Laporan Awal Praktikum

Algoritma dan Pemrograman

AKN - 4
NILAI DAN VEKTOR EIGEN

Nama : Wahib Al-Gifari

FISIKA
NPM : 140310200041
Hari/Tanggal : Selasa, 30 Maret 2021
Waktu : 07.30-12.30
Asisten : Mohammad Fauzi

LABORATORIUM KOMPUTASI
DEPARTEMEN FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
2021
 LEMBAR PENGESAHAN

AKN - 4

NILAI DAN VEKTOR EIGEN

Nama : Wahib Al-Gifari

NPM : 140310200041
Hari / Tanggal : Selasa, 30 Maret 2021
Waktu / Sesi : 07.30-12.30
Asisten : Mohammad Fauzi

Laporan Awal Presentasi Praktikum Laporan Akhir

Bandung, 30 Maret 2021

Asisten

( )
 Nilai dan Vektor Eigen
Selasa, 30 Maret 2021

I. Tujuan Praktikum
Praktikan diharapkan mampu menghitung nilai dan vektor eigen dari suatu
matriks bujursangkar menggunakan metode pangkat (Power Method) dan metode
pangkat inversi (Invers Power Method).

II. Teori Dasar

1) Nilai Eigen dan Vektor Eigen
Nilai Eigen (Eigen Value) atau nilai karakteristik adalah suatu istilah
berupa nilai skalar (λ) dari suatu matriks persegi (n × n) yang memenuhi
definisi tertentu. Jika matriks persegi tersebut adalah A, maka dapat
dimasukkan ke dalam persamaan (4)
Av=λv (1 )
Av=λIv ( 2 )
Av−λIv=0 ( 3 )
( A−λI ) v=0 ( v ≠ 0 ) ( 4 )
Dengan ( λ , v) disebut sebagai pasangan eigen dan ada sejumlah n
pasangan eigen dari matriks persegi n × n.
Agar λ dapat menjadi nilai eigen, harus terdapat satu solusi tak nol dari
persamaan (4). Persamaan tersebut memiliki solusi tak nol jika dan hanya jika
matriks [ A−λI ] bersifat singular atau
det ( A−λI )=0(5)
Persamaan diatas disebut sebagai persamaan karakteristik dari matriks
A, skalar-skalar yang memenuhi persamaan ini adalah nilai-nilai eigen dari
matriks A. Persamaan karakteristik di atas juga bisa dituliskan :
detλI −A=0(6)
Apabila diperluas lagi, persamaan (5) atau (6) adalah sebuah
polinomial p dalam variabel λ yang disebut sebagai polinomial karakteristik
dari matriks A.
 Hal yang pertama kali harus dilakukan untuk menghitung nilai eigen λ i
adalah menemukan solusi dari persamaan karakteristik seperti pada persamaan
berikut :
| A−λI |=λ N + a N−1 λN −1+ …+a1 λ+ a0=0 ( 7 )
Lalu substitusikan nilai λ i , satu per satu, ke dalam persamaan (4)
untuk menentukan vektor eigen vi .
Jika A adalah sebuah matriks segitiga (atas/bawah) atau matriks
diagonal, maka nilai-nilai eigen dari A adalah entri-entri yang terletak pada
diagonal utama matriks A.
Selain itu, ada vektor eigen (eigen vector) adalah suatu istilah berupa
vector (v) di Rn atau bukan nol yang kelipatannya merupakan perkalian
dengan suatu matriks persegi (n × n) dan memenuhi definisi tertentu.
Vektor-vektor eigen matriks A yang terkait dengan suatu nilai eigen λ
adalah vektor-vektor tak nol yang memenuhi persamaan (1). Dengan kata lain,
vektor-vektor eigen yang terkait dengan λ adalah vektor-vektor di dalam ruang
solusi ( A−λI ) v=0. Ruang solusi ini disebut sebagai ruang eigen dari matriks
A yang terkait dengan λ.

2) Metode Pangkat (Power Method)

Metode pangkat adalah suatu pendekatan iteratif untuk menentukan
nilai eigen dominan. Misalkan diketahui vektor A berukuran n × n dan dapat
didiagonalkan. Misalkan pula λ 1 , λ2 , … , λn adalah nilai eigen dari A yang
memenuhi hubungan :
|λ 1|>|λ2|≥ … ≥| λn|>0 (8)
Karena A dapat didiagonalkan, terdapat vektor eigen v1, v, ..., vn yang
masing-masing berkaitan dengan nilai eigen λ 1 , λ2 , … , λn dan membentuk
basis di Rn. Maka ada suatu vektor v yang dapat dituliskan sebagai
penjumlahan dari vektor-vektor eigen tersebut
N
v=c 1 v 1+ c 2 v2 + …+ c N v N =∑ c i v i (9)
i=0
 Dengan mengalikan kedua sisi persamaan (9) dengan
A1 , A 2 , A3 , … , A x dan menggunakan Avi =λi v i ,i =1, 2 , … , N , kita bisa peroleh
persamaan (10).
N
A v= y =∑ c i λki v i ( 10 )
k (k )

i=1

Faktorkan nilai eigen terbesar λ k keluar

λ1 k
x
A v= y = A (k)
λ2 1
v (11)k
1 ( )
λ1 k
Tetapi karena |λ 1|>¿ λn∨¿ untuk i = 1, 2, ..., N, jika k →∞ maka
λ2
→0 dan persamaan (11) berubah menjadi persamaan (12)
A x v= y (k)= A1k c 1 v 1 (12)
Pada persamaan (12) dengan menggunakan c1 = 1, dapat diekspresikan
c1v1 = v1, sehingga diperoleh untuk nilai salah satu vektor eigen
A(k) v 1= y (k)=λ k1 v 1 (13)
Setelah y(k) dihitung, λ k1 diambil dari nilai elemen terbesar vektor y(k)
sehingaa v1 akan mempunyai sebuah elemen unitas. Proses ini terus diulang
hingga memenuhi kondisi rasio perbedaan nilai eigen lebih kecil dari toleransi
yang diinginkan sesuai dengan persamaan (14).
y k+1
λ 1= < ε (14)
yk

3) Metode Pangkat Inversi (Invers Method)

Metode pangkat inversi bertujuan untuk menentukan nilai eigen
terkecil dengan menerapkan metode pangkat pada matriks A-1. Metode ini
digunakan pada kasus dimana matriks A bersifat non singular dan tidak
memiliki nilai eigen bernilai nol.
Av=λv (15 )
A−1 v =λ−1 v ( 16 )
Ini berarti bahwa matriks invers A-1 memiliki nilai-nilai eigen yang
merupakan kebalikan dari nilai-nilai eigen matriks A.
1
λN = (17)
Nilai Eigen terbesar dari invers matriks A
 4) Spectral Radius
Spectral Radius ρ( A) dari matriks A definisikan dengan persamaan (18)
ρ ( A )=max|λ|(18)

III. Tugas Pendahuluan

1) Buatlah algoritma pemrograman untuk metode pangkat dan metode pangkat
inversi.
Jawab :
a) Metode pangkat (Power Method)
Langkah-langkah :
1. Mulai
2. Input Matriks A
3. Cari nilai y k , dengan persamaan Ak v = y k
4. Membagi elemen yk dengan nilai terbesar ( λ¿ ¿1¿¿ k)¿ ¿ dengan
persamaan y k = λ1k v k
y k+1
5. Apakah λ 1= < e?
yk
6. Jika Iya, maka program akan selesai
7. Jika tidak, maka program akan kembali ke langkah ke-3
b) Metode pangkat inversi (Invers Power Method)
1. Mulai
2. Input matriks A
3. Input matriks A, dengan persamaan A = A-1
4. Lalu cari nilai y, dengan persamaan A-1v = y
5. Membagi setiap elemen y dengan nilai terbesar ( λ 1), dengan
persamaan y= λ−1 v
1
6. Apakah λ N = ?
Nilai eigen terbesar dari A−1
7. Jika iya, maka program akan selesai
8. Jika tidak, maka program akan kembali ke langkah ke-4
2) Bagaimana pengaruh nilai eigen terhadap suatu vektor? Jelaskan dan beri
contoh ilustrasinya.
Jawab : Nilai eigen yang berpengaruh pada transformasi yang dialami oleh
vektornya, terkadang kita bisa meningkatkan atau mengurangii panjang dari
vektor. Sehingga terciptanya vektor-vektor basis yang baru.
3) Buatlah program dengan menggunakan bahasa Python untuk mencari invers
dari sebuah matriks 3×3.
Jawab :
Listing program
baris1=[-8,-1,-3]
baris2=[6,-9,6]
baris3=[7,8,3]

print(baris1)
print(baris2)
print(baris3)

det = (baris1[0]*baris2[1]*baris3[2] +
baris1[1]*baris2[2]*baris3[0] + baris1[2]*baris2[0]*baris3[1]
- baris3[0]*baris2[1]*baris1[2] -
baris3[1]*baris2[2]*baris1[0] -
baris3[2]*baris2[0]*baris1[1])
print("Hasil Determinan Matriks:",det)

a11 = baris2[1]*baris3[2] - baris2[2]*baris3[1]

a12 = (-1*((baris2[0]*baris3[2]) - (baris2[2]*baris3[0])))
a13 = baris2[0]*baris3[1] - baris2[1]*baris3[0]

a21 = (-1*((baris1[1]*baris3[2]) - (baris1[2]*baris3[1])))

a22 = baris1[0]*baris3[2] - baris1[2]*baris3[0]
a23 = (-1*((baris1[0]*baris3[1]) - (baris1[1]*baris3[0])))

a31 = baris1[1]*baris2[2] - baris1[2]*baris2[1]

a32 = (-1*((baris1[0]*baris2[2]) - (baris1[2]*baris2[0])))
a33 = baris1[0]*baris2[1] - baris1[1]*baris2[0]

if det==0:
print("\nMatriks tidak bisa di Invers jika Determinan 0")
else:
print("\nHasil Invers Matriks:")
print("|",1/det*a11,1/det*a21,1/det*a31,"|")
print("|",1/det*a12,1/det*a22,1/det*a32,"|")
print("|",1/det*a13,1/det*a23,1/det*a33,"|")
Tampilan program
4) Hitung nilai dan vektor eigen dari semua matriks yang terdapat pada bagian
percobaan secara analitik menggunakan bantuan persamaan karakteristik.
Jawab :
4 1 0
a) A=
[
0 2 1
0 1 −1 ]
4 1 0 1 0 0

[
A−λI = 0 2 1 −λ 0 1 0
0 1 −1 0 0 1 ][ ]
4−λ 1 0

[
¿ 0
0
2−λ
1
1
−1−λ ]
Cari determinan dari Matriks eigen :
4−λ 1 0
det ( A−λI )=det
[ 0
0
2−λ
1
1
−1−λ ]
¿−λ3 +5 λ2 −λ−12
Faktorkan fungsi :
−λ 3+5 λ 2−λ−12=0
−( λ−4 ) ( λ2− λ−3 )=0
Gunakan persamaan abc
−b ± √b 2−4 ac
λ=
2a
−1± √(−1)2−4 (1)(−3)
¿
2(1)
1 1
λ = 4 ; λ = (1+ √ 13) ; λ= (1−√ 13)
2 2
Masukkan ke dalam matriks eigen
 −17+5 √ 13 17+5 √ 13
1
()
0
0
,
( )( )
18
3+ √ 13
2
1
,
18
3−√ 13
2
1

3 −1 0

[
b) A= −2 4 −3
0 −1 1 ]
3 −1 0 1 0 0

[
A−λI = −2 4 −3 −λ 0 1 0
0 −1 1 0 0 1 ][ ]
Cari determinan dari Matriks eigen :
3−λ −1 0
( )
0 [
det A−λI =det −2 4−λ −3
−1 1−λ ]
¿−λ3 +8 λ 2−14 λ+1
Faktorkan fungsi :
−λ 3+ 8 λ2−14 λ +1=0
−( λ−3 ) ( λ2 −5 λ+1 )=0
Gunakan persamaan abc
−b ± √b 2−4 ac
λ=
2a
5 ± √ (−5)2−4(1)(1)
λ=
2(1)
1 1
λ = 3 ; λ= (5+ √21) ; λ= (5−√ 21)
2 2

20 −4 8

[
c) A= −40 8 −20
−60 12 −26 ]
 20 −4 8 1 0 0

[
A−λI = −40 8 −20 −λ 0 1 0
−60 12 −26 0 0 1 ][ ]
20−λ −4 8

[
¿ −40 8− λ
−60
−20
12 −26−λ ]
Cari determinan dari Matriks eigen :
20−λ −4 8

[
det ( A−λI )=det −40 8− λ
−60
−20
12 −26−λ ]
¿−λ3 +2 λ2 +8 λ
Faktorkan fungsi :
−λ 3+2 λ 2+ 8 λ=0
−λ ( λ+ 2 )( λ−4 )=0
λ = 0 , λ = -2 , λ = 4
Masukkan ke dalam matriks eigen
1 0 −1
( )( )( )
5 , 2 , 0
0 1 2

5) Jelaskan apa yang dimaksud dengan trace matriks. Bagaimana hubungan

antara trace matriks dan determinan matriks pada kasus matriks tertentu.
Jawab : Trace matriks adalah penjumlahan elemen-elemen pada diagonal
utama matriks. Trace dari matriks berpangkat sering digunakan pada beberapa
bidang di matematika.
IV. Algoritma Program
1) Flowchart Metode Pangkat (Power Method)
2) Flowchart Metode Pangkat Inversi (Invers Power Method)
V. Daftar Pustaka
Hidayat, Sahrul. 2020. Modul Praktikum Algoritma dan Komputasi Numerik
Modul 4. Departemen Fisika Universitas Padjadjaran. Jatinangor. Sumedang.
Karso, H. 2012. Nilai Eigen, Vektor Eigen dan Diagonalisasi Metriks. Universitas
Pendidikan Indonesia. Bandung.