ALJABAR LINIER
Disusun Oleh:
Nim : 5203131019
FAKULTAS TEKNIK
2021
KATA PENGANTAR
Puji syukur kita panjatkan kepada Tuhan Yang Maha Esa atas berkat
rahmatnya saya bisa menyelesaikan makalah ini dengan tempat waktu.Makalah ini
sebagai tugas “ujian tengah semester” makalah untuk memenuhi tugas dari mata
kuliah ALJABAR LINIER.
Sabtu, 10 april2021
Insanul adli
2
DAFTAR ISI
KATA PENGANTAR.................................................................................................................ii
DAFTAR ISI................................................................................................................................ii
BAB I............................................................................................................................................3
PENDAHULUAN..........................................................................Error! Bookmark not defined.
A. LATAR BELAKANG.........................................................Error! Bookmark not defined.
B. Tujuan..................................................................................Error! Bookmark not defined.
BAB II.............................................................................................Error! Bookmark not defined.
PEMBAHASAN.............................................................................Error! Bookmark not defined.
A.Pengertian.............................................................................Error! Bookmark not defined.
B. Sistem persamaan linier........................................................................................................5
BAB III PENUTUP.......................................................................................................................9
DAFTAR PUSTAKA................................................................................................................10
ii
BAB I
PENDAHULUAN
A. Latar Belakang
Dalam era informasi dan era globalisasi dewasa ini yang diwarnai oleh persaingan
yang ketat dalam penguasaan ilmu pengetahuan dan teknologi (IPTEK), sangat
membutuhkan manusia-manusia cerdas, terampil dan profesional yang sanggup
menguasai sains dan teknologi. Soedjadi (1994 : 1) mengemukakan bahwa untuk
menghadapi abad 21 diperkirakan akan diwarnai oleh persaingan, bangsa Indonesia
mutlak perlu memiliki warga yang bermutu dan berkualitas tinggi.Dalam upaya
pengembangan kualitas manusia Indonesia, patokan minimal yang harus dicapai adalah
tumbuhnya kemampuan berpikir logis dan sikap kemandirian dalam diri peserta didik.
Untuk itu, sistem pembelajaran yang mengutamakan matematika dan ilmu pengetahuan
lainnya menjadi prasyarat bagi proses pendidikan untuk membentuk manusia Indonesia
yang mampu menghadapi dan mengantisipasi tantangan di masa yang akan datang
(Semiawan, 1991 : 35).
B. Tujuan penulisan
1. Menyelesaikan ujian tengah semester pada matakuliah Aljabar Linier
2. Menambah pengetahuan tentang sistem persamaan linier bagi pembaca terutama
penulis.
3
BAB II PEMBAHASAN
Persamaan linear adalah sebuah persamaan aljabar, yang tiap sukunya mengandung
konstanta, atau perkalian konstanta dengan variabel tunggal. Persamaan ini dikatakan
linear sebab hubungan matematis ini dapat digambarkan sebagai garis lurus dalam Sistem
koordinat Kartesius.
Dalam hal ini, konstanta m akan menggambarkan gradien garis, dan konstanta b
merupakan titik potong garis dengan sumbu-y. Persamaan lain, seperti x3, y1/2,
dan bukanlah persamaan linear.
Bentuk Umum
dimana konstanta A dan B bila dijumlahkan, hasilnya bukan angka nol. Konstanta
dituliskan sebagai A ≥ 0, seperti yang telah disepakati ahli matematika bahwa konstanta
tidak boleh sama dengan nol. Grafik persamaan ini bila digambarkan, akan menghasilkan
sebuah garis lurus dan setiap garis dituliskan dalam sebuah persamaan seperti yang
tertera diatas. Bila A ≥ 0, dan x sebagai titik potong, maka titik koordinat-xadalah ketika
garis bersilangan dengan sumbu-x (y = 0) yang digambarkan dengan rumus -c/a. Bila B≥
0, dan y sebagai titik potong, maka titik koordinat- y adalah ketika garis bersilangan
dengan sumbu-y (x = 0), yang digambarkan dengan rumus -c/b.
Bentuk standar
Di mana, a dan b jika dijumlahkan, tidak menghasilkan angka nol dan a bukanlah
angka negatif. Bentuk standar ini dapat diubah ke bentuk umum, tapi tidak bisa diubah ke
semua bentuk, apabila a dan b adalah nol.
Sumbu-y
Dimana m merupakan gradien dari garis persamaan, dan titik koordinat y adalah
persilangan dari sumbu-y. Ini dapat digambarkan dengan x = 0, yang memberikan nilai
y
= b. Persamaan ini digunakan untuk mencari sumbu-y, dimana telah diketahui nilai dari
x. Y dalam rumus tersebut merupakan koordinat y yang anda taruh di grafik.
Sedangkan X merupakan koordinat x yang anda taruh di grafik.
Sumbu-x
Dimana m merupakan gradien dari garis persamaan, dan c adalah titik potong-x, dan
titik koordinat x adalah persilangan dari sumbu-x. Ini dapat digambarkan dengan y = 0,
yang memberikan nilai x = c. Bentuk y/m dalam persamaan sendiri berarti bahwa
membalikkan gradien dan mengalikannya dengan y. Persamaan ini tidak mencari titik
koordinat x, dimana nilai y sudah diberikan.
Nah sekarang coba kita ingat kembali bahwa persamaan garis lurus pada bidang
cartesius dapat dinyatakan dalam bentuk ax + by = c dengan a, b, c konstanta real dengan
a, b 0 dan x, y adalah variabel pada himpunan bilangan real.
Jadi kesimpulannya adalah Persamaan Linier Dua Variabel adalah suatu persamaan
yang mempunyai dua variabel dan masing-masing variabel berpangkat satu, dan dapat
dinyatakan dalam bentuk : ax + by = c dengan a, b, c R, a, b 0 dan x, y suatu variabel.
1. 3x + 6y = 12
2. 5p – 3q + 30 = 0
X 0 1 2 3 4 5
Y 7 6 5 4 3 2
(x, y) (0,7) (1,6) (2,5) (3,4) (4,3) (5,2)
Jadi HP dari persamaan x + y = 7 adalah (0,7), (1,6), (2,5), (3,4), (4,3), (5,2).
Gambar grafik persamaan x + y = 7 pada bidang cartesius tampak seperti gambar grafik
lihat lampiran gambar grafik 1.1
2. Sistem Persamaan Linier Dua Variabel (SPLDV)
Sistem Persamaan Linier Dua Variabel (SPLDV) terdiri atas dua persamaan linier
dua variabel, yang keduanya tidak berdiri sendiri, sehingga kedua persamaan hanya
memiliki satu penyelesaian
1. x + y = 3 dan 2x 3y = 1
2. 5x + 4y + 7 = 0 dan -3x 2y = 4
Pada metode grafik, himpunan penyelesaian dari SPLDV adalah koordinat titik
potong dua garis tersebut. Jika garis-garisnya tidak berpotongan di satu titik, maka
himpunana penyelesaiannya adalah himpunan kosong.
Pada metode substitusi terlebih dahulu kita menyatakan variabel yang satu
kedalam variabel yang lain dari suatu persamaan, kemudian menggantikan
variabel itu dalam persamaan yang lain.
Contoh :
PENYELESAIAN:
3 ( 4 2y ) + 2y = 12
12 6y + 2y = 12
4y = 12 12
y=0
Substitusikan y = 0 ke persamaan x = 4 2y
x = 4 2y
x=42.0
x=4
Jadi HP ( 4, 0 )
1. Persamaan Linier
Contoh Soal 1
Penyelesaian:
2x + y = 15000
x + 2y = 18000
=> y = 21000/3
=> y = 7000
=> 2x + y = 15000
=> 2x = 8000
=> x = 4000
= 5x + 3y
= 5.4000 + 3.7000
= 20000 + 21000
= 41000
2. Dua Variabel
Contoh soal:
1. Dua tahun yang lalu seorang laki-laki umurnya 6 kali umur anaknya. 18 tahun
kemudian umurnya akan menjadi dua kali umur anaknya. Carilah umur mereka
sekarang!
Penyelesaian:
Misalkan umur ayah sekarang x tahun dan umur anaknya y tahun, maka
x – 2 = 6( y – 2 )
x – 6y = -10…............(1)
x + 18 = 2(y + 18 )
x – 2y = 18..................(2)
x – 6y = -10
x – 2y = 18 –
-4y = – 28
y=7
x – 2(7) = 18
x – 14 =18
x = 32
Penyelesaian
x = y + 6 atau x – y = 6..............(2)
x + y = 24
x–y=6–
2x = 30
x = 15
15 + y = 24
y = 24 – 15
y=9
Matriks adalah kumpulan bilangan-bilangan yang diatur dalam baris-baris dan kolom-kolom
berbentuk persegi panjang serta termuat diantara sepasang tanda kurung.
Matriks dapat dinyatakan sebagai : Am x n = |aij| m x n
Dimana : aij = elemen atau unsure matriks
I = 1,2,3,… m, indeks baris
J = 1,2,3,.. n, indeks kolom
Matriks dinyatakan dalam huruf besar A,B,P, atau huruf yang lain.
unsur matriks :
Jumlah baris = M
Jumlah kolom = N
Ordo atau ukuran matriks = m x n
Elemen-elemen diagonal = a11, a22,… amn
Matriks dapat didefinisikan juga sebagai kumpulan beberapa vector kolom atau vector baris.
2.1.2 Jenis-jenis matriks
Berdasarkan susunan elemen matriks
Matriks kuadrat/bujur sangkar
Matriks bujur sangkar (square matrix) adalah matriks dimana jumlah baris (M) sama
dengan jumlah kolom (N) atau M = N
Contoh : Matriks A = 3 9 Bujur sangkar berorde 2
[ ]
2 0
Matriks Nol
Matriks nol ( null matrix) adalah matriks dimana semua elemennya mempunyai nilai
nol (0). 0 0
Contoh : Matriks B =
[ ]
0 0
Matriks diagonal
Matriks diagonal (diagonal matrix) adalah matriks dimana semua elemen diluar
diagonal utamanya adalah nol (0) dan minimal ada 1 elemen pada diagonal utamanya
bukan nol.
5 0 0
Contoh : Matriks A3X3 = [0 2 1]
0 0 3
Matriks kesatuan/identitas
Matriks ini ditulis dengan l. jenis matriks bujur sangkar yang semua elemen
diagonalnya sama dengan 1 1.
0
Contoh : Matriks l2 =
[ ]
0 1
Matriks scalar
Matriks scalar (scalar matrix) adalah matriks diagonal dimana elemen pada diagonal
utamanya bernilai
4 sama
0 tetapi bukan 1 atau nol.
Contoh : A =
[ ]
0 4
Matiks tridiagonal
Matriks tridoagonal (tridiagonal matrix) adalah diagonal dimana elemen sebelah kiri
dan kanan diagonal utamanya bernilai tidak sama dengan nol (0).
5 2 0
Contoh : A = [2 5 0]
1 2 5
Matriks simetris
Matriks simetris (symmetric matrix) adalah matriks bujur sangkar dimana diagonal
utamanya berfungsi sebagai cermin atau refleksi ( A ’ = A )
𝟒 𝟏 𝟔
Contoh : A3X3 = [𝟏 𝟕 𝟒]
𝟔 𝟒 𝟑
Matriks miring
Matriks miring ( skew matrix) adalah matriks bujur sangkar dimana elemen diagonal
ke aij dengan aij atau (aij = aij) untuk semua I dan j tetapi elemen diagonal utama tidak
semua nya bernilai nol.
𝟕 𝟓 𝟔
Contoh : M = [−𝟓 𝟎 𝟒]
−𝟔 −𝟒 𝟐
Matriks singular
Matriks singular (singular matrix) adalah matriks yang determinannya bernilai nol.
Contoh : A = 𝟐 𝟒
[ ]
𝟐 𝟒
Matriks hermit
Matriks hermit (hermit matrix) adalah matriks bujur sangkar yang transpose
conjugatenya sama dengan matriks itu sendiri atau M T = Conjugate kompleks matriks
M.
Contoh :
𝟏 𝟏−𝒊 𝟐 𝟏 𝟏+𝒊 𝟐
𝑴 = [𝟏 + 𝒊 𝟑 𝒊],𝑴 ̅ = [𝟏 − 𝒊 𝟑 −𝒊]
𝟐 −𝟏 𝟎 𝟐 𝒊 𝟎
𝟏 𝟏−𝒊 𝟐
𝑴𝑻̅ ̅ = [𝟏 + 𝒊 𝟑 𝒊]=
𝟐 −𝟏 𝟎
𝒊 𝟏−𝒊 𝟐 −𝟏 𝟏+𝑰 𝟐
𝑴 [−𝟏 − 𝟑𝒊 𝒊], = ⌈−𝟏 + 𝒊 −𝟑𝒊 −𝒊⌉,
= 𝒊 −𝟐
𝑴
−𝟐 𝒊 𝟎 −𝟐 −𝟏 𝟎
−𝟏 −𝟏 +
𝒊
𝑴 [𝟏 + 𝒊 −𝟑𝒊 −𝒊] = −𝑴
Matriks uniter
Contoh :
𝟎 −𝟏 𝟎 𝟏 𝟎 𝒊
𝑻
] , 𝒅𝒂𝒏 =[ ]
𝑴 =[ ],𝑴 = 𝑴 −𝟏 𝟎
[ 𝒊 𝟎 𝟎
𝒊 𝑶 𝒊 𝟎 𝒊 −𝒊
𝑴𝑴𝑻 = [
𝟎
][ ]=[ 𝟐 ] = [𝟏 𝟎]
−𝒊 𝟎 −𝒊 𝟎 𝟎 𝟏
𝟎 −𝒊𝟐
Matriks uniter
Matriks uniter ( uniter matrix) adalah bujur sangkar yang transposenya sama
dengan invers conjugatenya atau 𝑴𝑻 = 𝑴̅ 𝑻 𝒂𝒕𝒂𝒖 𝑴̅𝑴𝑻̅ = 𝑴𝑴𝑻 = 𝟏
orthogonal
Matriks orthogonal ( orthogonal matrix) adalah matriks bujur sangkar yang
transpose nya sama dengan invers nya atau 𝑴𝑻 = 𝑴−𝟏 𝑨𝑻𝑨𝑼 𝑴𝑻𝑴 = 𝟏
Matriks normal
Matriks normal ( normal matrix) adalah bujur sangkar yang mempunyai sifat :
𝑴𝑴̅ 𝑻 = 𝑴̅ 𝑻
Matriks involunter
Matriks involunter (involunter matrix) adalah matriks yang jika dikalikan dengan
matriks itu sendiri akan menghasilkan matriks identitas atau 𝑴𝟐 = 𝟏
Matriks idempotent
Matriks idempotent (idempotent matrix) adalah matriks yang jika dikalikan dengan
matriks itu sendiri akan menghasilkan matriks asal atau 𝑴𝟐 = 𝑴
Matriks nilpotent
Matriks nilpotent (nilpotent matrix) adalah matrix bujur sangkar dimana
𝑨𝟑 = 𝟎 𝑨𝑻𝑨𝑼 𝑨𝒏 = 𝟎, 𝒃𝒊𝒍𝒂 𝒏 = 𝟏, 𝟐, 𝟑, ….
Transpose matriks
Jika M adalah matriks ukuran m x n maka transpose dari A dinyatakan oleh A T, A1, atau A’ .
Didefinisikan menjadi matriks n x m yang merupakan hasil dari pertukaran baris dan kolom
dari matriks A.
Operasi matriks
Definisi operasi matriks
Operasi matriks adalah operasi aljabar terhadap dua atau lebih matriks yang meliputi :
Penjumlahan dan pengurangan
Jumlah matriks A dan B apabila ditulis A + B adalah sebuah matriks baru yaitu matriks C
Perkalian matriks
Perkalian matriks tidak komutatif maksudnya bila matriks A dalam AB BA
Sistem persamaan linear Ax = d adalah non singular, maka A-1 bisa dicari dan penyelesaian
system akan menjadi Xl = A -1 d
Apabila matriks A = (aij) berorde (pxq) dan matriks B (bij) berorde (qxr), maka perkalian
matriks A dan B dapat ditulis sebagai matriks baru,yaitu matriks C = A X B.
Perkalian langsung
Pembagian matriks biasanya dilakukan pada matriks bujur sangkar jika A dan B matriks
sama ukuran MxN ( m = n ) maka pembagian matriks A dan B sebagai berikut :
𝐴
𝐶𝑚𝑥 = 𝑚𝑥𝑛 → 𝐶 = 𝐴. 𝐵−1
𝑛 𝐵𝑚𝑥𝑛
𝐵𝑚𝑥𝑛
= → 𝐷 = 𝐵. 𝐴−1
𝐷𝑚 𝐴𝑚𝑥𝑛
𝑥𝑛
𝐴−1Dan 𝐵−1masing-masing adalah invers matriks A dan B
A.𝐴−1 = 1
B.𝐵−1 = 1
Dekomposisi matriks
a. Definisi dekomposisi matriks
Dekomposisi matriks adalah transformasi atau modifikasi dari suatu matriks menjadi
matriks segitiga bawah (L) dan atau matriks segitiga atas (U).
b. Metode crout
Metode crout adalah mengkombinasi suatu matriks untuk memperoleh elemen
diagonal utama matriks segitiga atas (U) bernilai 1 dan elemen lainnya bernilai bebas.
c. Metode Doolittle
Metode ini mengkombinasi suatu matriks untuk memperoleh elemen diagonal utama
matriks segitiga bawah (L) bernilai 1 dan elemen lainnya bernilai bebas.
d. Metode cholesky
Metode ini mengkomposisi suatu matriks untuk memperoleh elemen diagonal utama
matriks sigitiga atas (U) dan matriks segitiga bawah (L) adalah sama.
g. Matriks adjoint
Matriks adjoint adalah adalah matriks kofaktor dari suatu matriks (misalkan matriks
A) , Maka transpose dari matriks kofaktor disebut matriks adjoint Anxn . dalam
mencari matriks adjoint, maka kita harus melakukan ekspansi baris dan kolom untuk
semua elemen. Tidak seperti dalam mencari determinan dimana hanya satu baris atau
kolom saja yang diekspansi. Misal ada matriks bujur sangkar berorde 3, maka akan
ada 9 elemen yang harus dicari kofaktornya
Determinan matriks
a. Definisi determinan matriks
Determinan matriks adalah bilangan tunggal yang diperoleh dari semua permutasi n 2
elemen matriks bujur sangkar Determinan matriks hanya didefinisikan pada matriks
bujur sangkar (matriks kuadrat).
Ada beberapa metode untuk menentukan determinan dari matriks bujur sangkar yaitu:
b. Metode sarrus
Perhitungan determinan matriks dengan metode sarrus hanya dapat diterapkan pada
matriks ukuran 2x2 dan 3x3. Determinan matriks yang ukurannya lebih besar dari
3x3 tidak bias dihitung menggunakan metode sarrus.
c. Metode minor dan metode kofaktor
Perhitungan determinan matriks dengan metode minor dan kofaktor diterapkan pada
semua ukuran matriks bujur sangkar. Determinan matriks dapat dihitung dari minor
dan kofaktor pada salah satu baris atau kolom matriks. Penentuan determinan
berbasis baris matriks
Menghitung determinan suatu matriks menggunakan salah satu baris matriks.
d. Metode CHIO
Perhitungan matriks dengan metode CHIO dapat di terapkan pada semua matriks
bujur sangkar. Asalkan elemen pada A 11 tidak sama dengan nol (a11 ). Metode CHIO
menghitung determinan matriks dengan cara mendekomposisi determinan yang akan
dicari menjadi sub-sub determinan derajat dua ( 2x ) menggunakan elemen matriks
baris ke-1 sebagai titik tolaknya.
Invers matriks
b. Metode substitusi
Invers matriks diperoleh dari penyelesaian persamaan matriks AA -1 yang kemudian
diturunkan mrnjadi beberapa persamaan linear
Determinan Matriks
1. Definisi (Determinan Matriks)
Determinan adalah suatu susunan bilangan dalam bentuk bujursangkar yang berada
dalam tanda harga mutlak (dua garis tegak).
Matriks A = [aij]
a11
a12 .... .... a1n
a a22 .... .... a2n
21
A = .... .... .... .... .... , determinan matriks A
.... .... .... .... ....
a .... .... ann
a n n2
1
a11
a12 .... .... a1n
a21
a22 .... .... a2n
Det (A) = |aij| = ....
.... .... .... ....
....
.... .... .... ....
an1
an2 .... .... a
nn
SIFAT‐SIFAT DETERMINAN
Tentukan determinan matriks berikut ini menggunakan aturan Sarrus dan metode
minor-kofaktor!
Pembahasan:
Aturan Sarrus
Agar lebih mudah, kita tulis kembali elemen-elemen pada kolom ke-1 dan ke-2 di
sebelah kanan matriks A sebagai berikut:
Kemudian, kita tarik garis putus-putus seperti gambar di atas. Kalikan elemen-
elemen yang terkena garis putus-putus tersebut. Hasil kali elemen yang terkena
garis putus-putus berwarna biru diberi tanda positif (+), sedangkan hasil kali
elemen yang terkena garis putus-putus berwarna oranye diberi tanda negatif (-).
Ingat urutan penulisannya juga, ya!
Jika A adalah sebuah matriks bujur sangkar ber orde n x n, maka minor elemen a ij yang
di notasikan dengan Mij, didefinisikan sebagai determinan dari sub matriks A ber orde
(n-1) x (n-1) setelah baris ke-I dan kolom ke-j dihilangkan..
a11 a12
a13 a
A = a sehingga M11 = a a 23
22
a a minor elemen a11adalah a a a
21 22 23 22 23 a32 a33
a a32 a33 a32 a33
31
a
11
a12a13
21
31
Jika A adalah matriks berukuran n x n danCij adalah kofaktor dari elemen aij, maka
cnn
akibatnya dapat dibuktikan bahwa jika A adalah matriks yang dapat dibalik
1
(mempunyai invers) maka A-1 = adj( A) .
det( A
)
Definisi (ekspansikofaktor/Laplace)
= aij Cij
i1
Contoh soal
Tentukan determinan matriks berikut :
Penyelesaian:
Pada umumnya untuk menentukan determinan matriks 3x3 digunakan metode sarrus
karena dinilai yang paling mudah. Determinan matriks dengan metode sarrus dapat
ditentukan dengan menuliskan kembali komponen matriks A dan menambahkan 2 kolom
pada sebelah kanan yang berisi elemen 2 kolom satu pada matriks.
Kemudian determinan diperoleh dengan perkalian silang pada diagonal turun (+) dan
perkalian silang pada diagonal naik (-). Bentuk umum metode sarrus dalam mencari
determinan matriks 3x3 sebagai berikut :
Sehingga determinan matriks A dengan metode sarrus adalah sebagai berikut :
sss
a. ax + by = p
cx + dy = q
Pada sistem persaman linear dua variabel, bentuk tersebut dapat diubah ke bentuk matriks
berikut.
, dengan A = ,X= , dan B = .
Dengan cara yang sama dapat ditentukan D, Dx, Dy, dan Dz untuk sistem persamaan linear
tiga variabel sebagai berikut.
Contoh Soal :
b. x + y + z = 0
x + y – z = –2
x–y+z=4
Penyelesaian :
a. Sistem persamaan linear di atas dapat disusun dalam bentuk matriks berikut.
D= =–4–1=–5
Dx = = – 8 – (–3) = – 5
Dy = = – 6 – 4 = – 10
Secara sederhana pengertian vektor adalah besaran yang mempunyai nilai dan arah.
Contoh dari besaran ini misalnya perpindahan, kecepatan, percepatan, gaya, dan
sebagainya. Untuk menggambarkan vektor digunakan garis berarah yang bertitik
pangkal. Panjang garis sebagai nilai vektor dah anak panah menunjukkan arahnya.
Simbol vektor menggunakan huruf kapital yang dicetak tebal (bold) atau miring dengan
tanda panah di atasnya seperti gambar berikut :
VEKTOR AB DITULIS
⃗𝑨⃗ ⃗ ⃗
⃗𝑩⃗
Menggambar sebuah Vektor
Vektor pada bidang datar mempunyai 2 komponen yaitu pada sumbu x dan sumbu y.
Khusus untuk vektor yang segaris dengan sumbu x atau y berarti hanya mempunyai 1
komponen. Komponen vektor adalah vektor yang bekerja menuyusun suatu vektor hasil
(resultan vektor). Oleh karenanya vektor bisa dipindahkan titik pangkalnya asalkan tidak
berubah besar dan arahnya. Secara matematis vektor dapat dituliskan A = Ax+Ay dimana
A adalah resultan dari komponen-komponenya berupa Ax dan Ay.
B. Sifat-sifat Vektor
a. Komutatif = a + b = b + a
b. Assosiatif = a + (b + c) = (a + b) + c
c. Memiliki elemen satuan atau elemen identitas = a + 0 = 0 + a = a
d. Memiliki elemen inverse = a +(-a) =(-a) +a = 0
e. Distributive dengan perkalian scalar = K (a + b)= ka + kb dengan k= scalar
C. Penjumlahan Vektor
Inti dari operasi penjumlahan vektor ialah mencari sebuah vektor yang komponen-
komponennya adalah jumlah dari kedua komponen-komponen vektor pembentuknya
atau secara sederhana berarti mencari resultan dari 2 vektor. Aga susah memang
dipahami dari definisi tertulis. Kita coba memahaminya dengan contoh :
Untuk vektor segaris, resultannya R = A + B + C + n dst… untuk penjumlahan
vektor yang tidak segaris misalnya seperti gambar di bawah in
D. Pengurangan Vektor
R = √𝐴2 + 𝐵2 + 2𝐴𝐵𝑐𝑜𝑠𝑎
R = 82 + 62 + 2.6.8.cos 30
R = 64+ 36 + 96 0,5√3
R = 100 + 48√3
Perkalian antara vektor dan skalar adalah hasil kali suatu skalar k dengan sebuah vektor
A, sehingga dapat dituliskan kA dan didefinisikan sebagai sebuah vektor baru yang
besarnya adalah besar k dikalikan dengan besar A. Arah vektor yang baru ini sama
dengan arah vektor A jika k positif dan berlawanan arah dengan vektor A jika k negatif.+
1. Perkalian Titik (Dot Product)
Perkalian titik diantara dua vektor A dan B dapat ditulis A•B. Perkalian skalar dua
vektor dapat dikitang sebagai perkalian antara besar salah satu vektor dengan
komponen vektor lain dalam arah vektor yang pertama tadi. Maka pada perkalian
vektor ini ada ketentuan, yaitu :
7. Perkalian komponen vektor yang sejenis (searah) akan menghasilkan nilai 1,
seperti : i . i = j . j = k . k = 1
8. Perkalian komponen vektor yang tidak sejenis (saling tegak liris) akan
menghasilkan nilai 0, seperti : i . j = j . k =k . i = 0
Perkalian silang diantara dua vektor A dan B dapat ditulis A X B dan hasilnya adalah
sebuah vektor lain C. Arah dari C sebagai hasil perkalian vektor A dan B
didefinisikan tegak lurus pada bidang yang dibentuk oleh A dan B. Pada perkalian
vektor ini ada ketentuan sebagai berikut :
𝐢𝐱𝐢=𝟎 ixj=k j x i = -k
jxj=0 jxk=i k x j = -i
kxk=0 kxi=j i x k = -i
F. Vektor pada Bidang Datar R2 (Dimensi Dua)
Di dalam bidang datar (R2) suatu vektor yang titik pangkalnya di A (X1, Y1) dan titik
ujungnya di B (X2, Y2) dapat dituliskan dalam bentuk komponen :
⃗
⃗𝐵⃗=𝐴⃗⃗
( 𝑋2 − 𝑌1 ) Dilukiskan sebagai :
𝑌2 − 𝑌
1
x
Vektor dalam bidang datar juga dapat dinyatakan dalam bentuk :
9. Kombinasi linear vektor satuan i , j, misalnya vector 𝑎 = xi+ yj
10. Koordinat kartesisus, yaitu : 𝑎 = (a1 + a2)
11. Koordinat kutub, yaitu : a⃗ = r < θ dngan r = √(𝑋2 – X1)2 + (Y2 –
𝑌1
Y1)2 Dengan tg θ = 𝑌2 −
𝑋2 𝑋1
Vektor di ruang 3 adalah vektor yang mempunyai 3 buah sumbu yaitu x , y , z yang
saling tegak lurus dan perpotongan ketiga sumbu sebagai pangkal perhitungan.
Vektor p pada bangun ruang dapat dituliskan dalam bentuk :
Koordinat katresius p = (x, y, z)
𝑋 𝑍
Vektor kolom P = 𝑌
atau vector baris P =
𝑋
𝑍
Kobinasi linear vector satuan i, j, k yaitu : P = xi + yj + zk
1
Dengan i = 0 0 0
,j = 1 ,k = 0
0
0 1
i = Vektor satuan dalam arah OX
j = Vektor satuan dalam arah OY
k = Vektor satuan dalam arah OZ
Modulus Vektor
Modulus vektor yaitu besar atau panjang suatu vektor. Jika suatu vektor dengan koordinat
titik A (x1, y1,z1) dan B (x2, y2, z2) maka modulus (besar) atau panjang vektor dapat
dinyatakan sebagai jarak antara titik A dan B yaitu : ̅𝑨̅𝑩̅ = √(X2-X1)2 + (Y2 -Y1)2 + (Z2-
Z1)2
Dan jika suatu vector a disajikan dalam bentuk linear a = a1i + a2j + a3k, maka modulus
vector a adalah :
𝒒
2 2 2
→ = √a1 + a2 + a3
Vektor posisi
Vektor posisi titik P adalah vektor yaitu vektor yang berpangkal di titik O (0 , 0 , 0) dan
berujung di titik P (x , y , z), bila ditulis :
𝑋
𝑂𝑃 = 𝑌
𝑍
2.1 NILAI EIGEN
Kata nilai eigen berasal dari kata dalam bahasa jerman “eigenwert”, eigen
berarti karakteristik dan wert berarti nilai, sehingga nilai eigen juga bisa disebut
dengan nilai karakteristik.
Bila -2 dikalikan dengan vektor 𝑥̅ maka diperoleh hasil sama dengan perkalian
matriks dan vektor di atas yaitu :
Oleh karena itu , diperoleh hubungan antara matriks A dengan vektor 𝑥̅ : A𝑥̅ = −2𝑥̅ .
Dari uraian diatas , nilai −2 dinamakan nilai eigen dari matriks A dan vektor 𝑥̅
dinakaman vektor eigen dari matriks A yang bersesuaian dengan nilai eigen −2 .
𝐴𝑥̅ = 𝜆𝑥̅
Untuk suatu saklar scalar 𝜆 dinamakan nilai eigen (eigenvelue) dari 𝐴 dan 𝑥̅
Nilai eigen dan vektor eigen mempunyai tafsiran geometrik yang bermanfaat
dalam 𝑅2 dan 𝑅3. Jika adalah nilai eigen dari A yang bersesuaian dengan 𝑥̅ , maka 𝐴𝑥̅
=𝑥̅𝜆sehingga perkalian oleh A akan memperbesar 𝑥̅ ,atau membalik arah 𝑥̅ , yang
bergantung pada nilai 𝜆 pada gambar
1
𝜆 𝑥̅ = 𝐴𝑥̅
𝜆 𝑥̅ = 𝐴𝑥̅
𝜆 𝑥̅ = 𝐴𝑥̅
a) (b) (c)
Gambar 6.2 (a) Dilatasi (pembesaran)
𝐴𝑥̅ = 𝜆𝐼𝑥̅
supaya 𝜆 menjadi nilai eigen, maka harus ada pemecahan taknol dari persamaan ini.
persamaan 𝐴𝑥̅ = 𝜆𝐼𝑥̅ akan mempunyai pemecahan tak nol jika dan hanya jika
det (𝜆 𝐼 − 𝐴) = 0
ini dinamakan persamaan karakteristik A;skalar yang memenuhi persamaan ini
adalah nilai eigen dari A. Bila diperluas, maka determinan det (𝜆I − 𝐴) = 0 adalah
polinom 𝜆 yang kita namakan polinom karakteristik dari A.
Jika adalah sebuah matriks 𝑛 × 𝑛 dan λ adalah sebuah bilangan real, maka pernyataan-
pernyataan berikut ini adalah ekuivalen.
𝜆2 − 3𝜆 + 2 = 0
Pemecahan-pemecahan persamaan ini adalah =1 dan =2; inilah nilai nilai eigen dari A.
Contoh soal 2
Carilah basis-basis untuk ruang eigen dari
adalah vektor eigen 𝐴 yang bersesuaian dengan λ jika dan hanya jika x adalah
pemecahan taktrivial dari (𝜆𝐼 − 𝐴)x = 0, yakni, dari
𝑥̅1 = − 2 = 𝑠 𝑥̅3 = 𝑡
Jadi, vektor-vektor eigen 𝐴 yang bersesuaian dengan λ = 5 adalah vektor-vektor
taknol yang berbentuk
X
Karena
𝑥̅1 = 𝑡 𝑥̅2 = 3 = 0
Jadi, vektor-vektor eigen yang bersesuaian dengan λ = 1 adalah vektor-vektor taknol
yang berbentuk
x=
sehingga
Vektor eigen dan nilai eigen dapat didefinisikan untuk operator linear seperti
juga untuk matriks. Skalar λ dinamakan nilai eigen dari operator linear 𝑇 ∶ 𝑉 → 𝑉
jika ada vektor taknol x dalam 𝑉 sehingga 𝑇x = λx. Vektor x tersebut dinamakan
vektor eigen 𝑻 yag bersesuaian dengan λ. Secara ekivalen, maka vektor eigen 𝑇
yang
bersesuaian dengan λ adalah vektor taknol dalam kernel λ𝐼 − 𝑇. Kernel ini
dinamakan ruang eigen 𝑻 yang bersesuaian dengan λ.
Dapat diperlihatkan bahwa jika 𝑉 adalah ruang vektor berdimensi berhingga dan
𝐴adalah matriks 𝑇 terhadap sebarang basis , maka :
Contoh :
Carilah nilai eigen dan basis untuk ruang eigen dari operator linear 𝑇 ∶ 𝑃2 → 𝑃2 yang
didefinisikan oleh
Nilai eigen 𝑇 adalah nilai eigen , yakni λ = 1 dan λ = 5 ( contoh 2 ). Juga dari contoh 2
ruang eigen 𝐴 yang bersesuaian dengan λ = 5 mempunyai basis { u1, u2 } dan ruang eigen
P1 = −1 + 𝑥̅ p2 = 𝑥̅ 2 p3 = 1 + 𝑥̅
Jadi, {−1 + 𝑥̅ , 𝑥̅ 2} adalah basis untuk ruang eigen 𝑇 yang bersesuaian dengan λ = 5 {1 +
𝑥̅} dan adalah basis unruk ruang eigen yang bersesuaian dengan λ = 1.
2.3 PENGAPLIKASIAN NILAI EIGEN DAN VEKTOR EIGEN
DALAM KEHIDUPAN SEHARI-HARI
1. Menganalisa sumber suara
2. Aplikasi Nilai Eigen Pada Sistem Tenaga Listrik Power System Stabilizier (PSS)
Penggunakan Power System Stabilizer (PSS) pada system tenaga listrik
secara luas telah banyak digunakan untuk meningkatkan stabilitas sistem. PSS
konvensional yang telah dikembangkan,didesain menggunakan pemodelan linier
yang diperoleh dengan linierisasi model nonlinier disekitar nilai nominal yang
menghasilkan nilaioptimal untuk kondisi dan parameter sistem yang nominal .
(a) Jika nilai-nilai eigennya negatif, maka sistem tersebut dikatakan stabil
(b) Jika setidaknya ada satu nilai positif , maka sistem tersebut dapat
dikatakan tidak stabil
(c) Jika nilai real dari eigenvalue tersebut mendekati nol, maka tidak dapat
dikatakan sistem tersebut stabil atau tidak (critical) .
Sedangkan eigen values suatu matriks itu sendiri didapat dari nilai skalar
parameter λ yang berasal dari persamaan : AФ=λФ
ζ =-σ / √ σ² + ώ²
Dari penjelasan dan definisi di atas, jelaskah bahwa masalah diagonalisasi dari suatu vektor
A yang berukuran n n adalah ekuivalen dengan pertanyaan: ”Apakah ada matriks P yang
invertibel sehingga P-1 A P adalah matriks diagonal D?”. Prosedur berikut menunjukkan
bahwa masalah vektor-vektor igen dan asalahan diaginalisasi adalah setara. Dengan kata lain
prosedur berikut adalah tahapan untuk mendiagonalkan matriks yang berukuran n n.
Tahap 1. Carilah n vektor eigen yang bebas linear dari matriks A yang berukuran n n.
Misalnya p1, p2,...., pn.
Tahap 2. Bentuklah matriks P yang mempunyai p1, p2,...., pn sebagai vektor-vektor
kolomnya.
Tahap 3. Matriks D = P-1 A P adalah matriks diagonal dengan λ1, λ2,. . ., λn sebagai unsur-
unsur diagonal yang berurutannya dan λi adalah nilai-nilai eigen yang bersesuaian dengan pi
untuk I = 1, 2, 3, …, n.
Contoh 11. 8
1 0
6 1
Diketahui matriks A = .
Carilah: a) matriks P yang mendiagonalisasi A. b) matriks diagonal D = P-1 A P.
Penyelesaian:
a) Persamaan karakteristik matriks A
det (λ I – A) = 0
1 0
det 6 =0
1
(λ – 1)( λ + 1) = 0
λ1 = 1 dan λ2 = -1 (nilai-nilai eigen A)
Untuk λ1 = 1, sistem persamaan linear homogennya
(λ I – A )x = O
0 0 x1 0
6 2 x2 = 0
-6x 1 + 2x 2 = 0
x1 =x2
x1 1 t
3
x2 t R
1 1
t
x= 3 3 t.
1t 1
1
3
1
Jadi, basis untuk ruang eigen yang bersesuaian dengan λ 1 = 1 adalah p1 = .
(λ I – A )x = O
0
1
Jadi, basis untuk ruang eigen yang bersesuaian dengan λ 1 = -1 adalah p2 = .
1
03 10
Dengan demikian kita dapatkan bahwa (p , p ) adalah bebas linear, sehingga P =
1 2
D = P-1AP = 3
= 1
3 0 3 0
= 3
1 1 1
1 0
= 0 1
Catatan: Dalam contoh ini tidak ada urutan yang diistimewakan untuk kolomkolom P.
Karena unsur-unsur diagonal ke-i dan D = P-1A P adalah nilai-nilai eigen untuk vektor kolom
dari matriks P, maka dengan mengubah urutan kolom-kolom matriks P hanyalah mengubah
urutan nilai-nilai eigen pada diagonal untuk D = P-1AP. Jadi seandainya matriks Pnya
ditulis seperti berikut:
1
0
3
1 1
P=
1 0
1 0
Maka kita akan memperoleh matriks diagonal D = P-1AP = .
Contoh 11. 9
4 0 1
Carilah matriks P yang mendiagonalkan matriks a = 1 2 0
2 0 1
Penyelesaian:
Dari contoh 11. 4, nilai-nilai eigen matriks A adalah λ 1 = 1, λ2 = 2 dan λ3 = 3.
Kemudian dari contoh 11. 6 telah diperoleh vektor-vektor bebas linear:
1
2 1
0 1 1
1 1
p1 = 0 1 , p2 = , dan p3 = ,
D = P-1AP =
=0
Catatan: Mencari P-1 dari P (lihat Modul 3 Kegiatan Belajar 2, Invers Matriks).
Contoh 11. 10
2
1 0
Perlihatkan bahwa matriks A =
2
tidak dapat didiagonalisasi .
Bukti:
Persamaan karakteristik matriks A adalah det (A – λI) = 0.
2 0
1 2
det =0
(2 – λ) (2 – λ) = 2
λ1 = λ2 = 0 (nilai-nilai eigen matriks A)
Basis untuk ruang eigen yang bersesuaian dengan λ = 2 adalah vektor yang bebas linear, yaitu
0
1
p=
Karena basis ruang eigen berdimensi satu suatu matriks A tidak mempunyai dua vektor eigen
yang bebas linear, sehingga A tidak dapat didiagonalisasi.
Perlu diketahui, bahwa dari ketiga contoh terakhir di atas tadi (contoh 11. 8, 11. 9, dan 11.
10) kita beranggapan bahwa vektor-vektor kolom dari matriks P yang disusun dari vektor-
vektor basis dari berbagai ruang eigen dari matriks A adalah bebas linear. Teorema berikut
akan membahas asumsi tersebut.
Teorema 11. 2. Jika v1, v2, v3, ... , vk adalah vektor-vektor eigen dari matriks A yang
bersesuaian dengan nilai-nilai eigen λ1, λ2, λ3, ... , λk yang berbeda, maka {v1, v2, v3, ... , vk}
adalah himpunan yang bebas linear.
Bukti:
Misalkan v1, v2, v3, ... , vk adalah vektor eigen dari A yang bersesuaian dengan nilai-nilai
eigen yang berbeda λ1, λ2, λ3, ... , λk. Untuk mendapatkan kontradiksinya, kita mengasumsikan
vektor-vektor v1, v2, v3, ... , vk tak bebas linear, sehingga dapat disimpulkan bahwa v1, v2, v3,
... , vk bebas linear.
Karena berdasarkan definisi, suatu vektor eigen tentunya tidak nol, maka
{v1} bebas linear. Misalkan r adalah bilangan bulat terbesar sehingga {v 1, v2, v3, ... , vk}bebas
linear. Karena kita mengasumsikan bahwa {v1, v2, v3, ... , vk} tak bebas linear, maka r
memenuhi 1 r < k. Lebih jauh berdasarkan definisi r, maka {v1, v2, v3, ... , vk} tak bebas
linear. Jadi, terdapat skalar-skalar c1, c2, ..., cr + 1 yang tidak semuanya nol, sehingga
c1v1 + c2 v2 + ... + cr + 1vr + 1 = 0.............................................................(1)
Dengan mengalikan kedua ruas persamaan (1) oleh A dan dengan menggunakan
Selanjutnya dengan mengalikan kedua ruas persamaan (1) dengan λ r + 1 dan mengurangi
persamaan (2) dengan persamaan yang didapatkan, maka kita akan mendapatkan
c1(λ1 - λr + 1)v1 + c2(λ2 - λr + 1)v2 + … + cr(λr - λr + 1)vr = 0
Karena {v1, v2,....., vr} adalah himpunan yang bebas linear, maka persamaan ini
mengimplikasikan bahwa:
c1(λ1 - λr + 1)v1 = c2(λ2 - λr + 1)v2 = … = cr(λr - λr + 1)vr = 0
dan karena λ1, λ2,...., λr + 1) masing-masing berbeda, maka kita dapatkan:
c1= c2 = ... = cr = 0.............................................................................(3)
Dengan mensubstitusikan nilai ini pada persamaan (1), maka akan didapatkan
Teorema 11. 3. Jika suatu matriks A berukuran n n mempunyai nilai-nilai eigen yang
berbeda-beda, maka A dapat didiagonalisasi .
Bukti:
Jika v1, v2,....., vn adalah vektor-vektor eigen yang bersesuaian dengan nilainilai eigen yang
berbeda λ1, λ2, ... , λn, maka menurut teorema 11. 2 haruslah v1, v2,....., vn bebas linear. Jadi,
A dapat didiagonalisasi,
Contoh 11. 11
Kita perhatikan kembali matriks Q dan A dalam contoh 11. 4 dan 11. 6, yaitu:
3 2
1 0
Q=
dengan nilai-nilai eigen yang berbeda, yaitu λ1 = 1 dan λ2 = 2, sehingga Q dapat diagonalisasi.
Jadi
1 0
0 2
D = P-1Q P =
Untuk suatu matriks P yang invertibel. Demikian pula
A= 1 00 1
0 1 4
2
2
dengan nilai-nilai eigen yang berbeda, yaitu λ1 = 1 dan λ2 = 2, dan λ3 = 3,
maka A dapat diagonalisasi, dan matriks
1 0 0
D = P-1A P = 0 2 0
0 0 3
dengan matriks P invertbel. Jika diinginkan matriks P ini dapat dicari dengan menggunakan
metode seperti yang ditunjukkan dalam contoh-contoh diagonalisasi (contoh 11.8, 11.9, dan
11. 10).
B. Diagonalisasi Ortogonal
Sekarang kita akan mendiskusikan bagaimana mencari suatu basis ortonormal dengan hasil
kali dalam Euclid yang terdiri dari vektor-vektor eigen dari suatu matriks A yang berukuran n
n. Sedangkan untuk menunjang pembahasan materi ini adalah pemahaman tentang matriks-
matriks simetris dan pengertian ortogonal yang telah kita pelajari dari modul sebelumnya.
Untuk lebih jelasnya kita perhatikan dua masalah berikut yang ekuivalen.
1. Masalah vektor eigen ortonormal
Jika diketahui suatu matriks A yang berukuran n n, apakah ada suatu basis ortonormal
untuk Rn dengan hasil kali dalam (Euclid) yang terdiri dari vektorvektor eigen dari matriks A?
2. Masalah diagonalisasi ortogonal
Jika diketahui suatu matriks A yang berukuran n n, apakah ada suatu matriks diagonal P
sedemikian sehingga matriks D = P-1 A P = Pt A P adalah matriks diagonal?
Sebagai akibat dari permasalahan ini mendorong kita untuk membuat definisi berikut.
Definisi 11. 6. Matriks A yang berukuran n n dinamakan dapat didiagonalisasi secara
ortogonal jika terdapat matriks P yang ortogonal, dan matriks P dikatakan mendiagonalisasi
A secara ortogonal.
Dari definisi dan dua permasalahan di atas ada dua pelajaran yang perlu mendapat perhatian
kita, yaitu
1. Matriks manakah yang dapat didiagonalisasi secara ortogonal?
2. Bagaimana kita mencari suatu matriks ortogonal untuk melakukan diagonalisasi?
Sehubungan dengan pertanyaan-pertanyaan di atas, maka tentunya tidak ada harapan lagi
bagi kita untuk mendiagonalisasi suatu matriks A, kecuali jika matriks A adalah matriks
simetris. (yaitu A = At). Untuk melihat mengapa hal tersebut demikian adanya, misalkan
Pt A P = D...........................................................................(1)
Dengan P adalah matriks ortogonal dan D adalah matriks diagonal. Karena P ortogonal, maka
Pt P = Pt P = I
sehingga persamaan (1) bisa kita tulis dalam bentuk:
A = P D Pt........................................................................... (2)
Karena D matriks diagonal, maka D = Dt, sehingga dengan mentranspos kedua ruas dari
persamaan (2) didapatkan
At = (P D Pt)t = (Pt)t Dt Pt = P D Pt = A
sehingga A pastilah merupakan matriks simetris (lihat Modul 1 Kegiatan Belajar 2).
Sekarang kita perhatikan teorema berikut merupakan alat utama untuk menentukan apakah
sebuah matriks dapat didiagonalisasi secara ortogonal. Teorema berikut juga menunjukkan
bahwa setiap matriks simetris, pada kenyataannya dapat didiagonalisasi secara ortogonal.
Perlu pula diketahui bahwa pada teorema ini dan teorema berikutnya dari bahasan ini,
pengertian ortogonal akan berarti ortogonal berkenaan dengan hasil kali dalam Euclid.
(Euclidean inner product) seperti telah dubahas dalam Modul 4 dan Modul 5.
Teorema 11. 4. Jika A adalah suatu matriks n n, maka pernyataan berikut adalah ekuivalen.
(a) A dapat didiagonalisasi secara ortogonal.
(b) A merupakan suatu himpunan n vector eigen yang ortonormal (c) A adalah
matriks simetrik.
Bukti:
(a) (b). Karena A dapat didiagonalisasi, maka terdapat matriks yang ortogonal,
sedemikian hingga P-1 A P adalah matriks diagonal. Seperti telah diperlihatkan pada
bahasan yang lalu bahwa n vektor kolom dari P adalah vektor-vekor eigen dari A.
Karena P ortogonal, maka vektor-vektor kolom ini ortonormal (Teorema 2. 5 Modul 9
Kegiatan Belajar 2), sehingga A mempunyai n vektor eigen yang ortonormal.
(b) (a). Misalkan A mempunyai himpunan n vektor eigen yang ortonormal {p 1, p2, ..., pn}.
Seperti telah diperlihatkan bahwa untuk P dengan vektorvektor eigen ini sebagai
kolom-kolomnya akan mendiagonalisasi A.
Karena vektor-vektor eigen ini ortonormal, maka P ortogonal sehingga akan mendiagonalisasi
A secara ortogonal.
(a) (c). Pada pembuktian (a) (b) kita telah memperlihatkan bahwa suatu matriks A berukuran
n n dapat didiagonalisasi oleh matriks P yang berukuran n n secara orthogonal yang
kolom-kolomnya membentuk himpunan ortonormal dari vector-vektor eigen matriks A.
Selanjutnya, misalkan O matriks diagonal, maka
D = P-1 A P
Jadi,
A = P D P-1
atau karena P orthogonal, maka
A = P D Pt.
Dengan demikian,
At = (P D Pt)t = P Dt Pt = P D Pt = A
yang menunjukkan bahwa matriks A adalah matriks simetris.
(c) (a). Bukti bagian ini di luar ruang lingkup bahasan pembelajaran modul ini, dan
pembuktiannya akan diabaikan.
Sekarang kita beralih ke masalah mencari prosedur untuk mendapatkan matriks P yang
ortogonal untuk mendiagonalisasi matriks simetris. Namun sebelumnya kita perlu suatu
teorema kritis yang berikut sebagai kunci yang berkaitan dengan nilai eigen dan vektor eigen
dari matriks-matriks simetris.
Teorema 11. 5. Jika A adalah suatu matriks simetris, maka vektor-vektor eigen dari ruang
eigen yang berbeda akan ortogonal.
Bukti:
Misal λ1 dan λ2 adalah nilai-nilai eigen yang berbeda dari matriks simetris A yang berukuran
n n, dan misalkan x1 dan x2 adalah vektor-vektor eigen yang bersesuaian berturut-turut
dengan λ1 dan λ2. Karena x1 dan x2 merupakan vektorvektor eigen yang bersesuaian dengan
nilai eigen λ1 dan λ2, maka tentunya untuk matriks A berlaku:
A x1 = λ1 x1..................................................................................................................... (1)
A x2 = λ2 x2...................................................................................................................... (2)
Dari persamaan (1)
(A x1)t = (λ1 x1)t x 1t At = λ1 x 1t
dikalikandengan x2).
Selanjutnya kedua ruas persamaan (2) dikalikan dengan x 1t dan dari sebelah kir
sehingga kita dapatkan:
x1t A x 2 = λ 2x 1t x.......................................................................(4)
2
λ1x 1t A x 2= λ x2 t x1 2
Tahap 1. Carilah suatu basis untuk setiap ruang eigen dari matriks A.
Tahap 2.Terapkan proses Gran-Schmidt pada setiap basis-basis ini untuk mendapatkan suatu
basis ortonormal untuk setiap ruang eigen.
Tahap 3. Bentuklah matriks P yang kolom-kolomnya adalah vektor-vektor basis yang
disusun pada tahap 2, dan matriks inilah yang mendiagonalisasi A secara ortogonal.
Prosedur ini dan Teorema 11. 5 memastikan bahwa vektor eigen dari ruang eigen yang
berbeda adalah ortogonal, sedangkan penerapan proses Gram-Schmidt memastikan bahwa
vektor-vektor eigen yang didapatkan dalam ruang eigen yang sama adalah ortonormal. Jadi
keseluruhan himpunan vektor eigen yang didapat melalui prosedur ini adalah ortonormal.
Contoh 11. 12
7 24
24 7
Diketahui matriks A = .
a) Carilah matriks P yang mendiagonalisasi A secara ortogonal.
b) Tentukanlah matriks P-1 A P.
Penyelesaian:
a) Persamaan karakteristik matriks A adalah
det (A – λ I) = 0
7 24
det =0
24 7
2
λ – 625 = 0
λ= 25.
Adalah vektor eigen A yang bersesuaian dengan λ jika dan hanya jika x adalah penyelesaian
non trivial dari sistem persamaan linear:
(A - λ I) = 0
...................................................................... (1)
(Silakan dicoba dicari dengan cara yang sama seperti untuk λ 1), sehingga dengan proses
Gram-Schmidt dapat diubah menjadi vektor eigen yang ortonormal, yaitu:
4
x2 5
x2 3 5
5 2
v2 = , sebab 3
x.
Akhirnya dengan menggunakan v1 dan v2 sebagai vektor-vektor kolom, maka kita dapat
matriks yang mendiagonalisasi A secara ortogonal, yaitu:
3 4
5 5
4 3
P= 5 5 .
matriks ini adalah matriks diagonal dengan unsur-unsur diagonal utamanya adalah nilai-nilai
eigen dari matriks A.
Selanjutnya untuk lebih memantapkan pemahaman Anda terhadap materi Kegiatan Belajar 2
di atas, cobalah kerjakan soal-soal Latihan 2 berikut.
Latihan 2
3 0 0
1. Selidiki, apakah matriks berikut dapat didiagonalisasi A = 0 2 0.
0 1 2
14 12
2. Carilah matriks P yang mendiagonalisasi matriks A = .
20 17
3. Tentukanlah matriks diagonal P-1 A P dengan A adalah matriks pada soal latihan nomor
dua di atas.
2 0 26
0 3 0
36 0 23
4. Diketahui matriks A = .
Carilah matriks yang mendiagonalisasi A secara ortogonal.
3 0 0
1. A = 0 2 0. Persamaan karakteristik matriks A adalah:
0 1 2
det (A – λ I) x = 0
3 0 0
det 0 2 0 =0
0 1 2
(3 – λ)(2 – λ) = 0
x1
2
x 3
Jadi, vektor yang membentuk sebuah baris untuk ruang eigen matriks A yang
0
0
Jadi, vektor yang membentuk basis untuk ruang eigen matriks A yang
14 12
2. A = .
20 17
Persamaan karakteristiknya:
det (A – λ I) = 0
14 12
det 20 1 7
=0
λ2 - 3 λ + 2 = 0.
4
5
1
p1 = .
3
4
1
p2 = .
(Silakan, dibuktikan).
Jadi, matriks yang mendiagonalisasi matriks A adalah:
4 3
5 4
1 1
P= .
3. Karena matriks yang mendiagonalisasi matriks A adalah matriks P pada soal nomor dua di
atas, maka matriks diagonalnya
D = P-1 A P
10
02
=
Matriks ini adalah matriks diagonal dari matriks A, sebab unsur-unsur diagonal utamanya
berturut-turut adalah nilai-nilai eigen dari matriks A.
2 0 36
0 3 0
36 0 23
4. A = .
Dari persamaan karakteristik matriks A, kita daptkan nilai-nilai eigen matriks A, yaitu: λ 1 = -
3, λ2 = 25, λ3 = -50 (buktikan).
Vektor-vektor basis untuk ruang-ruang eigen matriks A yang bersesuaian dengan λ 1 =
-3, λ2 = 25, λ3 = -50 berturut-turut adalah
4 3
3 4
0 0
1 1
0
u1 = 1 , u2 = , u3 = 0 (buktikan).
Dengan menggunakan proses Gram-Schmidt terhadap {u1}, {u2}, dan {u3}, akan
menghasilkan vektor-vektor eigen matriks A yang ortonormal, yaitu:
4 3
3 5
0 0 4
3 5
0 5
v1 = 1 , v2 = , dan v3 = 0 (buktikan).
Akhirnya dengan menempatkan v1, v2, dan v3 sebagai vektor-vektor kolom, maka kita
dapatkan matriks P yang mendiagonalisasi matriks A secara ortogonal, yaitu
4 3
0
5 5
P= 1 0 0
3 4
0
5 5
5. Karena matriks P ini mendiagonalisasi matriks A secara ortogonal, maka matriks diagonal
D = P-1 A P
Unsur-unsur diagonal utama dari matriks diagonal D = P -1 A P adalah nilainilai eigen matriks
A (urutannya boleh saja berbeda-beda).
BAB III
PENUTUP
KESIMPULAN
Persamaan linear adalah sebuah persamaan aljabar, yang tiap sukunya mengandung
konstanta, atau perkalian konstanta dengan variabel tunggal. Persamaan ini dikatakan
linear sebab hubungan matematis ini dapat digambarkan sebagai garis lurus
dalam Sistem koordinat Kartesius.
Persamaan Linier Dua Variabel adalah suatu persamaan yang mempunyai dua
variabel dan masing-masing variabel berpangkat satu, dan dapat dinyatakan dalam
bentuk : ax + by = c dengan a, b, c R, a, b 0 dan x, y suatu variabel.
A. SARAN
Setelah pembuatan makalah ini selesai, penulis memberikan saran agar meningkatkan
sumber daya alam agarmeningkatkan kinerja sistematika elektronikayang berkaitan
dengan sistem digitan dan analog, maupun rangkaian-rangkaiannya.
DAFTAR PUSTAKA
https://id.wikipedia.org/wiki/Persamaan_linear
https://b3sm4rt.wordpress.com/2010/12/30/persamaan-kuadrat/
http://ibuyun04.blogspot.co.id/2013/06/makalah-persamaan-linear-2-variabel.html
Bintang Kalangu, Josep. 2005. Matematika ekonomi untuk bisnis. Edisi ke-1. Jakarta:
Penerbit Salemba Empat.
C.Chiang. alpha dan Kevin Wainwright. 2006.Dasar-Dasar Matematika Ekonomi. edisi
ke-4 jilid 1. Jakarta: Penerbit Erlangga.
Gazali,Wikaria. 2005. Matriks dan transpormasi linear. edisi ke-1. Yogyakarta: Penerbit
Graha Ilmu.
Mairy,Du. 2007. Matematika Terapan untuk Bisnis dan Ekonomi. Yogyakarta: BPFE-
YOGYAKARTA.
Ruminta. 2009. Matriks persamaan linear dan pemrograman linear. edisi ke-1. Bandung.
Penerbit Rekayasa Sains.
Sarjono,Haryadi dan Sanny,Lim. 2012. Aplikasi Matematika untuk Bisnis
dan Manajemen. Jakarta: Penerbit Salemba Empat.
Zulmaini, Isna. Matriks dan Determinan. Academia.com (online)
http://contohdanpenyelesaianmatrix.blogspot.com/2014/06/menyelesaik
a n-sistem-persamaan-linear_5.html?m=1
https://www.academia.edu/35447337/MAKALAH_VEKTOR_MATEMATIKA
https://pdfcoffee.com/bab-7-vektor-eigen-pdf-free.html, diakses pada 7 April 2021.
https://www.academia.edu/30461808/PENGAPLIKASIAN_NILAI_EIGEN_DALA
M_KEHIDUPAN_SEHARI-HARI, diakses pada 7 April 2021.
https://www.google.com/amp/s/fdokumen.com/amp/document/modul-11-aljabar-linear-2006-
561e86d588c35.html, diakses pada 7 April 2021.