuk 1=0
( A−λ1 I ) χ 1 =0 .
([ 52 22 )−( 10 01 )] ( xx )=(00 ) 1
(42 21 ) ( xx )=( 00 ) 1
4 x +2 x 0
( 2 x +x ) 0
1 =( )
1
2
=> 2 x 1 +x 2 =0
2 x 1 =−x 2
1
x 1=− x 2
2
1
x1 ( )
− x2
2
x2 1
x1 =
¿
1
=
1
1
=
1
5 2
√ ( )(
− x2
2 = −0 , 4472
0 , 8944 )
(x T x 1)
[ ) ( )]
x2 x2
2 2
1
(− 12 x 2 x2
− x2
2
x2
4
Untuk 2=6
( A−λ2 I ) χ = 0 .
15
5 2 6 0 x1 0
[( ) ( ) ] ( ) ( )
2 2
−
0 6 x2
=
0
(−12 2
−4 ) ( xx )=(00)
1
−x 1 +2 x 2
=0
( 2 x 1−4 x 2 0 )()
=> 2 x 1 −4 x2 =0
2 x 1 =4 x2
x 1=2 x 2
2 x2
x2 ( )
x2 1 2 x2 0 , 8944
x2 =
¿
1
=
2 x2
1
=
√ 5 x 22 ( )(
x2
=
0 , 4472 )
(x 2 T x 2)
2
[ (2 x2 x2 )( )
] x2
2
χ ¿ = −0 ,4472 0 ,8944
( )
0 ,8944 0 ,4472
4. Menentukan
merupakan metric diagonal yang elemen-elemennya adalah eigen value dari matrik A
λ1 0
=1 0
sehingga:
Δ=
( 0 λ2 )( )
0 6
A=
(−00 , ,8944
4472 0 ,8944 1 0 −0 , 4472 0, 8944
0, 4472 )(0 6 )( 0 , 8994 0, 4472 )
−0, 4472 5 , 3664 −0 , 4472 0 , 8944
=
( 0, 8944 2 ,6832 )( 0 , 8994 0 , 4472 )
=
(5,027 1,99
2,013 1,99 )
16
=
(52 22 )
Maka dapat disimpulkan bahwa bentuk svd dari matriks A adalah
17