Sekilas Aljabar Vektor Dan Matriks
Sekilas Aljabar Vektor Dan Matriks
Buku Bacaan
Applied Multivariate Statistical Analysis, Sixth Edition
Richard A. Johnson & Dean W. Wichern
𝑥1
𝑥2
𝒙 = [ ⋮ ] 𝑎𝑡𝑎𝑢 𝒙′ = [𝑥1 , 𝑥2 , … , 𝑥𝑛 ]
𝑥𝑛
Perhatikan bahwa 𝒙′ merupakan transpose dari vektor 𝒙, yakni operasi transpose suatu kolom
menjadi baris. Misalkan diberikan vektor sebagai berikut.
1
𝒙=[ ]
2
𝒙′ = [ 1 2 ]
[2.2.2] Visualisasi Vektor (2 Dimensi & 3 Dimensi)
Suatu vektor 𝒙 secara geometri dapat dinyatakan sebagai suatu garis berarah (directed line)
berdimensi 𝑛, dengan komponen 𝑥1 sepanjang sumbu pertama (first axis), 𝑥2 sepanjang sumbu
kedua (second axis), … dan 𝑥𝑛 sepanjang sumbu ke- 𝑛 . Gambar 2.2.1 merupakan ilustrasi
visualisasi suatu vektor berdimensi 3.
Gambar 2.2.1
Applied Multivariate Statistical Analysis, Sixth Edition
Richard A. Johnson & Dean W. Wichern
𝑥1 = 2
𝒙=[ ]
𝑥2 = 1
𝑥1
1 2
Gambar 2.2.2
𝑥1 = 2
𝒙=[ ]
𝑥2 = −1
𝑥1
Dalam contoh ini, titik
awalnya terletak pada
titik asal.
𝑥2
Gambar 2.2.3
[2.2.3] Memperpanjang dan Memperpendek Vektor (Mengalikan Vektor dengan
Konstanta)
Suatu vektor dapat diperpanjang atau diperpendek (expandend or contracted) dengan
mengalikannya dengan suatu konstanta 𝑐. Dalam hal ini, didefinisikan vektor 𝑐𝒙 sebagai
𝑐𝑥1
𝑐𝑥2
.
𝑐𝒙 = .
.
[𝑐𝑥𝑛 ]
yakni, 𝑐𝒙 merupakan vektor yang diperoleh dengan mengalikan setiap elemen dari vektor 𝒙
dengan konstanta 𝑐. Perhatikan Gambar 2.2.4.
Gambar 2.2.4
Applied Multivariate Statistical Analysis, Sixth Edition
Richard A. Johnson & Dean W. Wichern
[2.2.4] Operasi Penjumlahan pada Vektor dan Visualisasinya
Dua buah vektor dapat juga dijumlahkan. Penjumlahan dari dua vektor, yakni 𝒙 dan 𝒚
didefinisikan sebagai
𝑥1 𝑦1 𝑥1 + 𝑦1
𝑥2 𝑦2 𝑥2 + 𝑦2
. . .
𝒙+𝒚 = . + . = .
. . .
[𝑥𝑛 ] [𝑦𝑛 ] [𝑥𝑛 + 𝑦𝑛 ]
Sehingga 𝒙 + 𝒚 merupakan vektor dengan 𝑥𝑖 + 𝑦𝑖 sebagai elemen ke-𝑖. Sebagai contoh misalkan
diberikan 2 buah vektor, yakni
3 1
𝒙 = [4] 𝑑𝑎𝑛 𝒚 = [3]
7 2
maka elemen ke-1 dari vektor 𝒙 + 𝒚 adalah 𝑥1 + 𝑦1 , yakni 3 + 1 = 4, elemen ke-2 dari vektor
𝒙 + 𝒚 adalah 𝑥2 + 𝑦2 , yakni 4 + 3 = 7 , dan elemen ke-3 dari vektor 𝒙 + 𝒚 adalah 𝑥3 + 𝑦3 ,
yakni 7 + 2 = 9.
3+1 4
𝒙 + 𝒚 = [4 + 3 ] = [7 ]
7+2 9
Penjumlahan dari dua buah vektor yang berasal dari titik pusat (origin) menyatakan diagonal
dari jajarangenjang (parallelogram) yang dibentuk dari dua buah vektor asal (two original
vectors) tersebut yang saling berdampingan (adjacent sides) (Gambar 2.2.5).
Gambar 2.2.5
Applied Multivariate Statistical Analysis, Sixth Edition
Richard A. Johnson & Dean W. Wichern
1 0
𝒙 = [ ] 𝑑𝑎𝑛 𝒚 = [ ]
0 1
Maka
1+0 1
𝒙+𝒚 =[ ]=[ ]
0+1 1
𝒙+𝒚
𝒚
𝒙
0 1
Gambar 2.2.6
[2.2.5] Panjang dan Arah Vektor
Suatu vektor mempunyai arah dan panjang. Dalam kasus berdimensi 𝑛 = 2 , misalkan
diberikan vektor
𝑥1
𝒙 = [𝑥 ]
2
𝐿𝒙 = √𝑥12 + 𝑥22
Secara geometri (geometrically), panjang dari sebuah vektor berdimensi dua dapat dipandang
sebagai sisi miring dari sebuah segitiga siku-siku. Perhatikan Gambar 2.2.1.4.
Gambar 2.2.7
Applied Multivariate Statistical Analysis, Sixth Edition
Richard A. Johnson & Dean W. Wichern
1
𝒙=[ ]
1
𝐿𝒙 = √12 + 12 = √2
Perhatikan Gambar 2.2.8.
1
Panjang vektor 𝒙 adalah √2 . 𝒙=[ ]
Panjang dari sebuah vektor 1 1
berdimensi dua dapat 𝐿𝒙 = √2
dipandang sebagai sisi miring
dari sebuah segitiga siku-
siku. 0 1
Gambar 2.2.8
Perkalian suatu vektor 𝒙 dengan suatu skalar 𝒄 akan mengubah panjang. Berdasarkan
persamaan (2.2.1.)
= |𝑐 |𝐿 𝑥
1
𝒙=[ ]
1
Panjang dari vektor 𝒙 adalah
𝐿𝒙 = √12 + 12 = √2
1 √2
√2
Perkalian dengan skalar 𝑐 tidak mengubah arah dari vektor 𝒙 jika 𝑐 > 0. Jika 𝑐 bernilai negatif,
maka membuat suatu vektor dengan arah yang berlawanan terhadap vektor 𝒙 . Misalkan
diberikan vektor dan skalar
1
𝒙 = [ ] 𝑑𝑎𝑛 𝑐 = 2
1
Perhatikan bahwa
1 2
𝑐𝒙 = 2 [ ] = [ ]
1 2
1
2[ ]
1
1
−2 [ ]
1
Jelas bahwa 𝒙 diperpanjang ketika |𝑐 | > 1 dan akan diperpendek ketika 0 < |𝑐 | < 1. Perhatikan
Gambar 2.2.9.
Gambar 2.2.9
Applied Multivariate Statistical Analysis, Sixth Edition
Richard A. Johnson & Dean W. Wichern
1 1
Kemudian misalkan 𝑐 = 4, yakni 0 < 𝑐 = 4 < 1, maka
2 2
1 1 1
𝐿1𝑥 √
= ( × 1) + ( × 1) = √2
4 4 4 4
1
Perhatikan bahwa panjang vekor 𝒙 adalah √2. Kemudian vektor 𝒙 dikalikan dengan skalar 𝑐 = 4
1
panjang vektornya setelah dikalikan dengan skalar tersebut adalah √2, di mana
4
𝐿𝒙 > 𝐿1𝑥
4
1
dan terletak searah dengan vektor 𝒙. Misalkan 𝒙 = [ ]; 𝐿𝒙 = √12 + 12 = √2. Kemudian
1
1
𝐿−1
𝒙 =
√2
maka
1
1 1
𝐿−1
𝒙 𝒙 = [ ] = √2
√2 1 1
[√2]
2 2
1 1 1 1
𝐿𝐿−1
𝒙 𝒙
= √( ) +( ) =√ + =1
√2 √2 2 2
1
𝑝𝑎𝑛𝑗𝑎𝑛𝑔 = 1 Panjang vektor 𝐿 𝒙 adalah 1.
𝒙
Gambar 2.2.10
[2.2.6] Dua Vektor yang Tegak Lurus
Perhatikan bahwa pada Gambar 2.2.11, dua vektor pada bidang (vektor 𝒚 dan vektor 𝒙) dan
sudut 𝜃 diantara kedua vektor tersebut. Perhatikan bahwa sudut 𝜃 direpresentasikan sebagai
selisih antara sudut 𝜃1 dan sudut 𝜃2 yang dibentuk oleh kedua vektor tersebut dan sumbu
koordinat pertama.
Gambar 2.2.11
Applied Multivariate Statistical Analysis, Sixth Edition
Richard A. Johnson & Dean W. Wichern
𝑥1 𝑦1
Perhatikan bahwa vektor 𝒙 = [𝑥 ] menghasilkan sudut 𝜃1 , sedangkan vektor 𝒚 = [𝑦 ]
2 2
𝜃 = 𝜃2 − 𝜃1
𝑥1 𝑦1
cos(𝜃1 ) = ; cos(𝜃2 ) =
𝐿𝑥 𝐿𝑦
𝑥2 𝑦2
sin(𝜃1 ) = ; sin(𝜃2 ) =
𝐿𝑥 𝐿𝑦
Dan
cos(𝜃) = cos(𝜃2 − 𝜃1 ) = cos(𝜃2 ) cos(𝜃1 ) + sin(𝜃2 ) sin(𝜃1 )
𝑦1 𝑥1 𝑦2 𝑥2
cos(𝜃) = cos(𝜃2 − 𝜃1 ) = ( )( )+( )( )
𝐿𝑦 𝐿𝑥 𝐿𝑦 𝐿𝑥
𝑥1 𝑦1 + 𝑥2 𝑦2
= (2.2.3)
𝐿𝑥 𝐿𝑦
Sekarang akan diperkenalkan/didefinisikan perkalian dalam (inner product) dari dua vektor.
Dalam kasus berdimensi 𝑛 = 2, perkalian dalam dari 𝒙 dan 𝒚 adalah
𝑦1
𝒙′ 𝒚 = [𝑥1 𝑥2 ] [𝑦 ] = 𝑥1 𝑦1 + 𝑥2 𝑦2
2
𝑥1
𝐿𝒙 = √𝒙′𝒙 = √[𝑥1 𝑥2 ] [𝑥 ] = √𝑥12 + 𝑥22
2
𝒙′𝒚 𝒙′𝒚
cos(𝜃) = =
𝐿𝒙 𝐿𝒚 √𝒙′𝒙√𝒚′𝒚
Karena cos(90) = cos(270) = 0 dan cos(𝜃) = 0 jika hanya 𝒙′ 𝒚 = 0, 𝒙 dan 𝒚 merupakan tegak
lurus ketika 𝒙′ 𝒚 = 0.
Karena cos(90) = cos(270) = 0 dan cos(𝜃) = 0 hanya jika 𝒙′ 𝒚 = 𝟎, di mana 𝒙 dan 𝒚 tegak
lurus (perpendicular) ketika 𝒙′ 𝒚 = 𝟎. Misalkan diberikan vektor
0 1
𝒙 = [ ] 𝑑𝑎𝑛 𝒚 = [ ]
1 0
Jika kedua vektor 𝒙 dan 𝒚 tersebut digambar, maka diperoleh gambar sebagai berikut.
0
𝒙=[ ]
1
Untuk sembarang bilangan berdimensi 𝑛, kita definisikan perkalian dalam (inner product) dari 𝒙
dan 𝒚 sebagai
𝒙′ 𝒚 = 𝑥1 𝑦1 + 𝑥2 𝑦2 + ⋯ + 𝑥𝑛 𝑦𝑛 (2.2.4)
Dengan menggunakan perkalian dalam (inner product), maka panjang vektor berdimensi 𝑛 dapat
dinyatakan
𝒙′𝒚 𝒙′𝒚
cos(𝜃) = = (2.2.6)
𝐿𝒙 𝐿𝒚 √𝒙′𝒙√𝒚′𝒚
Sekali lagi, karena cos(𝜃) = 0 jika hanya 𝒙′ 𝒚 = 0, maka kita katakan bahwa 𝒙 dan 𝒚 merupakan
1 0
tegak lurus (perpendicular) ketika 𝒙′ 𝒚 = 0. Perhatikan vektor 𝒙 = [ ] dan 𝒚 = [ ] di mana
0 1
saling tegak lurus.
Gambar 2.2.12
Besarnya sudut yang dibentuk dari kedua vektor tersebut adalah 90 (Gambar 2.2.12), sehingga
cos(90) = 0. Perhatikan bahwa
𝟎
𝒙′ 𝒚 = [ 𝟏 𝟎] [ ] = 𝟎
𝟏
1 −1
Seandainya diberikan 𝒙 = [ ] dan 𝒚 = [ ], maka sudut yang dibentuk adalah 180, sehingga
0 0
cos(180) = −1, atau
[1 −1
𝒙′ 𝒚 0] [ ] −1
cos(𝜃) = = 0 = = −1
√𝒙′ 𝒙√𝒚′ 𝒚 1 −1 √1√1
√[1 0] [ ] √[−1 0] [ ]
0 0
Contoh 2.1 (Menghitung panjang dari vektor-vektor dan sudut di antara vektor-vektor
tersebut)
1 3
3𝒙 = 3 [3] = [9]
2 6
3 −2 1
𝒙 + 𝒚 = [9] + [ 1 ] = [10]
6 −1 5
Selanjutnya,
1
𝒙′ 𝒙 = [1,3,2] [3] = 12 + 32 + 22 = 14
2
−2
𝒚 𝒚 = [−2,1, −1] [ 1 ] = (−2)2 + 12 + (−1)2 = 6
′
−1
−2
𝒙′ 𝒚 = [1,3,2] [ 1 ] = (1)(−2) + (3)(1) + (2)(−1) = −1
−1
Sehingga
𝐿𝒙 = √𝒙′𝒙 = √14
𝐿𝒚 = √𝒚′𝒚 = √6
Dan
−1
𝑐𝑜𝑠 (𝜃) = = −0,109
√14√6
𝜃 = 96,3°
Akhirnya
𝑐1 𝒙 + 𝑐2 𝒚 = 𝟎
𝑐1 𝒙𝟏 + 𝑐2 𝒙𝟐 + ⋯ + 𝑐𝑘 𝒙𝒌 = 𝟎 (2.2.7)
Linear dependence secara tidak langsung menyatakan bahwa paling tidak terdapat satu vektor
dalam himpunan dapat dinyatakan sebagai kombinasi linear dari vektor-vektor lain. Vektor-
vektor dengan dimensi yang sama yang tidak linearly dependent disebut sebagai linearly
independent.
1 2
𝒙 = [ ], 𝒚 = [ ]
1 2
Berikut akan ditunjukkan bahwa vektor 𝒙 dan 𝒚 bersifat linearly dependent, yakni terdapat
konstanta 𝒄𝟏 dan 𝒄𝟐 (salah satu konstanta tidak sama dengan) sehingga membuat
𝑐1 𝑥 + 𝑐2 𝑦 = 𝟎
1 2
𝑥+𝑦 =[ ]+[ ]
1 2
1 2
𝑐1 𝑥 + 𝑐2 𝑦 = 𝑐1 [ ] + 𝑐2 [ ]
1 2
Perhatikan bahwa terdapat 𝒄𝟏 dan 𝒄𝟐 (salah satu atau kedua konstanta tidak sama dengan
nol) yang membuat
𝑐1 𝑥 + 𝑐2 𝑦 = 𝟎
1
Yakni, 𝑐1 = 1 dan 𝑐2 = − 2 sehingga
1 1 2 1 −1 0
𝑐1 𝑥 + 𝑐2 𝑦 = (1) [ ] + (− ) [ ] = [ ] + [ ] = [ ]
1 2 2 1 −1 0
Maka kedua vektor bersifat linearly dependent. Perhatikan bahwa kedua vektor tersebut searah.
Linearly dependent
Gambar 2.2.13
1 −1
Misalkan lagi diberikan vektor 𝑥 = [ ] dan 𝑦 = [ ] maka
1 −1
1 −1 0
𝑥+𝑦 =[ ]+[ ]=[ ]
1 −1 0
Perhatikan bahwa terdapat 𝒄𝟏 dan 𝒄𝟐 (salah satu atau kedua konstanta tidak sama dengan
nol) yang membuat
𝑐1 𝑥 + 𝑐2 𝑦 = 𝟎
Yakni, 𝑐1 = 1 dan 𝑐2 = 1 sehingga
1 −1 1 −1
𝑐1 𝑥 + 𝑐2 𝑦 = (1) [ ] + (1) [ ] = [ ] + [ ] = 0
1 −1 1 −1
Linearly dependent
Gambar 2.2.14
Gambar 2.2.15
Sumber: Elementary Linear Algebra, Ninth Edition
Howard Anton
Chris Rorres
Gambar 2.2.16
Sumber: Elementary Linear Algebra, Ninth Edition
Howard Anton
Chris Rorres
Kita dapat menunjukkan keberadaan solusi nontrivial dengan hanya menunjukkan matriks
koefisiennya memiliki determinan 0 dan sebagai konsekuensinya tidak memiliki invers [2].
1 1 1
𝒙𝟏 = [2], 𝒙𝟐 = [ 0 ], 𝒙𝟑 = [−2]
1 −1 1
Dengan menetapkan
𝑐1 𝒙𝟏 + 𝑐2 𝒙𝟐 + 𝑐3 𝒙𝟑 = 0
𝑐1 + 𝑐2 + 𝑐3 = 0
2𝑐1 − 2𝑐3 = 0
𝑐1 − 𝑐2 + 𝑐3 = 0
hanya memiliki solusi tunggal 𝑐1 = 𝑐2 = 𝑐3 = 0. Sebagaimana kita tidak dapat menemukan nilai
dari ketiga konstanta 𝑐1 , 𝑐2 , dan 𝑐3 tidak bernilai nol seluruhnya, sehingga memenuhi 𝑐1 𝒙𝟏 +
𝑐2 𝒙𝟐 + 𝑐3 𝒙𝟑 = 0 . Vektor-vektor dari 𝒙𝟏 , 𝒙𝟐 , dan 𝒙𝟑 tersebut disebut bebas linear (linearly
independent).
𝑥1 = 0
𝑥2 = 0
𝑥3 = 0
Trivial
Bebas Linear
Linearly Independent
Gambar 2.2.17
Contoh Lain[2]
Perlihatkan bahwa vektor (2,2,2) dapat dinyatakan sebagai kombinasi linier dari vektor 𝒖 =
(0, −2,2) dan vektor 𝒗 = (1,3, −1), yakni terdapat skalar 𝑘1 dan 𝑘2 sehingga memenuhi
(2,2,2) = 𝑘1 𝒖 + 𝑘2 𝒗
Penyelesaian
Agar vektor (2,2,2) dapat dinyatakan sebagai kombinasi linier dari vektor 𝒖 dan vektor 𝒗, maka
harus terdapat skalar 𝑘1 dan 𝑘2 sehingga memenuhi
Diketahui 𝑘2 = 2, maka
2𝑘1 + 3𝑘2 = 2
−2𝑘1 + 3(2) = 2
−2𝑘1 = −4
𝑘1 = 2
Atau
2𝑘1 − 𝑘2 = 2
2𝑘1 − (2) = 2
2𝑘1 = 4
𝑘1 = 2
Sehingga
Perhatikan bahwa vektor (2,2,2) dapat dinyatakan sebagai kombinasi linier dari vektor 𝒖 dan
vektor 𝒗 karena karena terdapat skalar 𝑘1 = 2 dan 𝑘2 = 2 sehingga memenuhi
(2,2,2) = 𝑘1 𝒖 + 𝑘2 𝒗
Gambar 2.2.18
Sumber: Elementary Linear Algebra, Ninth Edition
Howard Anton
Chris Rorres
Gambar 2.2.19
Sumber: Elementary Linear Algebra, Ninth Edition
Howard Anton
Chris Rorres
𝑘1 = 2
𝑘2 = 2
Memenuhi
𝑘2 = 2
−2𝑘1 + 3𝑘2 = 2
2𝑘1 − 𝑘2 = 2
Gambar 2.2.20
Contoh Lain
Berikut akan diperiksa, apakah vektor-vektor
1 1 1
𝒙𝟏 = [2], 𝒙𝟐 = [ 0 ], 𝒙𝟑 = [−2]
1 −1 1
Termasuk bebas linear (linearly independent) atau tidak bebas linear (linearly independent).
Dengan menetapkan
𝑐1 𝒙𝟏 + 𝑐2 𝒙𝟐 + 𝑐3 𝒙𝟑 = 0
1 1 1
𝑐1 [2] + 𝑐2 [ 0 ] + 𝑐3 [−2] = 0
1 −1 1
𝑐1 + 𝑐2 + 𝑐3 = 0
2𝑐1 − 2𝑐3 = 0
𝑐1 − 𝑐2 + 𝑐3 = 0
Gambar 2.2.21
𝑥1 = 0
𝑥2 = 0
𝑥3 = 0
Trivial
Bebas Linear
Linearly Independent
Gambar 2.2.22
[2.2.8] Projection (Bayangan) Vektor 𝒙 terhadap Vektor 𝒚
cos 𝜃
Lihat pada (2.2.3).
1
𝐿−1
𝒚 𝒚=𝐿 𝒚
𝑦
memiliki panjang 1
Gambar 2.2.23
Applied Multivariate Statistical Analysis, Sixth Edition
Richard A. Johnson & Dean W. Wichern
|𝒙′𝒚| 1 | 𝒙 ′ 𝒚| 𝑥′𝑦
𝐿𝑒𝑛𝑔𝑡ℎ 𝑜𝑓 𝑝𝑟𝑜𝑗𝑒𝑐𝑡𝑖𝑜𝑛 = 𝒚 = (1) = 𝐿 𝑥 | | = 𝐿𝑥 cos 𝜃 (2.2.9)
𝐿𝒚 𝐿𝒚 𝐿𝑦 𝐿𝑥 𝐿𝑦
𝐿𝒙 = √𝒙′𝒙
𝐿𝒙 . 𝐿𝒙 = 𝒙′𝒙
𝐿−1
𝒚 𝑦
3
𝑦 = [ ] , 𝐿𝑦 = √32 + 42 = 5
4
3
1 3
𝐿−1
𝒚 𝑦 = [ ] = [5]
5 4 4
5
Ingat!!!
𝑥′𝑦
3 2 4 2 25 cos 𝜃 =
𝐿𝐿−1 = √( ) + ( ) = √ = 1 𝐿𝑥 𝐿𝑦
𝒚 𝑦
5 5 25
Lihat pada (2.2.3).
Panjang dari proyeksi
|𝑥′𝑦| 𝑥′𝑦
𝐿𝑒𝑛𝑔𝑡ℎ 𝑜𝑓 𝑝𝑟𝑜𝑗𝑒𝑐𝑡𝑖𝑜𝑛 = = 𝐿𝑥 | | = 𝐿𝑥 cos 𝜃
𝐿𝑦 𝐿𝑥 𝐿𝑦
1
𝒙=[ ]
1
2
𝒚=[ ]
0
Besar 𝜃 = 45
1
𝒙=[ ]
1 2
𝒚=[ ]
0
𝜃 = 45
0 1 2
1
𝑝𝑟𝑜𝑗𝑒𝑐𝑡𝑖𝑜𝑛 𝑜𝑓 𝒙 𝑜𝑛 𝒚 = [ ]
0
√12 + 02 = 1
2
([1 1] [ ]) 1
0 2
𝑝𝑟𝑜𝑗𝑒𝑐𝑡𝑖𝑜𝑛 𝑜𝑓 𝒙 𝑜𝑛 𝒚 = [ ]
√2 + 0 √2 + 0 0
2 2 2 2
21 2 1
𝑝𝑟𝑜𝑗𝑒𝑐𝑡𝑖𝑜𝑛 𝑜𝑓 𝒙 𝑜𝑛 𝒚 = [ ]=[ ]
22 0 0
|𝑥 ′ 𝑦 | 𝑥 ′𝑦
𝐿𝑒𝑛𝑔𝑡ℎ 𝑜𝑓 𝑝𝑟𝑜𝑗𝑒𝑐𝑡𝑖𝑜𝑛 = = 𝐿𝑥 | | = 𝐿𝑥 cos 𝜃 = (√12 + 12 ) cos(45)
𝐿𝑦 𝐿𝑥 𝐿𝑦
1
= √2 ( √2) = 1
2
1
𝑝𝑟𝑜𝑗𝑒𝑐𝑡𝑖𝑜𝑛 𝑜𝑓 𝒙 𝑜𝑛 𝒚 = [ ]
0
𝐿𝑒𝑛𝑔𝑡ℎ 𝑜𝑓 𝑝𝑟𝑜𝑗𝑒𝑐𝑡𝑖𝑜𝑛 = 1
[2.2.9] Matriks
Suatu matriks merupakan suatu array persegi panjang dari bilangan-bilangan real. Kita notasikan
sembarang array dari 𝑛 baris dan 𝑝 kolom oleh
Operasi transpose (transpose operation) 𝐴′ dari suatu matriks mengubah kolom menjadi baris,
sehingga kolom pertama dari matriks 𝐴 menjadi baris pertama dari matriks 𝐴′; kolom kedua dari
matriks 𝐴 menjadi baris kedua dari matriks 𝐴′, dan seterusnya.
3 −1 2
𝐴2×3 = [ ]
1 5 4
Maka
3 1
′ [
𝐴 = −1 5]
2 4
Gambar 2.2.24
Suatu matriks juga dapat dikalikan dengan suatu konstanta 𝑐. Hasil kali 𝑐𝑨 merupakan suatu
matriks, yakni dengan mengalikan setiap elemen dari matriks 𝑨 dengan 𝑐. Jadi
Dua buah matriks 𝑨 dan 𝑩 dengan dimensi yang sama dapat dijumlahkan. Matriks dari hasil
jumlah, yakni 𝑨 + 𝑩 memiliki entri ke-(𝑖, 𝑗) berupa 𝑎𝑖𝑗 + 𝑏𝑖𝑗 .
Contoh 2.4 (Jumlah dari dua matriks, perkalian matriks dengan suatu konstanta)
Jika
0 3 1 1 −2 −3
𝑨2×3 = [ ] 𝑑𝑎𝑛 𝑩2×3 = [ ]
1 −1 1 2 5 1
Maka
0 3 1 0 12 4
4𝑨 = 4 [ ]=[ ]
1 −1 1 4 −4 4
Dan
Ketika matriks 𝑨 memiliki dimensi (𝑛 × 𝑘) dan matriks 𝑩 memiliki dimensi (𝑘 × 𝑝), kita dapat
membentuk matriks dari hasilkali (product) 𝑨𝑩. Suatu elemen dari matriks 𝑨𝑩 merupakan inner
product dari setiap baris dari matriks 𝑨 dengan setiap kolom dari matriks 𝑩.
Hasilkali matriks 𝑨𝑩 merupakan
𝑨𝒏×𝒌 𝑩𝒌×𝒑 = Suatu matriks berdimensi (𝑛 × 𝑝) yang entrinya pada baris ke-𝑖 dan kolom ke-𝑗
merupakan inner product dari baris ke-𝑖 pada matriks 𝑨 dan kolom ke-𝑗 pada matriks 𝑩.
Atau
𝑒𝑛𝑡𝑟𝑖 𝑘𝑒 − (𝑖, 𝑗) 𝑑𝑎𝑟𝑖 𝑚𝑎𝑡𝑟𝑖𝑘𝑠 𝑨𝑩 = 𝑎𝑖1 𝑏1𝑗 + 𝑎𝑖2 𝑏2𝑗 + ⋯ + 𝑎𝑖𝑘 𝑏𝑘𝑗 = ∑ 𝑎𝑖𝑙 𝑏𝑙 𝑗 (2.2.2.10)
𝑙=1
𝑘𝑜𝑙𝑜𝑚 𝑘𝑒 − 𝑗
⋮
= 𝑏𝑎𝑟𝑖𝑠 𝑘𝑒 − 𝑖 [⋯ (𝑎𝑖1 )(𝑏1𝑗 ) + (𝑎𝑖2 )(𝑏2𝑗 ) + (𝑎𝑖3 )(𝑏3𝑗 ) + (𝑎𝑖4 )(𝑏4𝑗 ) ⋯]
⋮
−2
3 −1 2 2 0
𝑨=[ ], 𝑩 = [ 7 ], 𝑪=[ ]
1 5 4 1 −1
9
Maka
−2
3 −1 2 3(−2) − 1(7) + 2(9) 5
𝑨𝑩 = [ ][ 7 ] = [ ]=[ ]
1 5 4 1(−2) + 5(7) + 4(9) 69
9
Ketika suatu matriks 𝑩 terdiri dari sebuah kolom, biasanya (customary) dinyatakan dengan huruf
kecil 𝒃, yakni vektor 𝒃.
7 5
1 −2 3 2
𝑨=[ ] , 𝒃 = [−3] , 𝒄 = [ 8 ] , 𝒅 = [ ]
2 4 −1 9
6 −4
Maka
7
1 −2 3 31
𝑨𝒃 = [ ] [−3] = [ ]
2 4 −1 −4
6
5
′
𝒃 𝒄 = [7 −3 6 [ 8 ] = [−13]
]
−4
Hasilkali (product) 𝒃′𝒄 merupakan vektor 1 × 1 atau bilangan tunggal (single number), yakni
−13.
7 35 56 −28
′
𝒃𝒄 = [−3] [5 8 − 4] = [−15 −24 12 ]
6 30 48 −24
7 7
1 −2 3
𝒅′ 𝑨𝒃 = [2 9] [ ] [−3] = [20 32 − 3] [−3] = 26
2 4 −1
6 6
Hasilkali (product) 𝒅′𝑨𝒃 merupakan vektor 1 × 1 atau suatu bilangan tunggal, yakni 26. Matriks
persegi (square matrices) merupakan bagian yang penting dalam pengembangan metode
statistika (development of statistical methods). Matriks persegi dikatakan simetri jika
𝑨 = 𝑨′
Atau
𝑎𝑖𝑗 = 𝑎𝑗𝑖
[3 5 ]
5 −2
𝑎𝑖𝑗 = 𝑎𝑗𝑖
𝑎12 = 𝑎21
3 6
[ ]
4 −2
𝑎12 ≠ 𝑎21
Bukan merupakan matriks simetri. Ketika dua buah matriks persegi (square matrices) 𝑨 dan 𝑩
memiliki dimensi yang sama (same dimension), hasilkali baik 𝑨𝑩 dan 𝑩𝑨 terdefinisi,
meskipun hasil keduanya tidak mesti sama.
Gambar 2.2.25
Misalkan 𝑰 merupakan matriks persegi with ones on the diagonal dan bernilai 0 selain dari pada
itu (matriks identitas), ini berarti berdasarkan definisi dari perkalian matriks bahwa entri ke-(𝑖𝑗)
dari matriks 𝑨𝑰 adalah
1 2 3 1 0 0
𝑨 = [ 4 5 6 ] , 𝑰 = [0 1 0 ]
7 8 9 0 0 1
𝑎𝑖𝑗
𝑎𝑖𝑗
Demikian pula
𝑰𝑨 = 𝑨
Jadi,
Matriks 𝑰 bertindak sebagai bilangan 1 dalam perkalian biasa (1. 𝑎 = 𝑎. 1 = 𝑎). Jadi matriks 𝑰
disebut sebagai matriks identitas.
[2.2.10] Invers Matriks
Jika terdapat matriks 𝑩 sedemikian rupa sehingga
𝑩𝑨 = 𝑨𝑩 = 𝑰
Maka matriks 𝑩 disebut sebagai invers dari matriks 𝑨 yang dilambangkan dengan 𝑨−𝟏 . Syarat
dari suatu matriks memiliki invers adalah ketika kolom-kolom 𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒌 dari matriks 𝑨
merupakan bebas linear (linearly independent). Yakni, keberadaan dari 𝑨−𝟏 berarti
3 2
𝐴=[ ]
4 1
Maka
3 2
𝒂𝟏 = [ ], 𝒂𝟐 = [ ]
4 1
3 2
𝑐1 𝒂𝟏 + 𝑐2 𝒂𝟐 = 𝑐1 [ ] + 𝑐2 [ ] = 0
4 1
Nilai 𝑐1 dan 𝑐2 agar 𝑐1 𝒂𝟏 + 𝑐2 𝒂𝟐 = 𝟎 adalah 𝑐1 = 𝑐2 = 0 selain itu tidak ada. Maka matriks 𝐴
linearly independent yakni punya invers.
Nilai determinan tidak sama
dengan nol, punya invers.
Linearly independent. Trivial.
Gambar 2.2.26
3 2
𝑨=[ ]
4 1
−2 4
[ ]
8 −6
Merupakan 𝑨−𝟏 .
Gambar 2.2.27
Kita nyatakan
3 2 0
𝑐1 [ ] + 𝑐2 [ ] = [ ]
4 1 0
Matriks-matriks diagonal memiliki invers yang sangat mudah untuk dihitung. Perhatikan bahwa
pada matriks
Salah satu nilai 𝑎𝑖𝑗
tidak boleh bernilai
0.
Memiliki invers
1
= 0,25
4
Gambar 2.2.28
[2.2.11] Matriks-Matriks Orthogonal
Jenis matriks persegi lain yang memiliki sifat
Kutipan Buku:
ALJABAR LINEAR ELEMENTER, VERSI APLIKASI, EDISI KEDELAPAN, JILID 1
HALAMAN 364
𝐴−1 = 𝐴𝑇
Disebut sebagai matriks orthogonal. Dari definisi ini kita mengetahui bahwa sebuah matriks
bujur sangkar 𝐴 orthogonal jika dan hanya jika
𝐴𝐴𝑇 = 𝐴𝑇 𝐴 = 𝐼
Pada kenyataannya, dari Teorema 1.6.3 kita telah mengetahui bahwa sebuah matriks bujur
sangkar 𝐴 orthogonal jika 𝐴𝐴𝑇 = 𝐼 ATAU 𝐴𝑇 𝐴 = 𝐼.
Gambar 2.2.29
4/5 0 −3/5
𝐴 = [−9/25 4/5 −12/25]
12/25 3/5 16/25
Gambar 2.2.30
Jadi baris-baris memiliki unit length dan bersifat orthogonal. Berdasarknya kondisi 𝑸′ 𝑸 = 𝑰,
kolom-kolom memiliki sifat yang sama. Pada matriks
3 2 2 2 6 2 9 + 4 + 36
√( ) + ( ) + ( ) = √ =1
7 7 7 49
−6 2 3 2 2 2
√( ) + ( ) + ( ) = 1
7 7 7
2 2 6 2 −3 2
√( ) + ( ) + ( ) = 1
7 7 7
3 2 −6 2 2 2
√( ) + ( ) + ( ) = 1
7 7 7
2 2 3 2 6 2
√( ) + ( ) + ( ) = 1
7 7 7
6 2 2 2 −3 2
√( ) + ( ) + ( ) = 1
7 7 7
[2.2.12] Nilai Eigen dan Vektor Eigen
Matriks persegi (square matrix) 𝑨 dikatakan memiliki nilai eigen 𝝀, dengan vektor eigen-nya
yang bersesuaian (eigenvector) 𝒙 ≠ 𝟎, jika
𝑨𝒙 = 𝝀𝒙 (2.2.14)
Biasanya, kita normalize (menormalkan) vektor 𝒙 sehingga memiliki panjang 1 (length unity),
yakni 𝒙′ 𝒙 = 1. Seringkali menotasikan normalized eigenvectors dengan notasi 𝒆.
𝜆1 , 𝑒1 𝜆2 , 𝑒2 … 𝜆𝑘 , 𝑒𝑘 (2.2.15)
Vektor-vektor eigen dapat dipilih untuk memenuhi 1 = 𝒆′𝟏 𝒆𝟏 = ⋯ = 𝒆′𝒌 𝒆𝒌 dan be mutually
perpendicular. Vektor-vektor eigen merupakan unik/tunggal (unique), kecuali jika dua atau lebih
nilai-nilai eigennya sama.
Misalkan
1 − 5]
𝐴=[
−5 1
Maka
1/√2 1/√2
[1 − 5] [ ] = 6[ ]
−5 1 −1/√2 −1/√2
𝜆1 = 6 merupakan nilai eigen, dan
1
√2
𝒆𝟏 =
1
−
[ √2]
Anda boleh memperlihatkan pasangan nilai eigen dan vektor eigen yang kedua, yakni
𝜆2 = −4
1 1
𝒆′𝟐 = [ , ]
√2 √2
Metode untuk menghitung nilai-nilai eigen dan vektor-vektor eigen dipaparkan pada bagian 2A.
1 1 1 1
[ , − ] atau [− , ] Nilai eigen 𝜆 = −4 dan vektor
√2 √2 √2 √ 2
[0,7071; −0,7071] atau eigennya
[−0,7071; 0,7071]
1 1 1 1
[ , ] atau [− 2 , − 2]
√2 √2 √ √
[0,7071; 0,7071] atau
[−0,7071; −0,7071]
Gambar 2.2.31
Kutipan Buku:
ALJABAR LINEAR ELEMENTER, VERSI APLIKASI, EDISI KEDELAPAN, JILID 1
Halaman 108
Teorema [1] Suatu matriks bujursangkar 𝑨 dapat dibalik, jika dan hanya jika 𝒅𝒆𝒕(𝑨) ≠ 𝟎
Halaman 109
Teorema [2] Jika 𝑨 dapat dibalik, maka
1
𝑑𝑒𝑡(𝐴−1 ) = (1)
𝑑𝑒𝑡(𝐴)
𝐴𝑥 = 𝜆𝑥 (2)
Di mana 𝜆 adalah suatu skalar. Sistem persamaan semacam ini sebenarnya merupakan sistem
linear homogen yang tersamar, karena (2) dapat ditulis kembali sebagai
𝜆𝑥 − 𝐴𝑥 = 0
𝑥1 + 3𝑥2 = 𝜆𝑥1
4𝑥1 + 2𝑥2 = 𝜆𝑥2
Dapat ditulis dalam bentuk matriks sebagai
1 3 𝑥1 𝑥1
[ ] [𝑥 ] = 𝜆 [𝑥 ]
4 2 2 2
1 3 𝑥1
𝐴=[ ] 𝑑𝑎𝑛 𝑥 = [𝑥 ]
4 2 2
𝑥1 1 3 𝑥1 0
𝜆 [𝑥 ] − [ ][ ] = [ ]
2 4 2 𝑥2 0
Atau
1 0 𝑥1 1 3 𝑥1 0
𝜆[ ] [𝑥 ] − [ ] [𝑥 ] = [ ]
0 1 2 4 2 2 0
Atau
−3 ] [𝑥1 ] [0]
[𝜆 − 1 =
−4 𝜆 − 2 𝑥2 0
𝜆−1 −3 ]
𝜆𝐼 − 𝐴 = [
−4 𝜆−2
Masalah utama yang menjadi perhatian untuk sistem linear berbentuk (3) adalah
menentukan nilai 𝝀 sehingga sistem tersebut memiliki solusi nontrivial. Nilai 𝝀 yang
demikian ini disebut NILAI KARAKTERISTIK (characteristic value) atau NILAI EIGEN
(eigenvalue) dari 𝑨.
Jika 𝜆 adalah nilai eigen dari 𝐴, maka solusi nontrivial dari (3) disebut VEKTOR EIGEN
(eigenvector) dari 𝐴 yang bersesuaian dengan 𝜆.
Sesuai dengan teorema [1], bahwa sistem (𝜆𝐼 − 𝐴)𝑥 = 0 memiliki solusi trivial jika dan
hanya jika
𝒅𝒆𝒕(𝜆𝐼 − 𝐴) = 0
𝑥1 + 3𝑥2 = 𝜆𝑥1
4𝑥1 + 2𝑥2 = 𝜆𝑥2
Persamaan karakteristik dari 𝐴 adalah
𝒅𝒆𝒕(𝜆𝐼 − 𝐴) = 0
|𝜆 − 1 −3 |
=0
−4 𝜆−2
(𝜆 − 1)(𝜆 − 2) − (−3)(−4) = 0
𝜆2 − 3𝜆 − 10 = 0
(𝜆 + 2)(𝜆 − 5) = 0
Menurut definisi
𝑥1
𝒙 = [𝑥 ]
2
Adalah vektor eigen dari 𝐴 jika dan hanya jika 𝒙 adalah solusi nontrivial dari
(𝜆𝐼 − 𝐴)𝑥 = 0
Yakni
𝑥1 0
[𝜆 − 1 −3 ] [𝑥 ] = [ ] (4)
−4 𝜆 − 2 2 0
−3 ] [𝑥1 ] [0]
[𝜆 − 1 =
−4 𝜆 − 2 𝑥2 0
−2 − 1 −3 𝑥1 0
[ ] [𝑥 ] = [ ]
−4 −2 − 2 2 0
−3 −3 𝑥1 0
[ ] [𝑥 ] = [ ]
−4 −4 2 0
−3𝑥1 − 3𝑥2 = 0
−4𝑥1 − 4𝑥2 = 0
3𝑥1 = −3𝑥2
𝑥1 = −𝑥2
𝑥2 = 𝑡
𝑥1 = −𝑡
Sehingga vektor eigen yang bersesuaian dengan 𝜆 = −2 adalah solusi tak nol berbentuk
𝑥1 −𝑡
𝒙 = [𝑥 ] = [ ]
2 𝑡
Untuk 𝜆 = 5, maka (4) menjadi
−3 ] [𝑥1 ] [0]
[𝜆 − 1 =
−4 𝜆 − 2 𝑥2 0
−3 ] [𝑥1 ] [0]
[5 − 1 =
−4 5 − 2 𝑥2 0
4 −3 𝑥1 0
[ ] [𝑥 ] = [ ]
−4 3 2 0
4𝑥1 − 3𝑥2 = 0
−4𝑥1 + 3𝑥2 = 0
4𝑥1 − 3𝑥2 = 0
4𝑥1 = 3𝑥2
𝑥2 = 𝑡
3
𝑥1 = 𝑡
4
Sehingga vektor eigen yang bersesuaian dengan 𝜆 = 5 adalah solusi tak nol berbentuk
𝑥1 3
𝑥 = [𝑥 ] = [4 𝑡]
2
𝑡
Untuk nilai eigen 𝜆 = 5 ,
maka vektor eigen yang
bersesuaian
Untuk nilai eigen 𝜆 = −2,
𝑥1 3 maka vektor eigen yang
𝑥 = [𝑥 ] = [4 𝑡] bersesuaian
2
𝑡
𝑥1 −𝑡
Jika 𝑡 = −0,8, maka 𝒙 = [𝑥 ] = [ ]
2 𝑡
−0,6
𝒙=[ ] Jika 𝑡 = −0,7071, maka
−0,8
−0,7071
𝒙=[ ]
Gambar 2.2.32 0,7071
[2.2.13] Eliminasi Gauss-Jordan
Misalkan diberikan sistem persamaan linear sebagai berikut.
2𝑥 + 4𝑦 + 6𝑧 = 20
4𝑥 + 6𝑦 + 2𝑧 = 26
6𝑥 − 2𝑦 + 4𝑧 = 18
Sistem persamaan linear tersebut akan diselesaikan dengan menggunakan metode eliminasi
Gauss-Jordan dengan menggunakan software MATLAB.
Penyelesaian
Sistem persamaan linier sebelumnya dapat dinyatakan dalam MATLAB sebagai berikut.
[1] [2]
𝑏2 = 𝑏2 − 2𝑏1
[3] [4]
𝑏3 = 𝑏3 − 7𝑏2
𝑏3 = 𝑏3 − 3𝑏1
[5] [6]
𝑏1 = 𝑏1 + 2𝑏2 𝑏1 = 4𝑏1 + 𝑏3
[7] [8]
1
𝑏1 = 𝑏1
𝑏2 = 56𝑏2 + 10𝑏3 8
[9] [10]
1 1
𝑏2 = − 𝑏 𝑏3 = 𝑏
112 2 56 3
1 0 0 3
𝐴 = [0 1 0 2]
0 0 1 1
atau
𝑥=3
𝑦=2
𝑧=1
Gambar 2.2.33
[2.2.14] Metode Iterasi Jacobi
Misalkan diberikan sistem persamaan linier seperti berikut.
6𝑥 + 2𝑦 − 2𝑧 = 10
8𝑥 + 14𝑦 − 6𝑧 = 40
4𝑥 − 4𝑦 + 10𝑧 = 20
Selesaikan sistem persamaan linier di atas dengan menggunakan metode iterasi Jacobi.
Penyelesaian
Perhatikan bahwa, sistem persamaan linier di atas dapat dinyatakan dalam bentuk sebagai
berikut.
10 − 2𝑦 + 2𝑧
𝑥=
6
40 − 8𝑥 + 6𝑧
𝑦=
14
20 − 4𝑥 + 4𝑦
𝑧=
10
Iterasi Pertama
Tetapkan nilai 𝑥 (0) = 𝑦 (0) = 𝑧 (0) = 0. Sehingga 𝑥 (1) dihitung sebagai berikut.
(1)
10 − 2𝑦 (0) + 2𝑧 (0) 10 − (2)(0) + (2)(0)
𝑥 = = = 1,666667
6 6
(1)
40 − 8𝑥 (0) + 6𝑧 (0) 40 − (8)(0) + 6(0)
𝑦 = = = 2,857143
14 14
Kemudian akan dihitung 𝑧 (1) . 𝑧 (1) dihitung sebagai berikut.
(1)
20 − 4𝑥 (0) + 4𝑦 (0) 20 − 4(0) + 4(0)
𝑧 = = =2
10 10
Iterasi Kedua
Berikut akan dihitung 𝑥 (2).
(2)
10 − 2𝑦 (1) + 2𝑧 (1) 10 − (2)(2,857143) + (2)(2)
𝑥 = = = 1,380952
6 6
(2)
40 − 8𝑥 (1) + 6𝑧 (1) 40 − (8)(1,666667) + 6(2)
𝑦 = = = 2,761905
14 14
(2)
20 − 4𝑥 (1) + 4𝑦 (1) 20 − 4(1,666667) + 4(2,857143)
𝑧 = = = 2,476190
10 10
Hasil 𝑥, 𝑦, dan 𝑧 untuk setiap iterasi disajikan dalam tabel berikut ini.
Iterasi 𝑥 𝑦 𝑧 𝑥′ 𝑦′ 𝑧′
1 0.000000 0.000000 0.000000 1.666667 2.857143 2.000000
2 1.666667 2.857143 2.000000 1.380952 2.761905 2.476190
3 1.380952 2.761905 2.476190 1.571429 3.129252 2.552381
4 1.571429 3.129252 2.552381 1.474376 3.053061 2.623129
5 1.474376 3.053061 2.623129 1.523356 3.138840 2.631474
6 1.523356 3.138840 2.631474 1.497545 3.114428 2.646194
7 1.497545 3.114428 2.646194 1.510588 3.135486 2.646753
8 1.510588 3.135486 2.646753 1.503756 3.128272 2.649959
9 1.503756 3.128272 2.649959 1.507229 3.133551 2.649807
10 1.507229 3.133551 2.649807 1.505419 3.131501 2.650529
Gambar 2.2.34
[2.2.15] Metode Iterasi Gauss-Seidel
Misalkan diberikan sistem persamaan linier seperti berikut.
6𝑥 + 2𝑦 − 2𝑧 = 10
8𝑥 + 14𝑦 − 6𝑧 = 40
4𝑥 − 4𝑦 + 10𝑧 = 20
Selesaikan sistem persamaan linier di atas dengan menggunakan metode iterasi Gauss-Seidel.
Penyelesaian
Perhatikan bahwa, sistem persamaan linier di atas dapat dinyatakan dalam bentuk sebagai
berikut.
10 − 2𝑦 + 2𝑧
𝑥=
6
40 − 8𝑥 + 6𝑧
𝑦=
14
20 − 4𝑥 + 4𝑦
𝑧=
10
Iterasi Pertama
Tetapkan nilai 𝑥 (0) = 𝑦 (0) = 𝑧 (0) = 0. Sehingga 𝑥 (1) dihitung sebagai berikut.
(1)
10 − 2𝑦 (0) + 2𝑧 (0) 10 − (2)(0) + (2)(0)
𝑥 = = = 1,666667
6 6
Iterasi Kedua
Berikut akan dihitung 𝑥 (2).
10 − 2𝑦 (1) + 2𝑧 (1) 10 − (2)(1,904762) + (2)(2,095238)
𝑥 (2) = = = 1,730159
6 6
Hasil 𝑥, 𝑦, dan 𝑧 untuk setiap iterasi disajikan dalam tabel berikut ini.
Iterasi 𝑥 𝑦 𝑧 𝑥′ 𝑦′ 𝑧′
1 0.000000 0.000000 0.000000 1.666667 1.904762 2.095238
2 1.666667 1.904762 2.095238 1.730159 2.766440 2.414512
3 1.730159 2.766440 2.414512 1.549358 3.006587 2.582892
4 1.549358 3.006587 2.582892 1.525435 3.092419 2.626794
5 1.525435 3.092419 2.626794 1.511458 3.119221 2.643105
6 1.511458 3.119221 2.643105 1.507961 3.128210 2.648099
7 1.507961 3.128210 2.648099 1.506630 3.131111 2.649793
8 1.506630 3.131111 2.649793 1.506227 3.132067 2.650336
9 1.506227 3.132067 2.650336 1.506090 3.132378 2.650516
10 1.506090 3.132378 2.650516 1.506046 3.132481 2.650574
Pada iterasi kesepuluh, diperoleh
𝑥 = 1,506046
𝑦 = 3,132481
𝑧 = 2,650574
Diketahui,
Gambar 2.2.35
[2.2.16] Menghitung Invers Matriks
Misalkan diberikan matriks 𝐴 sebagai berikut.
2 4 6
𝐴=[ 4 6 2 ]
6 −2 4
Berikut akan ditentukan invers dari matriks 𝐴 atau 𝐴−1 sehingga berlaku
𝐴𝐴−1 = 𝐼
Di mana
1 0 0
𝐼 = [0 1 0]
0 0 1
Penyelesaian
2 4 6 1 0 0
𝐴 = [ 4 6 2 ], 𝐼 = [0 1 0]
6 −2 4 0 0 1
2 4 6 1 0 0
[𝐴|𝐼 ] = [ 4 6 2 0 1 0 ]
6 −2 4 0 0 1
Di mana
𝑎 𝑏 𝑐
−1 [ 𝑑 𝑒 𝑓]
𝐴 =
𝑔 ℎ 𝑖
[1]
[2]
𝑏2 = 2𝑏1 − 𝑏2
𝑏3 = 3𝑏1 − 𝑏3
[3]
𝑏1 = 𝑏1 − 2𝑏2
𝑏3 = 7𝑏2 − 𝑏3
[4]
𝑏1 = 4𝑏1 + 𝑏3
𝑏2 = 56𝑏2 − 10𝑏3
1
𝑏1 = 𝑏1
8
1
𝑏2 = 𝑏
112 2
1
𝑏3 = 𝑏
56 3
Perhatikan bahwa
𝐴𝐴−1 = 𝐼
[2.2.17] Dekomposisi LU dengan Metode Eliminasi Gauss
Misalkan diberikan matriks 𝐴 sebagai berikut.
4 12 8 4
1 7 18 9
𝐴=[ ]
2 9 20 20
3 11 15 14
Berikut akan digunakan metode dekomposisi LU untuk memperoleh matriks segitiga bawah 𝐿
dan matriks segitiga atas 𝑈 atau sehingga memenuhi
𝐿𝑈 = 𝐴
Penyelesaian
Pada perhitungan akan dilibatkkan penggunaan software MATLAB. Matriks 𝐴 dinyatakan dalam
MATLAB sebagai berikut.
Tahap Pertama
1
𝑏2 = − 𝑏1 + 𝑏2
4
Sehingga matriks 𝐿
1 0 0 0
1
𝐿= 4 1 0 0
0 0 1 0
[0 0 0 1]
Tahap Kedua
1
𝑏3 = − 𝑏1 + 𝑏3
2
Sehingga matriks 𝐿
1 0 0 0
1
1 0 0
𝐿= 4
1
0 1 0
2
[0 0 0 1]
Tahap Ketiga
3
𝑏4 = − 𝑏1 + 𝑏4
4
Sehingga matriks 𝐿
1 0 0 0
1
1 0 0
4
𝐿= 1
0 1 0
2
3
[4 0 0 1]
Tahap Keempat
3
𝑏3 = − 𝑏2 + 𝑏3
4
Sehingga matriks 𝐿
1 0 0 0
1
1 0 0
4
𝐿= 1 3
1 0
2 4
3
[4 0 0 1]
Tahap Kelima
1
𝑏4 = − 𝑏2 + 𝑏4
2
Sehingga matriks 𝐿
1 0 0 0
1
1 0 0
4
𝐿= 1 3
1 0
2 4
3 1
[4 0 1]
2
Tahap Keenam
1
𝑏4 = − 𝑏3 + 𝑏4
4
Sehingga matriks 𝐿
1 0 0 0
1
1 0 0
4
𝐿= 1 3
1 0
2 4
3 1 1
[4 1]
2 4
4 12 8 4
0 4 16 8
0 0 4 12
0 0 0 4
1 0 0 0
¼ 1 0 0
½ ¾ 1 0
¾ ½ ¼ 1
Maka berlaku
𝐿𝑈 = 𝐴
Gambar 2.2.36
[2.2.18] Metode Dekomposisi Cholesky
Misalkan diberikan matriks simetri 𝐴 dengan dimensi 3 × 3.
𝐴 = 𝐴𝑇
Sehingga
𝑎12 = 𝑎21
𝑎13 = 𝑎31
9 −3 6
𝐴 = [−3 17 − 10]
6 − 10 12
Perhatikan bahwa
𝐴 = 𝐴𝑇
𝑎12 = −3 = 𝑎21
𝑎13 = 6 = 𝑎31
𝑎23 = −10 = 𝑎32
Matriks simetri 𝐴 dapat dinyatakan sebagai perkalian matriks segitiga bawah 𝐿 dan matriks
segitiga atas 𝑈, di mana berlaku
𝐿 = 𝑈𝑇
Sehingga
𝐴 = 𝐿𝑈
𝐴 = 𝑈𝑇 𝑈
Maka,
𝑎12 𝑎13
𝑢11 = √𝑎11 , 𝑢12 = , 𝑢13 =
√𝑎11 √𝑎11
2
𝑎22 = 𝑢21 𝑢12 + 𝑢22
2
𝑎22 = 𝑢12 𝑢12 + 𝑢22
2 2
𝑎22 = 𝑢12 + 𝑢22
2
2
𝑎12
𝑢22 = √𝑎22 − 𝑢12 = √𝑎22 −
𝑎11
2 2 2
𝑎33 = 𝑢13 + 𝑢23 + 𝑢33
2 2 )
𝑢33 = √𝑎33 − (𝑢13 + 𝑢23
Berikut akan ditentukan matriks 𝑈 𝑇 dan matriks 𝑈 berdasarkan matriks 𝐴 dengan menggunakan
metode dekomposisi Cholesky sehingga memenuhi
𝐴 = 𝑈𝑇 𝑈
Penyelesaian
Menentukan 𝑢11
𝑢11 = √9 = 3
Menentukan 𝑢12
𝑎12 −3
𝑢12 = = = −1
𝑢11 3
Menentukan 𝑢13
𝑎13 6
𝑢13 = = =2
𝑢11 3
Menentukan 𝑢22
2
𝑢22 = √𝑎22 − 𝑢12 = √17 − (−1)2 = 4
Menentukan 𝑢23
Menentukan 𝑢33
2 2 )
𝑢33 = √𝑎33 − (𝑢13 + 𝑢23 = √12 − (4 + 4) = 2
Sistem persamaan linier di atas akan diselesaikan dengan menggunakan metode dekomposisi
Cholesky.
Penyelesaian
Sistem persamaan linier tersebut dapat dinyatakan dalam bentuk matriks seperti berikut.
𝐴𝑥 = 𝑏
Di mana 𝐴 merupakan matriks koefisien, 𝑥 merupakan vektor variabel, dan 𝑏 merupakan vektor
konstanta.
Berikut akan ditentukan matriks 𝑈 𝑇 dan matriks 𝑈 sehingga memenuhi
𝑈𝑇 𝑈 = 𝐴
Perhatikan bahwa pada contoh sebelumnya, telah diperoleh matriks 𝑈 𝑇 dan matriks 𝑈, yakni
𝑈𝑇 𝑧 = 𝑏
Yakni.
Sehingga diperoleh
3𝑧1 = 4
𝑧1 = 1,3333
−𝑧1 + 4𝑧2 = 2
−(1,3333) + 4𝑧2 = 2
𝑧2 = 0,8333
𝑧3 = 0,5
𝑈𝑥 = 𝑧
Yakni,
Sehingga diperoleh
2𝑥3 = 0,5
𝑥3 = 0,25
𝑥1 = 0,3889
Adalah
𝑥1 = 0,3889
𝑥2 = 0,3333
𝑥3 = 0,25
[2.2.19] Dekomposisi QR
Tentukan dekomposisi QR dari matriks
1 0 0
𝐴 = [1 1 0]
1 1 1
Penyelesaian
[1] Vektor kolom dari matriks 𝑨
Vektor kolom dari matriks 𝐴 adalah
1 0 0
𝑢1 = [1], 𝑢2 = [1], 𝑢3 = [0]
1 1 1
Langkah kedua
< 𝑢2 , 𝑣1 >
𝑣2 = 𝑢2 − 𝑝𝑟𝑜𝑗𝑤1 𝑢2 = 𝑢2 − 𝑣1
|𝑣1 |2
0 ((1 × 0) + (1 × 1) + (1 × 1)) 1
= [1 ] − 2 [1 ]
1 √12 + 12 + 12 1
0 2 1
= [1 ] − [1 ]
3
1 1
2
−
3
1
𝑣2 =
3
1
[ 3 ]
Langkah ketiga
0 ((1 × 0) + (1 × 0) + (1 × 1)) 1
= [0 ] − 2 [1 ]
√1 2 + 12 + 12
1 1
2
−
3
((0 × (−2/3)) + (0 × 1/3) + (1 × 1/3)) 1
− 2
2 2
1 2
1 2 3
√(− ) + ( ) + ( ) 1
3 3 3
[ 3 ]
2
−
1 3
0 1 1 ( 3) 1
= [0 ] − [1 ] −
3 6
1 1 ( 9) 3
1
[ 3 ]
2
−
−1/3 1 3
0 ( 3) 1
= [0] + [−1/3] −
2
1 −1/3 ( 3) 3
1
[ 3 ]
2
−
−1/3 3
0 1 1
= [0] + [−1/3] − ( )
2 3
1 −1/3
1
[ 3 ]
1
−1/3 3
0 1
= [0] + [−1/3] + −
1 −1/3 6
1
[− 6]
0
1
−
𝑣3 = 2
1
[ 2 ]
2
− 0
3 1
1 1 −
𝑣1 = [1] , 𝑣2 = , 𝑣3 = 2
1 3 1
1 [ 2 ]
[ 3 ]
|𝑣1 | = √3
√6
|𝑣2 | =
3
1 2 1 2 1 1
√
|𝑣3 | = (0) + (− ) + ( ) = √ =
2
2 2 2 √2
1
√3
𝑣1 1 1 1
𝑞1 = = [1 ] =
|𝑣1 | √3 √3
1
1
[√3]
2 2
− −
3 √6
𝑣2 3 1 1
𝑞2 = = =
|𝑣2 | √6 3 √6
1 1
[ 3 ] [ √6 ]
0
1
𝑣3 −
𝑞3 = = √2
|𝑣3 | 1
[ √2 ]
1 2
− 0
√3 √6 1
1 1 −
𝑄= √2
√3 √6 1
1 1
√2
[√3 √6 ]
1 1 1 3
(1 × ) + (1 × ) + (1 × )=
√3 √3 √3 √3
1 0 0
𝐴 = [1 1 0]
1 1 1
Perhatikan bahwa
𝑄𝑇𝑅𝐴𝑁𝑆𝑃𝑂𝑆𝐸 × 𝑄 = 𝐼𝑑𝑒𝑛𝑡𝑖𝑡𝑎𝑠
Ilustrasi dengan MATLAB untuk Dekomposisi QR
1 0 0
𝐴 = [1 1 0]
1 1 1
A=[1 0 0 ; 1 1 0 ; 1 1 1]
[2.2.20] Basis
Misalkan 𝒗𝟏 = (1,2,1) , 𝒗𝟐 = (2,9,0) , dan 𝒗𝟑 = (3,3,4) . Tunjukkan bahwa himpunan 𝑆 =
{𝒗𝟏 , 𝒗𝟐 , 𝒗𝟑 } adalah suatu basis untuk 𝑅3 .
Penyelesaian
Definisi : Jika 𝑉 suatu ruang vektor sebarang dan 𝑆 = {𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒏 } adalah suatu himpunan
vektor-vektor pada 𝑉, maka 𝑆 disebut basis untuk 𝑉 jika dua syarat berikut berlaku :
𝑆 bebas linier
𝑆 merentang 𝑉
Pertama, akan diperlihatkan bahwa 𝑆 bebas linear (independent linear). Perhatikan bahwa
𝑘1 𝒗𝟏 + 𝑘2 𝒗𝟐 + 𝑘3 𝒗𝟑 = 𝟎
𝑘1 + 2𝑘2 + 3𝑘3 = 0
2𝑘1 + 9𝑘2 + 3𝑘3 = 0
𝑘1 + 4𝑘3 = 0
Perhatikan bahwa agar 𝑆 adalah bebas linier, maka harus diperlihatkan bahwa satu-satunya solusi
dari sistem persamaan tersebut adalah
𝑘1 = 𝑘2 = 𝑘3 = 0
Untuk menunjukkan bahwa satu-satunya solusi dari sistem persamaan tersebut adalah
𝑘1 = 𝑘2 = 𝑘3 = 0
maka sistem persamaan tersebut harus memiliki solusi trivial. Dalam hal ini nilai determinan
dari matriks koefisien bernilai tak nol. Jika nilai determinan dari matriks koefisien bernilai tak
nol, maka 𝑆 bebas linier.
Perhatikan bahwa karena determinan dari matriks koefisien bernilai tak nol, yakni −1, maka 𝑆
bebas linier. Kemudian, akan diperlihatkan bahwa 𝑆 merentang 𝑉 . Untuk memperlihatkan 𝑆
merentang 𝑉, maka kita harus dapat menentukan apakah sebarang vektor 𝒃 = (𝑏1 , 𝑏2 , 𝑏3 ) pada
𝑅3 dapat dinyatakan sebagai kombinasi linier dari vektor-vektor 𝒗𝟏 , 𝒗𝟐 , dan 𝒗𝟑 , yakni
𝒃 = 𝑘1 𝒗𝟏 + 𝑘2 𝒗𝟐 + 𝑘3 𝒗𝟑
𝑘1 + 2𝑘2 + 3𝑘3 = 𝑏1
2𝑘1 + 9𝑘2 + 3𝑘3 = 𝑏2
𝑘1 + 4𝑘3 = 𝑏3
Perhatikan bahwa agar 𝑆 merentang 𝑉, maka sistem persamaan di atas harus memiliki tepat satu
solusi untuk sebarang 𝒃 = (𝑏1 , 𝑏2 , 𝑏3 ). Agar sistem persamaan di atas memiliki tepat satu solusi,
maka determinan dari matriks koefisien dari sistem persamaan tersebut harus bernilai tak nol.
Perhatikan bahwa karena determinan dari matriks koefisien bernilai tak nol, yakni −1, maka 𝑆
merentang 𝑉. Oleh karena 𝑆 bebas linier dan 𝑆 merentang 𝑉, maka 𝑆 adalah suatu basis untuk
𝑅3 .
[2.2.21] Spanning (Perentang)
Tentukan apakah vektor 𝒙𝟏 = (1,1,2), vektor 𝒙𝟐 = (1,0,1) dan vektor 𝒙𝟑 = (2,1,3) merentang
pada ruang vektor 𝑅3 !
Penyelesaian
Akan diperiksa apakah untuk sebarang vektor 𝒃 , yakni 𝒃 = (𝑏1 , 𝑏2 , 𝑏3 ) pada 𝑅3 dapat
dinyatakan sebagai suatu kombinasi linear, yakni
𝒃 = 𝑘1 𝒗𝟏 + 𝑘2 𝒗𝟐 + 𝑘3 𝒗𝟑
Atau
Sehingga diperoleh
𝑘1 + 𝑘2 + 2𝑘3 = 𝑏1
𝑘1 + 𝑘3 = 𝑏2
2𝑘1 + 𝑘2 + 3𝑘3 = 𝑏3
Akan diperiksa apakah sistem persamaan di atas konsisten (memiliki solusi) untuk semua nilai
𝑏1 , 𝑏2 , dan 𝑏3 . Perhatikan bahwa sistem tersebut konsisten untuk semua 𝑏1 , 𝑏2 , dan 𝑏3 jika dan
hanya jika matriks koefisiennya
Perhatikan bahwa jika det(𝐴) = 0 ini
berarti solusi dari sistem akan
menghasilkan nilai 𝟎. Jadi dengan kata
1 1 2 lain 𝑏1 = 𝑏2 = 𝑏3 = 0 , sehingga tidak
𝐴 = [1 0 1] merentang.
2 1 3
memiliki determinan tak nol. Namun demikian, det(𝐴) = 0, sehingga 𝒗𝟏 , 𝒗𝟐 , dan 𝒗𝟑 tidak
merentang pada ruang vektor 𝑅3 .
𝑖𝑛𝑓
[𝑖𝑛𝑓]
𝑖𝑛𝑓
𝑖𝑛𝑓
[𝑖𝑛𝑓]
𝑖𝑛𝑓
DEMIKIANLAH . . . .
SEMOGA BERMANFAAT YA . . . .
MOHON KOREKSINYA ^___^
PRANA UGIANA GIO