MAKALAH ALJABAR LINEAR

“Nilai Eigen dan Vektor Eigen”

Dosen Pengampu :

Siti Salamah Br. Ginting, M.Pd

Disusun Oleh Kelompok 7 :

Sabrina Ramadhani (0305191014)

Shalatiah Hasibuan (0305192102)
Siti Nur Annisyah Dalimunthe (0305172075)
Tengku Karina Rafiela (0305192062)
Zulfa (0305191004)

PROGRAM STUDI PENDIDIKAN MATEMATIKA 1

FAKULTAS TARBIYAH DAN KEGURUAN
UNIVERSITAS ISLAM NEGERI
SUMATERA UTARA
MEDAN
2020
 KATA PENGANTAR

Puji syukur yang dalam kami sampaikan kepada Allah SWT Tuhan Yang
Maha Pemurah, yang telah memberikan rahmat dan hidayah-Nya, sehingga kami
dapat menyelesaikan makalah yang berjudul Nilai Eigen dan Vektor Eigen.
Shalawat dan salam kami persembahkan kepada Nabi Muhammad SAW, yang
membawa risalah islam sebagai pedoman hidup untuk meraih keselamatan hidup
di dunia dan juga di akhirat kelak.

Alhamdulillah, atas izin Allah SWT, kami dapat menyelesaikan tugas ini.
Sebuah makalah ini disusun untuk memenuhi tugas Mata Kuliah Aljabar Linier.
Tugas ini disusun juga bertujuan sebagai alternative dalam memahami dan
mengetahui lebih dalam tentang salah satu materi dari pada mata kuliah ini.

Dalam penyusunan tugas ini juga tidak luput dari adanya macam sumber
seperti mengenai Aljabar Linier sebagai referensi untuk memperkuat dan
membuka cakrawala kami dalam menganalisis tentang materi dalam karya tulis
ini. Sehingga kami dapat menyelesaikan tugas ini dengan mudah dan
menyusunnya menjadi sebuah makalah seperti ini. Semoga dengan kehadiran
tugas ini dapat menambah wawasan dan ilmu tentang hal tersebut.

Dengan segala keterbatasan yang ada, kami menyadari bahwa dalam

penulisan tugas ini masih jauh dari sempurna. Oleh karena itu, saran dan kritik
senantiasa kami harapkan. Semoga tugas yang kami kerjakan dapat bermanfaat
bagi kami pribadi dan pembacanya. Aamiin.

Medan, Mei 2020

Penyusun

Kelompok 7

2
 DAFTAR ISI

KATA PENGANTAR.......................................................................................................i

DAFTAR ISI.....................................................................................................................ii

BAB I................................................................................................................................1

PENDAHULUAN.............................................................................................................1

A. Latar Belakang.......................................................................................1
B. Rumusan Masalah..................................................................................2
C. Tujuan Penulisan...................................................................................2
BAB II...............................................................................................................................3

PEMBAHASAN...............................................................................................................3

A. Nilai Eigen dan Vektor Eigen.................................................................3

B. Diagonalisasi.........................................................................................13
BAB III...........................................................................................................................21

PENUTUP.......................................................................................................................21

A. Kesimpulan...........................................................................................21
B. Saran.....................................................................................................21
DAFTAR PUSTAKA.....................................................................................................22

3
 BAB I

PENDAHULUAN
A. Latar Belakang
Matematika merupakan ilmu yang mendasari semua disiplin ilmu yang ada,
baik ilmu social, esakta, sains dan teknologi. Salah satu cabang matematika
adalah aljabar yang perkembangannya sangat berkaitan erat dengan cabang ilmu
matematika lain seperti : geometri, teori bilangan, statistik, ilmu computer, ilmu
analisis bahkan matematika terapan dan lainnya.
Dalam kehidupan sehari-hari, banyak permasalahan dari fenomena riil yang
dapat dijelaskan melalui pembentukan model matematika. Mata kuliah Al-Jabar
Linier sangat bermanfaat bagi kita dalam ketika mempelajari matematika
lanjutan dan penerapannya dalan sains dan teknologi. Pada makalah kita kali ini
kita akan membahas materi lanjutan dari mata kuliah Al-Jabar Linier yaitu nilai
eigen (eigen value), vektor eigen (eigen vector )
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 metode
numerik untuk mencari penyelesaiannya. Metode numerik adalah teknik yang
digunakan untuk memformulasikan persoalan matematik sehingga dapat
dipecahkan dengan operasi perhitungan atau aritmetik biasa (tambah, kurang,
kali, dan bagi) .Pada umumnya metode numerik tidak mengutamakan
diperolehnya jawab yang eksak (tepat), tetapi mengusahakan perumusan metode
yang menghasilkan jawaban pendekatan yang berbeda dari jawab yang eksak
sebesar suatu nilai yang merupakan galat dari metode yang digunakan. Namun
demikian, hasil perhitungan dengan metode numerik cukup dapat memberikan
solusi pada persoalan yang dihadapi.Salah satu penerapan dari metode numerik
ini yaitu dalam masalah nilai eigen dan vektor eigen. Metode numerik
memberikan suatu cara alternatif yang digunakan untuk menemukan nilai eigen
dan vektor eigen dari suatu matriks. Cara yang digunakan dalam metode
numerik ini termasuk unik karena dalam penyelesaiannya hanya diperlukan
operasi-operasi aljabar biasa.

1
 Nilai eigen dan vektor eigen merupakan salah satu topik pada aljabar yang
dimiliki matriks bujur sangkar. Matriks bujur sangkar adalah matriks yang
memiliki jumlah baris dan kolom yang sama.

B. Rumusan Masalah
Adapun masalah yang akan dibahas pada makalah ini adalah bagaimana
cara menentukan nilai eigen dan vektor eigen pada matriks.

C. Tujuan Penulisan
Adapun tujuan dari penulisan makalah ini adalah :
Menentukan bagaimana cara menentukan nilai eigen dan vektor eigen pada
matriks.

2
 BAB II
PEMBAHASAN

A. Nilai Eigen dan Vektor Eigen

Kata “eigen” berasal dari bahasa Jerman yang artinya adalah sebenarnya
atau karakteristik. Sehingga nilai eigen sering disebut sebagai nilai
karakteristik.nilai eigen disimbolkan dengan “λ” dibaca lambda. Berikut ini
diberikan defenisi tentang nilai eigen dan vektor eigen.

Defenisi 7.1. Misalkan A adalah matrikspersegi yang berukuran n x n. sebuah

vector tak nol ⃗x di Rn dinamakan vector eigen (eigen vector) dari A jika Ax̄
merupakan kelipatan skalar dari x⃗ yakni
A⃗x = λ⃗x
Untuk suatu scalar λ. Skalar λ disebut sebagai nilai eigen (eigen value) dari A
jika terdapat solusi tak trivial ⃗x yang memenuhi A⃗x = λ⃗x dan ⃗x disebut sebagai
vector eigen yang bersesuaian dengan λ.

Bila dipandang dari sisi geometri, A⃗x merupakan dilatasi dari x⃗ . perhatikan
contoh berikut ini.

Contoh 7.1. Misalkan A = [−13 20], u⃗ = [ 11], dan ⃗v = [−21]. Perkalian

A⃗u = [−15 ] dan A⃗v = [−42 ] = 2⃗v.
Pada contoh 7.1,perkalian A⃗v = [−42 ] = 2⃗v bersesuaian dengan λ = 2.
Persoalannya sekarang, bagaimana mencari nilai eigen dari matriks persegi A
yang berukuran n x n, kita dapat menuliskan bentuk (7.1) menjadi
A⃗x = λ I ⃗x (7.2)
Dimana I adalah matriks identitas yang berukuran n x n. selanjutnya bentuk (7.2)
ekivalen dengan
λ I ⃗x ˗ A⃗x = 0 (7.3)
(λ I ˗ A)⃗x = 0 (7.4)

3
 Jika λ I ˗ A adalah matriks tak singular (determinannya ≠ 0), maka solusi
dari ⃗x adalah trivial (x1 = x2 = … = xn = 0). Berdasarkan defenisi 7.1, agar solusi
dari ⃗x menjadi tak trivial maka matriks λ I ˗ A haruslah singular (determinannya
= 0). Dalam hal ini kita punyai
det (λ I ˗ A) = 0 (7.5)
Persamaan (7.5) disebut sebagai persamaan karakteristik A, dan persamaan
inilah yang kita gunakan untuk mencari nilai eigen. Karena matriks A berukuran
n x n maka persamaan (7.5) nantinya akan menjadi persamaan pollinomial λ
dengan derajat n, atau kita dapat menuliskannya sebagai
det(λ I ˗ A) = λn + c1 λn-1 + … + cn-1 λ+cn = 0. (7.6)
Nilai λ pada persamaan (7.6) dapat dicari dengan cara memfaktorkannya.
Apabila berupa persamaan kuadrat yang tidak dapat difaktorkan, nilai eigen
dapat dicari menggunakan rumus kuadrat. Agar pembaca lebih memahami
tentang nilai eigen, perhatikanlah contoh berikut ini.

Contoh 7.2. carilah nilai-nilai eigen dari matriks A = [ 12 −25 ]. Pertama, cari
terlebih dahulu λ I ˗ A, yakni

λI˗A=λ [ 10 01] - [ 12 −25 ] = [ λ−1

−2
−5
λ+2].

Dengan persamaan (7.5),diperoleh :

det (λ I ˗ A) = [ λ−1
−2
−5
λ+2
= 0.]
Persamaan karakteristiknya adalah
(λ –1)(λ+2) – 10 = 0
λ2 + λ – 12 = 0.
Dengan memfaktorkan persamaan karakteristik, diperoleh dua buah nialai eigen
yaitu λ = -4 dan λ = 3.

Contoh 7.3. carilah nilai eigen dari matriks A = [−21 53]. Dengan melakukan
serangkaian cara yang sama seperti pada contoh 7.2, diperoleh

det (λ I ˗ A) = det ([ 0λ 0λ ]−[−21 53])

4
 = det ([ λ+2
−1
−5
λ−3 ])
= λ2 – λ – 11
Persamaan karakteristiknya adalah
λ2 – λ – 11 = 0.
Nilai λ dapat dicari dengan menggunakan rumus
−b ± √b 2−4 ac 1± √ 1+ 44 1± √ 45
λ1,2 = = = .
2a 2 2
Sehingga nilai eigennya adalah
1+ √ 45 1−√ 45
λ= dan
2 2

Contoh 7.4. Carilah nilai eigen dari matriks A = [−13 −7

−3 ]
. Dengan melakukan

serangkaian cara yang sama seperti pada contoh 7.2, diperoleh

([ λ1˗ 3
det (λ I ˗ A) = det
7
λ+3 ])
= λ2 – 16□
Persamaan karakteristiknya adalah
= λ2 – 16 = 0
Sehingga nilai eigennya adalah λ=−4 dan λ=4.

Contoh 7.5. Carilah nilai eigen dari matriks A = [−11 51]. Dengan melakukan
serangkaian cara yang sama seperti pada contoh 7.2, diperoleh

[( λ+1
det (λ I ˗ A) = det
−1
5
λ−1 ])
= λ2 + 4□
Persamaan karakteristiknya adalah
= λ2 + 4 = 0.
Nilai yang memenuhi adalah λ=−2 idan λ=2 i. Karena kita menganggap bahwa
λ disini merupakan skalar real, maka matriks A tidak mempunyai nilai eigen.
Teorema 7.2. Jika A adalah matriks yang berukuran n x n, maka pernyataan
berikut ini ekivalen satu sama lain :
(i) λ adalah nilai eigen dari A

5
(ii) Sistem persamaan ( λI − A ) ⃗x =0 mempunyai pemecahan yang tak trival.
(iii) Ada vektor tak nol ⃗x di dalam Rn sehingga A⃗x =λ ⃗x
(iv) λ adalah penyelesaian real dari persamaan karakteristik det ( λI − A )=0.

Teorema 7.2 dapat dibuktikan dengan (i) => (ii) => (iii) => (iv) dan (iii) => (ii)
=> (i). Teorema berikut ini memberikan sebuah karakteristik dari nilai eigen
suatu matriks segitiga.

Teorema 7.3. Jika A adalah sebuah matriks segitiga, maka nilai-nilai eigen
dari A adalah entri-entri pada diagonal utamanya.

Bukti. Karena A merupakan matriks segitiga, matriks A dapat dituliskan sebagai

a11 a12 a13 ⋯ a 1n

A= 0
⋮
0
[
0 a22 a23
0 a33
⋮
0
⋮
0
⋯ a 2n
⋯ a3n
⋱ ⋮
⋯ ann
]
atau

a11 0 0 ⋯ 0

⋮ [
a2 1 a 22 0
A= a31 a 32 a33
⋮ ⋮
an 1 an 2 a n 3
⋯ 0
⋯ 0
⋱ ⋮
⋯ ann
]
Menurut Teorema 3.7, det(A) = a 11 . a 22 . a33 … ann. selanjutnya λI – A juga
merupakan matriks diagonal (buktikan), sehingga determinannya juga
merupakan perkalian dari entri-entri pada diagonal utamanya. Dalam hal ini,
polinom karakteristiknya adalah

det λ I – A=( λ−a11 ) ( λ−a 22) …( λ−ann)

dan persamaan karakteristiknya adalah

( λ−a 11 ) ( λ−a22 ) … ( λ−ann )=0.

6
Sehingga nilai eigennya adalah λ=a11 , λ=a22 , … , λ=ann yang keseluruhannya
merupakan entri-entri pada diagonal utamanya.

Contoh 7.6. Dengan menggunakan teorema 7.3, nilai-nilai eigen dari matriks A

2 0 0

[ ]
= 1 −1 0 adalah λ=2 , λ=−1 , dan λ=5. Nilai-nilai eigen dari matriks B =
3 −4 5

−1 2 3

[ ]
0 −7
0 0
0
1
2
1
adalah λ=−1 , λ=−7 , λ= . Buktikan dengan menggunakan cara
2

pada contoh 7.2.

3 −7
Contoh 7.7. Dari matriks pada contoh 7.4 yaitu A = [ −1 −3 ]
, nilai eigennya

adalah λ=−4 dan λ=4. Invers dari matriks A adalah

−1 −3 7
A−1= [
16 1 3
. ]
Dengan melakukan serangkaian cara yang sama seperti pada contoh 7.2,
diperoleh

3 7
det( λ I − A )=det
−1

([ λ−
1
16
16
λ+ ])
16 = λ2− 1
3
16
16
.

Persamaan karakteristiknya adalah

1
λ 2− =0
16

Dengan memfaktorkan persamaan karakteristik, diperoleh dua buah nilai eigen

−1 1
yaitu λ= dan λ= .
4 4

7
 1
Dari contoh 7.6, dapat dilihat bahwa nilai eigen dari A−1 adalah , dimana λ
λ
adalah nilai eigen dari A. Dari contoh ini, dapat ditarik sebuah kesimpulan
seperti yang tertuang dalam teorema berikut.

Teorema 7.4. Misalkan A adalah matriks invertible. Jika λ adalah nilai eigen dari A,

1
maka adalah nilai eigen dari A-1.
λ

Bukti. Karena A adalah matriks invertible, maka A mempunyai invers. Misalkan

λ adalah nilai-nilai eigen dari A dan untuk suatu vector ⃗x ≠ 0 diperoleh

1 1
A-1 ⃗x = A-1(1⃗x )= A-1 ( . λ . ⃗x )= A-1( λ . ⃗x )
λ λ

Dengan menggunakan bentuk (7.1) diperoleh

1 -1 1 1 1
A-1 ⃗x = A (A . ⃗x) = ¿ A-1 . A) x⃗ = . I . ⃗x = ⃗x .
λ λ λ λ

1
Oleh karena itu, merupakan nilai eigen dari A-1.
λ
Sekarang kita bahas mengenai vektor eigen. Pada Definisi 7.1 kita telah
mengetahui bahwa vektor eigen dari matriks A adalah vektor tak nol ⃗x yang
memenuhi persamaan A⃗x =λ⃗x . Ada beberapa langkah untuk menentukan nilai
eigen dan vektor eigen yakni:

1. Tentukan persamaan karakteristik dengan menggunakan persamaan

determinan

2. Tentukan nilai eigen dengan menyelesaikan persamaan karakteristik

karakteristik yang diperoleh dari langkah 1

3. Untuk setiap nilai eigen yang telah diperoleh pada langkah 2, tentukan
ruang ruang nol dari persamaan = 0. vektor tak nol yang diperoleh dari
setiap nilai eigen, merupakan vektor eigen dari matriks A.

4. Tentukanlah basis untuk ruang eigen tersebut

8
 Contoh 7.8. carilah basis basis untuk ruang eigen dari matriks

3 2 0

[ ]
A= 2 3 0
0 0 5

Dengan melakukan serangkaian cara yang sama seperti contoh 7.2 diperoleh
persamaan karakteristik yakni:

(λ – 1) (λ – 5)2 = 0

Sehingga diperoleh λ = 1 dan λ = 5

Dari Definisi 7.1 , ⃗x = ( x1, x2, x3)T merupakan vektor eigen yang sesuai
dengan nilai λ. Dari persamaan ( λI – A )⃗x = 0, yakni

λ−3 −2 0 x1 0
[ −2 λ−3
0 0
0
λ−5 ][ ] [ ]
x 2 = 0 . ………….. (1)
x3 0

Untuk λ = 1 , bentuk (1) menjadi

−2 −2 0 x1 0
[ −2 −2 0
0 0 −4 ][ ] [ ]
x2 = 0
x3 0

Dengan menyelesaikan sistem persamaan tersebut, diperoleh

x1 = - s, x2 = s dan x3 = 0

Vektor eigen yang bersesuaian dengan λ = 1 adalah

−s −1

0[] []
⃗x = s = S 1
0

Sehingga

−1
[]
1
0

Merupakan basis untuk ruang yang bersesuaian dengan λ = 1.

9
 Untuk λ = 5, bentuk (1) menjadi

2 −2 0 x1 0
[ −2 2 0
0 0 0 ][ ] [ ]
x2 = 0
x3 0

Dengan menyelesaikan sistem persamaan tersebut, diperoleh

x1 = s, x2 = s dan x3 = t

Vektor eigen yang bersesuaian dengan λ = 5 adalah

s 1 0
[] [] []
⃗x = s = s 1
t 0
+t 0.
1

Karena vektor-vektor

1 0
[] []
1 dan 0
0 1

Adalah bebas linier, maka vektor-vektor tersebut membentuk basis untuk ruang
eigen yang bersesuaian dengan λ = 5.
Pada contoh 7.6, untuk λ = 1 , vektor eigennya adalah ⃗x = ( -s, s, 0 )T untuk
sembarang bilangan scalar real s . Jadi ( -1,1, 0 )T, ( -2,2, 0 )T, ( 1,-1, 0 )T juga
merupakan vektor eigennya. Misalkankita ambil ⃗x = ( 1,-1, 0 ). Dari Definisi
7.1, diperoleh

A ⃗x = λ⃗x

3 2 0 1 1
[ ][ ] [ ] 1
2 3 0 −1 = −1
0 0 5 0 0

1 1
[ ][ ] −1 = −1
0 0

Oleh karena itu, vektor eigen yang bersesuaian dengan nilai λ adalah tak hingga
banyaknya. Untuk memudahkan kita dalam pemilihan vektor eigen, kita dapat

10
menganggap basis dari ruang eigen sebagai vektor eigennya. Sehingga ( -1,1, 0 )
T
, ( 1,1, 0 )T , dan ( 0, 0, 1)T merupakan vektor-vektor eigen dari matriks A.

Definisi 7.5 Misalkan T:V→V adalah sebuah transformasi linier. Bilangan

skalar λ adalah nilai eigen dari T jika terdapat sebuah vektor taknol ⃗x di T
sedemikian sehingga bentuk (7.1) menjadi

T⃗x = λ⃗x . (7.7)

Vektor ⃗x disebut sebagai vektor eigen dari T yang bersesuaian dengan nilai λ.

Definisikan sebuah matriks T yang berasal dari trans-formasi linier T, sehingga

bentuk (7.5) menjadi

det(λI – T) = 0 (7.8)

Persamaan diatas disebut sebagai persamaan karakteristik. Selanjutnya dapat

mengubah bentuk (7.4) menjadi

(λI – T) ⃗x = 0. (7.9)

Penyelesaian dari sistem (7.9) berupa vektor eigen yang bersesuaian dengan
nilai λ dan ruang penyelesaian dari sistem (7.9) disebut sebagai ruang eigen
(kernel).

Contoh 7.9 :

Tentukan nilai eigen dan basis untuk ruang eigen dari ope-rator linier T:P2 → P2
yang didefinisikan oleh

T(α 0 + α 1x + α 2x ) = (3α 0 + 2α 1) + (2α 0 + 3α 1) x + (5α 2) x2.

Matriks T terhadap basis baku B = {1,x,x2} adalah

3 2 0

[ ]
T= 2 3 0
0 0 5

Pada contoh 7.8 telah diperoleh nilai karakteristiknya yakni λ = 1 dan λ = 5.

Pada contoh 7.8 juga telah di peroleh bahwa ruang eigen T yang bersesuaian

11
 dengan λ = 1 mempunyai basis u1 = (-1,1,0)T dan ruang eigen yang bersesuaian
dengan λ = 5 mempunyai basis u2 = (1,1,0)T dan u3 = (0,0,1)T.

Matriks-matriks yang merupakan matriks koordinat terhadap basis baku

B adalah

p1 = -1 + x, p2 = 1 + x, dan p3 = x2

Oleh karena itu, {-1 + x} merupakan adalah basis untuk T yang bersesuaian
dengan λ = 1, dan {1 + x, x2} adalah basis untuk T yang bersesuaian dengan λ =
5.

Contoh 7.10:

Misalkan sebuah transformasi linier T : M2x2 → M2x2 yang didefinisikan oleh

T ([ ac bd]) = [ dc ab ] .
(a) Carilah nilai-nilai eigen T.
(b) Carilah basis-basis untuk ruang eigen T.
(c) Jika A adalah vektor eigen T untuk λ = -1, maka tentukan det(A).

Untuk menjawab (a), terlebih dahulu kita tuliskan bentuk (7.7) menjadi

T ([ ac bd])= λ [ ac dd ]
Atau

[ dc ab ] = [ λaλc λdλb ].
Sehingga diperoleh sistem persamaan

λa – c = 0

-a + λb = 0

λc – d = 0 (7.10)

12
 -b + λd = 0

Sistem persamaan ini akan mempunyai solusi tak trival untuk a, b, c dan d jika

λ 0 −1 0
det
0
([
−1 λ
0
0 −1 0
0 0
λ −1
λ
=0
])
atau λ4 – 1 = 0. Kita faktorkan menjadi

(λ2 + 1)( λ2 – 1) = 0

(λ – i) (λ + i) (λ – 1) (λ + 1) = 0.

Dapat diperoleh nilai eigennya yakni λ = i, λ = -i, λ = 1, λ = -1. Karena kita

menganggap λ adalah skalar real, maka yang memenuhi adalah λ = 1 dan λ = -1.

Untuk menjawab (b), substitusikanlah nilai λ yang telah diperoleh pada

bagian (a) ke dalam matriks yang diperbesar dari sistem (7.10). Jika nilai λ = -1,
maka diperolehlah matriks

−1 0 −1 0 0

[ −1 −1 0
0
0
0 −1 −1
0 −1 0 −1
0
0
0
]
Dengan mereduksi matriks yang diperbesar tersebut diperoleh α = s, b = -s, c =
-s, d = s. Vektor eigen yang bersesuaian dengan λ = -1 adalah

S [−11 −11 ]
Sehingga [−11 −11 ] merupakan basis untuk T. Untuk nilai λ = 1.
Untuk menjawab (c), lihat kembali vektor eigen yang diperoleh pada
bagian (b). Anggaplah nilai s = 1, maka akan diperoleh

A= [−11 −11 ], dan det(A) = 0.

13
B. Diagonalisasi

Telah kita ketahui bahwa matriks diagonal adalah matriks yang enti-entri
pada diagonal utamanya tidak sama dengan nol, sedangkan entri-entri lainnya
adalah nol.

Defenisi 7.6 matriks persegi A dikatakan dapat didiagonalisasi jika terdapat

martiks invertible P sedemikian sehingga Pˉ¹ AP adalah matriks diagonal.

Dari defenisi 7.6, jika Pˉ¹ AP adalah matriks diagonal, maka matriks P dikatakan
mendiagonalisasi A.

Teorema 7.7 Jika A adalah matriks persegi berukuran n x n, maka pernyataan

berikut ini adalah ekivalen

1. A dapat didiagonalisasi
2. A mempunyai n buah vektor eigen yang bebas linier

Bukti. 1→ 2 karena A dapat didiagonalisasi, maka akan terdapat matriks

invertible P. misalkan matriks P adalah matriks yang berukuran n x n dengan
a ₁ , ⃗a ₂ ,…,⃗a ₙ , yakni
kolom-kolom ⃗

a ₁ , ⃗a ₂ ,…,⃗a ₙ ¿
P = [⃗

Dari defenisi 7.6, Pˉ¹ AP adalah matriks diagonal. Misalkan Pˉ¹ AP = D, dimana
D adalah

λ₁ 0 … 0
D=
⋮
0
[
0 λ₂ … 0
⋮ ⋱ ⋮
0 … λₙ
]
Sehingga diperoleh

a ₁ , ⃗a ₂ ,…,⃗a ₙ ¿ = [ A ⃗
AP = A [⃗ a ₁ ,⃗
Aa ₂,…,⃗
Aaₙ ¿ (7.11)

Dan

14
 λ₁ 0 … 0
PD =
⋮
0
[
0 λ₂ … 0
⋮ ⋱ ⋮
0 … λₙ
a₁,⃗
= [λ ⃗
]
λa ₂,…,⃗
λa ₙ ¿ (7.12)

Karena Pˉ¹ AP = D, maka AP = PD. Sehingga dai (7.11) dan (7.12) dapat kita
peroleh

[ A⃗
a ₁ ,⃗
Aa ₂,…,⃗ a₁,⃗
Aaₙ ¿ = [λ ⃗ λa ₂,…,⃗
λa ₙ ¿ (7.13)

Persamaan kolom-kolomnya adalah

A⃗
a ₁=λ ⃗ Aa₂= ⃗
a₁, ⃗ Aaₙ= ⃗
λa ₂ , ⃗ λa ₙ (7.14)

a ₁ , a⃗ ₂ ,…,⃗a ₙadalah bebas

Karena P adalah invertible, maka kolom-kolom ⃗
linier. Begitu pula kolom-kolomnya dari P adalah tak nol. Dengan defenisi (7.1)
dapat disimpulkan bahwa pada persamaan (7.14) nilai λ₁, λ₂,…,λₙ adalah nilai-
a ₁ , a⃗ ₂ ,…,⃗a ₙ adalah vektor eigen yang bersesuaian
nilai eigen dari A dan ⃗
dengan nilai eigen.

a ₁ , ⃗a ₂ ,…,⃗a ₙ dan gunakan

(i) → (i) misalkan terdapat vektor-vektor eigen ⃗
untuk sebagai kolm-kolom dari matriks P dan λ₁, λ₂,…,λₙ, gunakanlah sebagai
diagonal dari matriks D. Dari persamaan (7.11)-(7.13) diperoleh AP = PD.
Karena vektor-vektor kolom P adalah bebas linier, maka P dapat dibalik.hal ini
mengakibatkan Pˉ¹ AP = D . Oleh karena itu A dapat didiagonalisasi.

Beberapa langkah yang digunakan untuk mendiagonalisasi sebuah matriks

persegi A, yakni :

1. Tentukan nilai eigen dari A

2. Tentukan vektor-vektor eigen yang bersesuaian nilai-nili eigen yang diperoleh
pada langkah 1
3. Bentuklah sebuah matriks P yang kolom-kolomnya adalah vektor-vektor eigen
yang diperoleh pada langkah 2
4. Bentuklah matriks D, dimana D = Pˉ¹ AP yang entri-entrinya merupakan nilai-
nilai eigen pada langkah 1

15
Contoh 7.11 tentukan matriks P yang mendiagonalkan

3 2 0

[ ]
A= 2 3 0
0 0 5

Dari contoh 7.8 telah diperoleh nilai-nilai eigennya yaitu λ = 1 dan λ = 5. Serta
dari contoh tersebut vektor

−1
P₁ = 1
0[]
Merupakan basis untuk ruang eigen yang bersesuaian dengan λ = 1 dan vektor-
vektor

1 0

[]
P₂ = 1 dan P₃ = 0
0 1 []
Membentuk basis untuk ruang eigen yang bersesuaian dengan nilai λ = 5 . Oleh
karena itu, matriks persegi P yang kolomnya berupa vektor eigen adalah

−1 1 0

[
P= 1 1 0
0 0 1 ]
Akan mendiagonalkan A. Nilai dari det (P) = -2, sehingga P merupakan matriks
invertibel. Sekarang kita cek apakah Pˉ¹ AP = D,

1 −1 0 3 2 0 −1 1 0 1 0 0
1
[ ][ ][
Pˉ¹ AP = - −1 −1 0 2 3 0 1 1 0 = 0 5 0
2
0 0 1 0 0 5 0 0 1 0 0 5 ][ ]
Diperoleh matriks diagonal

−1 1 0

[
D= 1 1 0
0 0 1 ]
Contoh berikut ini merupakan matriks persegi yang tidak dapat didiagonalisasi

16
Contoh 7.12 tentukanlah matriks P yang mendiagonalkan

1 2 2
A=
[ 0 2 1
−1 2 2]
Pertama kuta cari terlebih dahulu nilai eigen λ dari matriks A. dengan
menggunakan serangkaian cara seperti contoh 7.2, diperoleh :

λ−1 −2 −2
det (λI – A) = det
([ 0
1 ])
λ−2 −1 = (λ – 1)(λ – 2)².
−2 λ−2

Persamaan karakteristiknya adalah

(λ – 1)(λ – 2)² = 0,

Dan nilai karakteristiknya adalah λ = 1 dan λ = 2

Vektor eingennya adalah peyelesaian dari persamaan

λ−1 −2 −2 X₁ 0

[ 0
1
λ−2 −1
−2 λ−2 ][ ] [ ]
X₂ = 0
X₃ 0

Untuk λ = 1, persamaan tersebut menjadi

0 −2 −2 X₁ 0

[ 0 −1 −1
1 −2 −1 ][ ] [ ]
X₂ = 0
X₃ 0

Penyelesaiannya x₁ = -s, x₂ = -s, x₃ = s. sehingga vektor eigennya adalah

−s −1

[] []
⃗x = −s = s −1
s 1

Kita peroleh vektor eigennya P₁ = (-1, -1,1)ᵀ. Selanjutnya untuk λ = 2,

persamaanya adalah

17
 1 −2 −2 X₁ 0

[ 0 0 −1
1 −2 0 ][ ] [ ]
X₂ = 0
X₃ 0

Penyelesaiannya adalah x₁ = 2s, x₂ = s,dan x₃ = 0. sehingga vektor eigennya

adalah

2s 2

[ ] []
⃗x = s = s 1
0 0

Maka kita peroleh vektor eigennya P₂ = (2,1,0)ᵀ. Karena basis-basis dari ruang
eigennya adalah {P₁, P₂} berdimensi 2 dan matriks P harus berdimensi 3, maka
A tidak mempunyai tiga buah vektor eigen yang bebas linier. Oleh karena itu, A
tidak dapat didiagonalisasi.

Contoh 7.13. Misalkan T : R3 → R3 adalah operator linear yang didefinisikan

oleh

X1 −X 2+ X 3
T
([ ]) [
X 2 = −X 1+ X 3
X3 X 1+ X 2 ]
Carilah basis untuk R3 yang relatif terhadap matriks T diagonal. Kita tinjau basis
baku

B ={ e 1 , e 2 , e 3 } untuk R3, sehingga

1 0 0 −1 0 1
([ ]) [ ]
T(e1) = T 0 = −1 , T(e2) = T
0 1 ([ ]) [ ]
0 1 ([ ]) [ ]
1 = −0 , dan T(e3) = T 0 = 1
1 0

Sehingga matriks [T]B (matriks T yang relatif terhadap basis B) adalah [T] B =

0 −1 1

[ −1 0 1 .
1 1 0 ]
Persamaan karakteristiknya adalah (λ – 1)2 (λ + 2) = 0 (Buktikan).

18
Nilai-nilai eigen dari [T]B adalah λ=1 dan λ=-2. Untuk nilai λ=1, penyelesaian
dari sistem

1 1 −1 X1 0
[ 1 1 −1
−1 −1 1 ][ ] [ ]
X2 = 0
X3 0

adalah x1 = -s + t, x2 = s dan x3 = t. Sehingga vektor eigennya adalah

−s +t −1 1
[ ] [ ] []
⃗x = s
t
=s 1 +t 0 .
0 1

−1 1
[ ] []
Dan vektornya u1 = 1 dan u2 = 0 .
0 1

Bebas linear, sehingga merupakan basis untuk ruang eigen yang bersesuaian
dengan λ=1. Dengan serangkaian cara yang sama, untuk λ=-2 diperoleh vektor

1
[]
u3= 1 .
−1

Misalkan P adalah matriks yang terdiri atas vektor-vektor eigen pada setiap
kolomnya, yakni

−1 1 1

[
P= 1 0 1 .
0 1 1 ]
Sekarang kita cek apakah P-1[T]BP = D.

−1 2 1 0 −1 1 −1 1 1
P-1[T]BP =
1
3 [ ][
1 1 2 −1 0 1 1 0 1
1 1 −1 1 ][
1 0 0 1 −1 ]
1 0 0

[
=0 1 0
0 0 −2 ]
Karena P-1[T]BP adalah matriks diagonal, maka basis

19
 1 1
B` =
{[ ] [ ] [ ]}
−1
1 , 0 , 1 .
0 1 −1

Akan menghasilkan sebuah matriks diagonal dari [T]B`.

Teorema 7.8. Sebuah matriks yang berukuran n x n dengan n buah nilai eigen
yang berbeda dapat didiagonalisasi.

Bukti diserahkan kepada pembaca sebagai latihan. Gunakan Definisi 7.6 dan
Teorema 7.7, serta Definisi 5.17 pada Bab 5.

Contoh 7.14. Matriks pada contoh 7.4 yakni

3−7
A= [−1−3 ]
mempunyai dua buah nilai eigen yaitu λ = -4 dan λ = 4. Teorema 7.8 menjamin

bahwa A dapat didiagonalisasikan. Vektor eigen untuk λ = -4 adalah ⃗x = s [ 11].

Dan vektor eigen λ = 4 adalah ⃗x = s [−71].
Sehingga matriks P = [ 1−7
11 ]
.

1
Selanjutnya P-1AP =
8 [ 1711 ] [−1−3
3−7
] [ 1−7
11 ]

= [−40 40].
Hasil P-1 AP telah sesuai dengan teorema 7.8.

Namun teorema 7.8 menjadi tidak berlaku apabila matriks A adalah

matriks diagonal yang mempunyai beberapa nilai eigen yang sama. Perhatikan
contoh berikut!

20
 1 0 0

[
Contoh 7.15. Misalkan matriks persegi A = 0 −2 0 .
0 0 1 ]
Dengan menggunakan teorema 7.3, nilai-nilai eigennya adalah λ = 1 dan λ = -2.

1 0
[] []
Basis untuk ruang eigen yang bersesuaian dengan λ = 1 adalah 0 dan 0 .
0 1

0
[]
Kemudian basis untuk ruang eigen yang bersesuaian dengan λ = -2 adalah 1 .
0

Dapat dilihat bahwa basisnya merupakan basis baku untuk R3. Oleh karena itu
matriks P = I,

1 0 0

[
sehingga P-1 AP = A = 0 −2 0 .
0 0 1 ]

21
 BAB III

PENUTUP
A. Kesimpulan

Jika A matriks m n, maka vektor x yang tidak nol di Rn disebut vektor

eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x, yaitu Ax = λ x
untuk suatu skalar λ. Skalar λ dinamakan nilai eigen (eigen value) dari A.
Persamaan det (λ I – A) = 0 dengan λ sebagai variabel disebut persamaan
karakteristik dari matriks A. Akar-akar atau skalar-skalar yang memenuhi
persamaan ini adalah nilai-nilai eigen (nilai-nilai karakteristik) dari matriks A.
Det(λ I – A) ≡ f(λ) yaitu berupa polinom dalam λ yang dinamakan polinom
karakteristik. Jika A adalah suatu matriks n n dan λ adalah suatu bilangan real,
maka pernyataan-pernyataan berikut ini adalah ekuivalen

(a) λ adalah nilai-nilai eigen dari matriks A.

(b) Sistem persamaan (λ I – A)x = 0 mempunyai penyelesaian tak trivial (non

trivial).

(c) Ada vektor x yang tidak nol dalam Rn sedemikian sehingga Ax = λx.

(d) λ adalah suatu penyelesaian real dari persamaan karakteristik det (λ I – A) =

0.

B. Saran

Dalam penulisan makalah ini yang berjudul ”Determinan Matriks”

mungkin terdapat kesalahan , kami sebagai pemakalah sangat berharap kepada
para pembaca untuk memberikan kritik, masukan, ataupun saran untuk
menambah pengetahuan kita mengenai isi yang terdapat dalam makalah ini.
Semoga makalah ini bermanfaat untuk pembaca dan kita semua.

22
 DAFTAR PUSTAKA

Sari. Rina Filia, dkk.2019. MATRIKS, Aljabar Linier dan Aplikasinya. Medan : Perdana
Publishing.

Gozali, Sumanang Muhtar. 2010. Aljabar Linier. Bandung: Universitas Pendidikan

Indonesia.

Novrida, Rida. 2012. “ Nilai Eigen dan Vektor Eigen”. Fakultas Matematika dan Ilmu
Pengetahuan Alam. Universitas Indonesia. Depok.

Husein, Ismail dkk. 2017. Aljabar Linier Dasar dan Aplikasinya. Medan : Perdana
Publishing.

23