Matematika

Teknik

Nama : Muhammad Dzulfiqar Syaifullah

Kelas : TKJ 1C

NIM : 42519067

1
A. PENGERTIAN MATRIKS

a. Definisi Matriks

Matriks adalah kumpulan bilangan-bilangan yang disusun secara khusus

dalam bentuk baris dan kolom sehingga membentuk persegi panjang dan bujur
sangkar dimana panjang dan lebarnya ditunjukkan oleh kolom dan baris yang
ditulis diantara dua tanda kurung, yaitu ( ) dan [ ].

b. Simbol Matriks

Pada umumnya simbol matriks berbentuk | |, [ ], ( ). Secara umum sebuah

matriks dapat ditulis :

 a11 a12  a1 j  a1n 

a a 22  a2 j  a 2 n 
 21
     
Amxn =  
 ai1 ai 2  aij  ain 
     
 
a m1 am2  a mj  a mn 

Matriks juga dapat dinyatakan sebagai: Amxn = [aij]mxn

Dimana: aij = elemen atau unsur matriks

i = 1,2,3,...m, indeks baris

j = 1,2,3,...n, indeks kolom

c. Bentuk-Bentuk Matriks

1. Ordo 2 x 1 mengandung pengertian 2 baris dan 1 kolom.

a 
Misalnya: b 
 

2. Ordo 2 x 2 mengandung pengertian 2 baris dan 2 kolom.

a b 
Misalnya:  
c d 

2
 3. Ordo 3 x 3 mengandung pengertian 3 baris dan 3 kolom.

a b c
Misalnya: d e f 

 g h i 

B. JENIS-JENIS MATRIKS

Jenis matriks dapat dibedakan berdasarkan susunan elemen matriks dan

berdasarkan sifat operasi dari matriksnya.

a. Berdasarkan Susuna Elemen Matriks

Berdasarkan susunan elemen matriks, ada beberapa jenis matriks yaitu:

1. Matriks kuadrat/bujur sangkar (square matrix) adalah matriks dimana

jumlah baris (m) sama dengan jumlah kolom (n) atau m = n.

1 2 3 
 2 3
Contoh: A =  , B = 6 5 4
 
1 4  7 8 9

2. Matriks nol (null matrix) adalah matriks dimana semua elemenya

mempunyai nilai nol (0).

0 0 0 
0 0 
Contoh: A =  , B = 0 0 0
0 0  0 0 0

3. Matriks diagonal (diagonal matrix) adalah matriks dimana semua

elemen diluar diagonal utamanya adalah nol (0) dan minimal ada satu
elemen pada diagonal utamanya bukan nol.

1 0 0
3 0
Contoh: A =  , B = 0 0 0
0 5  0 0 9

3
4. Matriks kesatuan/identitas (unit matrix, identity matriix) adalah matriks
dimana semua elemen pada diagonal utamanya bernilai satu dan elemen
diluar diagonal utama bernilai nol.

1 0 0
1 0
Contoh: A =  , B = 0 1 0 
 
0 1  0 0 1

5. Matriks skalar (scalar matrix) adalah matriks diagonal dimana elemen

pada diagonal utamanya bernilai sama tetapi bukan satu atau nol.

5 0 0 
4 0
Contoh: A =  , B = 0 5 0 
 
0 4 0 0 5

6. Matriks tridiaonal (tridiagonal matrix) adalah matriks diagonal dimana

elemen sebelah kiri dan kanan diagonal utamanya bernilai tidak sama
dengan nol (0).

5 2 0 
Contoh: A = 2 5 2
 
0 2 5

7. Matriks segitiga bawah (lower triangular matrix, L) adalah matriks

diagonal mana elemen disebelah kiri (bawah) diagonal utama ada yang
bernilai tidak sama dengan nol.

1 0 0 
1 0 
Contoh: L =  , L = 2 3 0
2 1 4 3 5

8. Matriks segitiga atas (upper triangular matrix, U) adalah matriks diagonal

dimana elemen sebelah kanan (atas) diagonal utama ada yang bernilai
tidak sama dengan nol.

4
 5 3 2 
1 2
Contoh: U =  , U = 0 4 1 
 
0 3  0 0 5

9. Matriks simetris (symmertic matrix) adalah matriks bujur sangkar dimana

elemen ke aij sama dengan ke aij atau (aij= aij) untuk semua i dan j.

2 1 5
Contoh: U = 1 4 2 , berlaku sifat AT = A
 
5 2 2

10. Matriks miring (skew matrix) adalah matriks bujur sangkar dimana elemen
ke aij sama dengan –aji atau (aij = -aji) untuk semua i dan j tetapi elemen
diagonal utama tidak semuanya bernilai nol.

7 5 6
Contoh: M =  5 0 4 , berlaku sifat MT = -M

 
 6  4 2

11. Matriks miring simetris (skew-symmetric matrix) adalah matriks bujur

sangkar dimana elemen ke a ij sama dengan –aij atau (aij = -aji) untuk semua
i dan dan semua elemen diagonal utama bernilai nol.

0 5 6
Contoh: M =   5 0 4 , berlaku sifat MT = -M

 6  4 0

b. Berdasarkan Sifat Operasi Matriks

Berdasarkan sifat operasi matriks, ada beberapa jenis matriks yaitu:

1. Matriks singular (singular matrix) adalah matriks yang determinannya

bernilai nol.

 2 3 2
 2 4
Contoh: A =  , B = 4 1 5
 2 4 0 0 0

5
2. Matriks non singular (non singular matrix) adalah matriks yang
determinannya bernilai tidak sama dengan nol.

2 2 1 
4 5
Contoh: A =  , B = 1 2 2 
 
1 2  2 1 2

3. Matriks hermit (hermit matrix) adalah matriks bujur sangkar yang

T
transpose conjugate-nya sama dengan matriks itu sendiri atau M =M

dimana M = conjugate kompleks matriks M.

 1 1  i 2  1 1 i 2 
Contoh: M = 1  i 3 i  , M = 1  i 3  i 
  
 2  i 0  2 i 0 

 1 1  i 2
= 1  i 3 i  = M
T
M 
 2  i 0

4. Matriks hermit miring (skew hermit matrix) adalah matriks bujur sangkar
yang transpose conjugate-nya sama dengan negatif matriks itu sendiri atau
T
M = -M.

 i 1  i 2   i 1 i 2 
Contoh: M =  1  i 3i i  , M =  1  i  3i  i 
  2 i 0   2  i 0 

  1  1  i  2
= 1  i  3i  i  = -M
T
M
 2 i 0 

5. Matriks uniter (uniter matrix) adalah matriks bujur sangkar yang

T
transposenya sama dengan invers conjugate-nya atau MT = M atau
1
M M T = MM = I.

6
 0  i   0 i  0 i
Contoh: M = i 0  , M =   dan MT=  
    i 0   i 0
 0 i
T  0 i i 2 0  1 0
M M =    i 0 =  = 
  i 0   0  i 2  0 1 

6. Matriks ortogonal (orthogonal matrix) adalah matriks bujur sangkar yang

transposenya sama dengan inversnya atau MT = M-1 atau MTM=I.

 1 1   1 1
 2  , dan MT =  2 
Contoh: M =  2  2
 1 1   1 1 
 2 2   2 2 

 1 1  1 1 
 2 2   2 2  = 1 0 = I
MTM =  
 1 1   1 1  0 1
 2 2   2 2 

7. Matriks normal (normal matrix) adalah matriks bujur sangkar yang

T T
mempunyai sifat: M M =M .

 1 2  i  1 2  i
Contoh: M = 
1 
= 
1 
, dan M
2  i 2  i

T  1 2  i
=
1 
M
2  i

T T  1 2  i  1 2  i
M ↔   1 
MM =M
2  i 1  2  i

 1 2  i  1 2  i  2 4  2i 
=
1  2  i 1  4  2i 2 
=
2  i  

 1 2  i T
=2 
1 
= 2M
2  i

7
8. Matriks involunter (involunter matriks) adalah matriks yang jika dikalikan
dengan matriks itu sendiri akan menghasilakan matriks identitas atau M2 =
I.

 2 1 
 5 
Contoh: M =  5
 1 2 
 5 5 

 2 1   2 1 
 5   5 5  = 1 0 = I
M2= M.M =  5 
 1 2   1 2  0 1
 5 5   5 5 

9. Matriks idempotent (idempotent matrix) adalah matriks yang jika dikalikan

dengan matriks itu sendiri akan menghasilkan matriks asal M2= M.

 2  2  4
Contoh: M =  1 3 4 

 1  2  3

 2  2  4  2  2  4  2  2  4
M2=   1 3 4   1 3 4  =  1 3 4  = M

 1  2  3  1  2  3  1  2  3

10. Matriks nilpotent (nilpotent matrix) adalah matriks yang jika dikalikan
dengan matriks itu sendiri akan menghasilkan matriks nol atau MP = 0,
untuk p = bilangan bulat positif > 2.

1 1 3

Contoh: M =  5 2 6 
 2  1  3

1 1 3 1 1 3 1 1 3
3
M = 5 2 6  5 2 6  5 2 6 
  
 2  1  3  2  1  3  2  1  3

8
 0 0 0 
M = 0 0 0
3

0 0 0

11. Matriks elementer (elementary matrix) adalah matriks hasil transformasi

elementer terhadap matriks kesatuan (I).

1 0 0
Contoh: I = 0 1 0
 
0 0 1

Transformasi elementer I12,I3(k),dan I23(k):

0 1 0 
I12 = 1 0 0
 
0 0 1

1 0 0 
I3(k) = 0 1 0 
 
0 0 k 

1 0 0 
I23(k) = 0 1 k 
 
0 0 1 

Keterangan:

I12=b12 (baris 1 ditukar dengan baris 2)

I3(k)=b3(k)=k xb3 (baris 3 dikali dengan k)

I23(k)=b2+k x b3 (baris 2 + baris 3 dikali k)

9
C. ALJABAR MATRIKS

a. Penjumlahan dan Pengurangan Matriks

Penjumlahan dan pengurangan matriks harus memperhatikan hal-hal

berikut:

 Matriks dapat dijumlahkan atau dikurangkan jika mempunyai ukuran atau

dimensi yang sama.

 Matriks yang ukurannya berbeda tidak dapat dijumlahkan atau

dikurangkan.

 Matriks hasil penjumlahan atau pengurangan mempunyai ukuran yang

sama dengan matriks asal.

 Penjumlahan matriks adalah menambahkan elemen pada posisi yang sama

pada matriks.

 Pengurangan (selisih) matriks adalah mengurangi elemen pada posisi yang

sama pada matriks.

Jumlah dua matriks A = (aij) dan B = (bij) yang berukuran m x n:

A + B = (aij + bij)mxn untuk i = 1,2, ..., m;

j= 1,2, ..., n;

selisih dua matriks A = (aij) dan B = (bij) yang berukuran m x n:

A - B = (aij - bij)mxn untuk i = 1,2, ..., m;

j= 1,2, ..., n;

Sifat penjumlahan dan pengurangan matriks:

 A+B=B+A Sifat komutatif

 A+B+C=C+B+A

 (A+B)+C=A+(B+C) Sifat Asosiatif

10
  A+0=A

 A–0=A

Contoh:

Tentukan penjumlahandan selisih dari matriks-matriks berikut:

 2 1 3  4 7  8
A=  0 4 6  , B = 9 3 5 
 
 6 10  5 1  1 2 

Penyelesaian:

 24  1  7 3  (8)  6 6  5

A + B = 09 43 6  5  =  9 7 11 
  
 6  1 10  (1)  5  2   5 9 3 

 24  1  7 3  (8)  2  8 11 

A - B = 09 43 6  5  =  9 1 1 
 
 6  1 10  (1)  5  2   7 11  7

b. Perkalian Matriks

1. Perkalian Skalar dengan Matriks

Jika k adalah bilangan real (skalar), maka perkalian skalar dengan matriks
A=[aij]mxn :

 ka11 ka12  ka1n 

 ka ka22  ka 2 n 
kA =  21 = (kaij)mxn
   
 
kam1 kam 2  kamn 

atau

11
  a11k a12 k  a1n k 
a k a 22 k  a 2 n k 
Ak =  21 = (aijk)mxn
   
 
a m1 k a m 2 k  a mn k 

Sifat perkalian skalar dengan matriks:

Jika A,B,C adalah matriks mxn, k1 dan k2 adalah skalar maka:

 k1 = Ak1

 (k1k2)A = k1(k2A)

 1A = A

 (-1) A= -A

 K1(A+B) = k1A + k1B

 (k1+k2)A = k1A + k2A

Contoh:

 2 1 3 
1. Jika A =  0 4 6  dan k = 2 tentukan kA dan Ak

 6 10  5

Penyelesaian:

 2 1 3   2 2 6 
kA = 2  0 4 6  =  0 8 12 

 6 10  5  12 20  10

 2 1 3   2 2 6 
Ak =  0 4 61  2=  0 8 12 

 6 10  5  12 20  10

12
 2. Jika diketahui matriks A dan B berikut,

 4 0 5 1 1 1
A=  , B=  
  1 3 2 3 5 7

Tentukan 2A dan 2A-B

Penyelesaian:

 4 0 5  8 0 10
2A = 2  =  2 6 4 
  1 3 2  

 4 0 5 1 1 1  7  1 9
2A-B = 2  - =  
 1 3 2 3 5 7  5 1 3

2. Perkalian Matriks dengan Matriks

Jika A matriks ukuran m x p dan B matriks ukuran p x n, maka perkalian

matriks A dan B :

 a11 a12  a1 p   b11 b12  b1n 

a a 22  a 2 p  b21 b22  b 2 n 
AB = 
21

      
  
a m1 am2  a mp  b p1 b p 2  b pn 

 p 
atau AB =  aik bkj 
 k 1  mxn

untuk semua i = 1,2,..., m ; j = 1,2,...,p.

Perkalian matriks yaitu mengalikan elemen baris ke-i matriks A dengan

elemen kolom ke-j matriks B dan menjumlahkannya. Dimensi hasil perkalian
matriks:

13
 Am x p x Bp x n = ABm x n

sifat perkalian matriks dengan matriks:

 A(BC) = A (BC) Asosiatif

 A(B+C) = AB + AC Distributif kiri

 (B + C ) A = BA + C Distributif kanan

 r(AB) = (rA)B r = skalar

 ImA = A = AIn Asosiatif

Contoh:

2  1 3  9 2 
1. Jika diketahui A =   dan B = 5 7  6 tentukan AB
3 4   

Penyelesaian:

2  1 3  9 2 
AB =  x 5 7  6
3 4   

2(3)  (1)5 2(9)  (1)7 2(2)  (1)( 6)

= 
 3(3)  4(5) 3(9)  4(7) 3(2)  4(6) 

 1  25 10 
= 
29 1  18

c. Perpangkatan Matriks

Jika n adalah sebuah bilangan bulat positif dan A suatu matriks persegi,
maka An = A x A x A x A ... x A (sebanyak n faktor) atau dapat juga dituliskan
An = A x An-1 atau An = An-1 x A.

14
 Contoh:

 1  2
Diketahui matriks A =   , tentukan:
 1 3 

a. A2 b. A3 c. 2A4

Penyelesaian:

 1  2  1  2  3  8
a. A2 =    = 
 1 3   1 3   4 11 

 1  2  3  8  11  30
b. A3 =   = 
 1 3   4 11   15 41 

 1  2  11  30
c. 2A4 = 2A x A3 = 2   
 1 3   15 41 

 41  112  82  224
= 2 =  112 306 
 56 153   

d. Transpose matriks

Transpose dari matriks A berordo m x n adalah matriks yang diperoleh

dari matriks A dengan menukar elemen baris menjadi elemen kolom atau
T
sebaliknya, sehingga beordo n x m. Notasi transpose Am x n adalah Anxm .

Contoh:

Tentukan transpose dari matriks berikut:

 a11 a12 a13 a14   2 3

A= a a 22 a 23 a 24  , B = 1 4
 21
a31 a32 a33 a34  5 6

15
 Penyelesaian:

Transpose dari matriks tersebut adalah sebagai berikut:

 a11 a 21 a31 
a a32 
a 22  2 1 5
AT =  12 BT =  
a13 a 23 a33   3 4 6
 
a14 a 24 a34 

e. Determinan Matriks

1. Determinan matriks ordo 2 x 2

a b 
Misalkan A =   adalah matriks yang berordo 2 x 2 dengan
c d 
elemen a dan d terletak pada diagonal utama, sedangkan b dan c terletak
pada diagonal utama kedua. Determinan matriks A dinotasikan “det A”
atau A adalah suatu bilangan yang diperoleh dengan mengurangi hasil

kali elemen-elemen pada diagonal utama pertama dengan hasil kali pada
diagonal utama kedua.

Dengan demikian dapat diperoleh rumus det A sebagai berikut:

a b 
det A =   = ad –bc
c d 

Contoh:

Tentukanlah determinan metriks matriks berikut:

5 2  4  1
A=   b. 
 4 3 3 2 

Penyelesaian:

5 2
a. det A =   = (5) (3) - (2) (4) = 7
 4 3

16
  4  1
b. det B =  = (-4) (2) – (-1) (3) = -5
3 2 

2. determinan matriks ordo 3 x 3

 a11 a12 a13 

jika A =  a 21 a 22 a 23  adalah matriks persegi berordo 3 x 3,

a 31 a32 a33 

 a11 a12 a13 

determinan A dinyatakan dengan det A =  a 21 a 22 a 23  .

a 31 a32 a33 

Ada dua cara yang dapat digunakan untuk menentukan matriks berordo 3 x
3, yaitu aturan sarrus dan metode minor-kofaktor.

 aturan sarrus

Untuk menentukan determinan dengan aturan sarrus, perhatikan alur

berikut. Misalnya kita akan menghitung determinan matriks A3x3,
gambaran perhitungannya adalah sebagai berikut:

a11 a12 a13 a11 a12

det A  a 21 a 22 a 23 a 21 a 22
a31 a32 a33 a31 a32

= a11a22 a33  a12 a23 a31 a13 a21a32  a13 a22 a31  a11a23 a32  a12 a21a33

 metode minor-kofaktor

Misalkan matriks A dituliskan dengan [aij]. Minor elemen aij yang

dinotasikan dengan Mij adalah determinan setelah elemen-elemen baris ke-
i dan kolom ke-j dihilangkan. Misalnya dari matriks A3x3 kita hilangkan
 a11 a12 a13 
baris ke-2 kolom ke-1 sehingga: A =  a 21 a 22 a 23 
a 31 a32 a33 

17
 a a13 
Akan diperoleh M21 =  12
a33 
. M21 adalah minor dari elemen matriks
a32
A baris ke-2 kolom ke-1 atau M21 = a21.

Kofaktor elemen aij dinotasikan dengan Kij adalah hasil kali (-1)i+j dengan
minor elemen tersebut. Dengan demikian kofaktor suatu matriks
dirumuskan dengan:

Kij= (-1)i+j Mij

Dari matriks A diatas, kita peroleh misalnya kofaktor a21 dan a13
berturut-turut adalah :

K21=(-1)2+1M21= -M21

K13=(-1)1+3M13= -M13

 k11 k12 k13 

Kofaktor dari matriks A3x3 adalah (kof) A =  k 21 k 22 k 23 

k 31 k 32 k 33 

Nilai dari suatu determinan merupakan hasil penjumlahan dari

perkalian suatu elemen-elemen suatu baris (atau kolom) dengan
kofaktornya. Untuk menghitung determinan, kita dapat memeilih terlebih
dahulu sebuah baris (atau kolom) kemudian kita gunakan aturan diatas.
Perhatikan cara menentukan determinan berikut:

 a11 a12 a13 

Misalkan diketahui matriks A =  a 21 a 22 a 23 
a 31 a32 a33 

Determinan matriks A dapat dihitung dengan cara berikut:

Kita pilih baris pertama sehingga:

det A = a11k11  a12 k12  a13k13

= a11 (1)11 M 11  a12 (1)1 2 M 12  a13 (1)13 M 13

18
 a a23  a a23  a a22 
= a11  22   a12  21   a13  21
a32 a33  a31 a33  a31 a32 

= a11 (a 22 a33  a23 a32 )  a12 (a21a33  a23 a 31 )  a13 (a21a32  a22 a31 )

= a11a22 a33  a11a23 a32  a12 a21a33  a12 a23a31  a13 a21a32  a13a22 a31

= a11a22 a33  a12 a23a31  a13 a21a32  a11a23a32  a12 a21a33  a13a22 a31

Tampak bahwa det A matriks ordo 3 x 3 yang diselesaikan dengan cara

minor kofaktor hasilnya sama dengan det A dengan menggunakan cara
sarrus.

Contoh:

1 2 3 
Tentukan determinan dari matriks A = 2 1 4 dengan aturan sarrus dan
 
3 1 2

minor kofaktor!

Penyelesaian:

Cara 1 (aturan sarrus):

1 2 3 
det A = 2 1 4
3 1 2

= (1 x 1 x 2) + (2 x 4 x 3) + (3 x 2 x 1) – (3 x 1 x 3) – (1 x 4 x1) – (2
x 2 x 2)

= 2 + 24 + 6 – 9 – 4 – 8

= 11

Cara 2 (minor-kofaktor):

19
 1 4 2 4 2 1
det A = 1    2   3 
1 2 3 2 3 1

= 1 (2 – 4) – 2 (4 – 12) + 3 (2 – 3)

= 1 (-2) – 2(-8) + 3(-1)

= -2 + 16 – 3

= 11

3. Sifat-Sifat Determinan Matriks

Berikut beberapa sifat determinan matriks:

1. jika semua elemen dari salah satu baris/kolom sama dengan nol maka
determinan matriks itu nol.

2 3 1
0 0 0 0 0  B  0
Misal: A =  → A  0, B =  
 2 3 5 4 1

2. jika semua elemen dari salah satu baris/kolom sama dengan baris/kolom
elemen-elemen lain maka determinan matriks itu nol.

 4 3 2
Misal: B = 5 7 8  B  0 (karena elemen-elemen baris ke-1 dan
4 3 2

ke-3 sama).

3. Jika elemen-elemen salah satu kolom/baris merupakan kelipatan dari

elemen-elemen baris/kolom lain maka determinan matriks itu sama
dengan nol.

 1 2 3
Misal: A = 5 7 0  A  0 (karena elemen-elemen baris ke-3
2 4 6

merupakan kelipatan elemen-elemen baris ke-1)

20
 4. AB  A x B

5. AT  A , untuk AT adalah transpose dari matriks A.

1
6. A 1  , untuk A-1 adalah invers dari matriks A
A

7. kA  kn A untuk A ordo n x n dan k suatu konstanta.

f. Invers Matriks

Jika A adalah matriks ukuran n x n dan jika ada matriks b ukuran n x n

sedemikian rupa sehingga:

AB = BA = I

Dimana I adalah matriks identitas ukuran n x n, maka matriks A disebut

non singular atau invertibel dan matriks A merupakan invers dari B atau B
merupakan invers dari A.

Jika matriks A tidak mempunyai invers, maka A disebut matriks singular

atau non invertibel.

Notasi matriks invers dari A: A-1.

1. Menentukan invers matriks berordo 2 x 2

a b 
Misalkan diketahui matriks A =   , dengan ad-bc tidak sama
c d 
dengan nol. Suatu matriks lain, misalnya B dikatakan sebagai invers
matriks A jika AB = I. Matriks invers dari A ditulis A-1 dengan demikian
berlaku AA-1=A-1A.

Matriks A mempunyai invers jika A adalah matriks nonsingular yaitu

det A ≠ 0, sebaliknya jika det A = 0 maka matriks singular maka matriks
ini tidak memiliki invers.

a b 
Jadi jika A =   , maka inversnya adalah:
c d 

21
 1  d  b
A-1 = untuk ad-bc ≠ 0
ad  bc  c a 

Contoh:

Tentukan invers matriks matriks berikut:

4 1 
a. A =  
7 2 

3  2
b. B =  
5  4

Penyelesaian:

1  2  1
a. A-1 =
8  7  7 4 

1  2  1
=  7 4 
1  

 2  1
=  
 7 4 

1   4 2
b. B-1 =
 12  (10)   5 3

1   4 2
 2   5 3
=

2 1
= 5  3
 2 2 

2. Menentukan invers matriks berordo 3 x 3

Invers matriks berordo 3 x 3 dapat dicari dengan beberapa cara. Pada

pembahasan kali ini kami akan menggunakan cara adjoin.

Invers matriks persegi berordo 3 x 3 dirumuskan sebagai berikut:

22
 1
A 1  adj ( A)
det A

Penentuan adj A:

a b c (  ) ( ) (  ) a11 a12 a13

 
A  d e f   A  () () ()  A  a 21 a 22 a 23
g h i  (  ) ( ) (  )
 a31 a32 a33

e f  d f  d e
a11   a  a12  b  a13  c 
h i  g i   g h

b c  a c  a b
a 21  d   a 22  e  a 23   f  
h i  g i  g h

b c a c  a b
a31   g   a32  h  a33  i 
e f  d f   g h

Contoh:

1 2 1 
Diketahui matriks A = 2 3 4 tentukan invers matriks A dengan
 
1 2 3
menggunakan perhitungan menurut baris pertama.

Penyelesaian:

Terlebih dahulu kita hitug determinan A

3 4 2 4 2 3
det A  1 2 1
2 3 1 3 1 2

= 1(9 – 8) – 2(6 – 4) + 1(4 – 3)

=1(1) – 2(2) + 1(1)

=1 – 4 + 1

= -2

Dengan menggunakan rumus adjoin diperoleh:

23
  1 4 5 
adj (A)   2 2  2
 1 0  1

Jadi A-1 dapat dihitung sebagai berikut:

1
A 1  adj ( A)
det A

 1 4 5 
1 
=
  2 2  2
2
 1 0  1

 1 5
 2 2  
2
= 1 1 1 
 1 1 
 0 
 2 2 

g. Penyelesaian Persamaan Linear dengan Matriks

Matriks dapat digunakan untuk mempermudah dalam menentukan

penyelesaian sistem persamaan linear. Pada pembahasan kali ini, kita akan
menggunakannya untuk menyelesaikan sestem persamaan linear dua variabel
dan tiga variabael.

1. Sistem Persamaan Linear Dua Variabel

Bentuk umum sistem persamaan linear dua variabel:

ax + by = p .......................................................(1)

cx + dy = q .......................................................(2)

persamaan (1) dan (2) deatas dapat kita susun kedalam bentuk matriks
dibawah ini:

24
a b   x   p 
c d   y   q 
    

Tujuan penyelesaian sistem persamaan linear dua variabel adalah

menentukan nilaix dan y yang memenuhi sistem persamaan itu. Oleh
karena itu, berdasarnya sistem penyelesaian matriks bentuk AX = B dapat
dirumuskan sebagai berikut:

 x 1  d  b  p 
 y   ad  bc  c a    q 
     

Asalkan ad – bc  0

Contoh:

Tentukan penyelesaian sistem persamaan linear berikut dengan

menggunakan matriks.

2x + y =

x + 3y = 7

penyelesaian:

dari persamaan diatas dapat kita susun menjadi matriks sebagai berikut.

2 1  x  4
1 3  y   7
    

Dengan menggunakan rumus penjelasan matriks diatas, diperoleh sebagai

berikut.

 x 1  3  1 4
 y   (2 x3)  (1x1)  1 2  7
    

15
=  
5 10

1 
=  
2
25
 Jadi,diperoleh penyelesain x = 1 dan y = 2

2. Sistem Persamaan Linear Tiga Variabel

Untuk menyelesaikan sistem persamaan linear tiga variabel dapat

dilakukan dengan beberapa cara misalnya eliminasi, substitusi dan
gabungan antara eliminasi dan substitusi.

Misalkan diberikan sistem persaman linear tiga variabel sebagai berikut.

a1 x  b1 y  c1 z  d1

a2 x  b2 y  c2 z  d 2

a3 x b 3 y  c3 z  d 3

Sistem persamaan linear diatas dapat disusun menjadi matriks sebagai

berikut:

 a1 b1 c1   x   d1 
a b2 c2   y   d 2 
 2
 a3 b3 c3   z   d 3 

 a1 b1 c1   x  d1 
Misalkan A = a 2 b2 c 2  , X =  y  dan B = d 
    2
 a3 b3 c3   z   d 3 

Bentuk diatas dapat kita tuliskan sebagai AX = B

Penyelesaian sistem persamaan AX= B adalah X = A-1B. Dalam hal ini

1
A-1= adj ( A) , oleh karena itu diperoleh:
det A

 1  1
X=  adj ( A)  B = adj ( A) B
 det A  det A

Contoh:

Tentukanlah determinanmatriks berikut:

26
 1 2 3
B  1 3 4
1 4 3

Penyelesaian:

1 2 31 2
B  1 3 41 3
1 4 31 4

B = (1x3x3) + (2x4x1) + (3 x1x4) – (3x3x1) – (1x4x4) – (2x1x3)

B  9  8  12  9  16  6

B  2

D. NILAI EIGEN DAN VEKTOR EIGEN

Sebuah matriks bujur sangkar dengan orde n x n misalkan A, dan sebuah vektor
kolom X dihubungkan dengan sebuah persamaan :

AX = λX

dimana λ adalah suatu skalar dan X adalah vektor yang tidak nol.

Skalar λ dinamakan nilai Eigen dari matriks A. Nilai eigen adalah nilai
karakteristik dari suatu matriks bujur sangkar. Vektor X adalah suatu vektor yang
tidak nol untuk nilai eigen yang sesuai dan disebut dengan vektor eigen. Jadi vektor X
mempunyai nilai tertentu untuk nilai eigen tertentu.

Perhitungan Nilai Eigen

Kita tinjau perkalian matriks A dan X dalam persamaan sebelumnya. Apabila

kedua sisi dalam persamaan tersebut dikalikan dengan matriks identitas didapatkan :

IAX = IλX

AX = λIX
27
[λI - A]X = 0

Persamaan terakhir terpenuhi jika dan hanya jika

det[λI - A] = 0

Dengan menyelesaikan persamaan diatas kita bisa mendapatkan nilai eigen λ.

Misalkan diberikan sebuah matriks

a b 
A=  
c d 

Dari persamaan det[λI - A] = 0 kita dapatkan :

  a b 
 c 0
  d 
det


  a   d   bc  0
2  a  d   ad  bc  0

Selanjutnya dengan menggunakan rumus abc didapatkan nilai eigen :

Contoh:

1. tentukan nilai eigen dari matriks berikut ini:

 3 2
A 
 1 0

Penyelesaian:

Nilai eigen ditentukan dengan persamaan:

  3 2 
det  = 0
  1   0
28
 (  3)(  0)  2  0

2  3  2  0

(  1)(  2)  0

Jadi penyelesaian dari persamaan ini adalah  =1 dan  =2

2. Tentukanlah nilai eigen dari matriks berikut ini:

  8 21  9 
 
A    14 31  13 
  22 45  19 
 

Penyelesaian:

Persamaan karakteristik dari matriks A adalah:

 8   21 9 
 
det( A  I )  det  14 31    13  = 0
  22  19   
 45

Untuk mencari nilai  yang sesuai terlebih1 dahulu hitung determinan dari (A-  )
dengan metode kofaktor:

31    13  14  13  14 31  
det A   8     21 9
45  19    22  19    22 45

det A  3  42  4  16

det A = (   2)(   2)(  4)

sehingga didapat ketiga nilai eigen adalah   2,   2,   4

E. PENERAPAN MATRIKS DALAM FISIKA

a. Analisis Vektor dengan Pendekatan Matriks

Vektor adalah istilah yang sangat akrab bagi orang – orang yang
berkecimpung di bidang fisika. Tentu saja karena vektor adalah istilah penting
yang berhubungan dengan sifat yang dimiliki oleh suatu objek. Vektor atau

29
besaran vektor didefinisikan sebagai besaran yang mempunyai besar atau nilai dan
arah, sedangkan definisi dari besaran adalah sesuatu yang dapat diukur dan
dinyatakan dalam satuan. Akan sangat panjang jika kita membahas definisi
besaran di sini, maka mari kita kembali menengok pembahasan vektor kita.
Catatan ini akan lebih banyak membahas operasi matematika pada vektor, jika
pembaca ingin mengetahui lebih banyak tentang definisi vektor dan aturan
penulisan vektor, pembaca dapat membaca referensi – referensi lain yang
membahas tentang vektor.

Vektor dapat direpresentasikan ke dalam bentuk vektor satuan. Vektor satuan

adalah vektor pada arah sumbu x, y, atau z pada koordinat kartesian yang
memiliki besar satu satuan. Misalnya suatu vektor dua dimensi pada koordinat
kartesian F = 16 N pada arah 60 derajat dapat direpresentasikan dalam vektor
satuannya sebagai F = (8i + 13.86j) N, dengan huruf i menunjukkan vektor satuan
dari F yang bernilai 8 N pada arah sumbu x dan huruf j menunjukkan vektor
satuan dari F yang bernilai 13.86 N pada arah sumbu y. Untuk vektor tiga dimensi
kita dapat menambahkan vektor satuan dengan lambang k untuk
merepresentasikan vektor pada arah sumbu z. Secara umum kita dapat menuliskan
suatu vektor F = Fxi + Fyj + Fzk, dengan Fx, Fy, dan Fz masing – masing adalah
nilai komponen vektor F pada arah sumbu x, y, dan z.

Berawal dari penulisan besaran vektor dalam bentuk vektor satuan, kita akan
menemukan bahwa melalui suatu persamaan bentuk, maka kita dapat
mengaplikasikan operasi matriks dalam menganalisis nilai dari operasi
matematika untuk satu atau lebih besaran vektor. Ada beberapa operasi
matematika pada besaran vektor, misalnya penjumlahan, pengurangan, perkalian
titik (dot product), dan perkalian silang (cross product). Ada pula istilah operator
di dalam analisis vektor, Anda akan memahaminya lebih dalam ketika belajar
tentang Kalkulus Vektor. Kali ini kita akan membahas operasi – operasi
matematika dasar pada vektor melalui pendekatan bentuk matriks. Melalui
pendekatan ini diharapkan akan mempermudah proses analisis besaran vektor dan
memberikan pemahaman yang lebih dalam tentang besaran vektor.

30
b. Operasi Matematika pada Vektor dengan Pendekatan Matriks

Besaran vektor dapat dijumlahkan satu sama lain, misal kita mempunyai
vektor A = 5i + 5j – 5k dan vektor B = 4i-3j+2k. Maka kita dapat mengetahui
hasil penjumlahan vektor A + B = R dengan menjumlahkan nilai masing – masing
komponen vektor satuannya yang bersesuaian. Melalui konsep tersebut kita bisa
menentukan nilai R = (5+4)i + (5+(-3))j + ((-5)+2)k, sehingga R = 9i + 2j – 3k.
Sekarang kita menggunakan pendekatan matriks untuk operasi penjumlahan
tersebut, bayangkan kita memiliki sebuah matriks 1×3, dengan masing – masing
kolom terisi nilai vektor pada sumbu x, y, dan z. Misalnya, F = [Fx Fy Fz],
dengan Fx adalah nilai vektor F pada sumbu x, Fy adalah nilai vektor F pada
sumbu y, dan Fz adalah nilai vektor F pada sumbu z. Kita akan mendapatkan
vektor A = [5 5 -5] dan vektor B = [4 -3 2], dari bentuk matriks tersebut kita dapat
memperoleh hasil penjumlahan kedua vektor tersebut, R, dengan cara
menjumlahkan vektor (atau sekarang bisa kita sebut matriks) A dan B melalui
operasi penjumlahan pada matriks biasa. Kita akan memperoleh R = [9 2 -3],
bandingkan dengan hasil yang kita peroleh sebelumnya, bersesuaian bukan?

Untuk operasi pengurangan vektor, mari kita tinjau kembali konsep dari
pengurangan suatu vektor dengan vektor yang lain. Kita akan mendapatkan bahwa
mengurangkan suatu vektor dengan vektor yang lain sama dengan menjumlahkan
suatu vektor dengan lawan vektor yang lain. Dalam hal ini, yang dimaksud lawan
adalah nilai negatif dari vektor yang dimaksud, contohnya -1 adalah lawan dari 1.
Dari sini kita dapat menggunakan konsep penjumlahan vektor dengan catatan
mengubah nilai vektor pengurangnya menjadi nilai lawannya. Misalkan kita akan
mengurangkan vektor A dengan vektor B pada contoh sebelumnya. Maka kita
akan memperoleh R = A + (-B), dengan nilai -B = [-4 3 -2], sehingga R = [1 8 -7].

Perkalian pada vektor ada dua macam, yaitu perkalian titik atau perkalian
skalar (dot product) dan perkalian silang (cross product). Masing – masing bentuk
perkalian mempunyai sifat – sifat tersendiri, sehingga saya sarankan pembaca
lebih mendalami konsep perkalian vektor dengan membaca buku – buku referensi
yang ada.

31
 Perkalian titik atau perkalian skalar (dot product) merupakan perkalian antara
dua buah besaran vektor yang menghasilkan suatu nilai skalar. Aplikasi perkalian
titik contohnya pada perhitungan usaha, usaha didefinisikan sebagai jarak yang
ditempuh dikalikan besar gaya yang sejajar dengan arah perpindahan. Secara
matematis usaha didefinisikan sebagai W = F.s, di sini kita melihat salah satu
aplikasi perkalian titik pada bidang fisika.

Secara matematis, perkalian titik dirumuskan dalam bentuk R = A.B dan R =

AB cos(t), dengan t adalah besar sudut apit terkecil di antara kedua vektor.
Konsep penting dalam perkalian titik adalah sifat perkalian titik antar vektor
satuan. Pada perkalian titik perkalian antara dua buah vektor satuan yang sama
memberikan nilai 1 dan perkalian antara dua buah vektor satuan yang berbeda
menghasilkan nilai 0, misalnya i.i = j.j = k.k = 1 dan i.j = j.k = k.i = 0. Sehingga
melalui operasi aljabar kita dapatkan nilai A.B = (Ax.Bx)+(Ay.By)+(Az.Bz).
Selain itu, pada perkalian titik berlaku A.B = B.A. Melalui konsep tersebut, kita
dapat mengaplikasikan operasi perkalian matriks pada operasi perkalian titik dua
buah vektor. Perhatikan bahwa syarat dua buah matriks dapat dikalikan adalah
ketika jumlah kolom matriks pertama sama dengan jumlah baris pada matriks
kedua.

Misalkan kita akan mengalikan vektor A.B menghasilkan nilai skalar R, maka
kita harus men-transpose matriks vektor B yang memiliki ukuran 1×3 sehingga
menjadi matriks berukuran 3×1. Ingat bahwa pada perkalian titik kita melakukan
transpos pada matriks tertentu sehingga menghasilkan hasil perkalian berupa

matriks berukuran 1×1. Kita kalikan vektor A dan B-transpos untuk

mendapatkan nilai R. Kita

dapat melihat bahwa dengan menggunakan perkalian matriks yang menghasilkan
matriks berukuran 1×1, kita bisa mendapatkan hasil perkalian titik antara dua

32
 vektor. Melalui perkalian matriks kita dapat menghindari perkalian antara dua
vektor satuan yang berbeda yang menghasilkan nilai 0 (ingat bahwa meskipun kita
tidak menuliskan vektor satuan i, j, k tetapi posisi kolom atau baris yang ditempati
menunjukkan vektor satuan yang dimiliki nilai yang bersangkutan, sehingga sifat
– sifat vektor satuan juga tetap dimiliki oleh nilai tersebut). Kita juga dapat
melihat bahwa perkalian tersebut bersesuaian dengan persamaan perkalian titik
A.B = (Ax.Bx)+(Ay.By)+(Az.Bz).

Perkalian silang (cross product) adalah perkalian antara dua buah vektor yang
menghasilkan vektor lain yang arahnya tegak lurus terhadap bidang yang dibentuk
oleh kedua vektor yang dikalikan. Aplikasi perkalian silang contohnya pada
perhitungan torsi atau torka oleh suatu gaya. Torsi atau torka didefinisikan sebagai
hasil perkalian silang antara suatu gaya dengan panjang lengan yang tegak lurus
terhadap arah gaya yang bekerja. Secara matematis torsi didefinisikan sebagai
torsi = Fxd, di sini kita melihat salah satu aplikasi perkalian silang pada bidang
fisika.

Secara matematis, perkalian silang dirumuskan dalam bentuk R = AxB dan R =

AB sin(t), dengan t adalah besar sudut apit terkecil di antara kedua vektor. Konsep
penting dalam perkalian silang adalah sifat perkalian titik antar vektor satuan. Pada
perkalian titik perkalian antara dua buah vektor satuan yang sama memberikan nilai 0,
misalnya ixi = jxj = kxk = 0. Sedangkan untuk vektor satuan lainnya berlaku sifat ixj
=k, jxk = i, kxi = j, dan jxi = -k, ixk = -j, kxj = -i. Sehingga melalui operasi aljabar
kita bisa mendapatkan nilai AxB = (Ay.Bz – Az.By)i + (Az.Bx – Ax.Bz)j + (Ax.By –
Ay.Bx)k. Selain itu, perkalian silang memiliki sifat AxB = -BxA. Untuk
menyelesaikan perkalian silang dua buah vektor kita dapat menggunakan konsep
determinan matriks 3×3. Salah satu cara untuk mencari determinan matriks 3×3
adalah dengan metode Sarrus, untuk memahami metode ini silahkan membaca
referensi – referensi lain tentang metode Sarrus.

Untuk menghitung nilai perkalian silang AxB = R, kita dapat menggunakan

konsep determinan matriks 3×3 dengan cara menyusun matriks vektor A dan B
menjadi matriks berukuran 3×3 dengan menambahkan matriks vektor satuan [i j
k] pada baris pertama, kemudian menempatkan matriks vektor A pada baris kedua
33
dan matriks vektor B pada baris ketiga. Kita dapat memperoleh nilai R dengan
cara mencari determinan dari matriks 3×3
tersebut.

Melalui penggunaan konsep determinan kita dapa melihat kesesuaian antara

bentuk aljabar determinan matriks 3×3 dengan rumus yang kita miliki untuk
mencari nilai hasil perkalian silang vektor AxB = (Ay.Bz – Az.By)i + (Az.Bx –
Ax.Bz)j + (Ax.By – Ay.Bx)k.

Uraian di atas adalah metode analisis vektor dengan menggunakan pendekatan

matriks. Kita bisa memandang sebuah vektor sebagai suatu bentuk matriks dan
menggunakan operasi matematika yang berlaku pada matriks untuk mencari nilai
dari hasil operasi matematika dasar pada vektor yang bersangkutan. Melalui
pendekatan ini kita dapat menyederhanakan analisis vektor sehingga terhindar dari
keharusan untuk menulis rumus yang cukup panjang. Selain itu, sifat – sifat
vektor satuan dapat diterapkan pada pendekatan matriks. Akan tetapi, pendekatan
matriks menuntut ketelitian yang cukup tinggi karena operasi pada matriks
melibatkan nilai – nilai yang memiliki koordinat posisi yang berbeda – beda dan
letak nilai tersebut sangat mempengaruhi hasil operasi matriks.

A. Kesimpulan

34
 Matriks adalah kumpulan bilangan-bilangan yang disusun secara
khusus dalam bentuk baris dan kolom sehingga membentuk persegi panjang
dan bujur sangkar dimana panjang dan lebarnya ditunjukkan oleh kolom dan
baris yang ditulis diantara dua tanda kurung, yaitu ( ) dan [ ].

Pada dasarnya dalam kehidupan sehari-hari kita sering berhadapan

dengan persoalan yang apabila kita telusuri ternyata merupakan masalah
matematika. Dengan kata lain kita selalu bersentuhan dengan persoalan-
persoalan yang berkaitan dengan matematika entah itu kita sadari ataupun
tidak. Agar mudah difahami maka persoalan tersebut diubah kedalam bahasa
atau persamaan matematika supaya persoalan tersebut lebih mudah
diselesaikan. Diatas juga telah dijeleskan macam-macam matriks, aljabar
matriks, nilai eigen dan vektor eigen serta penerapan matriks dalam ilmu
fisika. Tetapi terkadang suatu persoalan sering kali memuat lebih dari dua
persamaan dan beberapa variabel, sehingga kita mengalami kesulitan untuk
mencari hubungan antara variabel-variabelnya.

pembangunan nasional. Oleh sebab itu, upaya tersebut mutlak harus

mendapat perhatian yangsungguh-sungguh dan harus dirancang secara
sistematis dan seksama berdasarkan pemikiran yang matang. Wadah yang
tepat bagi upaya peningkatan kualitas sumberdaya manussia adalah
pendidikan.
Ada beberapa indikator dalam peningkatan mutu pendidikan antara
lain melalui peningkatan kinerja guru dan peningkatan mutupelajaran yang
melibatkan MBS, Pakem, serta peran serta masyarakat (PSM).Dalam
kaitannya dengan Pakem, guru dituntut untuk menciptakan situasi
pembelajaran yang kondusif, yaitu pembelajaran yang aktif, kreatif,
efektif, danmenyenangkan. Situasi pakem tersebut harus diupayakan untuk
semua mata pelajaran.
Dengan begitu, diharapkan peningkatan mutu pendidikn pendidikan
dapat tercapaisecara optimal. Guru sebagai faktor penentu dan paling
berpengaruh dalam hal menanamkan konsep terhadap siswa. Penguasaan
guru terhadap materi pelajaran, kemampuan guru dalam memilih dan
menggunakan metode pembelajaran serta kemampuan guru dalam
35
menetapkan media pembelajaran sangat menentukan terhadap keberhasilan
proses pembelajaran, di samping adanya potensi dan kemauan siswa
sendiri.

36