MODUL RESPONSI

MATRIKS RUANG VEKTOR

Oleh:
Luthfatul Amaliana, M.Si.
Dr. Ir. Maria Bernadetha Mitakda
Dr. Suci Astutik, S.Si., M.Si.
Nur Silviyah Rahmi, S.Si., M.Stat.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2021

0
 DAFTAR ISI

BAB I SISTEM PERSAMAAN LINIER ....................................................................................... 1

1.1 Pengantar SPL...................................................................................................................1
1.2 Operasi Baris Elementer (OBE) .......................................................................................3
BAB II MATRIKS ........................................................................................................................... 9
BAB III DETERMINAN ............................................................................................................... 20
BAB IV VEKTOR-VEKTOR DI RUANG-2 DAN RUANG-3 .................................................. 30
BAB V RUANG VEKTOR DIMENSI-N..................................................................................... 38
5.1. Ruang Berdimensi-n .......................................................................................................38
5.2. Transformasi Linier Rn ke Rm .........................................................................................36
5.3. Komposisi Transformasi Linier ......................................................................................40
5.4. Sifat-sifat Transformasi Linier dari Rn ke Rm .................................................................41
Latihan 5 .....................................................................................................................................42
BAB VI MASALAH EIGEN ........................................................................................................ 44
6.1. Nilai Eigen dan Vektor Eigen .........................................................................................44
6.2. Diagonalisasi...................................................................................................................46
6.3. Ortogonal dan Ortonormal ..............................................................................................49
6.4. Diagonalisasi Ortogonal .................................................................................................50
BAB VII SVD, PERKALIAN KRONECKER, DAN BENTUK KUADRAT ........................... 52
7.1. SVD (Singular Value Decomposition)............................................................................52
7.2. Perkalian Kronecker .......................................................................................................54
7.3. Bentuk Kuadrat ...............................................................................................................55
Latihan 7 .....................................................................................................................................56
BAB VIII MATRIKS KEBALIKAN UMUM ............................................................................. 57
8.1. Sistem Persamaan Linier (SPL) ......................................................................................57
8.2. Pangkat (Rank) Matriks ..................................................................................................57
8.3. Matriks Kebalikan/Invers ...............................................................................................58
8.4. Matriks Kebalikan Umum (MKU)/Generalized Invers ..................................................59
Latihan 8 .....................................................................................................................................60
DAFTAR PUSTAKA ...................................................................................................................... 61

0
 BAB I
SISTEM PERSAMAAN LINIER

1.1 Pengantar SPL

Informasi dalam sains dan matematika sering disusun menjadi baris dan kolom
untuk membentuk matriks. Matriks merupakan tabel data numerik yang muncul dari
berbagai pengamatan konteks matematika.
Contoh 1.
Buatlah matriks dari suatu penyelesaian sistem persamaan berikut:
5𝑥 + 𝑦 = 3
2𝑥 − 𝑦 = 4
Penyelesaian :
semua informasi yang diperlukan untuk solusi tersebut terwujud dalam matriks:
5 1 3
[ ]
2 −1 4
Matriks bermanfaat dalam memecahkan sistem persamaan linier pada
pemrograman komputer, karena komputer memanipulasi informasi numerik dalam bentuk
array. Dalam bab ini kita akan mulai mempelajari matriks. Sebuah garis dalam bidang xy
secara aljabar dapat dinyatakan oleh persamaan yang berbentuk:
𝑎1 𝑥 + 𝑎2 𝑦 = 𝑏 (1.1)
dimana 𝑎1 , 𝑎2 dan b adalah konstanta-konstanta riil dan bukan nol. Persamaan tersebut
dinamakan persamaan linier dalam variabel x dan y. Secara umum, persamaan linier
dalam n pada variabel 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 sebagai persamaan yang dapat dinyatakan dalam
bentuk:
𝑎1 𝑥1 + 𝑎2 𝑥2 + ⋯ + 𝑎𝑛 𝑥𝑛 = 𝑏 (1.2)
Suatu himpunan berhingga dari persamaan linier dalam variabel 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛
disebut Sistem Persamaan Linier (SPL) atau sistem linier. Suatu barisan bilangan
𝑠1 , 𝑠2 , ⋯ , 𝑠𝑛 disebut solusi dari sistem jika 𝑥1 = 𝑠1 , 𝑥2 = 𝑠2 , ⋯ , 𝑥𝑛 = 𝑠𝑛 yang merupakan
solusi dari setiap persamaan dalam sistem. “Setiap SPL dapat tidak memiliki solusi,
memiliki tepat satu solusi, atau memiliki takhingga banyaknya solusi”. Suatu SPL yang
tidak memiliki solusi disebut tidak konsisten, sedangkan SPL yang paling sedikit
memiliki satu solusi disebut konsisten.
Contoh 2.
Apakah persamaan linier berikut dapat dikatakan sebagai SPL konsisten?

1
 4𝑥1 − 𝑥2 + 3𝑥3 = −1
3𝑥1 + 𝑥2 + 9𝑥3 = −4
Penyelesaian : solusi yang memenuhi kedua persamaan tersebut adalah 𝑥1 = 1, 𝑥2 =
2, 𝑥3 = −1 maka sistem linier tersebut disebut sebagai SPL yang konsinten.
Sebuah sistem sebarang yang terdiri dari m persamaan linier dengan n bilangan
tak diketahui dituliskan sebagai:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑥𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2 (1.3)
⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
dimana 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 adalah bilangan-bilangan tak diketahui sedangkan 𝑎𝑖𝑗 dan 𝑏𝑖 (𝑖 =
1,2, … , 𝑚; 𝑗 = 1,2, … , 𝑛) menyatakan konstanta-konstanta. Sistem pada persamaan (1.3)
dapat dinyatakan dalam matriks sebagai berikut:

𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑏1

𝑎21 𝑎22 ⋯ 𝑎2𝑛 𝑏2
[ ] (1.4)
⋮ ⋮ ⋮ ⋮
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛 𝑏𝑚
Matriks 1.4 dinamakan sebagai Augmented Matrix (matriks yang diperbesar) untuk
sistem persamaan 1.3. Sebagai contoh, tuliskan sebuah sistem umum yang terdiri dari tiga
persamaan linier dengan empat bilangan yang tak diketahui.
Contoh 3.
Buatlah augmented matrix atau matriks yang diperbesar untuk SPL berikut:
𝑥1 + 𝑥2 + 2𝑥3 = 9
2𝑥1 + 4𝑥2 − 3𝑥3 = 1
3𝑥1 + 6𝑥2 − 5𝑥3 = 0
Penyelesaian :
1 1 2 9
[2 4 −3 1]
3 6 −5 0
Sebagai catatan : apabila terdapat peubah dalam 1 persamaan yang tidak diketahui, maka
cara penulisannya adalah 0, sehingga urutan penulisan dalam matriks sesuai dengan
sistem persamaannya.

2
1.2 Operasi Baris Elementer (OBE)
Metode dasar untuk menyelesaikan SPL adalah dengan mengganti sistem yang
diberikan dengan sistem baru yang memiliki himpunan solusi yang sama tetapi lebih
mudah untuk dipecahkan. Sistem baru ini umumnya diperoleh dalam serangkaian
langkah yang disebut Operasi Baris Elementer (OBE) dengan menerapkan tiga jenis
operasi berikut:
1. Kalikan baris dengan konstanta bukan nol.
2. Pertukarkan dua baris.
3. Tambahkan kelipatan satu baris ke baris lainnya.
Cara tersebut dapat diterapkan pada baris dari matriks yang diperbesar sesuai dengan
persamaan dalam sistem yang terkait. Ketiga operasi bersesuaian dengan operasi-operasi
pada baris dari matriks yang diperbesar.

Contoh 4.
Kolom sisi kiri merupakan penyelesaian SPL dengan mengoperasikannya pada
persamaan dalam sistem tersebut, dan di kolom sisi kanan penyelesaian SPL yang sama
dengan mengoperasikannya pada baris dari matriks yang diperbesar.
𝑥 + 𝑦 + 2𝑧 = 9 1 1 2 9
2𝑥 + 4𝑦 − 3𝑧 = 1 ~-2b1 [2 4 −3 1] −2𝑏1
3𝑥 + 6𝑦 − 5𝑧 = 0 3 6 −5 0
Tambahkan −2 kali baris pertama pada
Tambahkan −2 kali persamaan pertama
baris kedua
pada persamaan kedua
𝑥 + 𝑦 + 2𝑧 = 9 1 1 2 9
2𝑦 − 7𝑧 = −17 [0 2 −7 −17]
3𝑥 + 6𝑦 − 5𝑧 = 0~-3b1 3 6 −5 0 −3𝑏1
Tambahkan −3 kali persamaan pertama Tambahkan −3 kali baris pertama pada
pada persamaan ketiga baris ketiga

𝑥 + 𝑦 + 2𝑧 = 9 1 1 2 9
1 1
2𝑦 − 7𝑧 = −17~ 2 [0 2 −7 −17] × 2
0 3 −11 −27
3𝑦 − 11𝑧 = −27
1 1
Kalikan persamaan kedua dengan 2 Kalikan baris kedua dengan 2

3
 𝑥 + 𝑦 + 2𝑧 = 9 1 1 2 9
7 17 [0 1 −7/2 −17/2]
𝑦 − 2𝑧 = − 2 0 3 −11 −27 3𝑏2
3𝑦 − 11𝑧 = −27~-3b2
Tambahkanlah −3 kali baris kedua pada
Tambahkanlah −3 kali persamaan kedua
baris ketiga
pada persamaan ketiga
𝑥 + 𝑦 + 2𝑧 = 9 1 1 2 9
7
𝑦 − 2𝑧 = −
17 [0 1 −7/2 −17/2]
2 0 0 −1/2 −3/2 × −2
1 3
− 2 𝑧 = − 2 ~-2
Kalikanlah persamaan ketiga dengan −2 Kalikanlah baris ketiga dengan −2
𝑥 + 𝑦 + 2𝑧 = 9~-b2 1 1 2 9 −𝑏2
7 17 [0 1 −7/2 −17/2]
𝑦 − 2𝑧 = − 2 0 0 1 3
𝑧=3
Tambahkanlah −1 kali persamaan kedua
Tambahkanlah – 1 kali baris kedua pada
pada persamaan pertama
baris pertama
11 35 11 1 0 11/2 35/2 −11/2 𝑏3
𝑥 + 𝑧= ~− 𝑏3
2 2 2 [0 1 −7/2 −17/2] 7/2 𝑏3
7 17 7
𝑦 − 2𝑧 = − ~ 2 𝑏3 0 0 1 3
2
𝑧=3
11 11
Tambahkanlah − kali persamaan ketiga Tambahkan − kali baris ketiga pada baris
2 2
7 7
pada persamaan pertama dan 2 kali pertama dan 2 kali baris ketiga pada baris
persamaan ketiga pada persamaan kedua kedua
𝑥 =1 1 0 0 1
𝑦 =2 [0 1 0 2]
𝑧=3 0 0 1 3

Penyelesaian tersebut adalah 𝑥 = 1, 𝑦 = 2, 𝑧 = 3.

1.3 Eliminasi Gauss Dan Eliminasi Gauss-Jordan

Suatu matriks dikatakan dalam bentuk eselon baris tereduksi jika memiliki sifat-
sifat berikut:
1. Jika suatu baris tidak seluruhnya terdiri dari nol, maka bilangan tak nol pertama di
baris tersebut adalah 1 (disebut pivot).
2. Jika ada baris yang seluruhnya terdiri dari nol, maka semua baris tersebut
dikelompokkan bersama-sama di bagian bawah matriks.
3. Dalam sebarang dua baris berurutan yang tidak seluruhnya terdiri dari nol,
bilangan 1 di baris bawah muncul lebih jauh ke kanan daripada angka 1 di baris
lebih atas.

4
 4. Setiap kolom yang berisi pivot 1 memiliki nol di tempat lain di kolom itu.
5. Setiap matriks yang memiliki tiga sifat pertama dikatakan dalam bentuk eselon
baris.

Contoh 1.2
Matriks berikut merupakan matriks dalam bentuk eselon baris tereduksi.
0 1 −2 0 1
1 0 0 4 1 0 0
0 0 0 1 3 0 0
[0 1 0 7 ], [0 1 0], [ ], [ ]
0 0 0 0 0 0 0
0 0 1 −1 0 0 1
0 0 0 0 0
Matriks berikut merupakan matriks dalam bentuk eselon baris.
1 4 −3 7 1 1 0 0 1 2 6 0
[0 1 6 2], [0 1 0], [0 0 1 −1 0]
0 0 1 5 0 0 0 0 0 0 0 1
Contoh 1.3
Misalkan matriks yang diperbesar untuk SPL yang telah direduksi oleh OBE ke bentuk
eselon baris tereduksi. Selesaikan sistem berikut
1 6 0 0 4 −2
1 0 0 5 1 0 0 4 −1 1 0 0 0
0 0 1 0 3 1
a.[0 1 0 −2] b.[0 1 0 2 6] c.[ ] d. [0 1 2 0]
0 0 0 1 5 2
0 0 1 4 0 0 1 3 2 0 0 0 1
0 0 0 0 0 0
Penyelesaian a.
Sistem persamaan yang sesuai adalah
𝑥ₗ = 5
𝑥₂ = −2
𝑥₃ = 4
Penyelesaian b.
Sistem persamaan yang sesuai adalah
𝑥ₗ +4𝑥₄ = −1 𝑥ₗ = −1 − 4𝑥₄
𝑥₂ +2𝑥₄ = 6 ⟹ 𝑥₂ = 6 − 2𝑥₄
𝑥₃ +3𝑥₄ = 2 𝑥₃ = 2 − 3𝑥₄

𝑥1 , 𝑥2 , 𝑥3 merupakan pivot dan 𝑥4 bukan pivot tapi merupakan variabel bebas. Misal
diambil sebarang nilai 𝑥4 = 𝑡, maka ada tak terhingga solusi, dan solusi umum diberikan
oleh formula
𝑥ₗ=−1 − 4𝑡, 𝑥₂=6 − 2𝑡, 𝑥₃=2 − 3𝑡, 𝑥₄=𝑡

5
Penyelesaian c.
Baris nol menunjuk ke persamaan 0𝑥1 + 0𝑥2 + 0𝑥3 + 0𝑥4 + 0𝑥5 = 0 yang tidak ada
batasan pada solusinya. Dengan demikian, persamaan ini dapat dihilangkan dan sistem
yang sesuai dapat ditulis sebagai
𝑥ₗ + 6𝑥₂ +4𝑥₅ = −2 𝑥ₗ = −2 − 6𝑥₂ − 4𝑥₅
𝑥₃ +3𝑥₅ = 1 ⟹ 𝑥₂ = 1 − 3𝑥₅
𝑥₄ +5𝑥₅ = 2 𝑥₃ = 2 − 5𝑥₅
𝑥1 , 𝑥3 , 𝑥4 merupakan variabel pivot dan 𝑥2 , 𝑥5 bukan pivot tapi merupakan variabel bebas.
Misal diambil sebarang nilai 𝑥5 = 𝑡 dan 𝑥2 = 𝑠 maka ada tak terhingga solusi, dan solusi
umum diberikan oleh formula
𝑥1 = −2 − 6𝑠 − 4𝑡, 𝑥2 = 𝑠, 𝑥3 = 1 − 3𝑡, 𝑥4 = 2 − 5𝑡, 𝑥5 = 𝑡

Penyelesaian d.
Sistem persamaan yang sesuai dapat ditulis
0𝑥1 + 0𝑥2 + 0𝑥3 = 1
Karena persamaan ini tidak dapat dipenuhi, maka tidak ada solusi untuk sistem.

Prosedur eliminasi untuk mereduksi matriks apa pun yang menghasilkan bentuk
eselon baris disebut Eliminasi Gauss. Sedangkan prosedur eliminasi untuk mereduksi
matriks apa pun yang menghasilkan bentuk eselon baris tereduksi disebut Eliminasi
Gauss-Jordan. Bentuk eselon baris tereduksi dari suatu matriks adalah unik. Sebaliknya,
bentuk eselon baris dari suatu matriks yang diberikan tidak unik artinya urutan operasi
baris yang berbeda dapat menghasilkan bentuk eselon baris yang berbeda.

Contoh 1.4
Selesaikan dengan Eliminasi Gauss-Jordan.
𝑥ₗ +3𝑥₂−2𝑥₃ +2𝑥₅ = 0
2𝑥ₗ+6𝑥₂−5𝑥₃− 2𝑥₄ +4𝑥₅− 3𝑥₆ = −1
5𝑥₃+10𝑥₄ +15𝑥₆ = 5
2𝑥ₗ+6𝑥₂ + 8𝑥₄ +4𝑥₅+18𝑥₆ = 6
Penyelesaian
Matriks yang diperbesar untuk sistem adalah
1 3 −2 0 2 0 0
2 6 −5 −2 4 −3 −1
[ ]
0 0 5 10 0 15 5
2 6 0 8 4 18 6

6
Tambahkan -2 kali baris pertama ke baris kedua dan keempat diperoleh
1 3 −2 0 2 0 0
0 0 −1 −2 0 −3 −1
[ ]
0 0 5 10 0 15 5
0 0 0 8 0 18 6
Kalikan baris kedua dengan -1 kemudian tambahkan -5 kali dari baris kedua yang baru ke
baris ketiga dan tambahkan -4 kali di baris kedua yang baru ke baris keempat diperoleh
1 3 −2 0 2 0 0
0 0 1 2 0 3 1
[ ]
0 0 0 0 0 0 0
0 0 0 0 0 6 2
Tukar baris ketiga dan keempat dan kemudian kalikan baris ketiga dari matriks yang
dihasilkan sehingga diperoleh bentuk eselon baris
1 3 −2 0 2 0 0
0 0 1 2 0 3 1
[ ]
0 0 0 0 0 1 1⁄3
0 0 0 0 0 0 0
Tambahkan -3 kali baris ketiga ke baris kedua dan kemudian tambahkan 2 kali baris
kedua dari matriks yang dihasilkan ke baris pertama, didapatkan bentuk eselon baris
tereduksi
1 3 0 4 2 0 0
0 0 1 2 0 0 0
[ ]
0 0 0 0 0 ⁄
1 1 3
0 0 0 0 0 0 0
Sistem persamaan yang sesuai adalah
𝑥1 + 3𝑥2 + 4𝑥4 + 2𝑥5 =0
𝑥3 + 2𝑥4 =0
1
𝑥6 = 3

Persamaan 0𝑥1 + 0𝑥2 + 0𝑥3 + 0𝑥4 + 0𝑥5 + 0𝑥6 = 0 dihilangkan karena akan dipenuhi
secara otomatis oleh solusi dari persamaan yang tersisa. Jadi
𝑥1 = −3𝑥2 − 4𝑥4 − 2𝑥5
𝑥3 = −2𝑥4
1
𝑥6 = 3

𝑥1 = −3𝑟 − 4𝑠 − 2𝑡, 𝑥2 = 𝑟, 𝑥3 = −2𝑠, 𝑥4 = 𝑠, 𝑥5 = 𝑡,

1
𝑥6 = 3

7
Latihan 1.
1. Berikan masing-masing 3 contoh matriks yang mempunyai bentuk eselon baris dan
matriks yang mempunyai bentuk eselon baris tereduksi!
2. Misalkan bahwa matriks yang diperbesar untuk SPL telah direduksi dengan operasi
baris menjadi bentuk eselon baris tereduksi. Selesaikan sistem berikut:
a. 1 −6 0 0 3 −2 b. 1 −3 0 0 c. 1 0 0 −7 8
0 0 1 0 4 7 [0 0 1 0] [0 1 0 3 2]
[ ]
0 0 0 1 5 8 0 0 0 1 0 0 1 1 −5
0 0 0 0 0 0
3. Misalkan bahwa matriks yang diperbesar untuk SPL telah direduksi dengan operasi
baris menjadi bentuk eselon baris. Selesaikan sistem berikut:
a. 1 7 −2 0 −8 −3 b. 1 −3 7 1 c. 1 0 8 −5 6
0 0 1 1 6 5 [0 1 4 0] [0 1 4 −9 3]
[ ]
0 0 0 1 3 9 0 0 0 1 0 0 1 1 2
0 0 0 0 0 0
4. Selesaikan sistem berikut menggunakan eliminasi Gauss dan eliminasi Gauss Jordan.
a. 𝑥ₗ− 2𝑥₂ + 𝑥₃ − 4𝑥₄ = 1 b. 3𝑥ₗ +2𝑥₂− 𝑥₃ = −15
𝑥ₗ+ 3𝑥₂ + 7𝑥₃ + 2𝑥₄ = 2 5𝑥ₗ +3𝑥₂+2𝑥₃ = 0
𝑥ₗ−12𝑥₂−11𝑥₃−16𝑥₄ = 5 3𝑥ₗ + 𝑥₂ +3𝑥₃ = 11
−6𝑥ₗ−4𝑥₂+2𝑥₃ = 30

5. Selesaikan SPL homogen berikut.

a. 𝑥ₗ− 2𝑥₂ + 𝑥₃ − 4𝑥₄ = 1 b. 3𝑥ₗ +2𝑥₂− 𝑥₃ = −15
𝑥ₗ+ 3𝑥₂ + 7𝑥₃ + 2𝑥₄ = 2 5𝑥ₗ +3𝑥₂+2𝑥₃ = 0
𝑥ₗ−12𝑥₂−11𝑥₃−16𝑥₄ = 5 3𝑥ₗ + 𝑥₂ +3𝑥₃ = 11
−6𝑥ₗ−4𝑥₂+2𝑥₃ = 30

c. 3𝑥ₗ+𝑥₂+𝑥₃+𝑥₄ = 0 d. 3𝑥ₗ−2𝑥₂ = 0
5𝑥ₗ−𝑥₂+𝑥₃−𝑥₄ = 0 6𝑥ₗ−4𝑥₂ = 0

8
 BAB II
MATRIKS

2.1 Matriks dan Operasi Matriks

Apabila A adalah sebuah matriks, maka digunakan 𝑎𝑖𝑗 untuk menyatakan entri
pada baris i dan kolom j dari A. Jadi sebuah matriks 𝑚 × 𝑛 dapat dituliskan sebagai
𝑎11 𝑎12 ⋯ 𝑎1𝑛
𝑎21 𝑎22 ⋯ 𝑎2𝑛
A=[ ⋮ ⋮ ⋱ ⋮ ] (2.1)
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛
Simbol huruf besar untuk menyatakan matriks dan simbol huruf kecil untuk menyatakan
kuantitas numerik (berupa skalar). Sebuah matriks dengan n baris dan n kolom
dinamakan matriks persegi/kuadrat berorde n (square matrix of orde n), dan entri-entri
𝑎11 , 𝑎22 , . . . , 𝑎𝑛𝑛 dikatakan berada pada diagonal utama dari A, yakni
𝑎11 𝑎11 ⋯ 𝑎1𝑛
𝑎22 𝑎22 ⋯ 𝑎2𝑛
[ ⋮ ⋮ ⋱ ⋮ ] (2.2)
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛
Dua matriks dikatakan sama jika kedua matriks tersebut mempunyai ukuran yang sama
dan entri-entri yang bersesuaian dalam kedua matriks tersebut sama.

Definisi 2.1.
1. Jika A dan B adalah sebarang dua matriks yang ukurannya sama, maka 𝐴 + 𝐵 adalah
matriks yang diperoleh dengan menambahkan entri yang bersesuaian dari kedua
matriks tersebut. Matriks-matriks yang ukurannya berbeda tidak dapat ditambahkan.
2. Jika A adalah suatu matriks dan c adalah suatu skalar, maka hasil kali (product) cA
adalah matriks yang diperoleh dengan mengalikan masing-masing entri dari A oleh c.
3. Jika A adalah matriks 𝑚 × 𝑟 dan B adalah matriks 𝑟 × 𝑛, maka hasil kali AB adalah
matriks 𝑚 × 𝑛 yang entri-entrinya ditentukan sebagai berikut. Untuk mencari entri
dalam baris i dan kolom j dari AB, pilihlah baris i dari matriks A dan kolom j dari
matriks B. Kalikanlah entri-entri yang bersesuaian dari baris dan kolom tersebut
bersama-sama dan kemudian tambahkanlah hasil kali yang dihasilkan.
4. 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.

9
 Perkalian matriks mempunyai penerapan penting terhadap SPL. Perhatikan sistem
pada persamaan (1.3) yang terdiri dari m persamaan linier dalam n bilangan tak diketahui.
Karena dua matriks dinyatakan sama jika dan hanya jika entri-entri yang bersesuaian
sama, maka m persamaan dalam sistem persamaan (1.3) dapat digantikan dengan
persamaan matriks tunggal sebagai berikut:

𝑎11 𝑥1 + 𝑎12 𝑥2 ⋯ + 𝑎1𝑛 𝑥𝑛 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 ⋯ + 𝑎2𝑛 𝑥𝑛 𝑏
[ ] = [ 2] (2.3)
⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 ⋯ + 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑚
Matriks 𝑚 × 1 pada ruas kiri persamaan (2.3) dapat ditulis sebagai hasil kali yakni
𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑥1 𝑏1
𝑎21 𝑎22 ⋯ 𝑎2𝑛 𝑥2 𝑏
[ ⋮ ⋮ ⋱ ⋮ ] [⋮] = [ 2] (2.4)
⋮
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑚
Jika matriks-matriks tersebut berturut-turut dinotasikan A, X, dan B, maka sistem m
persamaan asli dalam n bilangan tak diketahui dapat dinyatakan sebagai
𝐴𝑋 = 𝐵 (2.5)
Matriks A dinamakan matriks koefisien untuk sistem tersebut.

2.2 Aturan-Aturan Aritmatika Matriks

Beberapa aturan aritmatika bilangan riil berlaku juga untuk matriks, namun
terdapat perkecualian. Misalnya dalam perkalian matriks, pada riil a dan b, berlaku
hukum komutatif untuk perkalian, tetapi untuk matriks-matriks tidak berlaku karena AB
dan BA tidak selalu sama. Jika 𝐴𝐵 = 𝐴𝐶 maka tidak berlaku dalam aritmatika matriks
𝐵 = 𝐶. Suatu matriks yang semua entrinya sama dengan nol, dinamakan matriks nol
(zero matrix), dinotasikan dengan 0. Jika 𝐴 ≠ 𝟎 dan 𝐷 ≠ 𝟎 memungkinkan dapat
diperoleh 𝐴𝐷 = 𝟎; hal ini tidak berlaku terhadap aritmatika bilangan riil.

Contoh 2.1

Diketahui matriks-matriks 0 1 1 1 2 5 3 7
𝐴=[ ],𝐵 = [ ], 𝐶 = [ ], 𝐷 = [ ]
0 2 3 4 3 4 0 0
3 4 , juga 𝐴 ≠ 𝟎 dan 𝐷 ≠ 𝟎 tetapi 𝐴𝐷 = 𝟎.
Terlihat bahwa 𝐵 ≠ 𝐶 tetapi 𝐴𝐵 = 𝐴𝐶 = [ ]
6 8

Teorema 2.1
Dengan mengasumsikan bahwa ukuran matriks sedemikian sehingga operasi yang
ditunjukkan dapat dilakukan, maka aturan aritmatika matriks berikut adalah sahih.

10
(a) 𝐴 + 𝐵 = 𝐵 + 𝐴 (Hukum komutatif untuk penjumlahan)
(b) 𝐴 + (𝐵 + 𝐶) = (𝐴 + 𝐵) + 𝐶 (Hukum asosiatif untuk penjumlahan)
(c) 𝐴(𝐵𝐶) = (𝐴𝐵)𝐶 (Hukum asosiatif untuk perkalian)
(d) 𝐴(𝐵 + 𝐶) = 𝐴𝐵 + 𝐴𝐶 (Hukum distributif)
(e) (𝐵 + 𝐶)𝐴 = 𝐵𝐴 + 𝐶𝐴 (Hukum distributif)
(f) 𝐴(𝐵 − 𝐶) = 𝐴𝐵 − 𝐴𝐶
(g) (𝐵 − 𝐶)𝐴 = 𝐵𝐴 − 𝐶𝐴
(h) 𝑎(𝐵 + 𝐶) = 𝑎𝐵 + 𝑎𝐶
(i) 𝑎(𝐵 − 𝐶) = 𝑎𝐵 − 𝑎𝐶
(j) (𝑎 + 𝑏)𝐶 = 𝑎𝐶 + 𝑏𝐶
(k) (𝑎 − 𝑏)𝐶 = 𝑎𝐶 − 𝑏𝐶
(l) (𝑎𝑏)𝐶 = 𝑎(𝑏𝐶)
(m) 𝑎(𝐵𝐶) = (𝑎𝐵)𝐶 = 𝐵(𝑎𝐶)

Teorema 2.2
Dengan mengasumsikan bahwa ukuran matriks sedemikian sehingga operasi yang
ditunjukkan dapat dilakukan, maka aturan aritmatika matriks berikut sahih.
(a) 𝐴 + 𝟎 = 𝟎 + 𝐴 = 𝐴 (c) 𝟎 − 𝐴 = −𝐴
(b) 𝐴 − 𝐴 = 𝟎 (d) 𝐴𝟎 = 𝟎; 𝟎𝐴 = 𝟎

Teorema 2.3
Setiap SPL selalu mempunyai salah satu dari berikut: tidak mempunyai penyelesaian,
tepat satu penyelesaian, atau tak terhingga banyaknya penyelesaian.

Definisi 2.2
Jika A adalah matriks kuadrat, dan jika dapat dicari matriks B sehingga 𝐴𝐵 = 𝐵𝐴 = 𝐼,
maka A dikatakan dapat dibalik (invertible) dan B dinamakan invers (inverse) dari A.
Jika tidak dapat ditemukan matriks B maka matriks A disebut matriks singular.

Contoh 2.2
3 5 2 −5
Matriks 𝐵=[ ] adalah invers dari 𝐴 = [ ] karena
1 2 −1 3
2 −5 3 5 1 0
𝐴𝐵 = [ ] [ ] = [ ] = 𝐼,
−1 3 1 2 0 1
3 5 2 −5 1 0
𝐵𝐴 = [ ] [ ] = [ ] = 𝐼
1 2 −1 3 0 1

11
Teorema 2.4 Jika B maupun C adalah invers matriks A, maka B = C.

Teorema 2.5
Jika A dan B adalah matriks-matriks yang dapat dibalik dan ukurannya sama, maka
(a) AB dapat dibalik
(b) (𝐴𝐵)−1 = 𝐵 −1 𝐴−1
Sebuah hasil kali matriks yang dapat dibalik selalu dapat dibalik, dan invers hasil kali
tersebut adalah hasil kali invers dalam urutan yang dibalik.

Contoh 2.3

1 2 3 2 7 6
Tinjau matriks-matriks 𝐴 = [ ], 𝐵 = [ ] , 𝐴𝐵 = [ ]
1 3 2 2 9 8
Dengan menerapkan rumus yang diberikan dalam Teorema 2.5, didapatkan
3 −2 1 −1 4 −3
𝐴−1 = [ ], 𝐵 −1 = [−1 3 ], (𝐴𝐵)−1 = [− 9 7 ]
−1 1 2 2 2

1 −1 3 −2 4 −3
Juga 𝐵 −1 𝐴−1= [−1 3 ] [ ] = [− 9 7 ]
2 −1 1 2 2

Jadi (𝐴𝐵)−1 = 𝐵 −1 𝐴−1 .

Definisi 2.3 Jika A adalah sebuah matriks kuadrat, maka didefinisikan pangkat-pamgkat
bilangan bulat tak negatif A menjadi
𝐴0 = 𝐼 𝐴𝑛 = 𝐴𝐴 ⋯ 𝐴 (𝑛 > 0)
n faktor
Akan tetapi, jika A dapat dibalik, maka didefinisikan pangkat bilangan bulat negatif
menjadi
𝐴−𝑛 = (𝐴−1 )𝑛 = 𝐴−1 𝐴−1 ⋯ 𝐴−1

n faktor

Teorema 2.6
Jika A adalah matriks kuadrat dan r serta s adalah bilangan bulat, maka
𝐴𝑟 𝐴𝑠 = 𝐴𝑟+𝑠 , (𝐴𝑟 )𝑠 = 𝐴𝑟𝑠

Teorema 2.7 Jika A adalah sebuah matriks yang dapat dibalik, maka:
(a) 𝐴−1 dapat dibalik dan (𝐴−1 )−1 = 𝐴.
(b) 𝐴𝑛 dapat dibalik dan (𝐴𝑛 )−1 = (𝐴−1 )𝑛 untuk n = 0, 1, 2, . . . .
12
 1
(c) Untuk setiap skalar 𝑘 ≠ 0 maka kA dapat dibalik dan (𝑘𝐴)−1 = 𝐴−1 .
𝑘

Teorema 2.8. Jika ukuran matriks seperti operasi yang diberikan dapat dilakukan, maka
(a) (𝐴𝑡 )𝑡 = 𝐴 (c) (𝑘𝐴)𝑡 = 𝑘𝐴𝑡 , di mana k adalah sebarang skalar.
(b) (𝐴 + 𝐵)𝑡 = 𝐴𝑡 + 𝐵 𝑡 (d) (𝐴𝐵)𝑡 = 𝐵 𝑡 𝐴𝑡

2.3 Matriks Elementer dan Metode untuk Mencari 𝑨−𝟏

Definisi 2.4
Sebuah matriks 𝑛 × 𝑛 dinamakan matriks elementer jika matriks tersebut dapat diperoleh
dari matriks identitas 𝑛 × 𝑛 yakni 𝐼𝑛 dengan melakukan sebuah OBE tunggal.

Contoh 2.4
Berikut terdapat empat matriks elementer dan operasi-operasi yang menghasilkannya.
1 0 0 0
1 0 3 1 0 0
1 0 0 0 0 1
[ ] [ ] [0 1 0] [0 1 0]
0 −3 0 0 1 0
0 0 1 0 0 1
0 1 0 0

Kalikan baris Pertukarkan baris Tambahkan tiga kali Kalikan baris

kedua 𝐼2 kedua dan baris baris ketiga dari 𝐼3 pertama dari 𝐼3
dengan −3 keempat dari 𝐼4 pada baris pertama dengan 1

Teorema 2.9
Jika matriks elementer E dihasilkan dengan melakukan sebuah operasi baris tertentu pada
𝐼𝑚 dan jika A adalah matriks 𝑚 × 𝑛, maka hasil kali EA adalah matriks yang dihasilkan
bila operasi baris yang sama ini dilakukan pada A.

Teorema 2.10
Setiap matriks elementer dapat dibalik, dan inversnya adalah juga matriks elementer.

Jika matriks B dapat diperoleh dari matriks A dengan melakukan urutan terhingga
dari dari operasi-operasi baris elementer, maka A dapat diperoleh kembali dari B dengan
melakukan invers dari operasi baris elementer dalam susunan yang sebaliknya. Proses
tersebut dikatakan ekivalen baris (row equivalent).
Teorema 2.11. Jika A adalah matriks 𝑛 × 𝑛, maka pernyataan-pernyataan berikut
ekivalen, yakni, semuanya benar atau semuanya salah.
(a) A dapat dibalik.

13
(b) 𝐴𝑋 = 0 hanya mempunyai penyelesaian trivial.
(c) 𝐴 ekivalen baris terhadap 𝐼𝑛 .

Contoh 2.5
Carilah invers dari matriks A berikut:
1 2 3
A=[2 5 3]
1 0 8
Penyelesaian:
Mereduksi A pada matriks satuan menggunakan OBE dan menerapkannya secara
serempak pada I untuk menghasilkan 𝐴−1. Caranya dengan menggandengkan matriks
satuan ke kanan A dan menerapkan OBE pada kedua ruas hingga ruas kiri terreduksi pada
I yakni mempunyai bentuk [𝐼 ⎸𝐴−1 ]. Perhitungan dapat dilakukan sebagai berikut

1 2 3 1 0 0
(2 5 3 | 0 1 0)
1 0 8 0 0 1
Tambahkan −2 kali baris pertama pada baris
1 2 3 1 0 0
(0 1 −3 | −2 1 0) kedua dan −1 kali baris pertama pada baris
0 −2 5 −1 0 1 ketiga.

1 2 3 1 0 0
(0 1 −3 | −2 1 0) Tambahkan 2 kali baris kedua pada baris ketiga.
0 0 −1 −5 2 1
1 2 3 1 0 0 Kalikan baris ketiga dengan −1.
(0 1 −3 | −2 1 0)
0 0 1 5 −2 −1

1 2 0 −14 6 3 Tambahkan 3 kali baris ketiga pada baris kedua dan

(0 1 0 | 13 −5 −3) −3 kali baris ketiga pada baris pertama.
0 0 1 5 −2 −1

1 0 0 −40 16 9
(0 1 0 | 13 −5 −3) Tambahkan −2 kali baris kedua pada baris pertama.
0 0 1 5 −2 −1

Jadi
−40 16 9
𝐴−1 = [ 13 −5 −3]
5 −2 −1
Contoh 2.6
Perhatikan matriks berikut:
1 6 4
𝐴 = [ 2 4 −1]
−1 2 5

14
Dengan menerapkan OBE maka akan menghasilkan
1 6 4 1 0 0
( 2 4 −1 | 0 1 0)
−1 2 5 0 0 1

1 6 4 1 0 0
Tambahkan −2 kali baris pertama ke baris kedua
(0 −8 −9 | −2 1 0)
0 8 9 1 0 1 dan menambahkan baris pertama ke baris ketiga.

1 6 4 1 0 0
(0 −8 −9 | −2 1 0) Tambahkan baris kedua ke baris ketiga.
0 0 0 −1 1 1

Diperoleh sebuah baris bilangan nol pada ruas kiri, maka A tidak dapat dibalik/tidak
mempunyai invers.
Contoh 2.7

1 2 3
Dapat ditunjukkan bahwa 𝐴 = [2 5 3] adalah sebuah matriks yang dapat dibalik.
1 0 8
Dari Teorema, dapat menyimpulkan bahwa sistem persamaan-persamaan
𝑥ₗ +2𝑥₂+3𝑥₃ = 0
2𝑥ₗ+5𝑥₂+3𝑥₃ = 0
𝑥ₗ +8𝑥₃ = 0
hanya mempunyai penyelesaian trivial.

2.4 Sistem Persamaan dan Keterbalikan

Teorema 2.12
Jika A adalah matriks 𝑛 × 𝑛 yang dapat dibalik, maka untuk setiap matriks B berukuran
𝑛 × 1, sistem persamaan 𝐴𝑋 = 𝐵 mempunyai tepat satu solusi, yakni, 𝑋 = 𝐴−1 𝐵.

Contoh 2.8
Perhatikan SPL berikut ini.
𝑥ₗ +2𝑥₂+3𝑥₃ = 5
2𝑥ₗ+5𝑥₂+3𝑥₃ = 3
𝑥ₗ +8𝑥₃ = 17

Dalam bentuk matriks, maka sistem ini dapat dituliskan sebagai 𝐴𝑋 = 𝐵, dimana
1 2 3 𝑥ₗ 5
𝐴 = [2 5 3], 𝑥 = [𝑥₂], 𝑏=[3]
1 0 8 𝑥₃ 17
Dapat ditunjukkan bahwa A merupaka matriks yang dapat dibalik dan

15
 −40 16 9
𝐴−1 = [ 13 −5 −3]
5 −2 −1

Dengan demikian penyelesaian SPL tersebut adalah

−40 16 9 5 1
−1
x = 𝐴 𝑏= [ 13 −5 −3] [3] = [−1]
5 −2 −1 17 2
atau 𝑥1 = 1, 𝑥2 = −1, 𝑥3 = 2.

Contoh 2.9
Selesaikan sistem-sistem
𝑥ₗ +2𝑥₂+3𝑥₃ = 4 𝑥ₗ +2𝑥₂+3𝑥₃ = 1
(a) 2𝑥ₗ+5𝑥₂+3𝑥₃ = 5 (b) 2𝑥ₗ+5𝑥₂+3𝑥₃ = 6
𝑥ₗ +8𝑥₃ = 9 𝑥ₗ +8𝑥₃ = −6
Penyelesaian.
Kedua sistem mempunyai matriks koefisien yang sama. Jika matriks koefisien diperbesar,
dengan kolom konstanta pada ruas kanan dari sistem-sistem ini, kemudian mereduksi
matriks tersebut menjadi bentuk eselon baris tereduksi maka diperoleh
1 2 34 1 1 0 01 2
[2 5 3|5| 6 ] ⟹ [0 1 0|0| 1 ]
1 0 8 9 −6 0 0 1 1 −1

Selanjutnya dari dua kolom terakhir diselesaikan. Sistem (a) adalah 𝑥1 = 1, 𝑥2 = 0, 𝑥3 =

1 dan sistem (b) adalah 𝑥1 = 2, 𝑥2 = 1, 𝑥3 = −1.

Teorema 2.13 Misalkan A adalah matriks kuadrat.

(a) Jika B adalah matriks kuadrat yang memenuhi 𝐵𝐴 = 𝐼, maka 𝐵 = 𝐴−1 .
(b) Jika B adalah matriks kuadrat yang memenuhi 𝐴𝐵 = 𝐼, maka 𝐵 = 𝐴−1 .
Teorema 2.14 Jika A adalah sebuah matriks 𝑛 × 𝑛, maka pernyataan-pernyataan yang
berikut ekivalen satu sama lain.
(a) A dapat dibalik.
(b) 𝐴𝑋 = 0 hanya mempunyai penyelesaian trivial.

2.5 Matriks Partisi

Matriks partisi adalah suatu matriks yang dipecah menjadi submatriks dengan
memberi partisi garis horisontal di antara dua baris dan garis vertikal di antara dua kolom.
Misalnya:

16
 𝑎 𝑏 𝑐 𝑎 𝑏 𝑐 𝑎 𝑏 𝑐 𝑎 𝑏 𝑐
[𝑑 𝑒 𝑓] bisa dipartisi seperti [𝑑 𝑒 𝑓 ] atau [𝑑 𝑒 𝑓] atau [𝑑 𝑒 𝑓] dan
𝑔 ℎ 𝑖 𝑔 ℎ 𝑖 𝑔 ℎ 𝑖 𝑔 ℎ 𝑖
𝑎 𝑏 𝑐 𝑎 𝑏 𝑐
lainnya. Penyelesaian [𝑑 𝑒 𝑓 ] dan [𝑑 𝑒 𝑓 ] bukan merupakan matriks partisi
𝑔 ℎ 𝑖 𝑔 ℎ 𝑖
karena tidak memisahkan seluruh kolom dan seluruh baris.

Operasi pada matriks partisi:

𝑨𝟏𝟏 𝑨𝟏𝟐 𝑩 𝑩𝟏𝟐
Misalkan 𝑨 = [ ] dan 𝑩 = [ 𝟏𝟏 ].
𝑨𝟐𝟏 𝑨𝟐𝟐 𝑩𝟐𝟏 𝑩𝟐𝟐
1. Pejumlahan Matriks
𝑨𝟏𝟏 + 𝑩𝟏𝟏 𝑨𝟏𝟐 + 𝑩𝟏𝟐
𝑨+𝑩=[ ], jika syarat penjumlahan matriks terpenuhi,
𝑨𝟐𝟏 + 𝑩𝟐𝟏 𝑨𝟐𝟐 + 𝑩𝟐𝟐
yaitu ukuran dari 𝑨𝟏𝟏 = 𝑩𝟏𝟏 , 𝑨𝟏𝟐 = 𝑩𝟏𝟐 , 𝑨𝟐𝟏 = 𝑩𝟐𝟏 , dan 𝑨𝟐𝟐 = 𝑩𝟐𝟐 .

Contoh 2.10
2
7 1 5 7 1
𝑨 = (3
4 8) dan 𝑩 = ( 2 6 6)
5
2 4 0 2 2
2 7 5 7 1 1 7 14 2 7 14 2
[ ]+[ ] [ ]+[ ] [ ] [ ]
𝑨+𝑩=[ 3 4 2 6 8 6 ] = [ 5 10 14 ] = [5 10 14]
[5 2] + [0 1] [4] + [4] [5 4] [6] 5 4 6

2. Perkalian Matriks
𝑨𝟏𝟏 𝑨𝟏𝟐 𝑩𝟏𝟏 𝑩𝟏𝟐
𝑨𝑩 = [ ][ ]
𝑨𝟐𝟏 𝑨𝟐𝟐 𝑩𝟐𝟏 𝑩𝟐𝟐
𝑨𝟏𝟏 𝑩𝟏𝟏 + 𝑨𝟏𝟐 𝑩𝟐𝟏 𝑨𝟏𝟏 𝑩𝟏𝟐 + 𝑨𝟏𝟐 𝑩𝟐𝟐
=[ ] , jika syarat perkalian matriks terpenuhi.
𝑨𝟐𝟏 𝑩𝟏𝟏 + 𝑨𝟐𝟐 𝑩𝟐𝟏 𝑨𝟐𝟏 𝑩𝟏𝟐 + 𝑨𝟐𝟐 𝑩𝟐𝟐

Contoh 2.11
21 3 2 4 1
𝑨 = (13 1) dan 𝑩 = (1 2 3)
02 7 0 0 3
2 1 2 4 3 2 1 1 3
[ ][ ] + [ ] [0 0] [ ] [ ] + [ ] [3]
𝑨𝑩 = [ 1 3 1 2 1 1 3 3 1 ]
2 4 1
[0 2 ] [ ] + [7][0 0] [0 2] [ ] + [7][3]
1 2 3
5 10 0 0 5 9 5 10 14 5 10 14
[ ]+[ ] [ ]+[ ] [ ] [ ]
= [ 5 10 0 0 10 3 ]=[ 5 10 13 ] = [5 10 13]
[2 4] + [0 0] [6] + [2] [2 4] [27] 2 4 27

3. Kebalikan Matriks

17
 Misalkan 𝑨 adalah matriks bujur sangkar berordo (𝑛 × 𝑥) yang mempunyai
kebalikan yaitu 𝑨−1 = 𝑩.
Karena 𝑨𝑩 = 𝑩𝑨 = 𝑰, maka diperoleh:
(1) 𝑨𝟏𝟏 𝑩𝟏𝟏 + 𝑨𝟏𝟐 𝑩𝟐𝟏 = 𝑰 (3) 𝑨𝟐𝟏 𝑩𝟏𝟏 + 𝑨𝟐𝟐 𝑩𝟐𝟏 = 𝑰
(2) 𝑨𝟏𝟏 𝑩𝟏𝟐 + 𝑨𝟏𝟐 𝑩𝟐𝟐 = 𝟎 (4) 𝑨𝟐𝟏 𝑩𝟏𝟐 + 𝑨𝟐𝟐 𝑩𝟐𝟐 = 𝟎

Misalkan 𝑩𝟐𝟐 = 𝑳−1,

dari (2) 𝑩𝟏𝟐 = −(𝑨𝟏𝟏 −1 𝑨𝟏𝟐 )𝑳−1,
dari (3) 𝑩𝟐𝟏 = −𝑳−1 (𝑨𝟐𝟏 𝑨𝟏𝟏 −1 ),
dari (1) 𝑩𝟏𝟏 = 𝑨𝟏𝟏 −1 − 𝑨𝟏𝟏 −1 𝑨𝟏𝟐 𝑩𝟐𝟏 = 𝑨𝟏𝟏 −1 + (𝑨𝟏𝟏 −1 𝑨𝟏𝟐 )𝑳−1 (𝑨𝟐𝟏 𝑨𝟏𝟏 −1 ),
dan bila disubstitusikan ke (4), maka
−𝑳−1 (𝑨𝟐𝟏 𝑨𝟏𝟏 −1 )𝑨𝟏𝟐 + 𝑳−1 𝑨𝟐𝟐 = 𝑰
𝑳 = 𝑨𝟐𝟐 − (𝑨𝟐𝟏 𝑨𝟏𝟏 −1 )𝑨𝟏𝟐 = 𝑨𝟐𝟐 − 𝑨𝟐𝟏 (𝑨𝟏𝟏 −1 𝑨𝟏𝟐 ).

Contoh 2.12
1 3 3
1 3 3
𝑨 = [1 4 3] berarti 𝑨𝟏𝟏 = [ ], 𝑨𝟏𝟐 = [ ], 𝑨𝟐𝟏 = [1 3], dan 𝑨𝟐𝟐 = [4].
1 4 3
1 3 4
4 −3
𝑨𝟏𝟏 −1 = [ ]
−1 1
4 −3 3 3
𝑨𝟏𝟏 −1 𝑨𝟏𝟐 = [ ][ ] = [ ]
−1 1 3 0
4 −3
𝑨𝟐𝟏 𝑨𝟏𝟏 −1 = [1 3] [ ] = [1 0]
−1 1
3
𝑳 = 𝑨𝟐𝟐 − 𝑨𝟐𝟏 (𝑨𝟏𝟏 −1 𝑨𝟏𝟐 ) = [4] − [1 3] [ ] = 1
0
𝑳−1 = 1

𝑩𝟏𝟏 = 𝑨𝟏𝟏 −1 + (𝑨𝟏𝟏 −1 𝑨𝟏𝟐 )𝑳−1 (𝑨𝟐𝟏 𝑨𝟏𝟏 −1 )

4 −3 3 7 −3
=[ ] + [ ] [1][1 0] = [ ]
−1 1 0 −1 1
3 −3
𝑩𝟏𝟐 = −(𝑨𝟏𝟏 −1 𝑨𝟏𝟐 )𝑳−1 = − [ ] [1] = [ ]
0 0
𝑩𝟐𝟏 = −𝑳−1 (𝑨𝟐𝟏 𝑨𝟏𝟏 −1 ) = −[1][1 0] = [−1 0]
𝑩𝟐𝟐 = 𝑳−1 = 1

𝑩 𝑩𝟏𝟐 7 −3 −3
−1
Jadi 𝑨 = [ 𝟏𝟏 ] = [−1 1 0]
𝑩𝟐𝟏 𝑩𝟐𝟐
1 0 1

18
Latihan 2.
1. Sebutkan jenis-jenis matriks dan berikan contohnya!
2. Sebutkan 4 contoh matriks elementer!
3. Jika diketahui matriks-matriks berikut:
1 0 0 0 5 11 7 3
3 4 −1 1 0 1
𝐴 = [1 0 3 ], 𝐵 = [0 1 1], 𝐶 = [
1 2 0 0] dan 𝐷 = [ 2 1 4 −5]
1 2 4 0 3 −2 8 7
2 5 −4 1 1 0
1 2 4 8 0 0 0 0
a. Apakah (𝐴 + 𝐵)𝑡 = 𝐴𝑡 + 𝐵𝑡 dan (𝐴𝐵)𝑡 = 𝐵𝑡 𝐴𝑡 ?
b. Carilah invers dari matriks yang diberikan jika matriks tersebut dapat dibalik,
gunakan metode seperti contoh 2.5 dan contoh 2.6.
4. Berikan 2 contoh matriks yang mempunyai invers dan berukuran 3×3! Sebut matriks
𝐴 dan 𝐵 serta inversnya 𝐴−1 dan 𝐵 −1.
a. Buktikan bahwa (𝐴𝐵)−1 = 𝐵−1 𝐴−1 .
b. Apakah (𝐴𝐵)2 = 𝐴2 𝐵2 merupakan matriks
identitas?
5. Selesaikan SPL berikut menggunakan metode dari contoh 2.8 dan contoh 2.9.
𝑥ₗ −3𝑥₂+ 𝑥₃ = 4 −xₗ−4x₂+2x₃+ x₄ = −32
a. 2𝑥ₗ− 𝑥₂ = −2 2xₗ − x₂ +7x₃+9x₄ = 14
b.
4𝑥ₗ −3𝑥₃ = 0 −xₗ+ x₂ +3x₃+ x₄ = 11
xₗ −2x₂+ x₃ −4x₄ = −4
6. Tinjau matriks-matriks pada latihan nomor 3. Bentuk sembarang matriks partisi untuk
matriks 𝐵, 𝐶 dan 𝐷.
a. Tentukan nilai 𝐶 + 𝐷
b. Tentukan nilai 𝐶𝐷.
c. Carilah invers dari matriks 𝐵 dan 𝐶 jika matriks tersebut dapat dibalik.

19
 BAB III
DETERMINAN

3.1 Determinan dengan Ekspansi Kofaktor

𝑎11 𝑎12
Determinan dari matriks 𝐴 = [𝑎 ] adalah
21 𝑎22
𝑎11 𝑎12
det(𝐴) = |𝐴| = |𝑎 |= 𝑎11 𝑎22 − 𝑎12 𝑎21
21 𝑎22

Definisi 3.1
Jika A adalah matriks kuadrat, maka minor entri aij dinyatakan oleh M ij dan

didefinisikan sebagai determinan submatriks yang tersisa setelah baris ke i dan kolom ke
j dihapus dari A . Bilangan ( −1)i + j M ij dinyatakan oleh C ij dan dinamakan kofaktor

entri aij .

Contoh 3.1
Misalkan
 3 1 −4 
A =  2 5 6 
1 4 8 
Tentukan kofaktor a11 dan a32 .

Penyelesaian:
Minor entri a11 dan entri a32 berturut-turut adalah

3 1 −4 3 1 −4
5 6 3 −4
M 11 = 2 5 6 = = 16 M 32 = 2 5 6 = = 26
4 8 2 6
1 4 8 1 4 8

dan
Kofaktor a11 dan a32 berturut-turut adalah

C 11 = ( −1) C 32 = ( −1)
1+1 3+ 2
M 11 = M 11 = 16 dan M 32 = −M 32 = −26 .

Contoh 3.2
3 1 0
Misalkan A =  −2 −4 3  .
 5 4 −2 
Tentukan kofaktor a11 , 𝑎12 , 𝑎13 , 𝑎21 , 𝑎31

Penyelesaian :

20
 −4 3
𝐶11 = (−1)1+1 𝑀11 = 𝑀11 = | | = −4
4 −2

−2 3
𝐶12 = (−1)1+2 𝑀12 = −𝑀12 = − | | = −11
5 −2
−2 −4
𝐶13 = (−1)1+3 𝑀12 = 𝑀13 = | | = 12
5 4
1 0
𝐶21 = (−1)2+1 𝑀21 = −𝑀21 = − | |=2
4 −2
1 0
𝐶31 = (−1)3+1 𝑀31 = 𝑀31 = | |=3
−4 3

Definisi 3.2 Determinan matriks A yang berukura n  n dapat dihitung dengan

mengalikan entri-entri dalam suatu baris (atau kolom) dengan kofaktor-kofaktornya dan
menambahkan hasil-hasil kali yang dihasilkan; yakni, untuk setiap 1  i  n dan
1  j  n maka
det(𝐴) = 𝑎1𝑗 𝐶1𝑗 + 𝑎2𝑗 𝐶2𝑗 + ⋯ + 𝑎𝑛𝑗 𝐶𝑛𝑗 dan det(𝐴) = 𝑎𝑖1 𝐶𝑖1 + 𝑎𝑖2 𝐶𝑖2 + ⋯ + 𝑎𝑖𝑛 𝐶𝑖𝑛

Contoh 3.3
Misalkan A adalah matriks dalam Contoh 3.2. Hitunglah det ( A ) dengan menggunakan

ekspansi kofaktor sepanjang baris pertama.

Penyelesaian
3 1 0
−4 3 −2 3 −2 −4
det ( A ) = −2 −4 3 =3 − (1) +0
4 −2 5 −2 5 4
5 4 −2
= 3 ( −4 ) − ( −1)( −11) = −1

Contoh 3.4
Misalkan A adalah matriks dalam Contoh 3.2. Hitunglah det ( A ) dengan metode

ekspansi kofaktor sepanjang kolom pertama A .

Penyelesaian :
−4 3 1 0 1 0
det ( A ) = 3 − ( −2 ) +5
4 −2 4 −2 −4 3
= 3 ( −4 ) − ( −2 )( −2 ) + 5 ( 3) = −1

21
Teorema 3.1
Jika A adalah matriks segitiga (segitiga atas atau segitiga bawah) 𝑛 × 𝑛, maka det(𝐴)
adalah hasil kali entri-entri pada diagonal utama; yakni, det(𝐴) = 𝑎11 𝑎22 … 𝑎𝑛𝑛 .

Contoh 3.5
Hitunglah det(𝐴), di mana
𝑎11 0 0 0
𝑎 𝑎22 0 0
𝐴 = [ 21
𝑎31 𝑎32 𝑎33 0 ]
𝑎41 𝑎42 𝑎43 𝑎44
Satu-satunya hasil kali elementer A yang tidak sama dengan nol adalah a11a22a33a44 . Jadi

det ( A ) = a11a22a33a44 .

Contoh 3.6
2 7 −3 8 3
0 −3 7 5 1
det ( A ) = 0 0 6 7 6 = ( 2 )( −3)( 6 )( 9 )( 4 ) = −1296
0 0 0 9 8
0 0 0 0 4

3.2 Determinan dengan Reduksi Baris

Teorema 3.2
Jika A adalah matriks kuadrat yang memuat satu baris bilangan nol atau satu kolom
bilangan nol, maka det(𝐴) = 0

Teorema 3.3
Jika A adalah matriks kuadrat, maka 𝑑𝑒𝑡(𝐴) = det (𝐴𝑇 )
Contoh 3.7
Berdasarkan pemeriksaan, maka matriks
 1 −2 7 
 −4 8 5 
 
 2 −4 3 

mempunyai determinan sebesar nol karena kolom pertama sebanding dengan kolom
kedua.

22
Teorema 3.4
Misalkan A adalah matriks berukuran n  n .
a) Jika 𝐵 adalah matriks yang dihasilkan bila baris tunggal atau kolom tunggal A
dikalikan oleh konstanta k , maka det(𝐵) = 𝑘 det(𝐴).
b) Jika 𝐵 adalah matriks yang dihasilkan bila dua baris atau dua kolom A
dipertukarkan, maka det(𝐵) = − det(𝐴)
c) Jika 𝐵 adalah matriks yang dihasilkan bila kelipatan satu baris A ditambahkan
pada baris lain atau kelipatan satu kolom A ditambahkan pada kolom lain, maka
det(𝐵) = det(𝐴).

Teorema 3.5
Misalkan 𝐸 adalah matriks elementer berukuran n  n .
a) Jika 𝐸 adalah matriks yang dihasilkan bila baris tunggal 𝐼𝑛 dikalikan oleh
konstanta tidak nol k , maka det(𝐸) = 𝑘
b) Jika 𝐸 adalah matriks yang dihasilkan bila dua baris 𝐼𝑛 dipertukarkan, maka
det(𝐸) = −1
c) Jika 𝐸 adalah matriks yang dihasilkan bila kelipatan satu baris 𝐼𝑛 ditambahkan
pada baris lain, maka det(𝐸) = 1.

Contoh 3.8
Berikut adalah matriks elementer:
1 0 0 0 1 0 0 0 0 0 0 1 1 0 0 7
𝐼4 = [0 1 0 0], 𝐸 = [0 3 0 0] , 𝐸 = [0 1 0 0] , 𝐸 = [0 1 0 0]
0 0 1 0 1 0 0 1 0 2 0 0 1 0 3 0 0 1 0
0 0 0 1 0 0 0 1 1 0 0 0 0 0 0 1
Tentukan Determinan matriks-matriks tersebut.
Penyelesaian:
det(𝐼4 ) = 1
det( 𝐸1 ) = 3 det(𝐼4 )=3 (baris ke-2 dari 𝐼4 dikalikan 3)
det(𝐸2 )) =− det(𝐼4 ) = −1 (baris ke-1 dan ke-4 dari 𝐼4 dipertukarkan
det(𝐸3 ) = det(𝐼4 )=1 (baris ke-4 dari 𝐼4 dikalikan 7 dan ditambahkan ke baris ke-1)

Teorema 3.6
Misalkan 𝐴 adalah matriks kuadrat dengan dua baris atau kolom yang proportional, maka
det(𝐴) = 0.

23
Contoh 3.9
Berikut adalah contoh matriks yang memiliki dua baris atau kolom yang proportional:
3 −1 4 −5
1 −2 7
−1 4 6 −2 5 2 ]
[ ], [−4 8 5], [
−2 8 5 8 1 4
2 −4 3
−9 3 −12 15

Menghitung Determinan dengan Reduksi Baris

Metode ini dilakukan dengan cara mereduksi matriks menjadi matriks segitiga atas denga
operasi baris elementer, kemudian menghitung determinan dari matriks segitiga atas
tersebut.
Contoh 3.10
Hitunglah det ( A ) dengan metode reduksi baris, di mana

0 1 5
A =  3 −6 9 
 2 6 1 

Penyelesaian
Dengan mereduksi A pada bentuk eselon baris dan dengan menerapkan Teorema, maka
didapatkan
0 1 5 3 −6 9
det ( A )
Baris pertama dan baris kedua
= 3 −6 9 = − 0 1 5 A dipertukarkan (Contoh 3.7)
2 6 1 2 6 1
1 −2 3 Faktor bersama sebesar 3 dari baris
= −3 0 1 5 pertama matriks terdahulu diambil melalui
tanda det tersebut (Contoh 3.7)
2 6 1
1 −2 3 −2 kali baris pertama dari
= −3 0 1 5 matriks terdahulu ditambahkan
pada baris ketiga.
0 10 −5
1 −2 3
−10 kali baris kedua dari
= −3 0 1 5 matriks terdahulu ditambahkan
0 0 −55 pada baris ketiga.

1 −2 3
Faktor bersama sebesar −55 dari
= ( −3)( −55 ) 0 1 5 baris terakhir matriks terdahulu
0 0 1 diambil melalui tanda det tersebut.

= ( −3)( −55)(1) = 165 .

24
 Contoh 3.11. Operasi Baris dan Ekspansi Kofaktor
3 5 −2 6
Hitunglah det ( A ) , dimana 𝐴 = [1 2 −1 1]
2 4 1 5
3 7 5 3
Penyelesaian:

0 −1 1 3 -3 kali baris kedua ditambah ke baris pertama;

det (𝐴) = |1 2 −1 1| -2 kali baris kedua ditambah ke baris ketiga;
0 0 3 3 -3 kali baris kedua ditambah ke baris keemat
0 1 8 0
baris kedua.

−1 1 3 Ekspansi kofaktor sepanjang

= − | 0 3 3| kolom pertama
1 8 0
baris kedua.
−1 1 3 Tambahkan baris pertama ke
= − | 0 3 3| baris ketiga
0 9 3
baris kedua.
3 3
= −(−1) | | Ekspansi kofaktor sepanjang
9 3 kolom pertama
=-18

baris kedua.

3.2 Sifat-Sifat Fungsi Determinan

Misal A dan B matriks berukuran n  n , k konstanta, maka :

det(𝑘𝐴) = 𝑘 𝑛 det (𝐴)

det(𝐴 + 𝐵) ≠ det(𝐴) + det (𝐵)

Contoh 3.12
3 1 15 5 
Tinjaulah matriks-matriks A =   dan 5A =  .
2 2 10 10
Dengan perhitungan langsung maka det ( A ) = 4 dan det ( 5A ) = 100 . Ini sesuai dengan

hubungan yang menetapkan bahwa det ( 5A ) = 52 det ( A ) .

Contoh 3.13
1 2  3 1   4 3
Tinjaulah matriks-matriks A =   , B =  dan A + B =  .
2 5 1 3  3 8

25
Diperoleh det ( A ) = 1 , det ( B ) = 8 dan det ( A + B ) = 23 ; jadi det ( A + B )  det ( A ) +
det ( B ) .

Contoh 3.14
Dengan menghitung determinan, anda dapat memeriksa bahwa
 1 7 5  1 7 5  1 7 5 
 
det  2 0 3  = det  2 0 3  + det  2 0 3 
 
1 + 0 4 + 1 7 + ( −1)  1 4 7  0 1 −1

Teorema 3.7 Jika A dan B adalah matriks kuadrat yang ukurannya sama, maka
det ( AB ) = det ( A ) det ( B )

Contoh 3.15
 3 1  −1 3  2 17 
Tinjaulah matriks-matriks A =   , B =  dan AB =  .
 2 1  5 8  3 14 
Berdasarkan teorema diperoleh det ( A ) det ( B ) = (1)( −23) = −23 . Dengan perhitungan

langsung juga diperoleh det ( AB ) = −23 , sehingga det ( AB ) = det ( A ) det ( B ) .

Teorema 3.8 Sebuah matriks A kuadrat dapat dibalik jika dan hanya jika det ( A )  0 .

Akibat. Jika A dapat dibalik, maka det ( A −1 ) =

1
det ( A )

Contoh 3.16
Karena baris pertama dan baris ketiga dari
1 2 3
A =  1 0 1 
 2 4 6 

sebanding, maka det ( A ) = 0 . Jadi, A tidak dapat dibalik.

Definisi 3.3
Jika A adalah sebarang matriks n  n dan C ij adalah kofaktor aij , maka matriks
𝐶11 𝐶12 ⋯ 𝐶1𝑛
𝐶 𝐶22 ⋯ 𝐶2𝑛
[ 21 ]
⋮ ⋮ ⋱ ⋮
𝐶𝑚1 𝐶𝑚2 ⋯ 𝐶𝑚𝑛

26
Dinamakan matriks kofaktor A . Transpos matriks ini dinamakan adjoin A atau
adj ( A ) .

Teorema 3.9
1
Jika A adalah matriks yang dapat dibalik, maka A −1 = adj ( A )
det ( A )

Contoh 3.17
3 2 −1
Misal 𝐴 = [1 6 3 ]; 𝑑𝑒𝑡(𝐴) = 64 (Buktikan)
2 −4 0
Tentukan 𝐴−1 :
Penyelesaian.
12 4 12
64 64 64
1 1 12 4 12 6 2 10
𝐴−1 = 𝑎𝑑𝑗(𝐴) = [ 6 2 −10] = −
det(𝐴) 64 64 64 64
−16 16 16
16 16 16
−
[ 64 64 64 ]

Teorema 3.10 (Aturan Cramer).

Jika AX = B adalah sistem yang terdiri dari n persamaan linier dalam n bilangan tak
diketahui sehingga det ( A )  0 , maka sistem tersebut mempunyai penyelesaian yang

unik. Penyelesaian ini adalah

det ( A1 ) det ( A 2 ) det ( A n )
x1 = , x2 = , , xn =
det ( A ) det ( A ) det ( A )

di mana A j adalah matriks yang kita dapatkan dengan menggantikan entri-entri dalam

kolom ke j dari A dengan entri-entri dalam matriks

𝑏1
𝑏
𝐵 = [ 2]
⋮
𝑏𝑛

Contoh 3.18
Gunakanlah aturan Cramer untuk memecahkan
𝑥1 + +2𝑥3 = 6
−3𝑥1 + 4𝑥2 + 6𝑥3 = 30
−𝑥1 − 2𝑥2 + 3𝑥3 = 8

27
Penyelesaian
1 0 2 6 0 2
𝐴 = [−3 4 6]; 𝐴1 = [30 4 6]
−1 −2 3 8 −2 3
1 6 2 1 0 6
𝐴2 = [−3 30 6]; 𝐴3 = [−3 4 30]
−1 8 3 −1 −2 8
det (𝐴1 ) −40 −10
𝑥1 = = =
det (𝐴) 44 11
det (𝐴2 ) 72 18
𝑥2 = = =
det (𝐴) 44 11
det (𝐴3 ) 152 38
𝑥3 = = =
det (𝐴) 44 11

Teorema 3.11

Jika A adalah matriks n  n , maka statemen berikut ekuivalen:

(a) A invertible
(b) 𝐴𝐱 = 𝟎 hanya mempuyai solusi trivial
(c) Bentuk eselon baris reduksi dari A adalah 𝐼𝑛 .
(d) A dapat dinyatakan sebagai hasil kali matriks elementer
(e) 𝐴𝐱 = 𝐛 adalah konsiten untuk setiap matriks b berukuran 𝑛 × 1
(f) 𝐴𝐱 = 𝐛 mempunyai solusi tunggal untuk setiap matriks b berukuran 𝑛 × 1
(g) det (𝐴) ≠ 0

Latihan 3
1. Buktikan bahwa det(𝑘𝐴) = 𝑘 𝑛 det (𝐴) dari matriks berikut:
−1 2
a. 𝐴 = [ ];𝑘 = 2
3 4
2 −1 3
b. 𝐵 = [3 2 1] ; 𝑘 = −2
1 4 5

2. Perhatikan matriks berikut:

2 1 0 1 −1 3
𝐴 = [3 4 0], 𝐵 = [7 1 2]
0 0 2 5 0 1
a. Tentukan determinan matriks-matriks 𝐴, 𝐵 dengan ekspansi kofaktor.
b. Tentukan determinan matriks-matriks 𝐴, 𝐵 dengan mereduksi matriks tersebut
pada bentuk eselon baris.
c. Buktikan bahwa det(𝐴𝐵) = det (𝐵𝐴)

28
 d. Apakah matriks-matriks 𝐴, 𝐵 dapat dibalik? Berikan alasan anda!
e. Buktikan bahwa det ( A ) = det ( A t ) , juga det ( AB ) = det ( A ) det ( B ) .

f. Buktikan apakah det(𝐴 + 𝐵) = det(𝐴) + det (𝐵) terpenuhi?

3. Perhatikan matriks berikut:

1 1 2 −1 1 2 4 −1 1 6
𝐴 = [3 3 6], 𝐵 = [ 3 0 0 0 −3 3]
−5], dan 𝐶 = [
4 1 0 14
0 1 4 1 7 2 4 1 3 2
a. Pada matriks A, tentukan semua minor dan semua kofaktor dari matriks 𝐴 serta
tentukan determinan A.
b. Tentukan 𝑀13 , 𝐶13 , 𝑀32 dan 𝐶32 dari matriks 𝐶.
c. Hitung deteminan matriks matriks 𝐵 dengan menggunakan ekspansi kofaktor
sepanjang : (i) baris pertama, (ii) baris kedua, (iii) kolom kedua, dan (iv) kolom
ketiga.
d. Tentukan invers dari matriks 𝐴 dan 𝐶 menggunakan adjoin dan sebuah ekspansi
kofaktor sepanjang sebuah baris atau kolom pilihan anda.
4. Gunakan aturan Cramer untuk menyelesaikan SPL berikut:
a. 4𝑥 + 5𝑦 =2 b. 4𝑥 + 𝑦 + 𝑧 + 𝑤 = 6
11𝑥 + 𝑦 + 2𝑧 = 3 3𝑥 + 7𝑦 − 𝑧 + 𝑤 = 1
𝑥 + 5𝑦 + 2𝑧 = 1 7𝑥 + 3𝑦 − 5𝑧 + 8𝑤 = −3
𝑥 + 𝑦 + 𝑧 + 2𝑤 = 3

29
 BAB IV
VEKTOR-VEKTOR DI RUANG-2 DAN RUANG-3

Definisi 4.1
Jika v adalah vektor tak nol dan k bilangan riil tak nol (skalar), maka hasil kali kv
didefinisikan sebagai vektor yang panjangnya k kali panjang v dan yang arahnya sama

seperti arah v jika k  0 dan berlawanan dengan v jika k  0 . Didefinisikan kv = 0 jika

k = 0 atau v = 0 .

v dan w ekuivalen jika dan hanya jika v 1 = w 1 , v 2 = w 2 dan v 3 = w 3 .

v + w = (v 1 + w 1 ,v 2 + w 2 ,v 3 + w 3 ) .

k v = ( kv 1 , kv 2 , kv 3 ) di mana k adalah sebarang skalar

Contoh 4.1
Jika v = (1, −3, 2) dan w = (4, 2, 1), maka
v + w = (5, −1, 3), 2v = (2, −6, 4), − w = (−4, −2, −1), v – w = v + (−w) =
(−3, −5, 1)

4.1 Norma Vektor; Ilmu Hitung Vektor

Teorema 4.1
Jika u , v dan w adalah vektor-vektor di ruang-2 atau ruang-3 dan k serta l adalah
skalar, maka hubungan berikut akan berlaku.
a. u + v = v + u e. k ( lu ) = ( kl ) u
b. (u + v ) + w = u + ( v + w ) f. k ( u + v ) = ku + k v

c. u + 0 = 0 + u = u g. (k + l ) u = k u + lu
d. u + ( −u ) = 0 h. lu = u
Panjang sebuah vektor u sering dinamakan norma u dan dinyatakan dengan ‖𝒖‖.
Dari teorema Phythagoras bahwa norma vektor u = (𝑢1 , 𝑢2 ) di ruang-2 adalah ‖𝐮‖ =
√𝑢12 + 𝑢22 dan vektor u = (𝑢1 , 𝑢2 , 𝑢3 ) di ruang-3 adalah ‖𝐮‖ = √𝑢12 + 𝑢22 + 𝑢32 . Jika
𝑃1 (𝑥1 , 𝑦1 ) dan 𝑃2 (𝑥2 , 𝑦2 ) adalah titik-titik di ruang-2, maka jarak di antara kedua titik

tersebut adalah d = (x 2 − x 1 ) + ( y 2 − y 1 )
2 2
. Demikian juga, jika 𝑃1 (𝑥1 , 𝑦1 , 𝑧1 ) dan

30
𝑃2 (𝑥2 , 𝑦2 , 𝑧2 ) adalah dua titik di ruang-3, maka jarak d di antara kedua titik tersebut

adalah d = (x 2 − x 1 ) + ( y 2 − y 1 ) + (z 2 − z 1 )
2 2 2
.

Contoh 4.2
Nama vektor u = (−3, 2, 1) adalah

Jarak d di antara titik 𝑃1 (2, −1, −5) dan titik 𝑃2 (4, −3, 1) adalah

4.2 Hasil Kali Titik; Proyeksi

Definisi 4.2
Jika u dan v adalah vektor-vektor di ruang-2 atau ruang-3 dan  adalah sudut di antara u
dan v , maka hasil kali titik (dot product) atau hasil kali dalam Euclid (Euclidean inner
product) u  v didefinisikan oleh
 u v cos  jika u  0 dan v  0
uv = 
 0 jika u = 0 atau v = 0

Contoh 4.3
Jika sudut di antara vektor u = (0, 0, 1) dan vektor v = (0, 2, 2) adalah 45o, maka

Di lain pihak, misalkan u = (𝑢1 , 𝑢2 , 𝑢3 ) dan v = (𝑣1 , 𝑣2 , 𝑣3 ) adalah dua vektor tak
nol, maka 𝐮 ∙ 𝐯 = 𝑢1 𝑣1 + 𝑢2 𝑣2 + 𝑢3 𝑣3 . Jika u = (𝑢1 , 𝑢2 ) dan v = (𝑣1 , 𝑣2 ) adalah dua
vektor di ruang-2, maka rumus yang bersesuaian adalah 𝐮 ∙ 𝐯 = 𝑢1 𝑣1 + 𝑢2 𝑣2 .

Jika u dan v adalah vektor tak nol, maka

𝐮∙𝐯
cos 𝜃 = .
‖𝐮‖ ‖𝐯‖
Contoh 4.4
Tinjaulah vektor-vektor u = (2, −1, 1) dan v = (1, 1, 2). Carilah 𝐮 ∙ 𝐯 dan tentukanlah
sudut θ di antara u dan v.

31
Penyelesaian:

Untuk vektor yang diberikan kita dapat ‖𝐮‖ = ‖𝐯‖ = √6, sehingga dari persamaan (3.6)

Jadi, 𝜃 = 60°.

Teorema 4.2 Misalkan u dan v adalah vektor di ruang-2 atau ruang-3.

a. v  v = v ; yakni, v = ( v  v )
2 1
2

b. Jika u dan v adalah vektor-vektor tak nol dan  adalah sudut di antara kedua
vektor tersebut, maka
 lancip jika dan hanya jika u  v  0
 tumpul jika dan hanya jika u  v  0
 = 2 jika dan hanya jika u  v = 0
Contoh 4.5
Jika u = (1, −2, 3), v = (−3, 4, 2), dan w = (3, 6, 3), maka

Jadi u dan v membentuk sudut tumpul, v dan w membentuk sudut lancip, dan u serta w
tegak lurus satu sama lain.

Vektor tegak lurus disebut juga vektor ortogonal. Vektor u dan v akan vektor
ortogonal jika dan hanya jika 𝐮 ∙ 𝐯 = 0 atau dapat ditulis sebagai 𝐮 ⊥ 𝐯.

Teorema 4.3
Jika u , v dan w adalah vektor-vektor di ruang-2 atau ruang-3 dan k adalah skalar, maka
a. u  v = v  u c. k ( u  v ) = ( k u )  v = u  ( k v )

b. u  ( v + w ) = u  v + u  w d. v  v > 0 jika v  0 dan v  v = 0 jika v = 0

Teorema 4.4
Jika u dan a adalah vektor di ruang-2 atau di ruang-3 dan jika a  0 , maka
u a
proyau = 2
a (komponen vektor u sepanjang a )
a
u a
u − proyau = u − 2
a (komponen vektor u yang ortogonal dengan a )
a

32
Contoh 4.6
Misalkan u = (2, −1, 3) dan a = (4, −1, 2). Carilah komponen vektor u sepanjang a dan
komponen vektor u yang ortogonal ke a.
Penyelesaian.

Jadi, komponen vektor u sepanjang a adalah

u a 15 20 5 10
proyau = 2
a =21 (4, −1,2) = ( 7 , − 7 , 7 )
a
dan komponen vektor u yang ortogonal dengan a adalah
20 5 10 6 2 11
𝐮 − proy𝐚 𝐮 = (2, −1, 3) − ( , − , ) = (− , − , ).
7 7 7 7 7 7
6 2 11
(𝐮 − proy𝐚 𝐮). 𝐚 = (− , − , ) . (4, −1, 2) = 0.
7 7 7
Jadi (𝐮 − proy𝐚 𝐮) ortogonal dengan 𝐚.

Jika θ menyatakan sudut diantara u dan a, maka 𝐮 ∙ 𝐚 = ‖𝐮‖ ‖𝐚‖ cos 𝜃. Dengan
demikian panjang komponen vektor u sepanjang a dapat diperoleh menggunakan rumus:
u a
proyau = u cos  atau proyau =
a

Jarak D di antara titik 𝑃0 (𝑥0 , 𝑦0 ) dan garis

𝑎𝑥 + 𝑏𝑦 + 𝑐 = 0 adalah
ax 0 + by 0 + c
D=
a2 + b 2

Sebagaimana contoh, jarak D dari titik (1, −2) ke garis 3𝑥 + 4𝑦 − 6 = 0 adalah

4.3 Hasil Kali Silang

Definisi 4.3
Jika u = (u1 ,u 2 ,u 3 ) dan v = (v 1 ,v 2 ,v 3 ) adalah vektor di ruang-3, maka hasil kali silang

u  v adalah vektor yang didefinisikan oleh u  v = (u 2v 3 − u 3v 2 ,u 3v 1 − u1v 3 ,u1v 2 − u 2v 1 )

33
atau dalam notasi determinan
 u u 3 u1 u 3 u1 u 2 
u v =  2 , , 
 v 2 v 3 v1 v 3 v1 v 2 

Contoh 4.7
Carilah u × v, dimana u = (1, 2, −2) dan v = (3, 0, 1)
Penyelesaian.
1 2 −2
[ ]
3 0 1
2 −2 1 −2 1 2
𝐮 × 𝐯 = (| |,| |,| |) = (2, −7, −6)
0 1 3 1 3 0

Teorema 4.5 Jika u dan v adalah vektor di ruang-3, maka:

a. u  ( u  v ) = 0 ( u  v ortogonal ke u )
b. v  ( u  v ) = 0 ( u  v ortogonal ke v
u v = u − (u  v )
2 2 2 2
c. v (identitas Lagrange).

Contoh 4.8
Tinjaulah vektor u = (1, 2, −2) dan v = (3, 0, 1)
Penyelesaian.
Karena
Dan
u × v ortogonal baik untuk u maupun v.

Teorema 4.6
Jika u , v dan w adalah sebarang vektor di ruang-3 dan k adalah sebarang skalar, maka:
a. u  v = − ( v  u ) d. k ( u  v ) = ( k u )  v = u  ( k v )
b. u  ( v + w ) = ( u  v ) + ( u  w ) e. u  0 = 0  u = 0
c. (u + v )  w = (u  w ) + ( v  w ) f. u  u = 0

Contoh 4.9
Tinjaulah vektor-vektor
Masing-masing vektor ini mempunyai panjang 1 dan terletak sepanjang sumbu koordinat.
Vektor tersebut dinamakan vektor satuan baku (standard unit vectors) di ruang-3. Setiap
vektor v = (𝑣1 , 𝑣2 , 𝑣3 ) di ruang-3 dapat dinyatakan dengan i, j, k, karenanya 𝐯 dapat ditulis
sebagai 𝐯 = (𝑣1 , 𝑣2 , 𝑣3 ) = 𝑣1 (1, 0, 0) + 𝑣2 (0, 1, 0) + 𝑣3 (0, 0, 1) = 𝑣1 𝐢 + 𝑣2 𝐣 + 𝑣3 𝐤.
Misalnya (2, −3, 4) = 2𝐢 − 𝟑𝐣 + 4𝐤.
34
 Hasil kali silang dapat dinyatakan secara simbolis dalam bentuk determinan 3 × 3:
𝐢 𝐣 𝐤 𝑢 𝑢3 𝑢1 𝑢3 𝑢1 𝑢2
𝐮 × 𝐯 = |𝑢1 𝑢2 𝑢3 | = |𝑣2 𝑣3 | 𝐢 − |𝑣1 𝑣3 | 𝐣 + |𝑣1 𝑣2 | 𝐤
2
𝑣1 𝑣2 𝑣3
Misalnya, jika u = (1, 2, −2) dan v = (0, 1, 0), maka

Umumnya tidaklah benar bahwa 𝐮 × (𝐯 × 𝐰) = (𝐮 × 𝐯) × 𝐰. Jadi hasil kali silang tidak

bersifat asosiatif.
Norma dari 𝐮 × 𝐯 dinyatakan sebagai: ‖𝒖 × 𝒗‖ = ‖𝒖‖ ‖𝒗‖ sin 𝜃
Berdasakan gambar di samping, ‖𝐯‖ sin 𝜃 adalah
tinggi jajaran genjang yang ditentukan oleh u dan v.
Jadi, luas A dari jajaran genjang ini diberikan oleh
𝐴 = (alas)(tinggi) = ‖𝒖‖ ‖𝒗‖ sin 𝜃 = ‖𝒖 × 𝒗‖
Dengan kata lain, norma 𝐮 × 𝐯 sama dengan luas
jajaran genjang yang ditentukan oleh u dan v.

Contoh 4.10
Carilah luas segitiga yang ditentukan oleh titik-titik 𝑃1 (2, 2, 0), 𝑃2 (−1, 0, 2), 𝑃3 (0, 4, 3).
Penyelesaian. Luas segitiga A tersebut adalah ½ luas jajaran genjang yang ditentukan oleh
vektor-vektor ⃗⃗⃗⃗⃗⃗⃗⃗
𝑃1 𝑃2 dan ⃗⃗⃗⃗⃗⃗⃗⃗
𝑃1 𝑃3 .

⃗⃗⃗⃗⃗⃗⃗⃗
𝑃1 𝑃2 = (−3, −2, 2) dan ⃗⃗⃗⃗⃗⃗⃗⃗
𝑃1 𝑃3 = (−2, 2, 3).
Jelaslah bahwa

dan sebagai konsekuensinya maka

35
4.4 Garis dan Bidang di Ruang-3
Teorema 4.7
Jika a , b , c , dan d adalah konstanta dan a , b , serta c tidak semuanya nol, maka grafik
persamaan ax + by + cz + d = 0 adalah sebuah bidang yang mempunyai vektor

n = ( a, b , c ) sebagai normal.

Contoh 4.11
Carilah persamaan bidang yang melalui titik 𝑃1 (1, 2, −1), 𝑃2 (2, 3, 1) dan 𝑃3 (3, −1, 2).

Penyelesaian. Karena ketiga titik tersebut terletak pada bidang, maka koordinatnya harus
memenuhi persamaan umum 𝑎𝑥 + 𝑏𝑦 + 𝑐𝑧 + 𝑑 = 0 dari bidang tersebut. Jadi,
𝑎 + 2𝑏 − 𝑐 + 𝑑 = 0
2𝑎 + 3𝑏 + 𝑐 + 𝑑 = 0
3𝑎 − 𝑏 + 2𝑐 + 𝑑 = 0
9 1 5
Solusi dari sistem ini diperoleh 𝑎 = − 16 𝑡, 𝑏 = − 16 𝑡, 𝑐 = 16 𝑡 dan 𝑑 = 𝑡. Dengan

memisalkan 𝑡 = −16, maka akan menghasilkan persamaan 9𝑥 + 𝑦 − 5𝑧 − 16 = 0.

Teorema 4.8
Jarak D antara titik P0 ( x 0 , y 0 , z 0 ) dengan bidang ax + by + cz + d = 0 adalah
ax 0 + by 0 + cz 0 + d
D=
a2 + b 2 + c 2

Contoh 4.12
Carilah jarak D antara titik (1, −4, −3) dengan bidang 2𝑥 − 3𝑦 + 6𝑧 = −1.
Penyelesaian. Persamaan bidang dapat ditulis dalam bentuk 2𝑥 − 3𝑦 + 6𝑧 + 1 = 0
Kemudian

Contoh 4.13
Bidang 𝑥 + 2𝑦 − 2𝑧 = 3 dan 2𝑥 + 4𝑦 − 4𝑧 = 7 adalah sejajar karena bidang tersebut
normal, (1, 2, −2) dan (2, 4, −4), merupakan vektor sejajar. Carilah jarak antara bidang-
bidang tersebut.
Penyelesaian. Untuk mencari jarak D antara bidang-bidang, dapat dimilih sebarang titik
dalam sebuah bidang dan menghitung jaraknya pada bidang lainnya. Dengan melengkapi

36
𝑦 = 𝑧 = 0 dalam persamaan 𝑥 + 2𝑦 − 2𝑧 = 3, diperoleh titik 𝑃0 (3, 0, 0) pada bidang ini.
Dari (3.27), jarak antara 𝑃0 dan bidang 2𝑥 + 4𝑦 − 4𝑧 = 7 adalah

Latihan 4
Untuk soal no 1 s.d 4, diketahui vektor-vektor
a. u = (1, 2), v = (−6, 8) b. u = (−7, −3), v = (0, 1)
c. u = (−4, 1, 7), v = (3, −2, 2) d. u = (−3, 1, 2), v = (4, 2, −5),

1. Tentukan 𝐮 ∙ 𝐯
2. Tentukan sudut di antara vektor 𝐮 dan 𝐯;
𝟏
3. Tentukan ‖𝐮 + 𝐯‖; ‖𝐮‖ + ‖𝐯‖ ; ‖−2𝐮‖ + 2‖𝐮‖ ; ‖‖𝐮‖ 𝐮‖

4. Apakah vektor 𝐮 dan 𝐯 membentuk sudut lancip, tumpul atau ortogonal?

5. Hitung jarak di antara 𝑃1 (−2,7), 𝑃2 (0, −3) juga di antara 𝑃3 (1,1,1), 𝑃4 (6, −7,3).
6. Tentukan proyeksi orthogonal dari 𝐮 pada 𝐚 jika:
a. u = (2,1), 𝐚 = (−3, 2) b. u = (−7,1,3), 𝐚 = (5,0, 1)

7. Tentukan ‖proy𝐚 𝐮‖ dari soal nomor 6.

8. Tentukan komponen vektor u yang ortogonal dengan a dari soal nomor 6.
9. Tentukan jarak D dari titik (−3, 5) ke garis 2𝑥 + 𝑦 − 1 = 0.
10. Misalkan u = (2, −1, 3), v = (0, 1, 7), w = (1,4, 5). Hitunglah:
a. 𝐯 × 𝐰 b. 𝐮 × (𝐯 × 𝐰) c. (𝐮 × 𝐯) × 𝐰
d. (𝐮 × 𝐯) × (𝐯 × 𝐰). e. 𝐮 × (𝐯 − 2𝐰) d. (𝐮 × 𝐯) − 2𝐰

11. Tentukan vektor yang ortogonal baik untuk u maupun v pada soal nomor 10.
12. Carilah luas segitiga yang mempunyai titik sudut 𝑃(2,0, −3), 𝑄(1,4,5) dan 𝑅(7,2,9)!
13. Carilah persamaan bidang yang melalui titik 𝑃1 (3, 2,1), 𝑃2 (2, 1, −1) dan 𝑃3 (−1,3, 2)!
14. Tentukan apakah bidang-bidang berikut sejajar?
a. 3𝑥 − 2𝑦 + 𝑧 = 4 dan 6𝑥 − 4𝑦 + 3𝑧 = 7.
b. 2𝑥 − 8𝑦 − 6𝑧 − 2 = 0 dan −𝑥 + 4𝑦 + 3𝑧 − 5 = 0.
Jika iya, tentukan jarak antara bidang-bidang tersebut!

37
 BAB V
RUANG VEKTOR DIMENSI-N

5.1. Ruang Berdimensi-n

Suatu urutan dari n bilangan real, (𝑎1 , 𝑎2 , … , 𝑎𝑛 ), dengan n adalah suatu integer
positif, dinamakan sebagai tuple-n-berurutan. Himpunan semua tuple-n-berurutan disebut
ruang berdimensi-n atau 𝑅 𝑛 . Dua buah vektor 𝒖 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ) dan v=
(𝑣1 , 𝑣2 , … , 𝑣𝑛 ) di 𝑅 𝑛 dikatakan sama jika:
𝑢1 = 𝑣1 , 𝑢2 = 𝑣2 , …, 𝑢𝑛 = 𝑣𝑛
di mana: 𝑢 + 𝑣 = (𝑢1 + 𝑣1 , 𝑢2 + 𝑣2 , … , 𝑢𝑛 + 𝑣𝑛 ) 𝑘𝑢 = (𝑘𝑢1 , 𝑘𝑢2 , … , 𝑘𝑢𝑛 )
Selisih dari dua vektor didapat dengan 𝑣 − 𝑢 = (𝑣1 − 𝑢1 , 𝑣2 − 𝑢2 , … , 𝑣𝑛 − 𝑢𝑛 ).
Berikut merupakan sifat-sifat vektor di 𝑅 𝑛 dengan 𝒖 = (𝑢1 , 𝑢2 , … , 𝑢𝑛 ), 𝐯 =
(𝑣1 , 𝑣2 , … , 𝑣𝑛 ), dan w = (𝑤1 , 𝑤2 , … , 𝑤𝑛 ).
a) u+v = v+u e) k(mu) = (km)u
b) u+(v+w) = (u+v)+w f) k(u+v) = ku + kv
c) u+0 = 0+u = u g) (k+m)u = ku +mu
d) u+(-u) = 0; dimana u-u = 0 h) 1.u = u
i) Hasil kali dalam (Euclidian Inner Product) u.v=𝑢1 𝑣1 + 𝑢2 𝑣2 + … + 𝑢𝑛 𝑣𝑛
dengan beberapa sifat berikut.
i. u.v = v.u
ii. (u+v).w = u.w+v.w
iii. (ku).v = k(u.v)
iv. v.v ≥ 0 dimana v.v = 0 jika dan hanya jika v=0
j) Panjang vektor (Norm Euclidian) ‖𝒖‖ = (𝒖. 𝒖)1/2 = √𝑢1 2 + 𝑢2 2 + ⋯ + 𝑢𝑛 2
dengan beberapa sifat berikut.
i. Ketaksamaan Cauchy-Schwarz di 𝑅 𝑛 : |𝒖. 𝒗| ≤ ‖𝒖‖‖𝒗‖
ii. Sifat norm vektor di 𝑅 𝑛 antara lain:
‖𝒖‖ ≥ 0; ‖𝒖‖ = 0 jika dan hanya jika u = 0; ‖𝑘𝒖‖ = |𝑘‖𝒖‖|;
‖𝒖 + 𝒗‖ ≤ ‖𝒖‖ + ‖𝒗‖ (𝑇𝑟𝑖𝑎𝑛𝑔𝑙𝑒 𝑖𝑛𝑒𝑞𝑢𝑎𝑙𝑖𝑡𝑦)
k) Jarak vektor (Euclidian Distance)
𝑑(𝒖, 𝒗) = ‖𝒖 − 𝒗‖ = √(𝑢1 − 𝑣1 )2 + (𝑢2 − 𝑣2 )2 + ⋯ + (𝑢𝑛 − 𝑣𝑛 )2
dengan beberapa sifat berikut.
i. d(u,v) ≥ 0

38
 ii. d(u,v) = 0 jika dan hanya jika u=v
iii. d(u,v) = d(v,u)
iv. d(u,v) ≤ d(v,w)+d(w,v) (𝑇𝑟𝑖𝑎𝑛𝑔𝑙𝑒 𝑖𝑛𝑒𝑞𝑢𝑎𝑙𝑖𝑡𝑦)

Teorema:
1 1
u.v = 4 ‖𝒖 + 𝒗‖2 − 4 ‖𝒖 − 𝒗‖2.

Contoh: Jika u = (1, 3, -2, 7) dan v = (0,7,2,2), maka panjang dan jarak vektor berdimensi-
4 (di R4 ) adalah:
‖𝒖‖ = √(1)2 + (3)2 + (−2)2 + (7)2 = √63 = 3√7

𝑑(𝒖, 𝒗) = √(1 − 0)2 + (3 − 7)2 + (−2 − 2)2 + (7 − 2)2 = √58

Dua vektor u dan v di Rn dikatakan ortogonal jika u.v = 0. Jika u dan v merupakan
vektor ortogonal dengan jumlah kuadrat, maka ‖𝒖 + 𝒗‖2 = ‖𝒖‖2 + ‖𝒗‖2 . Notasi alternatif
vektor pada Rn : u.v = vTu. Contoh:
−1 5 −1
3 −4 3
𝐮 = [ ] dan 𝐯 = [ ] maka 𝐮. 𝐯 = 𝐯 𝑇 . 𝐮 = [5 −4 7 0] [ ] = [18] = 18
5 7 5
7 0 7
𝐀𝐮. 𝐯 = 𝐮. 𝐀𝑇 𝐯 𝐮. 𝐀𝐯 = 𝐀𝑇 𝐮. 𝐯

5.2. Transformasi Linier Rn ke Rm

Jika fungsi 𝑓 memiliki domain 𝑅 𝑛 dan kodomain 𝑅 𝑚 , dengan 𝑚 dan 𝑛 mungkin
sama, maka 𝑓 dikatakan sebagai peta atau transformasi dari 𝑅 𝑛 ke 𝑅 𝑚 , dinotasikan
sebagai 𝑓: 𝑅 𝑛 → 𝑅 𝑚 . Pada kasus ketika 𝑚 = 𝑛 , transformasi 𝑓: 𝑅 𝑛 → 𝑅 𝑛 disebut sebagai
operator pada 𝑅 𝑛 . Misalkan 𝑓1 , 𝑓2 , … , 𝑓𝑛 adalah fungsi-fungsi bernilai real dari n variabel
real. Misalkan: 𝑤1 = 𝑓1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 )
𝑤2 = 𝑓2 (𝑥1 , 𝑥2 , … , 𝑥𝑛 )
⋮
𝑤𝑚 = 𝑓𝑚 (𝑥1 , 𝑥2 , … , 𝑥𝑛 )
Sejumlah m persamaan ini menunjuk suatu titik tertentu yaitu (𝑤1 , 𝑤2 , … , 𝑤𝑚 ) di
𝑅 𝑚 untuk setiap titik (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) pada 𝑅 𝑛 , kemudian definisikan transformasi dari
𝑅 𝑛 ke 𝑅 𝑚 . Jika transformasi ini dinotasikan dengan T, maka dapat dituliskan sebagai
𝑇: 𝑅 𝑛 → 𝑅 𝑚 , dan
𝑇(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = (𝑤1 , 𝑤2 , … , 𝑤𝑚 ).
Suatu transformasi linier 𝑇: 𝑅 𝑛 → 𝑅 𝑚 didefinisikan oleh persamaan sebagai berikut.

36
 𝑤1 = 𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛
𝑤2 = 𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛
⋮ ⋮ ⋮
𝑤𝑚 = 𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛
atau dalam notasi matriks:

atau w = Ax dengan 𝑨 sebagai matriks standar untuk transformasi linier 𝑇. Misalkan

didefinisikan 𝑻: 𝑹𝟒 → 𝑹𝟑 dengan
𝑤1 = 2𝑥1 − 3𝑥2 + 𝑥3 − 5𝑥4
𝑤2 = 4𝑥1 + 𝑥2 − 2𝑥3 + 𝑥4
𝑤3 = 5𝑥1 − 𝑥2 + 4𝑥3
Jika (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) = (1, −3, 0, 2), maka diperoleh 𝑤1 = 1, 𝑤2 = 3, 𝑤3 = 8.
Notasi suatu transformasi linier 𝑇: 𝑅 𝑛 → 𝑅 𝑚 dapat juga dituliskan sebagai berikut.
𝑇𝐴 : 𝑅 𝑛 → 𝑅 𝑚 𝑇𝐴 (𝐱) = 𝑨𝐱 𝑇(𝐱) = [𝑇]𝐱 [𝑇𝐴 ] = 𝑨
Jika 0 merupakan matriks nol berukuran mxn dan 0 adalah vektor nol di Rn, maka
untuk setiap vektor x di Rn adalah 𝑇0 (𝒙) = 0𝒙 = 𝟎. Selain itu, terdapat enam operator pada
Rn antara lain.
1) Operator Identitas
Jika I merupakan matriks identitas berukuran nxn, maka setiap vektor x dalam Rn adalah
𝑇𝐼 (𝐱) = 𝐼𝐱 = 𝐱.
2) Operator Refleksi (Pencerminan)
Refleksi terhadap sumbu y.
𝑤1 = −𝑥 −1 0
𝑤2 = 𝑦 [ 0 1]

Refleksi terhadap sumbu x

𝑤1 = 𝑥 1 0
𝑤2 = −𝑦 [0 −1]

37
Refleksi terhadap sumbu y=x
𝑤1 = 𝑦 0 1
𝑤2 = 𝑥 [1 0
]

Refleksi terhadap bidang xy

𝑤1 = 𝑥 1 0 0
𝑤2 = 𝑦 [0 1 0]
𝑤3 = −𝑧 0 0 −1

Refleksi terhadap bidang xz

𝑤1 = 𝑥 1 0 0
𝑤2 = −𝑦 [0 −1 0]
𝑤3 = 𝑧 0 0 1

Refleksi terhadap bidang yz

𝑤1 = −𝑥 −1 0 0
𝑤2 = 𝑦 [ 0 1 0]
𝑤3 = 𝑧 0 0 1

3) Operator Proyeksi
Proyeksi pada sumbu x
𝑤1 = 𝑥 1 0
𝑤2 = 0 [0 0]

Proyeksi pada sumbu y

𝑤1 = 0 0 0
[ ]
𝑤2 = 𝑦 0 1

4) Operator Proyeksi Ortogonal

Proyeksi ortogonal pada bidang xy

38
 𝑤1 = 𝑥 1 0 0
𝑤2 = 𝑦 [0 1 0]
𝑤3 = 0 0 0 0

Proyeksi ortogonal pada bidang xz

𝑤1 = 𝑥 1 0 0
𝑤2 = 0 [0 0 0]
𝑤3 = 𝑧 0 0 1

Proyeksi ortogonal pada bidang yz

𝑤1 = 0 0 0 0
𝑤2 = 𝑦 [0 1 0]
𝑤3 = 𝑧 0 0 1

5) Operator Rotasi
Rotasi terhadap sudut 𝜃
𝑤1 = 𝑥 cos 𝜃 − 𝑦 sin 𝜃 cos 𝜃 − sin 𝜃
[ ]
𝑤2 = 𝑥 sin 𝜃 + 𝑦 cos 𝜃 sin 𝜃 cos 𝜃

Rotasi berlawanan arah jarum jam pada sumbu x positif melalui sudut 𝜃
𝑤1 = 𝑥 1 0 0
𝑤2 = 𝑦 cos 𝜃 − 𝑧 sin 𝜃 [0 cos 𝜃 − sin 𝜃]
𝑤3 = 𝑦 sin 𝜃 + 𝑧 cos 𝜃 0 sin 𝜃 cos 𝜃

Rotasi berlawanan arah jarum jam pada sumbu y positif melalui sudut 𝜃
𝑤1 = 𝑥 cos 𝜃 + 𝑧 sin 𝜃 cos 𝜃 0 sin 𝜃
𝑤2 = 𝑦 [ 0 1 0 ]
𝑤3 = −𝑥 sin 𝜃 + 𝑧 cos 𝜃 −sin 𝜃 0 cos 𝜃

Rotasi berlawanan arah jarum jam pada sumbu z positif melalui sudut 𝜃

39
 𝑤1 = 𝑥 cos 𝜃 − 𝑦 sin 𝜃 cos 𝜃 −sin 𝜃 0
𝑤2 = 𝑥 sin 𝜃 + 𝑦 cos 𝜃 [ sin 𝜃 cos 𝜃 0]
𝑤3 = 𝑧 0 0 1

6) Operator Dilatasi dan Kontraksi

𝑘 0
Kontraksi dengan faktor k pada 𝑅 2 (0 ≤ k ≤ 1) dengan [ ]
0 𝑘
𝑤1 = 𝑘𝑥
𝑤2 = 𝑘𝑦

𝑘 0
Dilatasi dengan faktor k pada 𝑅 2 (k ≥ 1) dengan [ ]
0 𝑘
𝑤1 = 𝑘𝑥
𝑤2 = 𝑘𝑦

𝑘 0 0
Kontraksi dengan faktor k pada 𝑅 3 (0 ≤ k ≤ 1) dengan [0 𝑘 0]
0 0 𝑘
𝑤1 = 𝑘𝑥
𝑤2 = 𝑘𝑦
𝑤3 = 𝑘𝑧

𝑘 0 0
Dilatasi dengan faktor k pada 𝑅 2 (k ≥ 1) dengan [0 𝑘 0]
0 0 𝑘
𝑤1 = 𝑘𝑥
𝑤2 = 𝑘𝑦
𝑤3 = 𝑘𝑧

5.3. Komposisi Transformasi Linier

Melakukan transformasi 𝑇𝐴 kemudian 𝑇𝐵 , sama halnya dengan mengkomposisikan
𝑇𝐵 dengan 𝑇𝐴 atau dapat dituliskan sebagai : 𝑇𝐵 𝑜 𝑇𝐴 = 𝑇𝐵𝐴 .
Contoh:

40
 Temukan matriks standar untuk operator linier 𝑇: 𝑅 3 → 𝑅 3 yang pertama-tama
memutar sebuah vektor berlawanan arah jarum jam pada sumbu z melalui sudut 𝜃, lalu
merefleksikan vektor yang dihasilkan pada bidang-yz, dan kemudian memproyeksikan
vektor tersebut secara orthogonal ke bidang-xy.
cos 𝜃 − sin 𝜃 0 −1 0 0
[𝑇1 ] = [ sin 𝜃 cos 𝜃 0] , [𝑇2 ] = [ 0 1 0] ,
0 0 1 0 0 1
1 0 0
[𝑇3 ] = [0 1 0]
0 0 0

Penyelesaian:
Transformasi linier T dapat dinyatakan sebagai komposisi 𝑇 = 𝑇3 𝑜 𝑇2 𝑜 𝑇1 di mana 𝑇1
adalah rotasi tentang sumbu z, 𝑇2 adalah refleksi tentang bidang yz, dan 𝑇3 adalah
proyeksi ortogonal pada bidang xy.
1 0 0 −1 0 0 cos 𝜃 − sin 𝜃 0 −cos 𝜃 sin 𝜃 0
[𝑇] = [0 1 0] [ 0 1 0] [ sin 𝜃 cos 𝜃 0] = [ sin 𝜃 cos 𝜃 0]
0 0 0 0 0 1 0 0 1 0 0 0

5.4. Sifat-sifat Transformasi Linier dari Rn ke Rm

Transformasi linier 𝑇: 𝑅 𝑛 → 𝑅 𝑚 dikatakan satu-satu jika T memetakan titik (setiap
vektor) di 𝑅 𝑛 ke tepat satu vektor (titik) di 𝑅 𝑚 . Jika A merupakan sebuah matriks
berukuran nxn dan 𝑇𝑨 : 𝑅 𝑛 → 𝑅 𝑛 merupakan perkalian dengan A, maka:
a. A invertible (memiliki invers).
b. Hasil pemetaan dari 𝑇𝑨 adalah 𝑅 𝑛 .
c. 𝑇𝑨 merupakan transformasi satu-satu.
Jika 𝑇𝑨 : 𝑅 𝑛 → 𝑅 𝑛 merupakan operator linier transformasi satu-satu, maka matriks A
invertible. Demikian pula, 𝑇𝐴−1 : 𝑅 𝑛 → 𝑅 𝑛 merupakan operator linier; ini disebut invers
dari 𝑇𝑨 . Operator linier 𝑇𝑨 dan 𝑇𝐴−1 menghilangkan efek satu sama lain dalam arti bahwa
untuk semua x dalam 𝑅 𝑛 ,
𝑇𝑨 (𝑇𝐴−1 (𝐱)) = 𝐴𝐴−1 𝐱 = 𝐼𝐱 = 𝐱
𝑇𝐴−1 (𝑇𝐴 (𝐱)) = 𝐴−1 𝐴𝐱 = 𝐼𝐱 = 𝐱
atau, setara dengan:
𝑇𝐴 𝑜 𝑇𝐴−1 = 𝑇𝐴𝐴−1 = 𝑇𝐼
𝑇𝐴−1 𝑜 𝑇𝑨 = 𝑇𝐴−1𝐴 = 𝑇𝐼
Dari sudut pandang yang lebih geometris, jika w

41
merupakan hasil pemetaan x di bawah 𝑇𝑨 , maka 𝑇𝐴−1 memetakan kembali ke x, karena
𝑇𝐴−1 (𝐰) = 𝑇𝑨 (𝑇𝐴−1 (𝐱)) = 𝐱.
Contoh: Tunjukkan bahwa operator linier 𝑇: 𝑅 2 → 𝑅 2 didefinisikan persamaan berikut:
𝑤1 = 2𝑥1 + 𝑥2
𝑤2 = 3𝑥1 + 4𝑥2
merupakan transformasi satu-satu dan temukan: 𝑇 −1 (𝑤1 , 𝑤2 ).
Penyelesaian: Matriks standar untuk T adalah:

[𝑇] = [2 1
]
3 4
Matriks ini invertible (jadi T merupakan one-to-one) dan matriks standar untuk 𝑇 −1
sebagai berikut:
4 1
−
[𝑇 −1 ] = [𝑇]−1 =[ 5 5]
3 2
−
5 5
Transformasi 𝑇: 𝑅 𝑛 → 𝑅 𝑚 linier jika dan hanya jika hubungan antara vektor u dan v
di 𝑅 𝑛 dan untuk setiap skalar c sebagai berikut:
a) T(u+v) = T(u) + T(v)
b) T(cu) = cT(u)
Jika 𝑇: 𝑅 𝑛 → 𝑅 𝑚 merupakan transformasi linier, dan 𝑒1 , 𝑒2 , … , 𝑒𝑛 merupakan vektor basis
standar untuk 𝑅 𝑛 , maka matriks standar untuk T adalah
[𝑇] = [𝑇(𝒆1 )|𝑇(𝒆2 )|. . |𝑇(𝒆𝑛 )]
Contoh 1. 𝑇: 𝑅 3 → 𝑅 3 adalah transformasi linier dari proyeksi orthogonal pada bidang-xy
1 0 0 1 0 0
𝑇(𝒆1 ) = 𝒆1 = [0] , 𝑇(𝒆2 ) = 𝒆2 = [1] , 𝑇(𝒆3 ) = 𝒆3 = [0] ; [𝑇] = [0 1 0]
0 0 0 0 0 0
−1 2 1
Contoh 2. Misalkan 𝑇: 𝑅 3 → 𝑅 2 merupakan perkalian matriks A = [ ], gambaran
3 0 6
dari vektor basis standar yang apat dibaca langsung dari kolom matris A sebagai berikut.
1 0 0
−1 2 1
𝑇𝑨 ([0]) = [ ], 𝑇𝑨 ([1]) = [ ], 𝑇𝑨 ([0]) = [ ].
3 0 6
0 0 1

Latihan 5
1. Temukan matriks standar untuk opreator linier 𝑇: 𝑅 3 → 𝑅 3 sebagai berikut.
𝑤1 = 3𝑥1 + 5𝑥2 − 𝑥3
𝑤2 = 4𝑥1 − 𝑥2 + 𝑥3

42
 𝑤3 = 3𝑥1 + 2𝑥2 − 𝑥3
dan selanjutnya hitung T(-1,2,4) dengan mensubstitusikan secara langsung pada persamaan
dan juga dengan perkalian matriks.
2. 𝑇(𝑥1 , 𝑥2 , 𝑥3 ) = (2𝑥1 − 𝑥2 + 𝑥3 , 𝑥2 + 𝑥3 , 0); 𝐱 = (2,1, −3).
3. Gunakan perkalian matriks untuk menemukan refelksi dari (2,-5,3) pada bidang xy.
4. Gunakan perkalian matriks untuk menemukan refelksi dari (-1,2) pada bidang y=x.
5. Temukan matriks standar untuk komposisi dari operator linier dari 𝑅 2 dimana
merupakan sebuah refleksi terhadap sumbu x, diikuti dengan sebuah dilatasi dengan
faktor k=3.
6. Temukan matriks standar untuk komposisi dari operator linier dari 𝑅 3 dimana
merupakan sebuah rotasi dari 2700 terhadap sumbu x, diikuti dengan rotasi 900
terhadap sumbu y, diikuti dengan rotasi 1800 terhadap sumbu z.

43
 BAB VI
MASALAH EIGEN

6.1. Nilai Eigen dan Vektor Eigen

Misalkan A adalah suatu matriks berukuran 𝑛𝑥𝑛 dan 𝐱 adalah suatu vektor. Pandang
𝑨𝐱 = 𝒃 suatu transformasi linier ℝ𝑛 → ℝ𝑛 . Ingin dicari suatu skalar 𝜆 ∋ ∃ vektor tak nol 𝒙
dengan 𝑨𝐱 = 𝜆𝐱 yaitu transformasi linier 𝑇(𝒙) = 𝑨𝒙, yang memetakan 𝒙 ke 𝜆𝒙. 𝑨𝒙 = 𝝀𝒙
dapat ditulis sebagai 𝑨𝒙 = 𝝀𝑰𝒙 dimana (𝑨 − 𝝀𝑰)𝒙 = 𝟎 atau (𝝀𝑰 − 𝑨)𝒙 = 𝟎. Sistem
persamaan linier dikatakan homogen apabila 𝑨𝒙 = 𝟎 yang memiliki solusi nontrivial ↔
matriks (𝑨 − 𝜆𝑰) singular yaitu det (𝑨 − 𝝀𝑰) = 𝟎 dan persamaan ini disebut persamaan
karakteristik dari 𝑨.
Jika 𝑨 adalah matriks real berukuran 𝑛𝑥𝑛, maka 𝑛 nilai eigen 𝜆1 , 𝜆2 , ..., 𝜆𝑛 adalah
akar-akar real/kompleks dari persamaan karakteristik det(𝑨 − 𝝀𝑰) = 𝟎. Selanjutnya, jika λ
adalah nilai eigen dari 𝑨 dan vektor tak nol 𝒙 memenuhi persamaan 𝑨𝒙 = 𝝀𝒙 maka 𝒙
disebut vektor eigen dari 𝑨 bersesuaian dengan nilai eigen 𝝀.
Jika Jika 𝑇𝑨 : 𝑅 𝑛 → 𝑅 𝑛 merupakan operator linier, maka λ disebut eigen value dari T.
Lalu, apabila ada vektor tak nol dari x pada 𝑅 𝑛 maka 𝑇(𝑥) = λ𝑥. Vektor tak nol x dari
persamaan ini disebut eigen vektor dari T yang sama dengan λ.

Contoh 1.
1 0 0
𝑨 = [0 1 0]
0 0 0
Karakteristik dari persamaan A adalah sebagai berikut.
𝜆−1 0 0
det(𝜆𝑰 − 𝑨) = [ 0 𝜆 − 1 0] = 0 atau (𝜆 − 1)2 𝜆 = 0
0 0 𝜆
Yang memiliki solusi λ = 0 dan λ = 1
𝜆−1 0 0 𝑥1 0
[ 0 𝜆 − 1 0] [𝑥2 ] = [0]
0 0 𝜆 𝑥3 0
Jika λ = 0 maka
−1 0 0 𝑥1 0
[ 0 −1 0] [𝑥2 ] = [0]
0 0 0 𝑥3 0
Solusi yang didapatkan x1 = 0, x2 = 0 x3 = t (memiliki vektor jawab) atau dalam bentuk
matiks bisa ditulis sebagai berikut.

44
 𝑥1 0
[𝑥2 ] = [0]
𝑥3 𝑡
Jika λ = 1 maka menjadi
0 0 0 𝑥1 0
[0 0 𝑥
0] [ 2 ] = [0]
0 0 1 𝑥3 0
Yang memiliki solusi x1 = s, x2 = t, x3 = 0 (memiliki vector jawab) atau dalam bentuk
matiks bisa ditulis sebagai berikut.
𝑥1 𝑠
[𝑥2 ] = [ 𝑡 ]
𝑥3 0
Inilah vektor pada bidang xy.

Contoh 2.
Carilah nilai eigen dan vektor eigen dari matriks berikut.
𝑥1 + 3𝑥2 = 𝜆𝑥1
4𝑥1 + 2𝑥2 = 𝜆𝑥2
Penyelesaian.
Dalam bentuk matriks
3 𝑥1
1 𝑥1
[] [𝑥 ] = 𝜆 [𝑥 ]
4
2 2 2

1 3 𝑥1
sehingga 𝑨 = [ ] dan 𝒙 = [𝑥 ]
4 2 2

Bentuk (𝝀𝑰 − 𝑨)𝒙 = 𝟎 dituliskan sebagai berikut.

1 0 𝑥1 1 3 𝑥1 0
𝜆[ ] [𝑥 ] − [ ][ ] = [ ]
0 1 2 4 2 𝑥2 0
𝜆 − 1 −3 𝑥1 0
[ ][ ] = [ ]
−4 𝜆 − 2 𝑥2 0
(𝜆𝑰 − 𝑨) = [𝜆 − 1 −3 ]
−4 𝜆 − 2
Persamaan karakteristiknya yaitu sebagai berikut.
𝜆−1 −3
det(𝜆𝑰 − 𝑨) = | |=0
−4 𝜆−2
atau 𝜆2 − 3𝜆 − 10 = 0
difaktorisasi menjadi(𝜆 + 2)(𝜆 − 5) = 0
diperoleh nilai-nilai eigen 𝜆 = −2 dan 𝜆 = 5.
Jika 𝜆 = −2 dan 𝜆 = 5 , (𝛌𝐈 − 𝐀)𝐱 = 𝟎:

45
 −3 −3 𝑥1
1. [
][ ] = 0
−4 −4 𝑥2
4 −3 𝑥1
2. [ ][ ] = 0
−4 3 𝑥2
solusi 𝑥1 dan 𝑥2 untuk (1) dan (2), diperoleh sebagai berikut.
−𝑡 −1 𝑡 1
𝐱 = [ ] = [ ] 𝑡 atau 𝐱 = [ ] = [ ] 𝑡
𝑡 1 −𝑡 −1
3 3 𝑡 1
𝐱 = [4 𝑡] = [ 4 ] 𝑡 atau 𝐱 = [4 𝑡] = [ 4 ] 𝑡
𝑡 1 3 3
−1
Jadi, vektor-vektor eigen untuk sistem persamaan linier tersebut adalah 𝒙𝟏 = [ ] dan
1
3
𝒙𝟐 = [ 4 ] yang bersesuaian dengan nilai eigen 𝜆1 = −2 dan 𝜆2 = 5.
1

Latihan 6.1
Carilah nilai eigen dan vektor eigen!
10 0 2 1/2 0 0
1. 𝐀 = [ 0 10 4] 3. 𝐂 = [ −1 2/3 0 ]
2 4 2 5 −8 −1/4
0 1 0
2. 𝐁 = [0 0 1]
4 −17 8

−4 −3 2
[ 2 ] = 2 [ 1 ] + [0]
2 1 0

6.2. Diagonalisasi
Suatu matriks bujursangkar A dapat didiagonalisasi jika terdapat sebuah matriks P
yang invertible sedemikian sehingga 𝑷−1 𝑨𝑷 adalah suatu matriks diagonal. Matriks P
dikatakan mendiagonalisasi A. Berikut merupakan langkah-langkah diagonalisasi.
1. Tentukan n vektor eigen dari A yang bebas linier/linierly independent
2. Bentuk matriks P yang kolom-kolom nya merupakan n vektor eigen dari A
3. Bentuk matriks 𝑷−1
4. Bentuk matriks 𝑷−1 𝑨𝑷 yang merupakan matriks diagonal dengan diagonal utamanya
nilai-nilai eigen yang bersesuaian dengan vektor-vektor eigen dari A.

Contoh 3. Carilah matriks P yang dapat mendiagonalisasi matriks A.

46
 1 0 0
𝐀=[ 1 2 0]
−3 5 2
Penyelesaian.
Persamaan karakteristik dari A yaitu (𝜆 − 1)(𝜆 − 2)2 = 0
−1 0 −2
Vektor-vektor eigen dari A, diperoleh 𝐩𝟏 = [ 0 ] , 𝐩𝟐 = [1], 𝐩𝟑 = [ 1 ]
1 0 1
𝑎 𝐩𝟏 + 𝑏 𝐩𝟐 + 𝑐 𝐩𝟑 = 𝟎
1. -𝑎 + 0 − 2𝑐 = 0
2. 0 + b + c =0
3. 𝑎 + 0 + 𝑐 = 0
Dari persamaan 1 dan 3 dijumlahkan dapat -c=0 atau c=0
−1 0 −2
𝐩𝟏 = [ 0 ] , 𝐩𝟐 = [1], 𝐩𝟑 = [ 1 ]
1 0 1

−1 0 −2
Matriks P yang terbentuk yaitu 𝑷 = [ 0 1 1]
1 0 1
1 0 2
Invers dari matriks P yaiut 𝐏 −1 = [ 1 1 1]
−1 0 −1
1 0 2 1 0 0 −1 0 −2 2 0 0
Selanjutnya, 𝐏 −1 𝐀𝐏 = [ 1 1 1 ] [ 1 2 0] [ 0 1 1 ] = [0 2 0]
−1 0 −1 −3 5 2 1 0 1 0 0 1

Suatu matriks “dapat didiagonalisasi” atau “tidak dapat di diagonalisasi” ditentukan

oleh dimensi ruang eigen dari matriks tersebut. Dimensi ruang eigen yaitu jumlah dari
banyaknya kemunculan nilai eigen. Suatu matriks dapat di diagonalisasi jika dan hanya
jika keragaman geometrik setiap nilai eigen sama dengan keragaman aljabarnya. Dimensi
ruang eigen dari suatu nilai eigen (λ = λ0 ) disebut keragaman/multipisitas geometrik.
Jumlah kemunculan λ − λ0 sebagai suatu faktor dalam persamaan karakteristik disebut
keragaman/multiplisitas aljabar. Jika 𝑷−1 𝑨𝑷 = 𝑫, maka
𝑷𝑷−1 𝑨𝑷 = 𝑷𝑫
𝑨𝑷 = 𝑷𝑫
𝑨𝑷𝑷−1 = 𝑷𝑫 𝑷−1
𝑨 = 𝑷𝑫 𝑷−1

48
Sehingga
𝑨𝟐 = (𝑷𝑫 𝑷−1 )(𝑷𝑫 𝑷−1 )
= 𝑷𝑫(𝑷−1 𝑷)𝑫 𝑷−1
= 𝑷𝑫𝟐 𝑷−1
Secara umum 𝑨𝒏 = 𝑷𝑫𝒏 𝑷−1
𝑑11000 … 0
𝟏𝟎𝟎𝟎 1000
Contoh 4. 𝑨 = 𝑷𝑫𝟏𝟎𝟎𝟎 𝑷−1 atau 𝑨𝟏𝟎𝟎𝟎 = 𝑷 [ … 𝑑… 0 ] 𝑷−1
0 … 𝑑𝑛1000

Latihan 6.2
Carilah matriks P yang dapat mendiagonalisasi matriks!
0 1 0 −1 2 4 0
1. 𝐀 = [0 0 1] 0 3 1 7
2. 𝐀=[ ]
4 −17 8 0 0 5 8
0 0 0 −2

6.3. Ortogonal dan Ortonormal

Vektor u dan v dikatakan ortogonal jika hasil kali dalam (dot product) nya sama
dengan nol atau 𝒖. 𝐯 = 𝟎 atau ⟨𝐮, 𝐯⟩ = 0.Vektor u dikatakan ortonormal jika u memiliki
norma sama dengan 1.

Contoh 5. Periksalah apakah ketiga vektor berikut saling ortogonal.

0 1 1
𝐮𝟏 = [1] , 𝐮𝟐 = [0], 𝐮𝟑 = [ 0 ]
0 1 −1
⟨𝐮𝟏 , 𝐮𝟐 ⟩ = 0
⟨𝐮𝟏 , 𝐮𝟑 ⟩ = 0
⟨𝐮𝟐 , 𝐮𝟑 ⟩ = 0
‖𝐮𝟏 ‖ = 1, ‖𝐮𝟐 ‖ = √2, ‖𝐮𝟑 ‖ = √2
normalisasi ketiga vektor tersebut, menjadi
𝐮𝟏
𝐯𝟏 = = (0,1,0)
‖𝐮𝟏 ‖
𝐮𝟐 1 1
𝐯𝟐 = = ( , 0, )
‖𝐮𝟐 ‖ √2 √2
𝐮𝟑 1 1
𝐯𝟑 = = ( , 0, − )
‖𝐮𝟑 ‖ √2 √2

49
6.4. Diagonalisasi Ortogonal
Matriks A dikatakan dapat di diagonalisasi ortogonal jika terdapat matriks ortogonal
P sedemikian sehingga 𝑷−1 𝑨𝑷 = 𝑫, 𝑫 adalah matriks diagonal, A adalah matriks simetris.
Matriks A dikatakan simetris jika 𝑨 = 𝑨𝑇 . Matriks A dikatakan ortogonal jika 𝑨−1 = 𝑨𝑇 .
Suatu vektor eigen dikatakan basis untuk ruang eigen jika merentang dan bebas linier.
Berikut langkah-langkah diagonalisasi ortogonal.
1. Tentukan n vektor eigen dari A yang membentuk basis ruang eigen untuk setiap nilai
eigen A.
2. Bentuk vektor-vektor eigen ortonormal melalui “proses Gram-Schmidt”. Misalkan
𝐯𝟏 = 𝐮𝟏
⟨𝐮𝟐 , 𝐯𝟏 ⟩
𝐯𝟐 = 𝐮𝟐 − 𝐯
‖𝐯𝟏 ‖𝟐 𝟏
⟨𝐮𝟑 ,𝐯𝟏 ⟩ ⟨𝐮𝟑 ,𝐯𝟐 ⟩
𝐯𝟑 = 𝐮𝟑 − ‖𝐯𝟏 ‖𝟐
𝐯𝟏 − ‖𝐯𝟐 ‖𝟐
𝐯𝟐

... dst
𝐯 𝐯 𝐯
𝐪𝟏 = ‖𝐯𝟏 ‖ , 𝐪𝟐 = ‖𝐯𝟐 ‖ , 𝐪𝟑 = ‖𝐯𝟑 ‖ , ... dst
𝟏 𝟐 𝟑

3. Bentuk matriks P yang kolom-kolom nya merupakan vektor-vektor eigen ortonormal

dari A.
4 2 2
Contoh 6. Tentukan matriks ortogonal P yang mendiagonalisasi 𝑨 = [2 4 2].
2 2 4
Penyelesaian.
Persamaan karakteristik dari A yaiut (𝜆 − 8)(𝜆 − 2)2 = 0
−1 −1
𝐮𝟏 = [ 1 ] , 𝐮𝟐 = [ 0 ] merupakan basis ruang eigen dari 𝜆 = 2
0 1
1
𝐮𝟑 = [1] merupakan basis ruang eigen dari 𝜆 =8
1
Melalui proses Gram-Schmidt, diperoleh

−1/√2 −1/√6 1/√3

𝐪𝟏 = [ 1/√2 ] , 𝐪𝟐 = [−1/√6], 𝐪𝟑 = [1/√3]
0 2/√6 1/√3
Matriks P yang terbentuk yaitu sebagai berikut.
−1/√2 −1/√6 1/√3
𝐏 = [ 1/√2 −1/√6 1/√3]
0 2/√6 1/√3

50
Latihan 6.4
Tentukan matriks ortogonal P yang mendiagonalisasi A dan tentukan 𝑷−1AP= 𝑷𝑇 AP.
2 −1 −1
1. 𝐀 = [−1 2 −1]
−1 −1 2
1 1 0
2. 𝐁 = [1 1 0]
0 0 0
−2 0 −36
3. 𝐂=[ 0 −3 0 ]
−36 0 −23

51
 BAB VII
SVD, PERKALIAN KRONECKER, DAN BENTUK KUADRAT

7.1. SVD (Singular Value Decomposition)

Singular Value Decomposition atau biasa dikenal dengan SVD banyak digunakan
untuk menyelesaikan permasalahan matematika dan statisika, seperti perhitungan rank
matriks, invers matriks, matriks pseudo-invers, matriks kovarians, akar kuadrat suatu
matriks, solusi least square, baik pada sistem berukuran 𝑚𝑥𝑛 maupun 𝑛𝑥𝑛, pengambilan
sampel pada distribusi multivariat normal, dan analisis komponen utama/ principal
component analysis (PCA). Dekomposisi nilai singular/ SVD dari matriks real 𝑨, m𝑥𝑛
adalah suatu faktorisasi
𝑨 = 𝑼𝑫𝑽𝑻
di mana:
𝑼, 𝑚𝑥𝑛 , matriks orthogonal kolom (kolom-kolomnya merupakan vektor eigen dari 𝑨𝑨𝑻 )
𝑽, 𝑛𝑥𝑛, matriks orthogonal (kolom-kolomnya merupakan vektor eigen dari 𝑨𝑻 𝑨)
𝑫 = diag(𝑑1 , 𝑑2 , … , 𝑑𝑛 ), 𝑑1 ≥ 𝑑2 ≥ ⋯ ≥ 𝑑𝑛 , matriks diagonal 𝑛𝑥𝑛. 𝑑𝑖 bernilai real non-
negatif disebut nilai-nilai singular matriks 𝑨
Jika 𝑼 = (𝒖𝟏 , 𝒖𝟐 , … , 𝒖𝒎 ) dan 𝑽 = (𝒗𝟏 , 𝒗𝟐, … , 𝒗𝒏 )maka 𝑨 = ∑𝑟𝑖=1 𝑑𝑖 𝒖𝒊 𝒗𝒊 𝑇
dengan r adalah rank matriks 𝑨. Jika 𝑨 matriks persegi (square), maka kuadrat dari 𝑑𝑖
adalah nilai eigen dari 𝑨𝑻 𝑨.
Contoh 1. Carilah SVD dari matriks berikut.
3 1 1
𝑨=[ ]
−1 3 1
Penyelesaian.
1) Tentukan vektor singular kiri (AAT), yaitu
11 1
𝑨𝑨𝑇 = [ ]
1 11
2) Tentukan nilai eigen dari 𝑨𝑨𝑇 , yaitu λ = 10 dan λ = 12, serta nilai singular dari 𝑨
yaitu √10 dan √12
3) Untuk λ = 10
(11 − 10)x1 + x2 = 0
x1 = −x2
1
vektor eigen 𝐮1 = [ ] bersesuaian dengan nilai eigen λ = 10.
−1

52
4) Untuk λ = 12
(11 − 12)𝑥1 + 𝑥2 = 0
𝑥1 = −𝑥2
1
vektor eigen 𝒖2 = [ ] bersesuaian dengan nilai eigen λ = 12.
1
5) Normalisasi 𝒖1 dan 𝒖2 , diperoleh sebagai berikut.
1⁄ 1⁄
= [ √2 ] dan 𝒖
̅ 𝟐 = |𝒖𝟐 | = [ √2]
𝒖𝟏 𝒖
̅𝟏 =
𝒖 |𝒖𝟏 | −1⁄ 𝟐 1⁄
√2 √2
6) Selanjutnya diperoleh sebagai berikut.
1⁄ 1⁄
𝑼 = [ √2 √2 ]
1⁄ −1⁄
√2 √2
7) Tentukan vektor singular kanan (ATA), yaitu
10 0 2
𝑇
𝑨 𝑨=[0 10 4]
2 4 2
8) Nilai eigen dari 𝑨𝑇 𝑨 diperoleh λ = 0, λ = 10 dan λ = 12
9) Nilai singular dari 𝑨 yaitu 0, √10 dan √12.
10) Vektor eigen yang bersesuaian dengan nilai eigen, diperoleh sebagai berikut.
1
𝒖𝟏 = [2] bersesuaian dengan nilai eigen λ = 12
1
2
𝒖𝟐 = [−1] bersesuaian dengan nilai eigen λ = 10
0
1
𝒖𝟑 = [ 2 ] bersesuaian dengan nilai eigen λ = 0
−5
11) Vektor-vektor singular kanan yang orthonormal, diperoleh sebagai berikut.
1⁄ 1⁄
2⁄ √30
√6
2 √5 2
̅𝟏 = ⁄
𝒗 ̅𝟐 = −1⁄
;𝒗 ̅𝟑 = ⁄
dan 𝒗
√6 √30
1⁄ √5
[ 0 ] −5
[ √6] [ ⁄√30]
Sehingga diperoleh sebagai berikut.

53
 1⁄ 2⁄ 1⁄
√6 √6 √6
𝑇 2⁄ −1⁄ 0
𝑽 =
√5 √5
1⁄ 2⁄ −5⁄
[ √30 √30 √30]

12) SVD matriks tersebut adalah sebagai berikut.

𝑨 = 𝑼𝐃𝑽𝑻
1⁄ 1⁄
√2 √2 ] [√12 0 0]
=[
1⁄ 1
− ⁄ 0 √10 0
√2 √2
1⁄ 2⁄ 1⁄
√6 √6 √6
2⁄ −1⁄ 0
√5 √5
1 2⁄ −5⁄
[ ⁄√30 √30 √30]

7.2. Perkalian Kronecker

Perkalian antara dua matriks 𝐴𝑚𝑥𝑛 dan 𝐵𝑝𝑥𝑞 dengan
𝑎11 𝑎12 … 𝑎1𝑛 𝑏11 𝑏12 … 𝑏1𝑞
𝑎21 𝑎22 … 𝑎2𝑛 𝑏21 𝑏22 … 𝑏2𝑞
𝐴𝑚𝑥𝑛 = [𝑎𝑖𝑗 ] = ( ⋮ ⋮ ⋱ ⋮ ) 𝐵𝑝𝑥𝑞 = [𝑏𝑖𝑗 ] = ,
⋮ ⋮ ⋱ ⋮
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 𝑏
( 𝑝1 𝑏𝑝2 … 𝑏𝑝𝑞 )
maka perkalian kronecker A dan B adalah sebagai berikut.
𝑎11 𝐵 𝑎12 𝐵 … 𝑎1𝑛 𝐵
𝑎21 𝐵 𝑎22 𝐵 … 𝑎2𝑛 𝐵
𝐴𝑚𝑥𝑛 ⊗ 𝐵𝑝𝑥𝑞 =( )
⋮ ⋮ ⋱ ⋮
𝑎𝑚1 𝐵 𝑎𝑚2 𝐵 … 𝑎𝑚𝑛 𝐵
Jika A merupakan matriks 𝑚𝑥𝑚 dan B berukuran 𝑛𝑥𝑛, maka :
a. (𝐴 ⊗ 𝐵)−1 = 𝐴−1 ⊗ 𝐵 −1
b. (𝐴 ⊗ 𝐵)𝑇 = 𝐴𝑇 ⊗ 𝐵 𝑇
Sifat perkalian kronecker sebagai berikut.
• 𝑎 ⊗ 𝐴 = 𝑎𝐴 = 𝐴𝑎 = 𝐴 ⊗ 𝑎, 𝑎 skalar
• 𝑡𝑟(𝐴 ⊗ 𝐵) = 𝑡𝑟(𝐴)𝑡𝑟(𝐵)
• (𝐴 ⊗ 𝐵)(𝐶 ⊗ 𝐷) = 𝐴𝐶 ⊗ 𝐵𝐷, jika 𝐴𝐶 dan 𝐵𝐷 ada
• 𝐴 ⊗ 𝐵 ⊗ 𝐶 = (𝐴 ⊗ 𝐵) ⊗ 𝐶 = 𝐴 ⊗ (𝐵 ⊗ 𝐶)
• (𝐴 + 𝐵) ⊗ (𝐶 + 𝐷) = 𝐴 ⊗ 𝐶 + 𝐴 ⊗ 𝐷 + 𝐵 ⊗ 𝐶 + 𝐵 ⊗ 𝐷, jika 𝐴 + 𝐵 dan 𝐶 +
𝐷 ada

54
 1 −1 1 2
1 2
Contoh 1. Jika 𝑨 = [ ] dan 𝑩 = [ 3 2 0 1], tentukan 𝐴 ⊗ 𝐵.
−1 3
−1 0 2 3
1 −1 1 2 2 −2 2 4
3 2 0 1 6 4 0 2
−1 0 2 3 −2 0 4 6
Penyelesaian. 𝑨2𝑥2 𝑩3𝑥4 =
−1 1 −1 −2 3 −3 3 6
−3 −2 0 −1 9 6 0 3
[1 0 −2 −3 −3 0 6 9]
1 2 2 1 1 2
Contoh 2. Jika 𝑨 = [3 1 4] dan 𝑩 = [2 2 1], tentukan 𝐴 ⊗ 𝐵.
0 2 1 1 2 1
1 1 2 2 2 4 2 2 4
2 2 1 4 4 2 4 4 2
1 2 1 2 4 2 2 4 2
3 3 6 1 1 2 4 4 8
Penyelesaian. 𝑨3𝑥3 𝑩3𝑥3 = 6 6 3 2 2 1 8 8 4
3 6 3 1 2 1 4 8 4
0 0 0 2 2 4 1 1 2
0 0 0 4 4 2 2 2 1
[0 0 0 2 4 2 1 2 1]

7.3. Bentuk Kuadrat

Jika diberikan A matriks simetris, persegi, berukuran 𝑛𝑥𝑛 dan 𝐱 merupakan vektor kolom,
maka bentuk 𝐱 T 𝑨𝐱 disebut bentuk kuadratik (quadratic form) dari A. Matriks A dikatakan
definit positif jika dan hanya jika 𝐱 𝑇 𝑨𝐱 > 0 untuk semua 𝐱 ≠ 𝟎, dan dikatakan semidefinit
positif jika 𝐱 𝑇 𝑨𝐱 ≥ 0 untuk semua 𝐱.
Jika A adalah suatu matriks definit positif, maka:

a. AT definit positif

b. ∃ sebuah matriks non-singular P sedemikian sehingga P T P = A−1 dan P −1 AP = I.

Contoh 1.
𝑥1
𝑎11 𝑎12 ⋯ 𝑎𝑛1
𝑥2
𝑎21 𝑎22 ⋯ 𝑎𝑛2
𝐱 = 𝑥3 dan 𝑨 = ( ⋮ ⋮ ⋱ ⋮ )
…
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛
(𝑥𝑛 )
maka 𝐱 𝑻 𝑨𝐱 merupakan matriks 1×1 (skalar) yang disebut bentuk kuadrat. Matriks A pada
umumnya merupakan matriks simetrik, misalnya matriks korelasi ataupun matriks varians-
kovarians seperti berikut ini.

55
 1 𝑟12 ⋯ 𝑟𝑛1 𝜎1 𝟐 𝜎12 ⋯ 𝜎𝑛1
𝑟 1 ⋯ 𝑟𝑛2 𝜎2 𝟐
𝑹 = ( 21 ) 𝑽 = 𝜎21 ⋯ 𝜎𝑛2
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
𝑟𝑛1 𝑟𝑛2 ⋯ 1 𝜎
( 𝑛1 𝜎𝑛2 ⋯ 𝜎𝑛 𝟐 )
𝟏 𝑥11 𝑥12 ⋯ 𝑥1𝑝
𝟏 𝑥21 𝑥22 ⋯ 𝑥2𝑝
𝑿=
⋮ ⋮ ⋮ ⋱ ⋮
(𝟏 𝑥𝑛1 𝑥𝑛2 ⋯ 𝑥𝑛𝑝 )
dimana R merupakan matriks korelasi, V matriks varias-kovarians, dan X matriks design
dalam regresi.

Latihan 7
Carilah SVD dari matriks:
1 2 1
1. 𝑩 = [2 3 2 ]
1 2 1
2 2
2. 𝑪=[ ]
−1 1
4 2 2
3. 𝑫 = [2 4 2]
2 2 4
1 3 4
4. 𝑨 = [3 2 8 ]
4 8 3
1 2 −1
5. 𝑬=[ ]
2 1 −1

56
 BAB VIII
MATRIKS KEBALIKAN UMUM

8.1. Sistem Persamaan Linier (SPL)

Suatu persamaan linier dalam n peubah adalah persamaan dengan bentuk 𝑎1 𝑥1 + 𝑎2 𝑥2 +
⋯ + 𝑎𝑛 𝑥𝑛 = 𝑏 dimana 𝑎1 , 𝑎2 , … , 𝑎𝑛 dan b adalah bilangab-bilangan real dan
𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah peubah. Berikut merupakan contoh sistem persamaan linier.
a. 3𝑥1 + 2𝑥2 = 5 2𝑥1 + 𝑥2 = 3
Solusi: 𝑥1 = 1 dan 𝑥2 = 1 (Solusi tunggal)
b. 3𝑥1 + 2𝑥2 = 5 6𝑥1 + 4𝑥2 = 10
1
Solusi: 𝑥1 = 1 dan 𝑥2 = 1 atau 𝑥1 =2 dan 𝑥2 = − 2 (Solusi tak hingga)

c. 3𝑥1 + 2𝑥2 = 5 6𝑥1 + 4𝑥2 = 5

(Tidak ada solusi)
Sistem persamaan linier dapat dituliskan dalam bentuk matriks AX = Y. Terdapat dua
solusi dari matriks tersebut sebagai berikut.
̂ = 𝑨− 𝒀 dimana 𝑨− merupakan matriks kebalikan umum (Generalized Invers
1) 𝑿
Matrix).
̂ = 𝑨−1 𝒀 dimana 𝑨−1 merupakan matriks kebalikan khusus jika matriks non-
2) 𝑿
singular, det(A) ≠ 0.

8.2. Pangkat (Rank) Matriks

Pangkat/rank suatu matriks adalah banyaknya baris/kolom dari suatu matriks yang
saling ortogonal/bebas. Untuk 𝑨𝑚𝑥𝑛 dengan 𝑚 < 𝑛 dan rank(A)=m, maka A disebut
matriks full rank baris. Apabila 𝑚 > 𝑛 dan rank(A)=n, maka A disebut matriks full rank
kolom. Sedangkan untuk matriks A berukuran nxn dengan rank(A)=n, maka A disebut
matriks full rank.
Salah satu penerapan SPL dalam statistika yaitu analisis regresi. Analisis regresi
selalu bisa dicari solusinya terkait dengan sistem persamaan linier. Terdapat dua kondisi
agar solusi SPL dapat dicari yaitu sebagai berikut.
1) Rank (A) = rank (A | Y)
Rank (A) : pangkat matriks transformasi yang determinannya tidak
sama dengan nol.
Rank (AY) : pangkat dari matriks augment.

57
 Jika determinan  0, artinya pangkat sama dengan ordo/ukuran matriks dan
kondisi ini disebut berpangkat penuh atau full rank.
Contoh 1.
3𝑥1 + 2𝑥2 = 5
2𝑥1 + 𝑥2 = 3
3 2
Matriks Transformasi = [ ] maka rank(A) = 2 (det  0)
2 1
3 2 5
Matriks Augmen = [ ] maka rank(Ay) = 2 (det  0)
2 1 3
Karena rank(A) = rank(Ay), maka matriks SPL tersebut mempunyai solusi.
Contoh 2.
3𝑥1 + 2𝑥2 = 5
6𝑥1 + 4𝑥2 = 5
3 2
Matriks Transformasi = [ ] maka rank(A) = 1 (determinan  0)
6 4
3 2 5
Matriks Augmen = [ ] maka rank(Ay) = 2 (determinan  0)
6 4 5
Karena rank(A)  rank(Ay), maka matriks SPL tersebut tidak mempunyai
solusi.
2) Bila hubungan linier antara baris matriks transformasi juga berlaku bagi
hubungan antar baris vektor Y.
Contoh 3.
3𝑥1 + 2𝑥2 = 5

6𝑥1 + 4𝑥2 = 10

Persamaan pertama merupakan setengah dari persamaan kedua. Maka sistem

persamaan tersebut memiliki dua solusi.

8.3. Matriks Kebalikan/Invers

Invers matriks A(nxn), dilambangkan dengan 𝑨−𝟏 adalah matriks yang memenuhi
𝑨𝑨−𝟏 = 𝑨−𝟏 𝑨 = 𝑰. Untuk memperoleh matriks 𝑩 = 𝑨−1 , dapat dihitung dengan
perhitungan sebagai berikut.
1
𝑩 = 𝑨−1 = adj(𝑨)
det(𝑨)
dimana adj(𝑨) / matriks adjoin A adalah transpose dari matriks yang berisi kofaktor dari
A. Adapula syarat invers matriks yaitu 𝑨−1 hanya dimiliki oleh matriks A yang persegi dan

58
𝑨−1 ada hanya jika det(𝑨) ≠ 0. Matriks A dikatakan singular jika A tidak mempunyai
invers. Sebaliknya, dikatakan sebagai matriks non-singular.

8.4. Matriks Kebalikan Umum (MKU)/Generalized Invers

̂ = GY.
Sistem persamaan linier AX = Y yang bersifat konsisten mempunyai solusi 𝑿
Matriks G memiliki sifat bahwa AGA = A. Matriks ini dinamakan Generalized Invers dari
A. Namun, matriks G memiliki bentuk khusus yaitu A-1, dengan syarat sebagai berikut.
AA-1A = A

IA=A

A=A

Contoh 1.
2 3 7 5 2 −3
A = [3 6 8 ] dan A= [−10 4 7]
5 10 10 −5 −10 2
1) Langkah pertama adalah mencari det(A) dan rank(A).
2) Lalu, cari anak/sub matriks 2x2 yang non-singular (de t 0) dan terbesar.Ambil
matriks M yaitu baris 2 dan 3 dan kolom 2 dan 3 dari matriks A.
3) Hitung matriks invers dari M.

6 8
M=[ ], dimana M nonsingular, det(M) = -20, maka invers M atau
10 10

1 2
−2 5
M-1 =[ 1 3]
− 10
2

Selanjutnya, ditranspos terlebih dahulu dan dikembalikan ke posisi semula pada

matriks A.

4) Mengganti unsur M dengan (M-1)T pada matriks A, dan diluar unsur M diganti dengan
0.

0 0 0
1 1
∗ 0 −
𝑨 = 2 2
2 3
[0 5 − ]
10

59
5) Matriks Kebalikan Umum (MKU) diperoleh dari transpose matriks A yaitu sebagai
berikut.

0 0 0
1 2
0 −
𝐀− = 2 5
1 3
[0 2
− ]
10

MKU ini bersifat general (tidak tunggal), tergantung bagaimana kita mengambil M.

Latihan 8
1. Buktikan bahwa AGA = A dimana G =𝑨− .
2. Carilah MKU dari
4 1 2 0
𝐀 = [1 1 5 15]
3 1 3 5

60
 DAFTAR PUSTAKA

Anton, H. 1995. Aljabar Linier Elementer. Edisi Kelima. Alih Bahasa: Silaban, P. dan
Susila, I. N. Penerbit Erlangga, Jakarta.
Anton, H. dan Rorres, C. 2014. Elementary Linier Algebra Applications, 11th ed. John
Willey and Sons.
Basilevsky, A. 2005. Applied Matrix Algebra in the Statistical Sciences. Dover
Publication, Inc., USA.
Nasution, A. H. 1983. Aljabar Matriks. Bhratara Karya Aksara, Jakarta.

61