MAKALAH

"MODEL LINIER DAN MATRIKS"

Laporan ini Disusun untuk Memenuhi Tugas

Mata Kuliah Matematika Ekonomi

DOSEN PENGAMPU

Sri Maharani, S.Pd., M.Pd

DISUSUN OLEH

Shaqila Rahma Heriawan

210100010

PROGRAM STUDI EKONOMI SYARIAH

STEBI AL ULUM MEDAN
2022
 MODEL LINEAR DAN ALJABAR MATRIKS

Kegunaan Aljabar Matriks:

1. Memberikan suatu cara penulisan sistem persamaan yang ringkas, walaupun
persamaannya luas.
2. Memberikan petunjuk mengenai cara pengujian suatu pemecahan yang ada melalui
penaksiran determinan.
3. Memberikan cara untuk mendapatkan pemecahan tersebut.

Permasalahan dalam sistem persamaan:

1. Analisis statis (static analysis)
2. Analisis komparatif (comparative analysis)
3. Analisis dinamis (dynamic analysis)
4. Masalah optimisasi (optimization problems)

Aljabar matriks hanya dapat diterapkan pada sistem linear, persamaan linear yang realistis
dapat menggambarkan hubungan ekonomi yang sebenarnya, tergantung pada sifat hubungan
tersebut. Realitas yang yang dibatasi denagn diasumsikannya linearitas, hubungan linear yang
diasumsikan ini dapat menghasilkan aproksimasi yang cukup aktual terhadap hubungan yang
non-linear.
Dalam kasus lain, dengan tetap menggunakan model non-linear, dapat dilakukan perubahan
variabel agar didapatkan hubungan linear.
y = axb
dengan mengalikan logaritma dalam fungsi tersebut:
log y = log a + log b

4.1 MATRIKS VEKTOR

c1P1 + c2P2 = -c0

γ1P1 + γ2P2 = -γ0
dapat ditulis
a11x1 + a12x2 + …. + a1nxn = d1
a21x1 + a22x2 + …. + a2nxn = d2
………………………………
am1x1 + am2x2 + …. + amnxn = dm

Parameter dengan simbol ganda yang menjadi tikalas (subskrip) aij menunjukkan koefisien dalam
persamaan ke-i yang terikat pada variabel j. di yang tidak terikat apapun menunjukkan konstanta
dalam persamaan ke-i. Semua tikalas (subskrip) menunjukkan lokasi tertentu dari variabel dan
parameter.

 Matriks sebagai Susunan (Array)

3 jenis persamaan bahan pokok:
1. Himpunan koefisien aij
2. Himpunan variabel x1, ……, xn
 3. Himpunan konstanta d1, ….., dm
Dapat disusun :

[ ] [] []
a 11 a 12 … a 1n x1 d1
a 21 a 22 … a 2n x2 d2
A= x= d=
……………… … …
am1 am 2 … amn xn dn

Contoh :
6x1 + 3x2 + x3 = 22
x1 + 4x2 – 2x3 = 12
4x1 – x2 + 5x3 = 10
Dapat ditulis:

[ ] [] []
6 3 1 x1 22
A = 1 4 −2 x = x2 d = 12
4 −1 5 x3 10

Matriks didefinisikan sebagai array segi empat dari bilangan, parameter, atau variabel.
Anggota dari susunan tersebut, yang disebut elemen matriks, biasanya dibatasi dengan
tanda: [ ](tanda kurung siku atau bracket), () (tanda kurung atau parentheses), ‖‖ (garis
sejajar).
Dalam matriks A (matriks koefisien dalam sistem persamaan), elemen-elemennya dipisah
bukan dengan tanda koma, tetapi dengan spasi kosong.

 Vektor sebagai Matriks Khusus

Jumlah baris dan kolom dalam suatu matriks membentuk dimensi suatu matriks.
Matriks A memiliki m baris dan n kolom, maka matriks tersebut dikatakan mempunyai
dimensi m× n. Jumlah baris dinyatakan terlebih dahulu daripada jumlah kolom. Dalam
kasus dimana m=n, matriksnya disebut matriks kuadrat (square matrix); jadi matriks A
adalah matriks kuadrat 3 × 3.
Matriks yang memiliki 1 kolom saja disebut vector kolom. Dimensi x adalah n×1,
dimensi d adalah m×1. Dalam susunan horizontal, matriks 1×n disebut vector baris.
Matriks dalam menjelaskan sistem persamaan dalam cara yang lebih ringkas. Dapat
dinyatakan dengan: Ax = d

4.2 OPERASI DENGAN MATRIKS

Dua matriks A = [aij] dan B = [bij] dikatakan sama jika keduanya mempunyai
dimensi serta elemen yang identik dalam susunan lokasi yang sama. A = B jika dan hanya
jika aij = bij untuk seluruh nilai i dan j.
Contoh:

[ ] [ ] [ ]
4 3
2 0
=
4 3
2 0
≠
2 0
4 3

[] []
x
y
=
7
4
, berarti bahwa x = 7 dan y = 4

 Penjumlahan dan Pengurangan Matriks

 Dua matriks yang dapat dijumlahkan jika dan hanya jika keduanya memiliki kesamaan
dimensi. Jika dimensinya sama , maka kedua matriks ini dikatakan telah memenuhi
syarat untuk dijumlahkan. Penjumlahan A = [aij] dan B = [bij] didefinisikan sebagi
penjumlahan dari setiap pasang elemen yang berpadanan.
Contoh:

[ ] [ ] [
4 9
2 1
+
2 0
0 7
=
4+ 2 9+ 0
2+0 1+7
= ] [ ]
6 9
2 8
Secara umum aturannya adalah [aij] + [bij] = [cij].

Operasi pengurangan A – B dapat didefinisikan dengan cara yang serupa.

[aij] - [bij] = [dij]
Contoh:

[19 3
2 0
-][ ] [
6 8
1 3
=
13 −5
1 −3 ]
 Perkalian Skalar (Scalar Multiplication)
Mengalikan suatu matriks dengan bilangan (dalam istilah aljabar matriks disebut skalar)
diartikan sebagai mengalikan setiap elemen dari matriks dengan skalar yang diberikan.
Contoh:
7 [
3 −1
0 5
= ] [
21 −7
0 35 ]
Penggunaan skalar yaitu untuk memperbesar atau mengecilkan elemen matriks dengan
pengali tertentu. Skalar juga bisa juga berupa bilangan negative.

 Perkalian Matriks
Suatu bilangan atau skalar dapat digunakan untuk mengalikan suatu matriks tanpa
menghiraukan seberapa besar dimensi matriks tersebut, sedangkan perkalian dua matriks
tergantung dari dipenuhi atau tidaknya persyaratan dimensi kedua matriks.
Contoh:

[ ]
1 3
A= 2 8
4 0
dan B=
5
9 []
[ ][]
1 ( 5 )+3 (9) 32
AB = 2 ( 5 )+ 8(9) = 82
4 ( 5 )+ 0 ( 9 ) 20

Y = C + I0 + G0
C = a + bY

Dapat disusun kembali dalam bentuk standar

Y −C=I 0 +G 0
−bY +C=a

Jika matriks koefisien A, vektor variabel x, dan vektor konstanta d adalah

 A=[−b1 −11 ] x=[YC ] d=[ I +Ga ]
0 0

Ax=
[−b1 −11 ][ YC ]=[1−b( Y )(+(−1)(C
Y ) +1(C)
)
] =
[ +C ]
Y −C
−bY

Jadi persamaan matriks Ax=d

[−bY +C [ a ]
]
Y −C I +G
= 0 0

 Permasalah dalam Membagi

Kita tidak dapat menulis A/B karena untuk dua bilangan a dan b (dengan b ≠0) dapat
ditulis dengan cara lain sebagai ab-1 atau b-1a, dimana b-1 menunjukkan inverse atau
kebalikan dari b. Hal ini berbeda dari matriks. Dengan menerapkan konsep matriks
inverse dalam kasus tertentu, kita dapat menetapkan matriks B-1 yang merupakan
kebalikan dari matriks B. Hasil perkalian AB-1 atau B-1A tidak akan menunjukkan hasil
yang sama.

 Penyimpangan cara Penulisan ∑

Penjumlahan yang ditulis secara singkat dapat menggunakan huruf Yunani ∑ (sigma,
yang berarti “jumlah”)
Contoh:
3
x 1+ x2 + x 3=∑ x j
j=1
Simbol j disebut indeks penjumlahan (summation index) hanya menggunakan bilangan
bulat. Simbol xj menunjukkan besaran yang akan dijumlahkan, dan merupakan fungsi j.

Contoh:
3 3

∑ ax j=ax1 +ax 2 +ax 3=a ( x1 + x 2 + x 3 )=a ∑ x j

j=1 j=1

4.3 CATATAN MENGENAI OPERASI VEKTOR

 Perkalian Vektor
Suatu vektor kolom u dengan dimensi m× 1 dan vektor baris v’ dengan dimensi 1 ×n,
akan menghasilkan hasil-kali matriks uv’ dengan dimensi m× n.
Contoh:

[]
3 '
u= dan v = [ 1 4 5 ]
2
 [ ][
u v ' = 3(1) 3(4) 3(5) = 3 12 15
2(1) 2(4) 2(5) 2 8 10 ]
Karerna setiap baris dalam u hanya terdiri satu elemen, sebagaimana setiap kolom dalam
v’, maka setiap elemen uv’ ternyata hanya memiliki satu perkalian.

Contoh:
u=[ 3 4 ] dan v= [ 97]
u' v= [ 3 ( 9 )+ 4 (7) ]=[ 55 ]

Matriks diatas merupakan matriks satu elemen (matriks 1 ×1) yang menyerupai bilangan
konstan atau skalar terhadap penambahan dan perkalian. Selain itu, matriks1 ×1 tidak
mempunyai sifat utama yang juga tidak dimiliki oleh bilangan konstan (scalar).

[]
3
' 2 2 2
u u=[ 3 6 9 ] 6 =(3) +(6) +(9)
9

 Interpretasi Geometris dari Operasi Vektor

Vektor baris dengan n elemen (n-vektor) dapat ditinjau sebagai tuple-n, dan karena itu
merupakan merupakan sebuah titik dalam ruang dimensi n (ruang-n).
Dari sebuah titik (3,2) digambarkan dalam ruang-2 dan diberi tanda u. Ini bentuk

[]3
geometris dari u= atau vektor u' = [ 3 2 ] ,keduanya dalam hal ini menunjukkan pasangan
2
urut yang sama. Bila garis dengan tanda panah digambar dari titik asal (0,0), dengan
panjang arah tertentu dan arah tertentu disebut vektor radius.
Mengikuti penafsiran baru mengenai vektor ini, akan memungkinkan untuk
memberikan suatu pengertian ilmu ukur terhadap (a)perkalian bilangan konstan terhadap
suatu vektor, (b) penjumlahan dan pengurangan suatu vektor dan (c) kombinasi “linear”
dari sebuah vektor.

[]
6
Pertama, bila kita gambarkan vektor =2 u dalam gambar 4.3a, hasilnya berupa
4
garis dengan tanda panah yang tumpang tindih pada garis yang lama tetapi dengan garis
yang dua kali lebih panjang. Dalam kenyataannya perkalian vektor u dengan bilangan
konstan k akan menghasilkan garis baru yang tumpang tindih pada garis yang sama,
tetapi ujung panah akan berpindah, kecuali jika k=1. Bila pengali multiplier) konstanta
adalah k > 1, panahnya akan melewati garis yang lama;bila0< k <1 panahnya akan lebih
pendek; sedangkan bila k =0 maka garis akan mengerut ke dalam titik asal yang

[] 0
menunjukkan vektor nol . Suatu pengali konstan yang negatif akan mengubah arah
0
panah.

[ ]
Sebagai contoh, bila vektor u dikalikan dengan -1, kita peroleh −u=
−3
−2
dan tampak
dalam gambar b sebagai garis dengan tanda panah yang sama panjangnya dengan u tetapi
digambar dengan berlawanan.
 Selanjutnya penjumlahan vektor, v= []1
4 []3
dan u= . Jumlah v+u=
2 []
4
6
digambar
dengan garis putus-putus (c). Jumlah suatu vektor dapat diperoleh secara ilmu ukur dari
suatu jajaran genjang. Selanjutnya, cara ini juga dapat memberikan selisih vektor (vector
difference)v-u, karena hal ini sama dengan jumlah (sum) dan (-1)u.

 Ketidakbebasan Linear
Suatu himpunan vektor v1 , … … .. , v n dikatakan sebagai tidak bebas secara linear
(linearly dependent) jika salah satu diantaranya dapat dinyatakan sebagai kombinasi
linear dan vektor sisanya; jika tidak, dikatakan sebagai bebas secara linear (linearly
independent).
Contoh:

[] []
2 1
v1 = , v 2 = , dan v3 =
7 8 []4
5
tidak bebas secara linear karena v3 merupakan kombinasi
linear dari v1 dan v2.

[ ][ ][]
3 v 1−2 v 2= 6 − 2 = 4 =v 3
21 16 5
Dapat dinyatakan dalam bentuk:
3 v 1−2 v 2−v 3 =0
 Dimana 0= []
0
0
menunjukkan vektor nol (vektor kosong).
Contoh:
v ' 1=[ 5 12 ] dan v ' 2=[ 10 24 ] tidak bebas secara linear karena
2 v ' 1=2 [ 5 12 ]= [ 10 24 ]=v ' 2
Dapat ditulis dalam bentuk:
2 v ' 1−v ' 2=0 dimana 0’ menunjukkan vektor baris [ 0 0 ] .
Suatu himpuanan m vektor v1 , … … .. , v n dikatakan tidak bebas secara linear (linearly
dependent) jika dan hanya jika terdapat himpunan skalar k 1 , … … .. , k n (tidak semuanya
nol) sehingga
n

∑ k i v i=0
i=1
Sebaliknya, jika persamaan ini dapat dipenuhi hanya jika ki = 0 untuk semua i , maka
vektor ini bebas secara linear (linearly independent).
Konsep tidak bebas secar linear juga dapat diterapkan denagn mudah dalam interpretasi
geometris. Dua vektor, u dan 2u jelas tidak bebas. Secara geometris gambar a panahnya
terletak pada satu garis lurus. Hal yang sama juga berlaku untuk u dan –u dalam gambar
b. vektor u dan v dalam gambar c bebas secara linear, karena tidak mungkin menyatakan
yang satu sebagai perkalian dari yang lain. Secara geometris , garisnya tidak terletak pada
satu garis lurus.
Jika ditentukan lebih dari ruang 2, maka sekali kita menemukan dua vektor yang bebas
secara linear dalam ruang-2, maka semua vektor lainnya dalam ruang itu akan dinyatakan
sebagai kombinasi linear.

 Ruang Vektor
Keseluruhan vektor-2 yang dihasilkan oleh bermacam-macam kombinasi linear dari dua
vektor bebas dari u dan v merupakan ruang vektor yang berdimensi dua. Suatu ruang-2
tidak dapat dihasilkan oleh sebuah vektor-2 tunggal karena “kombinasi linear” vektor
tersebut hanya dapat menghasilkan himpunan vektor yang terletak pada satu garis lurus.
Ruang vektor dengan tiga dimensi adalah keseluruhan vektor-3 yang dibatasi oleh tiga
unit vektor-3 yang bebas secara linear. Contoh himpunan dari tiga unit vektor

[] [] []
1 0 0
e 1 ≡ 0 e 2 ≡ 1 e3 ≡ 0
0 0 1
Ketiga vektor ini jelas bebas secara linear, dan garisnya terletak pada ketiga sumbu dalam

[]
1
ruang-3. Contoh 2 dapat dianggap sebagai kombinasi linear e 1+ 2 e2 +2 e3 . Secara ilmu
2
ukur, kita dapat menambah vektor e 1+ 2 e2 dalam gambar dengan cara jajaran genjang.
Untuk mendapatkan vektor dengan titik ( 1,2,0 ) dalam bidang x 1 x 2 dan kemudian
tambahkan hasil akhir dengan 2 e3 melalui jajaran genjang yang dibentuk dalam bidang
vertikal yang berwarna gelap untuk memperoleh hasil terakhir pada titik (1,2,2).
 Setiap himpunan n yang bebas secara linear dalam vektor-n dapat menghasilkan seluruh
ruang-n karena setiap elemen dari vektor n harus merupakan bilangan nyata, maka ruang-
n ini sebenarnya adalah Rn (Euclidean ruang-n). Untuk menjelaskan konsep ini, akan
dibahas mengenai jarak antara dua titik vektor. Untuk setiap pasangan titik vektor u dan v
dalam titik tertentu, jarak dari u ke v adalah suatu fungsi nilai nyata dengan sifat sebagai
berikut:
1. Jarak u dan v sama, jaraknya nol
2. Jika kedua titik berbeda, jarak dari u ke v dan jarak v ke u ditunjukkan oleh bilangan
nyata positif yang sama
3. Jarak antara u dan v tidak pernah lebih panjang dari jarak u ke w ditambah jarak dari w ke
u. Bila dinyatakan dalam simbol :
d ( u , v )=0 untuk u ≠ v
d ( u . v )=d ( v , u ) >0 untuk u ≠ v

d ( u , v ) ≤ d ( u , w ) +d ( w , v ) untuk w ≠u , v

Sifat terakhir dikenal sebagai ketidaksamaan segitiga (triangular inequality), karena

ketiga titik u,v dan w akan membentuk suatu segitiga.
Jika sebuah ruang vektor mempunyai fungsi jarak yang memenuhi ketiga sifat diatas
maka disebut ruang matriks. Ruang Euclidean adalah salah satu ruang matriks dengan
fungsi jarak yang ditentukan. Fungsi Euclidean :

d ( u , v )=√( a1−b 1)2 +(a2−b 2)2 +…+(an −bn )2

Contoh

√(6−3)2 +(4−2)2= √3 2+22 =√13

 Hasil fungsi Eclidean akan sama dengan hasil dari dalil Phytagoras. Fungsi jarak
Euclidean dapat juga dinyatakan dalam bentuk akar kuadrat dari hasil perkalian dua
bilangan konstan dari dua vektor.

d ( u , v )=√ (u−v) '(u−v )

4.4 HUKUM KOMUTATIF, ASOSIATIF, DAN DISTRIBUTIF

Hukum komutatifdalam penjumlahan: a+ b=b+a
Hukum komutatif dalam perkalian : ab=ba
Hukum asosiatif dalam penjumlahan : ( a+ b ) +c=a+(b+c )
Hukum asosiatif dalam perkalian : ( ab ) c =a(bc )
Hukum distributif : a ( b+ c )=ab+ ac

 Penjumlahan Matriks
Penjumlahan matriks bersifat komutatif sekaligus asosiatif. Penjumlahan matriks
mensyaratkan penjumlahan elemen yang bersesuaian dari dua matriks, dan urutan
pasangan elemen yang dijumlahkan tidaklah penting.
 Hukum Komutatif
A+B=B+A
Contoh:
A= [ ]
3 1
0 2
dan B= [ ]
6 2
3 4
A+ B=B+ A=
9 3
3 6 [ ]
 Hukum Asosiatif
(A + B) + C = A + (B + C)
Contoh:
v1 =[ 34 ] , v =[ 91] , dan v =[ 25]
2 3

[ ][][ ]
12 2 10
( v 1+ v 2 )−v 3= 5 − 5 = 0 sama dengan

v + ( v −v )=[ ] + [ ]=[ ]
3 7 10
1 2 3
4 −4 0
Jika diterapkan pada kombinasi linear vektor k 1 v 1 +… …+ k n v n hukum asosiatif
mengizinkan untuk memilih setiap pasang suku untuk dijumlahkan (atau
dikurangkan).

 Perkalian Matriks
Perkalian matriks tidak komutatif, AB ≠ BA .
Contoh:

[ ] [
A= 1 2 dan B= 0 −1 maka
3 4 6 7 ]
 AB=
[ ][
1 ( 0 ) +2(6) 1 (−1 ) +2(7)
=
12 13
3 ( 0 )+ 4(6) 3 (−1 ) +4 (7) 24 25 ]
BA=
[
0 ( 1 )−1(3)
6 ( 1 )+ 7(3) 6 ( 2 ) +7(4) ] [ 27 40 ]
0 ( 2 )−1( 4) −3 −4
=

Terdapat pengecualian dalam peraturan AB ≠ BA , yaitu jika A berupa matriks kuadrat dan
B matriks identitas; A berupa invers dari B  A=B−1.
Perkalian skalar terhadap matriks adalah mengikuti hukum komutatif, jadi kA= Ak
.
Hukum Asosiatif
( AB ) C= A ( BC )= ABC
Dalam membentuk perkalian ABC, kondisi yang sesuai harus dipenuhi oleh setiap
pasangan matriks yang berdekatan.

Contoh:

[] x
x= 1 d an A= 11
x2 [ a
0 a 22]0
maka

[ ] a x
x ' Ax=x' ( Ax )=[ x 1 x 2 ] 11 1 =a11 x 21 +a22 x 22
a22 x 2

[]
( x ' A ) x= [ a11 x 1 a 22 x2 ] x 1 =a11 x 21+ a22 x 22
x2

Hukum Distributif
A (B + C) = AB + AC [yang mengalikan A]
(B + C) A = BA + CA [yang dikalikan A]

Dalam setiap kasus,, tentu persyaratan kesesuaian dalam penjumlahan maupun perkalian
harus dipenuhi.

4.5 MATRIKS IDENTITAS DAN MATRIKS NOL

 Matriks Identitas (Identity Matrix)
Yaitu matriks kuadrat (square matrix) dengan 1 pada diagonal utamanya dan 0
diposisi lainnya. Biasanya, matriks ini dinyatakan dengan simbol I atau In , subskrip n
menunjukkan dimensi baris (maupun kolomnya)

[ ]
1 0 0
I 2= [ ]
1 0
0 1
I 3= 0 1 0
0 0 1
Matriks ini mempunyai peranan yang sama dengan bilangan 1 dalam skala aljabar.
AI =IA =A

Contoh:
A=
[
1 2 3
2 0 3
maka ]
 IA=
[ ][
1 0 1 2 3
0 1 2 0 3
=
][
1 2 3
2 0 3
=A
]
][ ][
1 0 0
AI =[1 2 3
2 0 3
0 1 0=
0 0 1
1 2 3
2 0 3
=A ]
Suatu kasus yang akan kita peroleh dari IA= AI =A adalah
AI n =( I n)2=I n
Yang menyatakan bahwa matriks identitas kuadrat adalah sama dengan matriks
identitas itu sendiri. Secara umum, dari hasil ini adalah
k
( I n) =I n ( k=1,2 , … .)

Suatu matriks identitas tidak akan berubah jika dikali berapa kalipun oleh matriks itu
sendiri (Idempotent Matrikx).

 Matriks Nol
Matriks ini berperan sebagai bilangan nol dan mempunyai elemen yang seluruhnya
adalah bilangan nol. Matriks ini tidak harus memiliki jumlah baris dan koom yang
sama.

Matriks nol mengikuti aturan operasi penjumlahan dan perkalian (dengan syarat
penyesuaian)

Contoh:
A+0=
[ ][ ][ ]
a11 a12 0 0
+
a21 a22 0 0
a a
= 11 12 =A
a21 a22

][ ] [ ]
0
A 0=
[
a11 a12 a13
0=
a 21 a22 a23 0
0
0
 Keistimewaan Aljabar Matriks
1. Dalam hal skalar, persamaan ab = 0 menyiratkan bahwa a atau b sama dengan
0, tetapi tidak terjadi dalam matriks.
Contoh:

[ ][ ][ ]
AB= 2 4 −2 4 = 0 0 =0
1 2 1 −2 0 0

Walaupum matriks A dan matriks B bukan 0

 2. Persamaan cd = ce (dimana c ≠ 0) secara tidak langsung menyatakan bahwa
d=e, tetapi tidak terjadi dalam matriks.
C= [ ] [ ] [ ]
2 3
6 9
D=
1 1
1 2
E=
−2 1
3 2

[ ]
CD=CE=
5 8
15 24
Meskipun D ≠ E
Hasil ini hanya terjadi pada segolongan khusus matriks yang dikenal sebagai matriks
singular.

4.6 TRANSPOS DAN INVERS

Jika baris dan kolom suatu matriks saling ditukar-sehingga baris pertam menjadi kolom
pertama dan sebaliknya-kita peroleh transpose A yang dinyatakan oleh A' atau AT
Contoh
Diketahui A= [ ]
3 8 −9 dan B= 3 4
1 0 4 1 7 [ ]
[ ]
3 1
Maka A '
= '
8 0 dan B =
−9 4
3 1
4 7 [ ]

[ ]
1 0 4
Contoh C= [ 9 −1
2 0 ]
dan D= 0 3 7
4 7 2
Maka

[ ]
1 0 4
'
C= [ 9 2
−1 0 ] '
dan D = 0 3 7
4 7 2

Di sini dimensi setiap transpose sama dengan matriks asal. Matriks D merupakan matriks
kuadrat khusus yang disebut matriks simetris. Contoh lain matriks seperti itu adalah
matriks identitas I, yang sebagai matriks simetris mempunyai Transpos I ' =I

 Sifat-sifat Transpos
'
( A' ) = A ( A+ B )' = A' + B'
( AB )' =B ' A '

1. Transpos dari transpos adalah matriks asalnya

2. Transpos dari suatu jumlah adalah jumlah dari masing-masing transpos
Contoh:

[ ]
A= 4 1 dan B= 2 0
9 0 7 1 [ ]
 [ ][ ]
'
( A+ B )' = 6 1 = 6 16
16 1 1 1

Dan [ ][ ][
A' + B' = 4 9 + 2 7 = 6 16
1 0 0 1 1 1 ]
3. Transpos dari suatu hasil perkalian adalah perkalian dari transpos dalam urutan
yang terbalik (in reverse order).
Contoh:

[ ]
A= 1 2 dan B= 0 −1
3 4 6 7 [ ]
[ ][ ]
'
( AB )' = 12 13 = 12 24
24 25 13 25

'
B A=
'
[−10 67 ][ 12 34]=[ 1213 2425]
 Invers dan Sifat-sifatnya
Untuk sebuah matriks A yang diketahui, transpos A’ selalu dapat diperoleh.
Sedangkan matriks inversnya yang juga merupakan turunan dari matriks mungkin
dapat atau tidak dapat diperoleh. Invers matriks A, yang ditunjukkan dengan simbol
A-1, hanya dapat ditentukan bila A adalah matriks bujursangkar.

Invers adalah matriks yang memenuhi A A−1 =A−1 A=I

Yaitu A dikalikan A-1 ataupun sebaliknya A-1 dikalikan A, kedua hasil perkalian ini
merupakan matriks identitas yang sama. Ini merupakan pengecualian terhadap sifat
nonkomutatif perkalian matriks.

Hal yang perlu diperhatikan adalah:

1. Tidak setiap matriks bujursangkar (jumlah baris dan kolom sama) mempunyai
invers. Bila A mempunyai invers, maka A disebut non-singular. Bila A
mempunyai invers, maka A disebut matriks singular.
2. A dan A-1 merupakan invers satu sama lain.
3. Bila A adalah n × n, maka A-1 juga harus n × n; kalau tidak, masing-masing
dimensinya tidak sesuai sehingga tidak dapat saling dikalikan. Matriks identitas
yang diperoleh dari hasil perkalian juga berdimensi n × n.
4. Bila suatu matriks mempunyai invers, maka untuk membuktikannya, anggap B
merupakan invers dari A
AB=BA=I
Sekarang anggaplah bahwa terdapat matriks lain C sehingga AC=CA=I . Dengan
mengalikan bagian AB=I dengan C maka
CAB=CI ( ¿ C )
Karena dari asumsi CA=I , maka persamaan semula dapat diperkecil menjadi
IB=C atau B=C
 B dan C merupakan inverse matriks yang sama. Dengan alasan ini kita bisa
menyatakan invers A.
5. Kedua bagian dari kondisi A A−1 =I dan A −1 A=I sebenarnya secara tidak
langsung menyatakan bahwa kedua hubungan inverse antara A dan A−1.
Pembuktian
( BA ) A−1=IA −1
B ( AA )=IA
−1 −1
[hukum asosiatif]
−1
BI=IA [ AA−1= I dari asumsi]
Maka, seperti yang disyaratkan
B= A−1
Menggunakan cara yang sama, dapat dibuktikan bahwa, bila AA−1=I, maka satu-
satunya matriks C yang dapat menghasilkan CA −1=I adala hC= A .
Contoh
A= [ ]
3 1
0 2
dan B= [
1 2 −1
6 0 3 ] 1
, dan karena pengganda konstan ( ) dalam B dapat
6
dipindahkan ke belakang (hukum komutatif), maka kita dapat menulis

[ ][ ] [ ] [ ]
AB= 3 1 2 −1 = 6 0 = 1 0
1
0 2 0 3 6 0 6 6 0 1
1

Ini membuktikan B sebagai inverse A, atau sebaliknya. Perkalian sebaliknya, juga

menghasilkan matriks Identitas :
AB=
[ ][
6 0 2 0 3 ] [ ][ ]
1 3 1 2 −1 1 6 0
=
6 0 6
=
1 0
0 1
Ketiga sifat-sifat inverse matriks berikut ini menarik untuk diperhatikan. Bila A
dan B merupakan matriks non-singular dengan dimensi n x n, maka :
−1
( A¿¿−1) = A ¿
−1 −1 −1
( AB) =B A
( A' )−1=( A ¿¿−1)' ¿
Yang pertama menyatakan bahwa inverse dari suatu inverse matriks adalah
matriks asalnya. Yang kedua, menyatakan bahwa inverse hasil perkalian suatu
matriks adalah perkalian dari suatu inverse matriks dalam urutan yang terbalik
(inverse order). Dan yang terakhir menyatakan bahwa inverse dari suatu
transpose adalah transpose dari inverse matriks tersebut.

 Matriks Invers dan Penyelesaian Sistem Persamaan Linear

Penggunaan konsep matriks inverse dalam suatu penyelesaian suatu sistem
persamaan linear adalah langsung dan cepat.
A x=d
Akan menghasilkan
−1 −1
A Ax = A d
Atau
x = A−1 d

[ ] [] []
6 3 1 x1 22
A= 1 4 −2 x= x 2 d= 12
4 −1 5 x3 10
 −1
Maka inverse matriks A adalah A =
52[
1 18 −16 −10
−13 26
−17 18
13
21 ]
[] [ ][ ] [ ]
x1 18 −16 −10 22 2
1
x2 = −13 26 13 12 = 3
52
x3 −17 18 21 10 1
Kesimpulannya, salah satu cara untuk mencari penyelesaian sistem persamaan linear
Ax = d, dimana koefisien matriks A non-singular, pertama-tama kita cari inverse A−1,
kemudian kalikan A−1dengan vektor konstan d. Hasil perkalian A−1d akan
memberikan nilai jawaban dari variabelnya.

4.7 RANTAI MARKOV TERBATAS

Proses Markov digunakan untuk mengukur atau mengestimasi pergerakan yang
terjadi setiap saat. Proses ini melibatkan penggunaan matriks transisi Markov, setiap nilai
dalam matriks transisi adalah probabilitas pergerakan dari suatu keadaan ke keadaan
lainnya.Selain itu, juga ada vektor yang memuat distribusi awal diantara berbagai
keadaan itu. Dengan mengulang perkalian vektor seperti itu dengan matriks transisi,
dapat mengestimasi perubahan-perubahan keadaan setiap saat.
Masalah pergerakan karyawan internal suatu perusahaan yang memiliki banyak
cabang atau outlet. Definisikan probabilitas/kemungkinan transisional sebagai berikut:
PAA ≡ probabilitas bahwa yang sekarang ada di A nantinya tetap di A
PAB ≡ probabilitas bahwa yang sekarang ada di A nantinya pindah ke B
PBB ≡ probabilitas bahwa yang sekarang ada di B nantinya tetap di B
PBA ≡ probabilitas bahwa yang sekarang ada di B nantinya pindah ke A
Distribusi karyawan di beberapa lokasi pada waktu t sebagai vektor dapat ditulis
x 1 =[ A t B t ]
'

Dan probabilitas transisionalnya dalam bentuk matriks adalah

[
M = AA
P P AB
PBA P BB ]
Maka distribusi karyawan di beberapa lokasi pada periode berikutnya (t + 1) adalah
' '
x 1 M = x t +1
P
[BA
P
]
[ At Bt ] P AA P AB =[ ( A t P AA + Bt PBA )( A t P AB +B t P BB ) ] =[ A t +1 Bt +1 ]
BB

Umumnya untuk n periode

[ ]
n
P AA P AB
[ At Bt ] =[ A t+ n B t+ n ]
P BA PBB

Matriks probabilitas M 2 ×2 disebut sebagai matriks transisi Markov. Untuk

kasus dimana n eksogen, prosesnya disebut sebagai ranati Markov tak terbatas.

Rantai Markov Penyerap

Karyawan dapat keluar dari perusahaan dengan
PAE ≡ probabilitas bahwa A sekarang memilih keluar (E)
PBE ≡ probabilitas bahwa B sekarang memilih keluar (E)
Asumsinya PAE =0 PBE = 0 PEE =1
Dengan memulai pada waktu t = 0, rantai Markov sekarang menjadi:

[ ]
n
P AA P AB P AE
[ A0 B 0 E0 ] P BA PBB P BE =[ A n Bn E n ]
P EA PEB P EE

[ ]
n
P AA P AB P AE
[ Ao B 0 E0 ] P BA PBB P BE =[ A n Bn E n ]
0 0 1

(Asumsikan E0 = 0)
Nilai probabilitas transisi ditemukan pada baris ketiga, bahwa setelah seorang karyawan
keluarmenjadi E dalam satu keadaan (periode waktu), karyawan itu akan tetap demikian
utnuk semua keadaan (periode waktu) di masa depan. Karena n tidak terbatas, maka An
dan Bn akan mendekati nol dan En akan mendekati nilai jumlah total pekerja pada waktu
nol (misalnya A0 + B0 + E 0).