MENYELESAIKAN SISTEM PERSAMAAN LINIER

MENGGUNAKAN ANALISIS SVD

Irdam Haidir Ahmad1 dan Lucia Ratnasari2

1,2
Jurusan Matematika, FMIPA UNDIP
Jl. Prof. H. Soedarto, S.H., Tembalang, Semarang

Abstract. Linear equation system, Ax = b, may be consistent or inconsistent. The approximate

solution of inconsistent of linear equation system can be determined. Gauss elimination or Gauss-
Jordan elimination can be used to determine the solution of the consistent of linear equation
system, but can’t for the inconsistent of linear equation system. Singular Value Decomposition
(SVD) is matrix factorization method that closely associated with the singular value of the matrix.
SVD analysis can be used to determined the orthonormal bases for the four fundamental subspaces
associated with matrix A. That bases can be used to compute thesolution of the consistent and
inconsistent of linear equation system.

Keywords: Linear Equation System, Singular Value Decomposition (SVD), orthonormal base,
singular value.

1. PENDAHULUAN matriks persegi maupun matriks yang tidak

Bentuk umum dari Sistem Persamaan
Linier (SPL) adalah :
Ax = b.
Metode yang biasa digunakan untuk
menyelesaikan SPL adalah Eliminasi
Gauss, Eliminasi Gauss-Jordan, aturan
Cramer, atau menggunakan invers matriks
koefisien, di mana solusinya diberikan
oleh:
x = A-1b.
Namun bila matriks A yang terbentuk
bukanlah matriks persegi atau det(A)=0,
maka aturan Cramer dan metode invers
matriks koefisien tidak dapat digunakan.
Kelemahan lain dari keempat metode di
atas adalah apabila SPL tersebut tidak
mempunyai pemecahan (tidak konsisten),
maka solusi dari SPL tersebut tidak dapat
ditentukan.
Untuk mengatasi kekurangan dari
metode-metode di atas, ada suatu metode
yang juga dapat digunakan untuk
menyelesaikan SPL. Metode tersebut
adalah dengan analisis Dekomposisi Nilai
Singular atau Singular Value
Decomposition (SVD). Dengan
menggunakan analisis SVD, solusi dari
persamaan selalu dapat dicari meskipun
matriks koefisien yang terbentuk bukanlah
mempunyai invers. Kelebihan lain dari
metode ini adalah solusi dari SPL tetap
dapat dicari meskipun SPL tersebut tidak
mempunyai pemecahan, dalam hal ini
solusi yang diperoleh adalah solusi
pendekatan terbaik.
2. SINGULAR VALUE
DECOMPOSITION (SVD)
Singular Value Decomposition atau
Dekomposisi Nilai Singular yang
selanjutnya ditulis dengan SVD adalah
suatu teknik yang digunakan secara luas
untuk mendekomposisikan suatu matriks
kedalam beberapa komponen matriks yang
berkaitan erat dengan nilai singular
darimatriksnya. Proses dekomposisi ini
sering juga disebut dengan Faktorisasi.
Dalam SVD, suatu matriks
difaktorkan menjadi tiga buah matriks, di
manasalah satu dari matriks tersebut
entrinya merupakan nilai singular dari
matriksnya. Berikut ini akan diberikan
definisi dari nilai singular.
Definisi 2.1[3] Diberikan matriks dengan
elemen-elemennya anggota himpunan
kompleks A∈Cmxn dengan rank(A) = r, di
manar ≤ min(m,n), nilai eigen dari matriks
AHA adalahߣ1 ≥ ߣ2 ≥ … ≥ ߣr>ߣr+1 = … =

40
Jurnal Matematika Vol. 13, No.1, April 2010:40-45

ߣn = 0 akar nilai eigen positif dari AHA σ 1 0 ⋯ 0 0

disebut dengan nilai singular (σ) dari 0 σ ⋯ 0 0 
matriks A dan dinyatakan dengan  2

∑=  ⋮ ⋮ ⋱ ⋮ ⋮ 
σi= λi , i = 1, 2, …, n (1)  
 0 0 ⋯ σ r −1 0 
Suatu matriks A yang berukuran mxn  0 0 ⋯ 0 σ r 
dan m ≥ n (asumsi ini hanya dibuat untuk b. MatriksV
memudahkan, semua hasil juga akan Misalkan V = [ v1 v2 … vr vr+1 … vn
berlakuj ikam<n) dengan rank(A) = r dan r ]. V adalah matriks uniter berukuran
≤ min(m,n),dapat difaktorkan kedalam nxn. Karena V adalah matriks uniter,
bentuk : maka vektor-vektor kolom dari V
A = USVH (2) membentuk himpunan ortonormal.
yang disebut dengan SVD dari matriks A, Vektor-vektor kolom dari matriks V
di mana : adalah vektor-vektor eigen dari
U = [ u1 u2 ... um ] adalah matriks matriks AHA. Agar vektor-vektor
uniter berukuran mxm kolom matriks V membentuk
V = [ v1 v2 ... vn ] adalah matriks unit himpunan ortonormal, maka vektor-
berberukuran nxn vektor eigen dari AHA tersebut
Σ 0  dinormalisasikan, yaitu :
S =  adalah matriks yang
 0 0 1
vi = xi
berukuran mxn, di mana ∑ adalah matriks xi
diagonal yang berukuran rxr. xi adalah vector eigen yang
Teorema 2.2 [6] Diberikan matriks A bersesuaian dengan nilai eigenߣi.
berukuran mxn yang mempunyai rank r Untuksetiap r+1 ≤ i ≤ n, vi akan
dan nilai singularnya adalah σ1 ≥ σ2 ≥ … ≥ membentuk basis ortonormal
σr. Jika terdapat matriks U, S, dan V maka untukN(A). Sedangkan untuk setiap 1
matriks A dapat difaktorkan kedalam ≤ i ≤ r ,vi akan membentuk basis
bentuk : ortonormal untukR(AH) dan himpunan
A = USVH {v1, v2, …, vn} membentuk basis
dimana U dan V adalah matriks uniter, S ortonormal untukCn.
Σ 0  c. MatriksU
=  , dengan ∑ adalahmatriks Misalkan U = [ u1 u2 … ur ur+1 …
 0 0
um ]
diagonal yang entrinya adalah nilai
U adalah matriks uniter berukuran
singular dari matriksA.
mxm. Basis ortonormal dari R(A)
Berikut ini akan diberikan
didefinisikan oleh: [4]
penjelasan tentang matriks U, S, danV.
1
a. MatriksS ui = Av i ,
Matriks S disebut matriks nilai σi
singular dari A karena entri diagonal untuk setiap ui dengan 1 ≤ i ≤ r, akan
dari matriks S diisi dengan nilai berada di dalam ruang kolom dari A.
singular dari A sedangkan entri selain Sedangkan untuk setiap ui dengan r+1
diagonalnya adalah nol. Matriks S ≤ i ≤ m akan membentuk basis
berukuran mxn dan mempunyai ortonormal untuk N(AH) dan himpunan
bentuk : {u1, u2, …, um} membentuk basis
Σ 0  ortonormal untuk Cm.
S=  , dengan
 0 0

41
Irdam Haidir Ahmad, Lucia Ratnasari(Menyelesaikan Sistem Persamaan Linier Menggunakan Analisis SVD)

Selanjutnya akan diperlihatkan • Menyusun matriks U

bahwa A = USVHAV = A (v1 1
ui = Av i
… vr vr+1 … vn ) σi
UHAV = UH A (v1 … vr vr+1 … vn )
= UH (Av1 .. Avr Avr+1 …Avn) i 6   
   0 
= UH (σ1u1 … σrur 0 … 0 )  3 
= (σ1UHu1 … σrUHur 0 … 0)  2 
makau1 =  6  danu =  ,
= (σ1e1 … σrer 0 … 0 )  6  2
 2 
UH AV =S  6 − 2 
AV = US    
 6   2 
atau dengan kata lain A = USVH.
i 6 
Contoh 2.3  0 
 3 
i i   6 2 
sehingga U * =
Diketahui matriks A = 0 1 , akan dicari  6 2 
 6 − 2
1 0  
SVD dari matriks A.  6 2 
Penyelesaian : matriks tersebut mempunyai ukuran
− i 0 1 2 1  3x2, padahal seharusnya berukuran
AH =   , maka AHA =   3x3. Agar berukuran 3x3, maka
 − i 1 0 1 2 matriks U* harus ditambahkan satu
Matriks A berukuran 3x2. Nilai eigen dari kolom lagi, di mana kolom tersebut
matriks AHA adalah ߣ1 = 3 dan ߣ2 = 1, saling ortonormal dengan vector kolom
vektor-vektor eigen yang bersesuaian lainnya. Misalnyadiambil
dengan nilai-nilai eigen tersebut adalah
−i
x1= [ 1 1 ]Tdan x2= [ -1 1 ]T.  
• Menyusun matriksS  3
1
Nilai singular dari matris A adalah u3=   , sehingga
 3
σ1 = λ1 = 3  1 
σ2 = λ 2 = 1 = 1  
 3
Matriks ∑ yang terbentuk adalah ∑ =
i 6 −i 
 3 0  0 
 3 0    3 3
  , maka S =  0 1
 6 2 1 
 0 1 0 0 U =
 
6 2 3 
• Menyusun matriks V  6 − 2 1 
1  6 2 3 
vi = xi 
xi Akhirnya didapatkan SVD dari matriks A,
 1   −1 yaitu :
 A = USVH
maka v1 =  2  dan v =  2
 
2
 1   1 
 2   2 
 1 −1 
 2 2 
sehingga V = 
 1 1 
 2 2 
42
Jurnal Matematika Vol. 13, No.1, April 2010:40-45

i 6 −i (i) Kasus A

 0  Untuk b∈R(A). Pada kasus ini,
 3 3  3 0 sistemmempunyai paling
 6 2 1   
A=   0 1
sedikitsatusolusi.Karenab∈R(A),maka

6 2 3  0 0 b = proy R ( A) b sehingga menurut
 6 − 2 1    persamaan (4) diperoleh persamaan :
 6 2 3 

r
b = ∑ b , uk uk
 1 1 
i i  k =1
 2 2  = 0 1 1
 Karena u k = Av k , maka
 −1 1    σk
1 0

 2 2  r
Avk
b = ∑ b , uk
k =1 σk
3. MENYELESAIKAN SPL operasi matriks bersifat linier, maka
MENGGUNAKAN ANALISIS SVD persamaan di atas dapat ditulis menjadi
Pada bagian ini, akan dijelaskan r
v
bagaimana analisis SVD dapat digunakan b = A ∑ b , uk k (5)
untuk menyelesaikan suatu SPL. Seperti k =1 σk
yang telah diketahui, suatu SPL dengan membandingkan persamaan (5)
mempunyai bentuk umum dengan persamaan (3), didapatkan
Ax = b (3) r b , uk
dimana A merupakan matriks koefisien x=∑ vk (6)
k =1 σk
yang akan dicari bentuk SVD-nya langkah-
langkah yang dilakukan untuk yang merupakan solusi dari SPL pada
menyelesaikan SPL menggunakan analisis persamaan (3). Tetapi, nilai solusi dari
SVD adalah : sistem linier bergantung pada ruang nol
Langkah 1 dari matriks A yaitu N(A).
Sehinggaadaduasubkasus, yaitu :
Dengan menggunakan analisis SVD dari
a. JikaN(A) = {0}, maka sistem linier
matriks A : Cn → Cm, akan didapatkan
mempunyai satu solusi (solusitunggal)
vektor {v1, v2, … , vr} dan vektor {vr+1,
di mana solusinya diberikan oleh
vr+2, … , vn} yang masing-masing
persamaan (6).
merupakan basis ortonormal
Untuk membuktikan ketunggalan dari
dari R(AH) dan N(A), serta vektor {u1, u2,
solusinya, akan dibuktikan dengan
… , ur} danvektor {ur+1, ur+2, … , um} yang
menggunakan kontradiksi.
masing-masing merupakan basis
H Misalkan terdapat solusi lain dari
ortonormal dari R(A) dan N(A ).
persamaan (3) yaitu x*, maka Ax = b
Langkah 2
dan Ax* = b kedua-duanya bernilai
Suatu SPL akan konsisten jika dan hanya
benar. Dengan mengurangkan
jika b berada dalam R(A). Untuk
keduanya, akan didapatkan
mengetahui bahwa b berada dalam R(A),
A(x – x*) = Ax – Ax* = b – b = 0
maka akan diuji apakah b sama dengan
Karena N(A) = {0}, maka berlaku A0 =
proyeksi b pada R(A), di mana R(A)
0. Hal ini berarti x – x* = 0 atau x = x*,
direntang oleh vektor {u1, u2,… , ur}.
dengan kata lain solusinya adalah
Proyeksi b pada R(A) diberikan oleh
tunggal.
persamaan di bawah ini :
r b. Jika N(A) ≠ {0}, maka sistem linier
proy R ( A) b = ∑ b , u k u k (4) mempunyai tak terhingga banyaknya
k =1 solusi dan solusinya diberikan oleh :
Berdasarkan pengujian di atas akan
diperoleh dua kasus, yaitu :
43
Irdam Haidir Ahmad, Lucia Ratnasari(Menyelesaikan Sistem Persamaan Linier Menggunakan Analisis SVD)

r b , uk n xr disebut sebagai solusi pendekatan

xinf = ∑ vk + ∑ µ k vk (7) terbaik, artinya jika Axr = br, maka br
k =1 σk k = r +1
adalah vektor di R(A) yang terdekat dengan
yang diperoleh dari : b. Sehingga vektor (b – br) akan tegak
Setiap solusi umum dari SPL dapat lurus dengan setiap vektor di R(A)
dinyatakan dengan X = x + xN, di mana termasuk vektor yang merentang R(A)
xN∈N(A). Pada subkasus a, N(A) = {0} yaitu vektor-vektor ui dengan 1 ≤ i ≤ r, ui
sehingga X = x. Namun karena pada adalah vektor yang ortonormal, maka
kasus ini N(A) ≠ {0}, maka terdapat berlaku:
titik xN∈N(A) sedemikian sehingga AxN (b − br ), ui = (b − Axr ), ui
= 0. Jadi, solusi umum untuk kasus ini
adalah X = x + xN, atau di sini   r b , uk 
= b − A  ∑ vk   , ui
dinotasikan dengan  
xinf = x + xN. (8)   k =1 σ k 
Dengan demikian, untuk setiap titik-
titiknyaberlaku  r
b , uk 
A(xinf) = A(x + xN) = Ax + AxN = b + 0 = b − ∑ Avk  , ui
 k =1 σk 
= b.
Setiap titik-titik xN dapat dinyatakan  r b , uk 
sebagai kombinasi linier dari vektor =  b − ∑ σ k u k  , u i
 k =1 σk 
basis.Karena {vr+1, vr+2, … ,vn}
merupakan basis untuk N(A), maka xN  r

dapat dinyatakan dengan =  b − ∑ b , u k u k  , ui
n
 k =1 
xN = ∑µ
k = r +1
k vk (9) r
= b , ui − ∑ b , u k u k , ui
k =1
sebelumnya telah diketahui bahwa
r b , uk = b , u i − b , ui = 0
x=∑ vk Hal ini menunjukkan bahwa (b – Axr)
k =1 σk
adalah tegaklurus dengan setiap vektor di
sehingga xinf = x + xN dapat dinyatakan R(A) danpersamaan (10) merupakan solusi
dengan pendekatan terbaik.
r b , uk n
Contoh 3.1
xinf = ∑ v k + ∑ µ k v k , untuk
k =1 σk k = r +1  x1 + x 2 = 3
suatu µk∈ C 
Diketahuisuatu SPL − 2x1 + 3x 2 = 1
(ii) Kasus B

Untuk b∉R(A). Pada kasus ini system  2x1 − x 2 = 2
tidak mempunyai solusi, sehingga hanya SPL tersebut akan dicari solusinya.
bisa dihitung pendekatan terbaik dari Penyelesaian :
solusinya. Dalam hal ini, solusi pendekatan Dari SPL tersebut, dapat disusun menjadi
terbaik tersebut adalah vekor xr sehingga Ax = b, yaitu ;
Axr = br ,
1 1 3
Dimana brdi dalamR(A), dan br adalah  − 2 3   x 1  = 1 
vektor yang terdekat dengan b. Solusi   x   
pendekatan terbaik pada kasus ini  2 − 1  2  2
diberikan juga oleh persamaan (6), yaitu MatriksU, S, danV yang terbentuk adalah
b , uk 0.0243 − 0.8243 − 0.5657 
r
xr = ∑ vk
k =1 σk U = 0.8657 − 0.2657 0.4243  ,
(10)  − 0.5 − 0.5 0.7071 
44
Jurnal Matematika Vol. 13, No.1, April 2010:40-45

4.1317 0  1.66
 =  
S= 0 1.7114 1.42
 0 0  Jadi solusi pendekatan terbaik dari SPL ini
adalah : x1 = 1.66 dan x2 = 1.42.
− 0.6552 − 0.7555
V = 
 0.7555 − 0.6552 4. KESIMPULAN
Dari matriks-matriks di atas, dapat Berdasarkan pembahasan ini dapat
ditentukan basis-basis ortonormal untuk disimpulkan bahwa suatu SPL Ax = b akan
R(A), R(AH), N(A), dan N(AH), yaitu : konsisten jika dan hanya jika proyeksi b
Basis dari R(A) : {u1, u2} = pada R(A) sama dengan b. Selain itu,
 0.0243   − 0.8243   berdasarkan SVD dari matriks A, dapat
    diketahui basis-basis untuk R(A), R(AH),
 0.8657  ,  − 0.2657   N(A), dan N(AH) sehingga setiap SPL dapat
 − 0.5   − 0.5  
    dicari solusinya dengan menggunakan
Basis dari R(AH) : {v1, v2} = analisis SVD dengan mudah.
 − 0.6552   − 0.7555 
  ,   5. DAFTAR PUSTAKA
 0.7555   − 0.6552  [1] Akritas, A. G., G. I. Malaschonok,
Basis dari N(A) : {v3} = { } and P. S. Vigklas, (2006), The SVD-
 − 0.5657  Fundamental Theorem of Linear
H   Algebra, Nonlinear Analysis
Basis dari N(A ) : {u3} =  0.4243  :Modelling and Control.
 0.7071 
  (www.lana.lt, diakses tanggal 14
Sekarang akan ditentukan apakah b sama Februari2009).
dengan proyeksi b pada R(A). [2] Clark, David, (2007), A Note On The
2 Pseudoinverse.
proy R ( A) b = ∑ b , u k u k (www.farinhansford.com,
k =1
diaksestanggal 13 April 2009).
= b , u1 u1 + b , u 2 u 2 [3] http://himatika.fmipa.ugm.ac.id,
− 0.0015 3.08159 Dekomposisi Matriks. (diakses
tanggal 14 Februari 2009).
= − 0.0533 +  0.9933 
    [4] Kalman, Dan, (2002), A Singularly
 0.0308   1.8692  Valuable Decomposition : The SVD
of a Matrix, The American
3.08
University, Washington, DC.
= 0.94 (www.math.umn.edu, diakses
 1.9  tanggal 28 Februari 2009).
Berdasarkan perhitungan tersebut [5] Leon, Steven J., (2005). Aljabar
diperoleh proy R ( A) b ≠ b = ( 3, 1, 2 ) Linear dan Aplikasinya, edisi kelima,
Erlangga, Jakarta.
Karena proy R ( A) b ≠ b , berarti b∉R(A). Hal [6] Nicholson, W. Keith, (2001),
tersebut menandakan SPL ini tidak Elementary Linear Algebra,
mempunyai solusi. Akan tetapi solusi McGraw-Hill, Singapore.
pendekatan terbaiknya dapat dicari, yaitu :
2 b , uk b , u1 b , u2
x=∑ vk = v1 + v2
k =1 σk σ1 σ2
 0.0098  1.6502
= 
−  + 1.4312
 0 . 0112   
45