BAB II

LANDASAN TEORI

Adapun landasan teori yang akan digunakan oleh penulis dalam penyusunan
tugas akhir adalah sebagai berikut:

2.1 Matriks
2.1.1 Definisi Matriks
Definisi 2.1 (Howard Anton, 1987): Matriks adalah susunan segi empat
siku-siku dari bilangan-bilangan. Bilangan-bilangan dalam susunan tersebut
dinamakan entri dalam matriks.
Matriks tersebut dapat ditulis dalam bentuk:
 a11 a12  a1n 
a a 22  a 2 n 
A   21
    
 
a m1 am2  a mn 

2.1.2 Matriks Segitiga

Definisi 2.2 (Howard Anton, 1987): Suatu matriks bujur sangkar yang
mana semua elemen di bawah atau di atas diagonal adalah nol .
Dari keadaan ini diperoleh dua bentuk matriks segitiga, yaitu:
a) Matriks segitiga atas, jika elemen-elemen di bawah diagonal semuanya nol.
b) Matriks segitiga bawah, jika elemen-elemen di atas diagonal semuanya nol.
Berikut ini adalah contoh matriks segitiga atas:
3 4 5 1
0 1 2 3
A
0 0 4 1
 
0 0 0 5
Berikut ini adalah contoh matriks segitiga bawah:
1 0 0 0
1 4 0 0
A
2 3 4 0
 
6 1 5 2

2.1.3 Matriks Diagonal

Definisi 2.3 (Anton, Rorres, 2000): Jika elemen-elemen selain elemen
diagonal utama matriks persegi adalah nol, maka matriks tersebut adalah matriks
diagonal.
Berikut adalah contoh matriks diagonal:
3 0 0 0
0 1 0 0
B
0 0 4 0
 
0 0 0 5

2.1.4 Determinan Matriks

Definisi 2.4 (Howard Anton, 1987): Determinan adalah jumlah semua hasil
kali elementer bertanda dari A suatu matriks dinyatakan dengan

2.1.5 Invers Matriks

Definisi 2.5 (T. Sutojo dkk, 2009): Jika dan matriks-matriks bujur
sangkar berordo dan berlaku , maka invers dari ditulis
dan sebaliknya adalah invers dari , ditulis .

2.1.6 Matriks Nonsingular

Definisi 2.6 (Howard Anton, 1987): Matriks nonsingular adalah matriks
persegi yang determinannya tidak nol.

II-2
2.1.7 Rank Matriks
Definisi 2.7 (Howard Anton, 1987): Dimensi ruang baris dan ruang kolom
matriks A dinamakan rank dan di nyatakan dalam bentuk rank (A).

2.1.8 Nilai Eigen dan Vektor Eigen

Definisi 2.8 (Anton, Rorres, 2000): Jika adalah sebuah matriks ,
maka sebuah vektor tak nol pada disebut suatu vektor eigen dari jika:
(2.1)

Untuk semua skalar  . Skalar  disebut nilai eigen dari , dan disebut sebagai
vektor eigen dari yang terkait dengan  .

Untuk mencari nilai eigen dan vektor eigen dari suatu matriks adalah sebagai
berikut:

(2.2)

Penyelesaian tak nol didapat jika dan hanya jika:

(2.3)

Determinan adalah sebuah polinomial dalam variabel yang disebut

sebagai polinomial karakteristik matrik . Jika  i adalah nilai eigen dari suatu

matriks , maka multiplisitas aljabar  i adalah banyaknya  i sebagai akar dari

persamaan polinomial karakteristik . Sedangkan multiplisitas geometri  i

adalah dimensi ruang eigen yang bersesuaian dengan  i .

Berikut ini diberikan teorema yang berhubungan dengan besarnya nilai

dari multiplisitas aljabar dan multiplisitas geometri.

II-3
Teorema 2.1 (Bill Jacob. 1990): Jika adalah sebuah matriks bujur sangkar,
maka:
a) dapat didiagonalkan jika dan hanya jika jumlah multiplisitas geometri nilai
eigennya .
b) Jika multiplisitas geometri dari masing-masing nilai eigen adalah sama
dengan multiplisitas aljabarnya, maka dapat didiagonalkan.
c) Jika semua nilai eigen berbeda (masing-masing multiplisitas aljabarnya
adalah ), maka dapat didiagonalkan.

Berdasarkan Teorema 2.1 maka untuk setiap nilai eigen dari matriks terdapat
dua kemungkinan:
1. Multiplisitas Aljabar Multiplisitas Geometri
Jika ini terjadi maka matriks dapat didiagonalkan.
2. Multiplisitas aljabar Multiplisitas Geometri
Jika ini terjadi maka tidak dapat didiagonalkan.

Contoh 2.1:

Tentukan nilai eigen dan vektor eigen dari [ ]

Penyelesaian:
Untuk mencari nilai eigen dari matriks gunakan Persamaan (2.2) dengan hasil
matriks:

[ ]

Maka dari matriks di atas dapat dibentuk persamaan karakteristik matriks

adalah , atau dalam bentuk terfaktorkan,
sehingga didapat nilai eigen dari matriks adalah dan
.

II-4
Selanjutnya untuk mencari vektor eigen dari matriks yang terkait dengan jika
dan hanya jika adalah sebuah solusi nontrivial dari , yaitu dengan
menggunakan Persamaan (2.3).

[ ][ ] [ ]

Untuk , maka Persamaan (2.3) menjadi:

[ ][ ] [ ]

Oleh karena itu, sistem ini didapat hasil:

Berdasarkan nilai dan , maka vektor eigen yang terkait dengan

adalah vektor-vektor tak nol yang berbentuk:

[ ] [ ]

Sehingga:

[ ]

adalah sebuah basis untuk ruang eigen yang terkait dengan .

Selanjutnya Jika , maka Persamaan (2.3) menjadi:

[ ][ ] [ ]

Oleh karena itu, sistem ini didapat hasil:

II-5
Berdasarkan nilai dan , maka vektor eigen yang terkait dengan
adalah vektor-vektor tak nol yang berbentuk:

[ ] [ ] [ ] [ ] [ ]

Oleh karena itu, didapat hasil:

[ ] dan [ ]

Jadi diperoleh vektor-vektor eigen sebagai berikut:

: [ ]

: [ ] [ ]

Berdasarkan Teorema 2.1 maka didapat banyaknya nilai eigen atau multiplisitas
aljabar dari matriks adalah dan untuk banyaknya vektor eigen atau
multiplisitas geometri dari matriks adalah 3.

2.1.9 Vektor Eigen Tergeneralisasi

Suatu matriks dengan jumlah multiplisitas geometri dari nilai eigen nilai
eigen tidak sama dengan , maka matriks tidak dapat didiagonalkan. Untuk
mendapatkan vektor eigen yang bebas linear dapat digunakan vektor eigen
tergeneralisasi. Untuk mencari vektor eigen tergeneralisasi dari matriks adalah
sebagai berikut.
(2.4)

dimana adalah rank dari matriks . Jika adalah vektor eigen, adalah
vektor eigen tergeneralisasi dari vektor eigen , dan seterusnya.

II-6
2.2 Diagonalisasi Matriks
Diagonalisasi matriks merupakan proses pembentukan suatu matriks
menjadi matriks diagonal dengan melibatkan nilai eigen dan vektor eigen.
Diberikan definisi tentang diagonalisasi suatu matriks.

Definisi 2.9 (Anton, Rorres, 2000): Suatu matriks dikatakan dapat

didiagonalkan jika ada suatu matriks yang mempunyai invers sedemikian
sehingga adalah matriks diagonal. Matriks dikatakan mendiagonalisasi
matriks .
Dari definisi di atas maka dapat dibentuk:
(2.5)

Selanjutnya diberikan sebuah teorema yang menunjukkan masalah vektor

eigen dan masalah diagonalisasi adalah sama.
Teorema 2.2 (Anton, Rorres, 2000): Jika adalah sebuah matriks , maka
kedua pernyataan berikut ini adalah ekuivalen.
a) dapat didiagonalisasikan.
b) memiliki vektor eigen yang bebas linear.

Dari teorema di atas maka pembuktiannya menghasilkan sebuah metode untuk

mendiagonalisasikan matriks seperti langkah berikut:
1. Tentukan nilai-nilai eigen dari matriks .
2. Berdasarkan nilai-nilai eigen pada langkah , tentukan vektor-vektor eigen
dari . Jika vektor eigen yang didapat kurang dari berarti tidak dapat
didiagonalisasikan dan langkah selanjutnya tidak perlu dilakukan.
3. Bentuklah sebuah matriks dengan sebagai vektor-vektor
kolomnya.
4. Carilah matriks .
5. dengan adalah akar-akar karakteristik
dari matriks .
6. Selesai.

II-7
Contoh :

Tentukan sebuah matriks yang mendiagonalisasi [ ]

Penyelesaian:
Dari Contoh telah didapat dan dan untuk vektor eigennya

[ ], [ ] dan [ ] maka matriks dapat didiagonalkan.

Selanjutnya dibentuk matriks dimana:

[ ]

Matriks mendiagonalisasikan . Untuk memastikan kebenarannya, maka

gunakan Persamaan (2.5).

[ ][ ][ ] [ ]

Jadi dapat didiagonalisasi dengan .

2.3 Matriks Jordan

Berikut ini diberikan definisi matriks Jordan.
Definisi 2.10 (Bentuk Kanonik Jordan): Suatu matriks adalah bentuk
kanonik Jordan jika berisi blok-blok Jordan, ditempatkan sepanjang diagonal,
dengan entri-entri lainnya adalah nol.

 J n1 (1 ) 0 
 
 J n 2 ( 2 ) 
J   
 
  
 0 J nk ( k )


dengan adalah matriks blok Jordan sedemikian hingga

, dan adalah matriks nol.

II-8
 Matriks Jordan terdiri dari beberapa matriks blok Jordan. Setiap blok Jordan
hanya mempunyai satu nilai eigen dari satu vektor eigen yang bebas linear.
Bentuk kanonik Jordan dibentuk melalui proses diagonalisasi.

Dari proses diagonalisasi maka akan didapat matriks bentuk Jordan

(2.6)

dengan adalah matriks yang kolom-kolomnya merupakan vektor eigen dan

vektor eigen tergeneralisasi dari matriks .

Berikut diberikan definisi dari matriks blok Jordan.

Definisi 2.11 (I.N. Herstein, 2000): Sebuah matriks blok Jordan adalah
matriks segitiga atas dengan bentuk
 1 0
  1 
 
J k ( )    
 
  1
 0  
Nilai eigen muncul kali pada diagonal utama, angka muncul
kali pada superdiagonal sedangkan entri-entri lainnya nol.

Contoh matriks blok Jordan:

1 1 0 0  0 0
0 1 0 0  0 0
 
0 0 3 1  0 0
J  
0 0 0 3  0 0
0 0 0 0 1 1 
 
0 0 0 0 0  1

Matriks dengan matriks blok Jordan terdiri dari tiga blok yaitu [ ],

[ ] dan [ ] dengan .

II-9
Berikut cara mencari bentuk kanonik Jordan dengan cara umum:
1. Matriks sebarang.
2. Tentukan nilai eigen matriks .
3. Tentukan vektor eigen.
4. Tentukan matriks yang terdiri dari vektor eigen dan vektor eigen
tergeneralisasi.
5. Tentukan .
6. Tentukan matriks kanonik Jordan dengan .

Contoh :

Tentukan matriks Jordan dari matriks [ ]

Penyelesaian:
Untuk mencari nilai eigen dari matriks gunakan Persamaan (2.2) dengan hasil
matriks:

[ ]

Maka dari matriks di atas dapat dibentuk persamaan karakteristik matriks

adalah , sehingga didapat nilai eigen dari matriks
adalah .

Selanjutnya untuk mencari vektor eigen dari matriks yang terkait dengan jika
dan hanya jika adalah sebuah solusi nontrivial dari , yaitu dengan
menggunakan Persamaan (2.3).

[ ][ ] [ ]

Untuk , maka Persamaan (2.3) menjadi:

[ ][ ] [ ]

II-10
Oleh karena itu, sistem ini didapat hasil:

Berdasarkan nilai dan , maka vektor eigen dari yang terkait dengan
adalah vektor-vektor tak nol yang berbentuk:

[ ] [ ]

Misalkan vektor eigen dengan yaitu:

[ ]

Selanjutnya dari vektor eigen akan dibentuk vektor eigen tergeneralisasi

[ ][ ] [ ]

Oleh karena itu, dari sistem ini didapat hasil:

Berdasarkan nilai dan , vektor eigen tergeneralisasi dari yang terkait

dengan adalah:

[ ] [ ]

Misalkan vektor eigen tergeneralisasi dengan yaitu:

[ ]

II-11
Selanjutnya , maka Persamaannya (2.3) menjadi:

[ ][ ] [ ]

Oleh karena itu, dari sistem ini didapat hasil:

Misalkan , maka:

[ ]

Maka vektor eigen dengan yaitu:

[ ]

Selanjutnya dibentuk matriks dari vektor eigen dan vektor eigen tergeneralisasi
dengan

[ ]

dan

[ ]

Berdasarkan Persamaan (2.6) didapat:

[ ][ ][ ] [ ]

dengan .

II-12
2.4 Kendali Optimal Waktu Diskrit
Selanjutnya pada subbab yang keempat ini, akan dibahas tentang kendali
optimal waktu diskrit.
Diberikan persamaan fungsi kendali secara umum masalah kendali optimal
waktu diskrit sistem dinamik sebagai berikut (Ogata, Katsuhiko, 1995):

. (2.7)
Selanjutnya diketahui fungsi tujuan sebagai berikut:

∑ [ ]. (2.8)
Maka dengan menggunakan pengali Lagrange maka diberikan definisi dimana:

[ ] [
] . (2.9)

Kemudian, untuk menentukan solusi dari masalah umum kendali optimal

waktu diskrit diperlukan persamaan-persamaan yang berfungsi untuk
meminimalkan fungsi objektif, adapun persamaan itu adalah sebagai berikut:

(2.10)

(2.11)

(2.12)

(2.13)

2.5 Keteramatan Sistem Kontrol Waktu Diskrit

Pandang sistem kontrol waktu diskrit yang didefinisikan oleh:

(2.14)
dengan:

II-13
 : waktu yang merupakan bilangan bulat .
: vektor keadaan, .
: vektor output, .
: matriks anggota .
: matriks anggota .

Sistem Persamaan dikatakan teramati jika memenuhi definisi

berikut.
Definisi 2.12 (Subiono, 2013): Bila setiap keadaan awal secara
tunggal dapat diamati oleh setiap pengukuran keluaran sistem dari waktu
ke , maka sistem dikatakan “teramati”.
Dengan menggunakan kita mendapatkan syarat perlu dan syarat
cukup untuk keadaan keteramatan seperti yang dijelaskan pada lema berikut
ini:
Lema 2.1 (Ogata, Katsuhiko, 1995): Syarat perlu dan syarat cukup untuk
keadaan keteramatan pada Persamaan (2.14) adalah:
 C 
 CF 
rank  n (2.15)
  
 n 1 
CF 

2.6 Bentuk Alternatif Untuk Keadaan Keteramatan

Selain dengan cara yang diuraikan sebelumnya, ada cara lain untuk
menentukan apakah suatu sistem teramati atau tidak, yaitu dengan mengubah
matriks ke bentuk Jordan.
Pertimbangkan sistem didefinisikan oleh . Jika semua vektor eigen
berbeda, dan sebuah matriks transformasi mentransformasikan ke bentuk
matriks diagonal, sedemikian sehingga

II-14
 1 0
 2 
P FP  
1 
  
 
0 3 
(2.16)
dengan 1 , 2 ,., n adalah nilai eigen berbeda dari . Sistem teramati jika dan

hanya jika tidak ada kolom dari matriks yang semua elemennya nol.
Jika matriks tidak mempunyai vektor eigen yang berbeda, maka
pendiagonalan tidak mungkin dilakukan. Dalam kasus ini, kita boleh mengubah
menjadi bentuk kanonik Jordan.
Sistem dikatakan dalam keadaan teramati jika dan hanya jika:
1. Tidak ada dua blok Jordan dalam yang bersesuaian dengan nilai eigen
yang sama.
2. Kolom yang bersesuaian dengan baris pertama dari masing-masing blok
Jordan tidak ada yang elemennya nol semua.
3. Elemen dari masing-masing kolom yang bersesuaian dengan nilai eigen
yang berbeda tidak semuanya nol.

II-15