Bab 4

Vektor dan Nilai Eigen

Banyak masalah dalam sains, teknik dan matematika, dimana pada operator linier T:VV diberikan,
dan perlu menentukan skalar  dimana Tx=x yang memiliki solusi bukan nol, dalam hal ini 
disebut nilai eigen, sedangkan x adalah vektor eigen yang berhubungan dengan nilai eigen . Pada
bab ini akan dibahas masalah nilai dan vektor eigen dan beberapa penerapannya.

Tujuan Instruksional Umum

Pemahaman nilai-nilai eigen dan vektor-vektor eigen, mampu menentukan nilai-nilai dan vektor eigen
serta memahami sifat-sifat diagonalisasi dan orthogonalisasi vektor-vektor eigen.

Tujuan Instruksional khusus:

Setelah perkuliahan mahasiswa diharapkan mampu:

1. Menentukan persamaan karakteristik suatu matriks bujursangkar.
2. Menentukan nilai-nilai eigen dari suatu matriks bujursangkar.
3. Menentukan vektor-vektor eigen yang berhubungan dengan nilai-nilai eigen dari suatu matriks
bujursangkar.
4. Memahami arti nilai eigen dari suatu matriks bujursangkar.
5. Menentukan suatu matriks P yang dapat mendiagonalisasi suatu matriks.
6. Menentukan suatu matriks P yang dapat mendiagonalisasi suatu matriks secara orthogonal.
7. Menentukan dimensi suatu matriks.
8. Menentukan apakah suatu matriks terdiagonalisasi secara orthogonal atau tidak.
9. Menentukan apakah suatu matriks terdiagonalisasi orthogonal secara simetris atau tidak.

Topik-topik yang dibahas:

4.1 Nilai eigen dan vektor eigen

4.2 Diagonalisasi
4.3 Diagonalisasi orthogonal: matriks simetris
Ringkasan Bab
Soal-soal Latihan
Bab 4. Vektor dan nilai eigen 77

4.1 Nilai eigen dan vektor eigen

Definisi:
Jika A adalah matriks nxn, maka ada sebuah vektor x bukan nol dalam ruang Rn yang disebut sebuah
vektor eigen dari A jika Ax adalah perkalian skalar pada x, yaitu:
Ax=x
untuk beberapa skalar . Skalar  disebut nilai eigen dari A dan x disebut vektor eigen yang
berhubungan dengan kepada .

Kata “eigen” sendiri yang dalam dalam bahasa Jerman berarti “proper (tepat)”; berarti “nilai eigen”
berarti “nilai yang tepat”, atau oleh beberapa penulis diartikan sebagai “nilai karakteristik”, atau
“akar-akar laten”


Contoh 4.1.
 1 3 0 
x=   adalah vektor eigen dari matriks A=  berhubungan dengan vektor eigen =3 karena
2
  8   1

3 0   1 3 
Ax=    3x.
8  1 2 6 

Nilai-nilai eigen dan vektor vektor eigen memiliki interpretasi geometrik dalam ruang R 2 dan R3. Jika
 adalah nilai eigen dari A berhubungan dengan vektor eigen x maka Ax=x, sehingga perkalian
dengan A menggeser x, atau mendilatasi x, atau membalikan arah dari x bergantung nilai .

x=Ax x x

x x=Ax
x=Ax

(a) (b) (c)

Gambar 4.1. (a) Dilasi untuk 1, (b) Konstraksi untuk 01, (c) Reversal untuk 0.

Untuk menentukan nilai-nilai eigen dari matriks A nxn kita menulis kembali Ax = x sebagai
Ax = Ix
atau
(I-A)x = 0.

Agar  menjadi nilai eigen, maka akan ada solusi bukan nol dari sistim persamaan di atas. Dan
persamaan itu memiliki solusi bukan nol jika dan hanya jika:

det(I-A )= 0

Persamaan ini disebut dengan persamaan karakteristik dari A; skalar-skalar yang memenuhi
persamaan tersebut adalah nilai-nilai eigen dari A. Jika kita mengembangkan determinan det(I-A)
sebagai polinomial dalam  maka polinomial ini disebut polinomial karakteristik dari A.
Bab 4. Vektor dan nilai eigen 78


Contoh 4.2.
3 2
Tentukan nilai-nilai eigen dari matriks A=  .
 1 0

Jawab:
1 0   3 2    3  2
Karena I-A =     , maka polinomial karakteristik dari A adalah
0 1   1 0   1  
3 2
det(I-A) = 1 
= 2-3+2 = 0. Sehingga solusinya adalah 1 = 1 dan 2 =2 adalah nilai-
nilai eigen dari matriks A.


Contoh 4.3.
Tentukan nilai-nilai eigen dari matriks
 2  1
A=  .
 5 2 
Jawab:
1 0  1  1   2 1 
Karena (I-A) =     , maka polinomial karakteristik dari A
0 1  5 2    5   2
adalah det(I-A) = 2+1 = 0. Nilai-nilai eigen haruslah memenuhi persamaan 2+1 = 0. Karena
solusinya adalah bilangan imajiner 1=i dan 2=-i, dan karena solusinya umumnya haruslah bilangan
real (kecuali untuk kasus-kasus tertentu), maka A tidak memiliki nilai-nilai eigen.


Contoh 4.4.
Tentukan nilai-nilai eigen dari matriks:

1 1 0
A  0 0 1 
4  17 8 

Jawab:
Dengan mengikuti langkah-langkah seperti contoh soal 2 s/d 3, maka det (I-A) = 0:

 1 0
0  1 =0
4  17  8

Sehingga polinomialnya adalah:

3-82+17-4=0,

atau disederhanakan menjadi:

(-4)(2-4+1) = 0.

Nilai-nilai eigennya adalah 1=4, 2=2+3 dan 3=2-3.



Contoh 4.5.
Bab 4. Vektor dan nilai eigen 79

Tentukan basis untuk ruang-ruang eigen dari matriks:

 3 2 0
A    2 3 0
 0 0 5

Jawab:
Persamaan karakteristik dari matriks di atas adalah: (-1)(-5)= 0 (periksa hal ini!). Sehingga nilai-
nilai eigen adalah 1 = 1, dan 2=3 = 5. Dari definisi

 x1 
x   x 2 
 x3 

adalah sebuah eigen vektor A berhubungan dengan nilai eigen  jika dan hanya jika x memiliki solusi
nontrivial dari (I-A)x=0, yaitu bahwa Ax = x atau

  3 2 0   x1  0
 2
 3 0   x 2   0
 0 0   5  x 3  0

Jika =5 persamaan tersebut menjadi:

2 2 0  x1  0 
2 2 0  x   0 
  2   
0 0 0  x 3  0 

Dengan menyelesaikan persamaan ini akan didapat: x1=-s, x2=s dan x3=t.

Sehingga vektor-vektor eigen A berhubungan dengan nilai eigen =5 adalah vektor-vektor bukan nol
dalam bentuk:

 s  s 0   1 0
x   s    s   0   s  1   t 0
       
 t   0   t   0   1

 1 0 
 1  
Karena   dan 0  tidak bergantung sama lain, maka vektor-vektor ini merupakan basis untuk

0  
 1

ruang eigen berhubungan dengan nilai eigen =5.
Jika =1, maka persamaan Ax=x menjadi:

  2 2 0   x1  0
    
 2  2 0   x 2   0
 0 0 4  x 3  0
Bab 4. Vektor dan nilai eigen 80

Dari hubungan di atas didapat solusi x 1=t, x2=t dan x3=0. Sehingga vektor-vektor eigen berhubungan
dengan =1 adalah

t  1
x   t   t  1
0 0

 1
 
sehingga 1 merupakan basis untuk ruang eigen berhubungan dengan =1.
0 
 


4.2 Diagonalisasi

Matriks bujursangkar A disebut dapat didiagonalisasi jika ada sebuah matrik yang invertibel P
sehingga bahwa P-1AP adalah diagonal; matriks P disebut mendiagonalisasi A. Dengan kata lain, jika
A adalah matriks nxn, maka pernyataan berikut berlaku: A dapat didiagonalisasi, dan A memiliki
vektor-vektor eigen yang tidak bergantung sama lain.

Contoh 4.6.
Tentukan sebuah matriks P yang mendiagonalisasi matriks

 3 2 0
 0
A=  2 3 

 0 0 5


Jawab:
Dari contoh soal 5, nilai-nilai eigen adalah =1 dan =5, sehingga didapat vektor eigen untuk nilai-
nilai eigen tersebut:

 1 0 1
 1
P=  1 0 

0 1 0


Bilamana diperiksa apakah P-1AP adalah matriks diagonal:

 1 1 
 2 2
0  3 2 0   1 0 1
  
P AP   0
1
0 1   2 3 0  1 0 1
 1 1 
 0   0 0 5   0 1 0 
 2 2 
5 0 0
 
 0 5 0
0 0 1 

Dimana elemen-elemen diagonalnya adalah semua nilai-nilai eigen. Urutan penempatan vektor-vektor
eigen untuk masing-masing nilai eigen dalam P tidak jadi masalah, sehingga jika P adalah:
Bab 4. Vektor dan nilai eigen 81

 1 1 0
 0
P=  1 1 ,

0 0 1

maka
5 0 0
 0
P AP = 0
-1 1 

0 0 5


dimana urutan vektor eigen hanya mempengaruhi urutan nilai eigen dalam matriks diagonal tersebut.


Contoh 4.7.
Perhatikan bahwa matriks:

2 1 0
A  3 2 0 
0 0 4

memiliki 3 nilai eigen yang berbeda yaitu = 4, =2+3, =2-3. Sehingga A terdiagonalisasi
dengan:

4 0 0 
P AP  0
1
2 3 0 
0 0 2  3 

untuk matrik P tertentu yang invertibel.



4.4 Diagonalisasi orthogonal: Matriks simetris

Sebuah matriks A disebut terdiagonalisasi secara orthogonal jika ada sebuah matriks P yang
orthogonal sehingga bahwa P-1AP (=PtAP) adalah diagonal; matriks P disebut mendiagonalisasi A
secara orthogonal.

Ada dua pertanyaan yang perlu dipertimbangkan. Pertama, matriks-matriks mana saja yang
terdiagonalisasi secara orthogonal; dan kedua, bagaimana menentukan matriks P untuk melakukan
diagonalisasi orthogonal sebuah matriks yang terdiagonalisasi secara orthogonal? Perhatikan teorema
berikut:

Teorema: Jika A matriks nxn, maka pernyataan berikut ekuivalen.

(a) A terdiagonalisasi secara orthogonal.
(b) A memiliki sekumpulan n vektor-vektor eigen yang orthonormal.

Matriks yang terdiagonalisasi secara orthogonal, maka matriks tersebut memiliki sifat: A=A t. Maka
matriks A disebut simetris. Perhatikan teorema berikut:

Teorema: Jika A adalah matriks nxn, maka pernyataan berikut ekuivalen.

(a) A terdiagonalisasi secara orthogonal.
(b) A simetris.

Jika A matriks simetris, maka vektor-vektor eigen dari ruang eigen yang berbeda akan orthogonal.
Bab 4. Vektor dan nilai eigen 82

Contoh matriks yang simetris adalah

 1 4 5
A    4 3 0
 5 0 7

Berikut ini adalah prosedur untuk mendiagonalisasi sebuah matriks simetris secara orthogonal:
Langkah 1: Tentukan basis untuk masing-masing ruang eigen dari A.
Langkah 2: Terapkan proses Gram-Schmidt untuk masing-masing basis tersebut untuk mendapatkan
basis orthonormal untuk masing-masing ruang eigen.
Langkah 3: Bentuk matriks P yang kolom-kolomnya merupakan basis vektor yang dibentuk pada
langkah 2; matriks ini mendiagonalisasi A secara orthonormal.


Contoh 4.8.
Tentukan sebuah matriks orthonormal P yang mendiagonalisasi matriks

4 2 2
A   2 4 2
 2 2 4

Jawab:
Persamaan karakteristik dari A adalah

  4 2 2 
  2  =(-2)2(-8)=0
det(I-A)=det   2 4
  2 2   4 

Sehingga nilai-nilai eigen dari A adalah =2 dan =8. Basis ruang eigen untuk nilai eigen =2 adalah

 1  1
u1   1    
dan 2  0 
u
 0   1 

Dengan menerapkan proses Gram-Schmidt bagi {u1,u2} didapat vektor-vektor eigen yang orthonormal
(lihat catatan tambahan berikut untuk proses Gram-Schmidt)

 1 


1 
  
 2  6
v1  
1   1 
dan v 2  
 2   6
 0   2 
   
 
 6 

Ruang eigen berhubungan dengan nilai eigen =8 adalah

Bab 4. Vektor dan nilai eigen 83

1
u3  1
1

Dengan menerapkan proses Gram-Schmidt bagi u3 dihasilkan

 1 
 
 3
1 
v 3  
3
 
 1 
 3 

Akhirnya, dengan menggunakan v1, v2, dan v3, sebagai vektor-vektor kolom kita peroleh

 1 1 1 
  
 2 6 3
1 1 1 
P 
 2 6 3
 2 1 
 0 
 6 3 

dimana P mendiagonalisasi A secara orthogonal. Untuk memeriksanya kita dapat memeriksa bahwa
PtAP adalah matriks diagonal.


Catatan Tambahan. Basis orthonormal

(Proses Gram-Schmidt)

Sekumpulan vektor inner product space disebut himpunan orthogonal jika semua pasangan dengan
vektor-vektor yang berbeda dalam himpunan itu adalah orthogonal. Sebuah himpunan orthogonal
dimana masing-masing vektor memiliki normalitas (magnitudo) 1 disebut orthonormal.

Langkah-langkah untuk menentukan basis orthonormal:

Langkah 1: Misalkan v1 = u1/|u1|. Vektor v1 memiliki norm 1.
Langkah 2: Bentuk vektor v2 dengan norm 1 yang orthogonal kepada v1, dengan cara:

u2  projw1u2 u   u2, v1  v1
v2   2
| u2  projw1u2 | | u2   u2, v1  v1 |

u2-projw1u2
u2
v2
w1
v1 projw1u2

Langkah 3: Membentuk vektor v3 dengan norm 1 yang orthogonal pada v1 dan v2 dengan cara:
Bab 4. Vektor dan nilai eigen 84

u3  proj w2u3 u   u3 , v1  v1   u3 , v2  v2
v3   3
| u3  proj w2u3 | | u3   u3 , v1  v1   u3 , v2  v2 |

u3-projw2u3

u3
V3

v2

v1

projw2u3

Contoh soal: Gunakan proses Gram-Schmidt untuk mentransformasi vektor u1=(1,1,1), u2=(0,1,1),
u3=(0,0,1) ke dalam basis orthonormal.

Langkah 1:
u1 (1,1,1)  1 1 1 
v1     , , 
| u1 | 3  3 3 3
Langkah 2:

u2-projww1u2=u2-<u2,v1>v1

2  1 1 1   2 1 1
= (0,1,1)-  , ,     , , 
3 3 3 3   3 3 3

Sehingga

u2   u2, v1)v1 3  2 1 1  2 1 1 
v2=    , ,     , , 
| u2   u2, v1)v1 | 6 3 3 3  6 6 6 

Langkah 3:
u3-projw2u3=u3-<u3,v1>v1-<u3,v2>v2
1  1 1 1  1  2 1 1 
 (0,0,1)   , ,     , , 
3 3 3 3 6 6 6 6 
 1 1
  0, , 
 2 2
Sehingga

u3  proj w 2u3  1 1  1 1 
v3 =  2  0, ,    0, , 
| u3  proj w 2u3 |  2 2  2 2

Sehingga:
Bab 4. Vektor dan nilai eigen 85

 1 1 1 
v 1   , , ,
 3 3 3
 2 1 1 
v 2    , , ,
 6 6 6 
 1 1 
v 3   0, , 

 2 2

membentuk basis orthonormal untuk R3.

----------------------------------------------------------------------------------

Teorema:
(a) Persamaan karakteristik dari matriks simetris A hanya memiliki akar-akar real.
(b) Jika sebuah nilai eigen  dari matriks simetris A diulangi k kali sebagai akar dari persamaan
karakteristik, maka ruang eigen (eigenspace) berhubungan dengan  adalah dimensi-k.


Contoh 4.9.
Persamaan karakteristik dari matriks simetris

3 1 0 0 0
 
1 3 0 0 0
A  0 0 2 1 1
 
0 0 1 2 1
0 0 1 1 2

adalah (-4)2(-1)2(-2)=0, sehingga nilai-nilai eigen adalah =4, =1, dan =2, dimana =4 dan =1
berulang dua kali dan =2 hanya satu kali. Sehingga ruang eigen berhubungan dengan =4 dan =1
memiliki dimensi-2 dan ruang eigen berhubungan dengan =1 adalah dimensi-1.


Ringkasan Bab Ini

Jika A adalah matriks nxn, maka vektor x bukan nol dalam R n disebut sebuah vektor eigen dari A
jika Ax adalah perkalian skalar dari x; yaitu Ax=x untuk beberapa nilai skalar . Skalar  disebut
nilai eigen dari A dan x adalah vektor eigen berhubungan dengan nilai .

Jika A adalah matriks nxn, maka hal-hal berikut benar (a)  adalah nilai eigen dari A, (b) Sistim
persamaan (I-A)x=0 memiliki solusi nontrivial, (c) Ada vektor x bukan nol dalam R n sehingga
Ax=x, (d)  adalah solusi real dari persamaan karakteristik det(I-A)=0.

Matriks bujursangkar A disebut terdiagonalisasi jika ada sebuah matriks P yang invertibel sehingga
P-1AP adalah diagonal; matriks P disebut mendiagonalisasi A.

Jika A adalah matriks nxn, maka pernyataan berikut ekuivalen: (a) A terdiagonalisasi, (b) A
memiliki vektor vektor eigen bebas secara linier.
Bab 4. Vektor dan nilai eigen 86

Matriks bujursangkar A disebut terdiagonalisasi orthogonal jika ada matriks P orthogonal sehingga
P-1AP (PtAP) adalah diagonal; matriks P disebut mendiagonalisasi A secara orthogonal.

Jika A adalah matriks nxn, maka pernyataan berikut ekuivalen: (a) A terdiagonalisasi secara
orthogonal, (b) A memiliki himpunan orthonormal dari n vektor eigen.

Soal-soal latihan

1. Tentukan persamaan karakteristik untuk matriks-matriks berikut:

3 0 10  9
(a)   (b)  
8  1 4  2
0 3  2  7
(c)   (d)  
4 0  1 2 
0 0 1 0
(e)   (f)  
0 0  0 1

2. Tentukan nilai-nilai eigen dari matriks soal nomor 1.

3. Tentukan basis untuk ruang eigen dari matriks pada soal 1.

4. Tentukan persamaan karakteristik dari matriks-matriks berikut.

 4 0 1  3 0  5
   
(a)  2 1 0 (b) 1 / 5 1 0 
 2 0 1  1 1  2

 2 0 1  1 0 1
   
(c)  6 2 0  (d)   1 3 0
 19 5  4 
 4 13  1


 5 0 1 5 6 2 
   
(e)  1 1 0 (f) 0 1  8
 7 1 0 
1 0  2


5. Tentukan nilai-nilai eigen dari matriks-matriks pada soal 4.

6. Tentukan basis untuk ruang eigen dari matriks-matriks pada soal 4.

7. Tentukan persamaan karakteristik dari matriks-matriks berikut.

0 0 2 0 10 9 0 0 
   
1 0 1 0 4 2 0 0 
(a)  (b) 
0 1 2 0 0 0 2  7
   
0 0 0  1 0 0 1 2 

8. Tentukan nilai-nilai eigen untuk matriks-matriks pada soal 7.

Bab 4. Vektor dan nilai eigen 87

9. Tentukan basis untuk ruang eigen untuk matriks-matriks soal 7.

10. Buktikan bahwa =0 adalah nilai eigen dari matriks A jika dan hanya jika A tidak invertibel.

11. Buktikan bahwa bagian konstanta dalam polinomial karakteristik dari matriks A nxn adalah (-
1)ndet(A). (Petunjuk: bagian konstanta adalah nilai dari polinomial karakteristik bilamana =0.)

12. Tunjukkan bahwa jika  adalah nilai eigen matriks A, maka 2 adalah nilai eigen dari matriks A 2;
atau lebih umum, tunjukkan bahwa n adalah nilai eigen dari An jika n adalah positif integer.

13. Gunakan hasil dari soal 11 dan 12 untuk menentukan nilai-nilai eigen dari A 9, dimana

1 3 7 11
 
0 1 3 8
A 
0 0 2 4
 
0 0 0 2

14. Tunjukkan bahwa matriks-matriks berikut tidak terdiagonalisasi.

3 0 0
2 0 2  3  
(a)   (b)   (c) 0 2 0
1 2 1  1
0 1 2

1 0 1
 
(d)   1 3 0

 4 13  1


15. Untuk matriks-matriks berikut, tentukan matriks P yang mendiagonalisasi A.

  14 12 1 0
(a)   (b)  
  20 17 6  1

1 0 0 2 0  2
   
(c) 0 1 1 (d) 0 3 0 
0 1 1 0 0 3 

16. Tentukanlah apakah matriks-matriks berikut dapat didiagonalisasi.

19 9  6 1 4  2
   
(a) 25  11  9  (b)   3 4 0 
17 9  4   3 1 3 

5 0 0
 
(c)  1 5 0
0 1 5

17. Misalkan A adalah matriks nxn dan P adalah matriks nxn yang invertibel. Tunjukkan:
(a) (P-1AP)2=P-1A2P
(b) (P-1AP)k=P-1AkP (k adalah integer positif)
Bab 4. Vektor dan nilai eigen 88

18. Berdasarkan soal 17, gunakan fakta itu untuk menolong menghitung A 10, dimana

 1 0
A  
  1 3

(sebagai petunjuk: Tentukan matriks P yang mendiagonalisasi A dan hitung (P -1AP)10.)

a b
19. Misalkan A    , tunjukkan bahwa:
c  d
(a) A terdiagonalisasi jika (a-d)2+4bc>0
(b) A tidak terdiagonalisasi jika (a-d)2+4bc<0.

20. Gunakan teorema yang ada untuk menentukan dimensi dari eigenspaces dari matriks-matriks
simetris berikut.

1 1 1
1 1  
(a)   (b) 1 1 1
1 1
 1
1 1 

 1 4 2  8 0 0
   
(c)   4 1  2 (d) 0 3 3
 2 2  2 0 3 3

4 4 0 0  10 / 3 4/3 0  4 / 3
   
4 4 0 0 4/3 5/3 0 1/ 3 
(e)  (f) 
0 0 0 0 0 0 2 0 
   
0 0 0 0  4 / 3 1/ 3 0  5 / 3

21. Tentukan matriks P yang mendiagonalisasi A secara orthogonal untuk matriks-matriks A berikut,
dan tentukan P-1AP.

3 1  7 24 
(a)   (b)  
1 3  24 7

 2 0  36 
 5 3 3  
(c)   (c)  0 3 0 
3 3  1 
  36 0  23

1 1 0 2 1  1
   
(d)  1 1 0 (e)  1 2  1
0 0 0 
 1 1 2 

3 1 0 0  5 2 0 0 
   
1 3 0 0 2 2 0 0 
(f)  (g) 
0 0 0 0 0 0 5  2
   
0 0 0 0  0 0 2 2 

22. Tentukan sebuah matriks yang mendiagonalisasi matriks berikut secara orthogonal
Bab 4. Vektor dan nilai eigen 89

a b
 
b a

dimana b0.