Diktat Aljabar Linear Elementer

DIKTAT MATA KULIAH
ALJABAR LINEAR ELEMENTER

(BAGIAN I)
DISUSUN OLEH
ABDUL JABAR, M.Pd
JURUSAN/PROGRAM STUDI PENDIDIKAN MATEMATIKA

STKIP PGRI BANJARMASIN
MARET 2013
MUQADIMAH
Alhamdulillah penyusun ucapkan ke hadirat ALLAH SWT, karena berkat limpahan rahmat,
taufik dan hidayah-Nya penyusun dapat menyelesaikan diktat Aljabar Linear ini. Shalawat dan
salam juga semoga selalu tercurah kepada junjungan kita Nabi Muhammad SAW beserta
sahabat, kerabat, serta ummat beliau yang senantiasa istiqamah mengikuti risalah beliau
hingga akhir zaman.
Diktat ini disusun dalam dua bagian, dengan harapan setelah selesai bagian I akan
dilaksanakan ujian tengah semester, dan nanti langsung dilanjutkan dengan bagian II. Semoga
dengan penyusunan diktat ini dapat membantu mahasiswa dalam belajar Aljabar Linear,
tentu saja perlu ditambah dengan buku pendukung lainnya.
Penyusun juga menyadari bahwa diktat ini masih jauh dari sempurna, sehingga saran dan
kritik sangat penyusun harapkan.
Banjarmasin, Maret 2013

Penyusun,
TTD
Abdul Jabar, M.Pd
Diktat Aljabar Linear Bagian I oleh Abdul Jabar, M.Pd (STKIP PGRI Banjarmasin) Hal ii
DAFTAR ISI
Halaman
BAB I SISTEM PERSAMAAN LINEAR DAN MATRIKS ……………………………………… 1
1.1 Sistem Persamaan Linear …………………………………………………………………………. 1
1.2 Matriks …………………………………………………………………………………………………….. 2
1.2.1 Macam-macam matriks …………………………………………………………………………….. 2
1.2.2 Kesamaan matriks ………………………………………………………………………………………. 4
1.2.3 Transpose matriks …………………………………………………………………………………….. 5
1.2.4 Operasi aljabar matriks …………………………………………………………………………….. 5
1.3 Hubungan SPL dengan Matriks …………………………………………………………………….. 7
1.4 Eliminasi Gauss-Jordan …………………………………………………………………………………. 8
1.5 Menentukan invers matriks …………………………………………………………………………….. 10
1.6 SPL Homogen ………………………………………………………………………………………………… 11
BAB II DETERMINAN …………………………………………………………………………………………. 13
2.1 Pendahuluan …………………………………………………………………………………………………. 13
2.2 Ekspansi Kofaktor …………………………………………………………………………………………. 14
2.3 Reduksi baris menggunakan operasi baris elementer ……………………………………… 14
2.4 Metode Cramer …………………………………………………………………………………………….. 15
2.5 Hubungan Determinan, Invers Matriks dan Penyelesaian SPL ………………………….. 17
BAN III VEKTOR DI R2 DAN R3 ……………………………………………………………………………… 18
3.1 Pendahuluan …………………………………………………………………………………………………. 18
3.2 Operasi-operasi pada Vektor ………………………………………………………………………….. 18
3.3 Hasil kali titi, panjang vektor, dan jarak ………………………………………………………….. 19
3.4 Proyeksi ortogonal ………………………………………………………………………………………. 20
3.5 Hasil Kali Silang ………………………………………………………………………………………… 21
Diktat Aljabar Linear Bagian I oleh Abdul Jabar, M.Pd (STKIP PGRI Banjarmasin) Hal iii
BAB I
SISTEM PERSAMAAN LINEAR DAN MATRIKS
1.1 Sistem Persamaan Linear

Definisi 1.1 : Persamaan Linear
Persamaan linear adalah persamaan yang peubahnya berpangkat satu. Suatu persamaan
linear dengan n peubah x1, x2, … , xn dapat dinyatakan dalam bentuk :
a1 x1 + a2 x2 + … + an xn = b (1.1)
dimana a1, a2 , … , an dan b adalah konstanta-konstanta real.
Definisi 1.2 : Penyelesaian Persamaan Linear
Penyelesaian dari persamaan linear (1.1) adalah urutan dari n bilangan s1, s2, … , sn sehingga
persamaan tersebut dipenuhi bila
x1= s1, x2 =s2, … , xn = sn (1.2)
disubstitusikan terhadapnya.
Himpunan semua pemecahan persamaan tersebut dinamakan himpunan penyelesaian.
Definisi 1.3 : Sistem Persamaan Linear
Suatu himpunan berhingga dari persamaan- persamaan linear dalam peubah-peubah x1, x2, …,
xn dinamakan sistem persamaan linear atau sistem linear.
Suatu urutan bilangan-bilangan s1, s2, … , sn dinamakan pemecahan dari sistem tersebut jika
(1.2) adalah pemecahan dari masing-masing persamaan pada sistem tersebut.
Sebuah sistem sebarang yang terdiri dari m persamaan linear dengan n bilangan yang tidak
diketahui :
a11 x1 + a12 x2 + … + a1n xn = b1
a21 x1 + a22 x2 + … + a2n xn = b2
: (1.3)
.
am1 x1 + am2 x2 + … + amn xn = bm
Definisi 1.4 : Konsistensi
1. Sebuah sistem persamaan yang tidak memiliki penyelesaian dikatakan tidak konsisten.
Jika ada setidak-tidaknya satu pemecahan, maka sistem persamaan tersebut dikatakan
konsisten.
2. Suatu sistem persamaan linear mungkin tidak memiliki penyelesaian, atau memiliki persis
satu penyelesaian, atau memiliki tak berhingga banyaknya penyelesaian.
Dalam 2 dimensi dapat digambarkan sebagai berikut :
i=k
i i k
k
Tidak ada penyelesaian Tepat satu penyelesaian Banyak penyelesaian

Diktat Aljabar Linear Bagian I oleh Abdul Jabar, M.Pd (STKIP PGRI Banjarmasin) Hal 1
1.2 Matriks
Defenisi 1.5: Matriks
Matriks adalah sekumpulan bilangan yang disusun menjadi suatu jajaran persegi panjang
yang terdiri atas baris dan kolom dan dibatasi tanda kurung.
Sebuah matriks dapat diberi nama dan nama itu biasanya dinyatakan dengan memakai huruf
besar (kapital), seperti A, B, C, …. dan seterusnya.
Contoh 1.1:
(i) Dengan menandai kurung biasa
2 5   7 8 9
A =   dan B =  
 3 − 4 11 0 3 
(ii) Dengan menandai kurung siku
2 5   7 8 9
A=   dan B =  
 3 − 4 11 0 3
Suatu matriks A seperti pada pembahasan terdahulu, yang terdiri dari m baris dan n kolom,
maka matriks A berordo m x n dan ditulis dengan lambang Am x n. Sedangkan banyaknya
elemen (unsur) matriks A sama dengan m x n buah. Dengan demikian matriks A yang berordo
m x n dapat disajikan sebagai berikut :
 a11 a12 a13 ... ... a1n  Baris ke-1
a a22 a23 ... ... a2 n  Baris ke-2
 21 
a a32 a33 ... ... a3n 
Am x n =  31
... ... ... ... ... ... 
 
 ... ... ... ... ... ... 
a 
 m1 am 2 am 3 ... ... amn  Baris ke-m
Kolom ke-1 Kolom ke-n
Contoh 1.2
 2 7
A 2 x 2 =   → adalah matriks berordo 2 x 2
−1 5
 − 3 4 12 
B2 x 3 =   → adalah matriks berordo 2 x 3
− 6 3 0 
1.2.1 Macam-macam Matriks

Jika diperhatikan dari banyaknya baris dan banyaknya kolom serta jenis elemen-elemennya,
maka matriks dibedakan menjadi beberapa macam yaitu:
1. Matriks Baris
Matriks baris adalah matriks yang hanya terdiri dari satu baris atau matriks yang berordo
(1 x n) dengan n > 1
Contoh 1.3 : A1 x 3 = (3 5 1)
B1 x 4 = (2 3 7 -6)
2. Matriks Kolom
Matriks kolom adalah matriks yang hanya terdiri dari satu kolom atau matriks yang
berordo (m x 1) dengan m > 1
Contoh 1.4 :
 8 
 0   
 7     − 9
   2 
A3 x 1 =  − 3  B4 x 1 =   C5 x 1 =  3 
 9  −2  
     15 
 1 
   1 
 
3. Matriks persegi/kuadrat
Matriks persegi adalah matriks yang banyak barisnya sama dengan banyak kolomnya.
Matriks Am x n disebut matriks persegi jika m = n, sehingga sering ditulis Am x n = An.
Pada matriks persegi elemen-elemen a11, a22, a33, …, ann disebut elemen-elemen diagonal
utama, dan an1, …, a1n disebut elemen-elemen diagonal samping.
Defenisi: Trace
Trace A adalah hasil penjumlahan dari elemen-elemen pada diagonal utama dari matriks
persergi A.
Trace A = a11 + a22 + … + ann
Contoh 1.5:
2 5 7
 
A3x3 = A3 =  6 − 1 4 
3 0 8
 
Elemen diagonal utamanya adalah 2, -1, 8
Elemen diagonal samping adaaalah 3, -1, 7
Trace A = (2) + (-1) + (8) = 9
4. Matriks diagonal
Matriks diagonal adalah matriks persegi yang semua elemennya bernilai nol, kecuali
elemen diagonal utama.
Contoh 1.6:
1 0 0 1 0 0
 2 0    
A2 =   B3 =  0 3 0  C3 =  0 1 0 
 0 1 0 0 0 0 0 1
   
5. Matriks segitiga atas
Matriks segitiga atas adalah matriks persegi yang elemen-elemen dibawah diagonal
utamanya adalah nol.
Contoh 1.7:
1 − 5 4
5 1  
D2 =   E3 =  0 2 8 
 0 2 0 0 3
 
6. Matriks segitiga bawah
Matriks segitiga bawah adalah matriks persegi yang elemen-elemen diatas diagonal
utamanya adalah nol.
Contoh 1.8:
 7 0 0
8 0  
F2 =   G3 =  2 1 0 
 1 3   − 5 8 7
 
7. Matriks identitas
Matriks identitas adalah matriks diagonal yang semua nilai elemen-elemen pada diagonal
utamanya sama dengan satu, sedangkan elemen lainnya nol. Matriks identitas disebut
juga matriks satuan yang dilambangkan dengan “I”.
Contoh 1.9:
1 0 0
1 0  
I2x2 =   I3x3 =  0 1 0 
0 1 0 0 1
 
8. Matriks nol
Matriks nol adalah matriks yang seluruh elemennya bernilai nol. Matriks nol dinyatakan
dengan lambang “O”
Contoh 1.10:
0 0
0 0 0 0 0  
O2x3 =   O2x2 =   O3x2 =  0 0 
0 0 0 0 0 0 0
 
1.2.2 Kesamaan Matriks
Defenisi 1.6: Kesamaan Matriks
Dua buah matriks A dan B dikatakan sama dan ditulis A=B apabila keduanya berordo sama
dan semua unsur-unsur yang bersesuaian sama.
Contoh 1.11:
4 10   12 4 
 2 8 5  8   
A=   B= 2 C=  − 3 6 
 2 
 4 6 1 4 6 1   5 1
 
Maka A=B, tetapi A≠C dan B≠C
Contoh 1.12:
x + y 9  5 9
Jika A=   dan B=  
 6 x − y 6 1
Tentukan nilai x dan y apabila A=B!
Jawab :
A=B maka x+y=5
x–y=1+
2x = 6
x=3
y=2
1.2.3 Transpose Matriks
Defenisi 1.7: Transpose Matriks
Transpose matriks A adalah suatu matriks yang diperoleh dengan cara mengubah setiap
elemen baris matriks A menjadi elemen kolom matriks transposenya, atau sebaliknya.
Transpose matriks A dilambangkan dengan At atau AT.
Contoh 1.13:
 1 − 3  1 5
A =   maka AT = At =  
5 4   − 3 4
 4 9
 4 2 − 5  
B =   maka BT = Bt =  2 8
9 8 3   − 5 3
 
1.2.4 Operasi Aljabar Matriks
Pada pembahasan di atas, kita telah mempelajari pengertian matriks, notasi, ordo matriks,
jenis-jenis matriks, kesamaan matriks dan transpose matriks, maka pada sub bahasan ini kita
akan membahas operasi (pengerjaan) antar matriks, diantaranya adalah operasi penjumlahan
dan pengurangan, perkalian matriks dengan bilangan real (scalar) dan perkalian matriks
dengan matriks.
a. Penjumlahan Matriks
Defenisi 1.8: Penjumlahan Matriks
Jika A dan B adalah dua buah matriks yang berordo sama, maka jumlah matriks A dan matriks
B (ditulis A+B) adalah sebuah matriks baru yang didapat dengan cara menjumlahkan elemen-
elemen matriks A dengan elemen-elemen matriks B yang seletak.
Contoh 1.14:
a a12 a13  b b b 
Jika diketahui : A(2x3) =  11  dan B(2x3) =  11 12 13 
 a21 a22 a23   b21 b22 b23 
a +b a12 + b12 a13 + b13 
Maka : (A + B)(2x3) =  11 11 
 a21 + b21 a22 + b22 a23 + b23 
Contoh 1.15:
3 −1 4   −1 2 6   8 − 9 1
Jika : A =   ; B =   ;C=  
3 5 − 2 − 2 4 − 3   − 1 10 7 
Tentukan : a). A + B
b). B + C
Jawab :
3 −1 4   −1 2 6 
a) A + B =   +  
3 5 − 2   − 2 4 − 3
 3 + (−1) (−1) + 2 4 + 6   2 1 10 
=  = 
 3 + (−2) 5+ 4 (−2) + (−3)   1 9 − 5 
 −1 2 6   8 − 9 1
b) B + C =   +  
 − 2 4 − 3   − 1 10 7 
 7 − 7 7
=  
 − 3 14 4 
Sifat-sifat penjumlahan matriks adalah:
1. Sifat Komutatif :A+B=B+A

2. Sifat Assosiatif : (A + B) + C = A + (B + C)
b. Perkalian Matriks dengan Bilangan

Definisi 1.9: Perkalian Matriks dengan Skalar
Jika k adalah bilangan real dan A adalah sebuah matriks maka kA adalah sebuah matriks baru
yang didapat dari hasil perkalian k dengan elemen-elemen matriks A.
Misalnya :
 a11 a12 a13 ... a1n 
 
 a21 a22 a23 ... a2n 
A=  
... ... ...
 
a 
 m1 am2 a m3 ... amn 
 ka11 ka12 ka13 ... ka1n 

 
 ka21 ka22 ka23 ... ka2n 
Maka kA =  
... ... ...
 
 ka 
 m1 ka m2 ka m3 ... kamn 
c. Perkalian Matriks dengan Matriks

Definisi 1.10: Perkalian Matriks dengan Matriks
Dua buah matriks hanya dapat dikalikan apabila jumlah kolom matriks yang dikalikan sama
dengan jumlah baris dari matriks pengalinya. Hasil kali dua buah matriks Amxn dengan Bnxp
adalah sebuah matriks baru Cmxp. Cara mendapatkan unsur pada baris ke-i kolom ke-j matriks
C adalah dengan mengalikan dan menjumlahkan unsur-unsur baris ke – i matriks A dengan
kolom ke-j matriks B.
Amxn x Bnxp = Cmxp

a b p q
Missal A =   ; B =   maka:
c d r s
 a b   p q   ap + br aq + bs 
AB =     =  
 c d   r s   cp + dr cq + ds 
Contoh 1.16:
Tentukan hasil perkalian matriks berikut ini:
 0 1
−1 5 4   
A =   ; B =  − 4 2
 3 2 − 3  2 6
 
Jawab :
A(2x3) . B(3x2) = C(2x2)
 0 1
−1 5 4   
A.B =    − 4 2
 3 2 − 3  2 6
 
 (−1)(0) + (5)(−4) + (4)( 2) (−1)(1) + (5)(2) + (4)(6) 
=  
 ( 3)( 0 ) + ( 2 )( −4 ) + ( − 3)( 2 ) (3)(1) + ( 2 )( 2 ) + ( − 3)( 6 ) 
 − 12 33 
=  
 − 14 − 11
d. Matriks Invers
Definisi 1.11: Matriks Invers
Jika A dan B adalah matriks kuadrat yang berordo sama dan berlaku AB = BA = I, maka A
dapat dibalik, dan B merupakan invers dari matriks A.
e. Sifat-sifat Operasi Matriks
Dari uraian diatas diperoleh sifat-sifat matriks. Untuk setiap matriks A, B dan C (yang dapat
dijumlah/dikalikan) dipenuhi:
1. (AB) C = A (BC) ............................................Sifat Asosiatif

2. A (B + C) = AB + AC ....................................Sifat Distributif Kiri
3. (B + C) A = BA + CA ....................................Sifat Distributif Kanan
4. k (AB) = (kA) B = A (kB) ..........................Perkalian Skalar
5. AI = IA = A ......................................................Sifat Identitas
6. A0 = 0A = 0 ....................................................Sifat Matriks Nol
7. AB ≠ BA............................................................Tidak Berlaku Sifat Kumulatif kecuali matriks yang
saling invers dan perkalian dengan identitas.
8. (AB)T = BTAT........................................... Sifat perkalian matriks
9. (AB)-1 = B-1A-1
1.3 Hubungan SPL dengan Matriks

Proposisi 1.5 : Augmented Matrix
Persamaan (1.3) dapat dituliskan dalam bentuk augmented matrix (matriks yang diperbesar) sebagai
berikut :
 a11 a12 ... a1n b1 
 
 a 21 a 22 ... a 2 n b2 
 ... ... ... 
 
a 
 m1 a m2 ... a mn bm
(1.4)
Proposisi 1.6 : Operasi Baris Elementer
Penyelesaian sistem persamaan (1.4) dapat dilakukan dengan operasi baris elementer (OBE) pada
matriks diperbesarnya.
Operasi Baris Elementer :

1. Kalikanlah sebuah baris dengan sebuah konstanta yang tidak sama dengan nol
2. Pertukarkanlah dua baris pada matriks
3. Tambahkanlah perkalian dari satu baris pada baris yang lain.
1.4 Eliminasi Gauss-Jordan

Langkah-langkah menyelesaikan SPL dengan Eliminasi Gauss:
1. SPL diubah dulu menjadi menjadi matriks yang diperbesar (MD)
2. Lakukan OBE pada MD sehingga matriks berbentuk eselon baris (MEB)
3. Kembalikan MEB menjadi SPL biasa
4. Selesaikan SPL dengan substitusi.
Langkah-langkah menyelesaikan SPL dengan Eliminasi Gauss-Jordan:
1. SPL diubah dulu menjadi menjadi matriks yang diperbesar (MD)
2. Lakukan OBE pada MD sehingga matriks berbentuk eselon baris tereduksi (MEBT)
3. Kembalikan MEBT menjadi SPL biasa
Proposisi 1.7: Matriks Eselon Baris Tereduksi (MEBT)
MEBT adalah matriks yang memenuhi syarat berikut:
a. Bila terdapat baris tak nol, maka bilangan tak nol pertama adalah 1. 1 ini disebut 1
utama
b. Dua baris tak nol yang berurutan, maka 1 utama baris bawah lebih ke kanan dari 1
utama di atasnya.
c. Baris nol berada di bawah
d. Setiap kolom yang memuat 1 utama bernilai nol di tempat lainnya.
Jika matriks hanya memenuhi syarat a, b, dan c maka matriks tersebut dinamakan MEB.
Contoh 1.17 :
Diketahui:
x+y=7
2x – y = 2
Selesaikan SPL di atas menggunakan:
a. Eliminasi Gauss
b. Eliminasi Gauss-Jordan
Penyelesaian
a. Eliminasi Gauss
Langkah 1: Ubah SPL àMD
1 1 7
 
 2 −1 2 
Langkah 2: Lakukan OBE pada MD sehingga terbentuk MEB
1 1 7 1 1 7  1 1 7
  -2b1 + b2   b2/(-3)  
 2 −1 2   0 − 3 − 12  0 1 4
Keterangan: -2b1 + b2 artinya (-2) kali baris 1 tambahkan pada baris ke-2, jika
diuraikan:
(-2).1 + 2 = 0
(-2).1 + (-1) = -3
(-2).7 + 2 = -12
b2/(-3) artinya baris ke-2 dikali –(1/3), jika diuraikan
0/(-3) = 0
-3/(-3) = 1
12/(-3) = 4
Langkah 3: Ubah MEB à SPL
x+y=7
0x + y = 4 à y =4, nilai y = 4 disubstitusikan ke persamaan x + y = 7 didapatkan x = 3
Jadi penyelesaian dari SPL di atas adalah x = 3 dan y = 4.
b. Eliminasi Gauss-Jordan
Langkah 1: idem
Langkah 2: Lakukan OBE pada MD sehingga terbentuk MEBT
1 1 7 1 0 3
Lanjutan dari atas   -b2 + b1  
0 1 4 0 1 4
Langkah 3: Ubah MEBT àSPL
1 0 3
  x + 0y = 3 à x = 3, 0x + y = 4 à y = 4
0 1 4
Jadi penyelesaian dari SPL di atas adalah x = 3 dan y = 4.
Contoh tambahan eleminasi Gauss

Diketahui persamaan linear
x + 2y + z = 6
x + 3y + 2z = 9
2x + y + 2z = 12
Tentukan Nilai x, y dan z
Jawab:
Bentuk persamaan tersebut ke dalam matriks:
-B1+B2 -2B1+B3 3B2+B3
B3/3 (Matriks menjadi Eselon-baris)

Maka mendapatkan 3 persamaan linier baru yaitu
x + 2y + z = 6
y+z=3
z=3
Kemudian lakukan substitusi balik maka didapatkan:
y+z=3
y+3=3
y=0
x + 2y + z = 6
x+0+3=6
x=3
Jadi nilai dari x = 3 , y = 0 ,dan z = 3
Contoh tambahan eliminasi Gauss-Jordan
Diketahui persamaan linear
x + 2y + 3z = 3
2x + 3y + 2z = 3
2x + y + 2z = 5
Tentukan Nilai x, y dan z
Jawab:
Bentuk persamaan tersebut ke dalam matriks:
-2B1 + B2 -2B1 + B3 -3B2+B3
-1B2 dan B3/8 -4B3 + B2 -3B3+B1
-2B2 + B1 (Matriks menjadi Eselon-baris tereduksi)

Maka didapatkan nilai dari x = 2 , y = − 1 ,dan z = 1
1.5 Menentukan invers matriks

Invers suatu matriks (misalkan invers A) dapat dihitung dengan menggunakan eliminasi
Gauss–Jordanterhadap matriks diperbesar [ A : I] dimana ukuran I sama dengan ukuran A.
Cara perhitungan seperti ini didasarkan dari sifat A A–1 = I. Untuk menentukan solusi dari
SPL tersebut maka berdasarkan prosedur yang telah dipelajari sebelumnya , maka dapat
dilakukan eliminasi Gauss – Jordan terhadap matriks [A : I] . Jika A memang memiliki invers
maka matriks eselon baris tereduksinya akan berbentuk [I: A-1] . Jika setelah melakukan
eliminasi Gauss–Jordan tidak diperoleh bentuk [ I : A-1] maka disimpulkan bahwa matriks
tersebut tidak memiliki invers.
Contoh 1.18:
 2 5 5
Diketahui A =  − 1 − 1 0 , tentukan A-1 jika ada!
 2 4 3
Jawab:
 2 5 5 | 1 0 0 1 1 0 | 0 − 1 0 1 0 0 | 3 − 5 − 5
[A : I] =  − 1 − 1 0 | 0 1 0 ≈ 0 3 5 | 1 2 0 ≈ 0 1 0 | − 3 4 5  = [I : A-1]
 2 4 3 | 0 0 1 0 2 3 | 0 2 1 0 0 1 | 2 − 2 − 3
(langkah detailnya sebagai latihan)
 3 − 5 − 5
Jadi A-1 =  − 3 4 5 
 2 − 2 − 3
1.6 SPL Homogen
Definisi 1.12: Sistem Persamaan Linear Homogen
Sebuah sistem persamaan linear dikatakan homogen jika pada persamaan (1.3) nilai bi = 0
untuk setiap i = 1,2,...,m
Tiap-tiap sistem persamaan linear homogen adalah sistem yang konsisten, karena x1=x2 = ... =
xn = 0 selalu merupakan penyelesaian. Penyelesaian ini dinamakan penyelesaian trivial. Jika
ada penyelesaian lain yang memenuhi persamaan homogen tersebut, maka penyelesaian
tersebut dinamakan penyelesaian tak trivial.
Penyelesaian trivial terjadi jika satu – satunya penyelesaian untuk SPL adalah x = 0 hal ini
terjadi jika semua kolom pada matriks diperbesar [A : B] (setelah dilakukan eliminasi
Gauss– Jordan ) memiliki satu utama kecuali untuk kolom yang terakhir atau dengan kata lain
semua kolom pada matriks A memiliki satu utama . Jika hal yang sebaliknya terjadi yaitu tidak
semua kolom pada matriks A ( setelah dilakukan eliminasi Gauss–Jordan ) memilki satu
utama atau jika terdapat baris nol maka penyelesaian untuk SPL adalah penyelesaian tak
trivial yaitu penyelesaian tak hingga banyak.
TEOREMA 1.1:
Sistem persamaan linear homogen dengan lebih banyak bilangan tak diketahui (peubahnya)
daripada banyaknya persamaan, selalu mempunyai tak hingga banyak penyelesaian.
Contoh 1.19
Diketahui sistem persamaan linear homogen
x + 2y = 0
-x - 2y + z = 0
2x + 3y + z = 0
Jawab:
Penyelesaian SPL homogen di atas adalah
1 2 0 | 0 1 0 0 | 0
[ A : B] =  − 1 − 2 1 | 0 ≈ 0 1 0 | 0 (langkah detailnya sebagai latihan)

 2 3 1 | 0 0 0 1 | 0
Pada matriks yang terakhir terlihat bahwa semua kolom matriks A memiliki satu utama
sehingga penyelesaiannya adalah trivial yaitu x = 0, y = 0, dan z = 0.
Contoh 1.20
Diketahui sistem persamaan linear homogen
 1 − 1 2 − 1   x  0
 2 1 − 2 − 2  y  0
   =  
 − 1 2 − 4 1   z  0
    
3 0 0 − 3  w 0
Penyelesaian SPL homogen di atas:
 1 − 1 2 − 1 | 0 1 0 0 − 1| 0
 2 1 − 2 − 2 | 0 0 1 − 2 0 | 0
 ≈ (langkah detail sebagai latihan)
 − 1 2 − 4 1 | 0 0 0 0 0 | 0
   
3 0 0 − 3 | 0 0 0 0 0 | 0
Pada matriks yang terakhir terlihat bahwa hanya dua kolom dari matriks A yang memiliki
satu utama atau terdapat dua baris nol , ini berarti bahwa penyelesaian SPL adalah tak trivial
yaitu penyelesaian banyak dengan dua parameter, yaitu x = w dan y = 2z sehingga kalau z = s
dan w = t, maka x = t, y = 2s, z = s, dan w = t.
BAB II
DETERMINAN
2.1 Pendahuluan
Definisi 2.1
Misalkan A matriks kuadrat , fungsi determinan A sering dituliskan sebagai determinan
matriks A ( disingkat det(A) atau |A| ) didefinisikan sebagai jumlah semua hasil kali elementer
bertanda dari A.
Hasil kali elementer dari matriks A akan berbentuk :
a1p1. a2p2… . anpn dimana p1,p2, …, pn merupakan permutasi dari bilangan – bilangan 1,2,…, n.
Tanda dari a1p1. a2p2… . anpn sendiri ditentukan dari banyaknya bilangan bulat besar yang
mendahului bilangan yang lebih kecil ( banyaknya invers ) pada bilangan p1,p2, …, pn, jika
banyaknya invers adalah ganjil maka tandanya negatif ( – ) dan jika sebaliknya tandanya
positif ( + ).
Contoh 2.1:
a a12 
Tentukan determinan dari matriks  11  !
 21
a a 22 
Jawab
Karena matriks di atas berukuran 2 x 2 maka kita perlu mencari permutasi dari 1 dan 2
Permutasi Hasil Kali Elementer Banyak Invers Hasil Kali Elementer Bertanda
(1 2) a11a22 0 + a11a22
(2 1) a12a21 1 - a11a22
Determinan matriks a11a22 - a11a22
Contoh 2.2:
 a11 a12 a13 
 
Tentukan determinan dari matriks  a 21 a 22 a23  !
a
 31 a32 a33 
Jawab
Karena matriks di atas berukuran 3 x 3 maka kita perlu mencari permutasi dari 1, 2, 3
Permutasi Hasil Kali Elementer Banyak Invers Hasil Kali Elementer Bertanda
(1 2 3) a11a22a33 0 + a11a22a33
(1 3 2) a11a23a32 1 - a11a23a32
(2 1 3) a12a21a33 1 - a12a21a33
(2 3 1) a12a23a31 2 + a12a23a31
(3 1 2) a13a21a32 2 + a13a21a32
(3 2 1) a13a22a31 3 - a13a22a31
a11a22a33- a11a23a32- a12a21a33+
Determinan matriks
a12a23a31+ a13a21a32- a13a22a31
Mencari determinan juga bisa menggunakan aturan panah, tapi cara ini terbatas hanya untuk
ukuran 2 x 2 dan 3 x 3, yakni: (garis ke kanan bawah positif, garis ke kiri bawah negatif)
a11 a12 a11 a12 a13 a11 a12
a21 a22 a21 a22 a23 a21 a22
a31 a32 a33 a31 a32

2.2 Ekspansi Kofaktor
Salah satu metode yang digunakan untuk menghitung determinan adalah ekspansi kofaktor.
Definisi Minor
Minor elemen aij ( Mij ) yaitu determinan yang didapatkan dengan menghilangkan baris i dan
kolom j matriks awalnya.
Definisi Kofaktor
Kofaktor elemen aij ( Cij ) = (−1 )i+j Mij
Jika A matriks bujur sangkar berukuran nxn , maka dengan menggunakan metode ini
perhitungan determinan dapat dilakukan dengan dua cara yang semuanya menghasilkan
hasil yang sama yaitu :
– ekspansi sepanjang baris i
det(A) = ai1Ci1 + ai2Ci2 + … + ainCin
– ekspansi sepanjang kolom j
det(A) = a1jC1j + a2jC2j + … + anjCnj
Contoh 2.3
1 2 3

Diketahui A = 0 2 1  , Tentukan det (A) dengan menggunakan ekspansi kofaktor !
0 3 2
Jawab
Cara 1
Akan dicoba menggunakan ekspansi kolom 1 untuk menghitung det (A)
Det (A) = a11C11 + a21C21 + a31C31
2 1
C11 = (−1 )1+1 M11 = M11 = =4–3=1
3 2
2 3
C21 = (−1 )2+1 M21 = − M21 = − = -(4 – 9) = 5
3 2
2 3
C31 = (−1 )3+1 M31 = M31 = = 2 – 6 = -4
2 1
Jadi det (A) = (1 . 1) + (0 . 5) + (0 . -4) = 1
Cara 2
Akan dicoba menggunakan ekspansi baris 1 untuk menghitung det (A)
Det (A) = a11C11 + a12C12 + a13C13
2 1
C11 = (−1 )1+1 M11 = M11 = =4–3=1
3 2
0 1
C12 = (−1 )1+2 M12 = − M12 = − = -(0 – 0) = 0
0 2
0 2
C13 = (−1 )1+3 M13 = M13 = =0–0=0
0 3
Jadi det (A) = (1 . 1) + (2 . 0) + (3 . 0) = 1
2.3 Reduksi baris menggunakan operasi baris elementer

Penggunaan metode ini sebenarnya tidak lepas dari metode ekspansi kofaktor yaitu pada
kasus suatu kolom banyak mengandung elemen yang bernilai 0. Berdasarkan sifat ini maka
matriks yang berbentuk eselon baris atau matriks segitiga akan lebih mudah untuk dihitung
nilai determinannya karena hanya merupakan perkalian dari elemen diagonalnya. Reduksi
baris dilakukan dengan mengubah kolom – kolom sehingga banyak memuat elemen 0.
Biasanya bentuk metriks akhir yang ingin dicapai adalah bentuk eselon baris atau bentuk
segitiga tetapi ini tidak mutlak. Jika bentuk eselon atau segitiga belum tercapai tetapi
dianggap perhitungannya sudah cukup sederhana maka determinan bisa langsung dihitung.
Dalam melakukan reduksi baris operasi yang digunakan adalah operasi baris elementer.
Pada operasi baris elementer ada beberapa operasi yang berpengaruh terhadap nilai
determinan awal , yaitu :
ü Jika matriks B diperoleh dengan mempertukarkan dua baris pada matriks A maka det
(B) = − det (A)
ü Jika matriks B diperoleh dengan mengalikan konstanta k ke salah satu baris matriks A
maka det (B) = k det (A)
ü Jika matriks B didapatkan dengan menambahkan kelipatan suatu baris ke baris
lainnya, maka det (B) = det (A)
Contoh 2.4
Diketahui:
a b c 
A = d e f  , dimana det (A) = s
 g h i 
Tentukan determinan dari matriks berikut
d e f  d e f a + d b + e c + f 
  
B =  a b c , C =  2a 2b 2c , D = d + g e + h f + i  .

 g h i  − g − h − i   g h i 
Jawab;
Matrik B diperoleh dari mempertukarkan baris 1 dan baris 2 sehingga det(B) = -det(A) = -s
Matrik C diperoleh dari mempertukarkan baris 1 dan baris 2, baris kedua dikali 2 dan baris
ketiga dikali (-1) sehingga det(C) = -2.(-1)det(A) = 2s
Matriks D diperoleh dengan menambahkan baris yang satu dengan yang lainnya sehingga
det(D) = det (A) = s.
2.4 Metode Cramer
Jika AX = B adalah sebuah sistem linear n yang tidak di ketahui dan det(A)≠ 0 maka
persamaan tersebut mempunyai penyelesaian yang unik
dimana A j adalah matrik yang didapat dengan mengganti kolom j dengan matrik B
Contoh 2.5
Gunakan metode cramer untuk menyelesaikan persoalan di bawah ini
x1 + 2x3 = 6
-3x1 + 4x2 + 6x3 = 30
-x1 - 2x2 + 3x3 = 8
Jawab:
Bentuk matrik A dan B
1 0 2 6
A =  − 3 4 6 dan B = 30
 
 − 1 − 2 3  8 
kemudian ganti kolom j dengan matrik b
6 0 2 1 6 2 1 0 6
A1 = 30 4 6 , A2 = − 3 30 6 A3 =  − 3 4 30
 8 − 2 3  − 1 8 3  − 1 − 2 8 
dengan metode panah kita dapat dengan mudah mencari determinan dari matrik-matrik di
atas
maka,
Menentukan invers suatu matriks dapat juga menggunakan rumus berikut :

1
A−1 = adj( A) , dimana adj(A) = CT, C = {cij}, cij = kofaktor elemen aij
det( A)
Contoh 2.6
1
Cari A-1 dari matriks pada contoh 1.18 dengan menggunakan rumus A−1 = adj( A) .
det( A)
Jawab
Diketahui:
 2 5 5
A =  − 1 − 1 0
 2 4 3
Sehingga det(A) = -1
−1 0 −1 0 −1 −1
C11 = (-1)1+1M11 = =-3 C12 = - =3 C13 = =-2
4 3 2 3 2 4
Dengan cara yang sama diperoleh C21 = 5, C22 = -4, C23 = 2, C31 = 5, C32 = -5, C33 = 3
 − 3 3 − 2
Sehingga diperoleh C =  5 − 4 2 
 5 − 5 3 
− 3 5 5
Adj ( A) = C =  3 − 4 − 5
T 
− 2 2 3 
Sehingga
− 3 5 5   3 − 5 − 5
1 
−1
A =  3 − 4 − 5 =  − 3 4 5 
−1
 − 2 2 3   2 − 2 − 3
2.5 Hubungan Determinan, Invers Matriks dan Penyelesaian untuk Sistem Persamaan
Linier
Jika suatu SPL berbentuk AX = B dan A matriks bujur sangkar , maka sifat dari penyelesaian
SPL dapat diketahui dari nilai determinan A atau invers matriks A. Berikut ini adalah
hubungan yang berlaku :
Det (A) ≠ 0 ó A–1 terdefinisi (ada) ó penyelesaian tunggal untuk SPL

Det (A) = 0 ó A tidak memiliki invers
Det (A) = 0 => banyak penyelesaian atau tidak mempunyai penyelesaian
Pada kasus det (A) ≠ 0 untuk menentukan penyelesaiannya dapat digunakan invers
matriks untuk menghitungnya, yaitu X = A–1B . Sedangkan pada kasus det (A) = 0 ,
untuk menentukan penyelesaian SPL harus digunakan eliminasi Gauss–Jordan pada
matriks diperbesar [A : B] .
Contoh 2.7
Diketahui SPL berikut
 2 5 5  x  1 
 − 1 − 1 0  y  =  2
    
 2 4 3  z  1 
Penyelesaian
Karena det(A)= -1, maka
 3 − 5 − 5 1  − 12
X = A–1B =  − 3 4 5   2 =  10  (A-1 diambil dari contoh 2.6)
   
 2 − 2 − 3 1  − 5 
Dari sini diperoleh x = -12, y = 10, dan z = -5.
BAB III
VEKTOR DI R2 DAN R3
3.1 Pendahuluan
Definisi 3.1
Vektor didefinisikan sebagai besaran yang memiliki arah.
Kecepatan, gaya dan pergeseran merupakan contoh – contoh dari vektor karena semuanya
memiliki besar dan arah walaupun untuk kecepatan arahnya hanya positif dan negatif.
Vektor dikatakan berada di ruang – n ( Rn ) jika vektor tersebut mengandung n komponen.
Jika vektor bearada di R2 maka dikatakan vektor berada di bidang, sedangkan jika vektor
berada di R3 maka dikatakan vektor berada di ruang.
Secara geometris, di bidang dan di ruang vektor merupakan segmen garis berarah yang
memiliki titik awal dan titik akhir. Vektor biasa dinotasikan dengan huruf kecil tebal atau
huruf kecil dengan ruas garis.
Contoh 3.1
A B v atau v
Dari gambar diatas terlihat beberapa segmen garis berarah ( vektor ) seperti AB dengan A
disebut sebagai titik awal , sedangkan titik B disebut titik akhir.
Vektor posisi didefinisikan sebagai vektor yang memiliki titik awal O.
3.2 Operasi–operasi pada Vektor

Definisi penjumlahan dua vektor
Jika u dan v adalah dua vektor sebarang berada di ruang yang sama, maka vektor (u + v)
adalah vektor yang ditentukan sebagai berikut: Tempatkan vektor v sedemikian rupa
sehingga titik awalnya berimpitan dengan titik akhir u. Vektor u + v diwakili oleh anak panah
dari titik awal u hingga titik akhir v.
Contoh 3.2
v -v
u
u-v u
u+v
Definisi Selisih
Jika u dan v adalah dua vektor sebarang berada di ruang yang sama, v dari u didefinisikan
sebagai u – v = u + (-v)
Perkalian vektor dengan skalar

Vektor nol didefinisikan sebagai vektor yang memiliki panjang = 0. Misalkan u vektor tak nol
dan k adalah skalar, k ∈ R . Perkalian vektor u dengan skalar k , k u didefinisikan sebagai
vektor yang panjangnya |k| kali panjang u dengan arah :
Jika k > 0 ku searah dengan u
Jika k < 0 ku berlawanan arah dengan u
Contoh 3.3
u -u 2u
Perhitungan vektor
Diketahui a dan b vektor–vektor di ruang yang komponen–komponennya adalah a = (a1,a2,a3)
dan b = ( b1,b2,b3 )
Maka
a + b = (a1 +b1, a2+b2, a3+b3 )
a − b = (a1 – b1, a2 – b2, a3 – b3 )
k .a = ( ka1, ka2, ka3 )
Jika c = AB kemudian titik koordinat A = ( a1,a2,a3 ) dan B = ( b1,b2,b3 ) maka

c= (b1 − a1 , b2 − a2, b3 − a3 )
3.3 Hasil kali titik , panjang vektor dan jarak antara dua vektor
Panjang Vektor (Norma)
Panjang dari suatu vektor u sering disebut norma (norm) u dan dinyatakan dengan u . Jika u
∈ R2 dengan u = (u1, u2) maka u = u12 + u 22 . Jika u ∈ R3 dengan u = (u1, u2, u3) maka
u = u12 + u 22 + u32 .
Suatu vektor dengan norma satu disebut vektor satuan (unit vector)
Jarak
Jika P1(x1, y1, z1) dan P2(x2, y2, z2) adalah dua titik pada ruang berdimensi 3, maka jarak
(distance) d diantara keduanya adalah norma dari vektor P1 P2 .
Karena P1 P2 =(x2 - x1, y2 - y1, z2 - z1), maka:
d = ( x2 − x1 ) + ( y 2 − y1 ) + (z 2 − z1 )
2 2 2
Hal yang sama jika P1(x1, y1) dan P2(x2, y2) adalah dua titik pada ruang berdimensi 2, maka
jarak (distance) d diantara keduanya adalah
d= (x2 − x1 )2 + ( y2 − y1 )2
Hasil kali titik

Definisi
Jika u dan v adalah vektor-vektor pada pada ruang berdimensi 2 atau ruang berdimensi 3 dan
α adalah sudut antara u dan v, maka hasil kali titik (dot product) atau hasil kali dalam
Eucledian (Eucledian inner product) u.v didefinisikan oleh
 u v cosα jika u ≠ 0 dan v ≠ 0
u.v = 
 0 jika u = 0 atau v = 0
Jika a = (a1, a2, a3) dan b = (b1, b2, b3), maka hasil kali titik vektor a dan b didefinisikan
sebagai :
a . b =a1.b1+ a2.b2 +a3.b3
Jika a = (a1, a2) dan b = (b1, b2), maka hasil kali titik vektor a dan b didefinisikan sebagai :
a . b =(a1.b1)+ (a2.b2)
Jadi hasil kali titik dua buah vektor berupa skalar.
Dengan mengetahui besarnya α , akan diketahui apakah hasil kali titik akan bernilai positif
atau negatif atau sebaliknya.
a . b > 0 ↔ α lancip , 0 ≤ α < 90o
a . b = 0 ↔ α = 90o, a dan b saling tegak lurus
a . b < 0 ↔ α tumpul, 90o < α ≤ 180o
Contoh
Diketahui u = ( 2, –1,1 ) dan v = ( 1,1,2 ). Tentukan besar sudut yang dibentuk oleh u dan v!
Jawab
u . v = 2 –1 + 2 = 3
u = 2 2 + (− 1) + 12 = 6
2
v = 12 + 12 + 2 2 = 6
31
cosα = =
=>α = cos-1( ½ ) = 60o
6 6 2
Jadi sudut yang dibentuk antara u dan v adalah 60o
3.4 Proyeksi ortogonal

Diketahui vektor a dan b adalah vektor – vektor pada ruang yang sama seperti terlihat pada
gambar dibawah ini :
w2 a
w1 b
Vektor a disusun dari dua vektor yang saling tegak lurus yaitu w1 dan w2 ,jadi dapat
dituliskan a = w1 + w2. Dari proses pembentukannya w1 juga disebut sebagai vektor proyeksi
ortogonal a terhadap b karena merupakan hasil proyeksi secara ortogonal vektor a terhadap
b, sedangkan w2 disebut sebagai komponen dari a yang tegak lurus terhadap b. Karena w1
merupakan hasil proyeksi di b maka dapat dituliskan w1 = k b , nilai k ini akan menentukan
arah dan panjang dari w1 . Jika sudut antara a dan b adalah tumpul , maka tentunya nilai k
akan negatif ini juga berarti arah w1 akan berlawanan dengan arah b .
Menghitung w1
Untuk menghitung w1 , harus dihitung terlebih dahulu nilai k. Dengan menggunakan aturan
hasil kali titik , diperoleh :
a . b = (w1 + w2) . b
= w1 . b (karena w2 dan b saling tegak lurus maka w2 . b = 0)
= w1 b cos α
= k b b cos α (α adalah 0 atau 180)
2
=k b
a.b
Jadi k = 2
b
a.b
Sehingga w1 = kb = 2
b
b
w 2 = a – w1
a.b
Panjang w1 =
b
Contoh
Diketahui a = (4, 1, 3) dan b = ( 4, 2,–2). Tentukan
a. Vektor proyeksi tegak lurus dari a terhadap b!
b. Panjang dari vektor proyeksi tersebut !
c. Komponen dari a yang tegak lurus terhadap b !
Jawab:
a. Misalkan w1 adalah vektor proyeksi tegak lurus dari a terhadap b, maka w1 = k b
4.4 + 1.2 + 3.( −2) 12 1
sedangkan k = 2 = = sehingga w1 = ½ ( 4, 2,–2) = (2, 1, -1)
4 + 2 2 + (−2) 2 24 2
a.b 4.4 + 1.2 + 3.( −2) 12 6
b. Panjang w1 = = = =
b 4 + 2 + ( −2)
2 2 2
24 6
c. Misalkan w2 merupakan komponen dari a yang tegak lurus terhadap b, maka w2 = a –
w1 = (4, 1, 3) - (2, 1, -1) = (2, 0, 4)
3.5 Hasil Kali Silang

Definisi
Misalkan u = (u1, u2, u3) dan v = (v1, v2, v3) adalah vektor-vektor pada ruang berdimensi 3,
maka hasil kali silang (cross product) u x v adalah vektor yang didefinisikan sebagai
((u2.v3 – u3.v2), – (u1.v3 – u3.v1), ( u1.v2 – u2.v1))
Atau dalam notasi determinan
 u 2 u3 u1 u 3 u1 u 2 
 
 v v ,− v v , v v 
 2 3 1 3 1 2 
Hubungan antara hasil kali titik dengan hasil kali silang

Jika u, v, dan w adalah vektor-vektor pada ruang berdimensi 3, maka
1. u . (u x v) = 0
2. v . (u x v) = 0
3. u xv = u v − (u.v )2 disebut identitas Lagrange
2 2 2
4. u x (u x w) =(u . w)v – (u . v)w

5. (u x u) x w =(u . w)v – (v . w)u
Sifat – sifat hasil kali silang

1. a x b = – ( b x a )
2. a x ( b + c) = a x b + a x c
3. ( a + b) x c = a x c + b x c
4. k ( a x b ) = ( k a ) x b = a x k b
5. a x a = 0
Penerapan Hasil Kali Silang

Hasil kali silang dapat digunakan untuk menghitung luas daerah segitiga yang dibentuk oleh
tiga titik misalnya A, B, dan C. Menggunakan rumus berikut:
1
Luas daerah segitiga ABC = ABx AC
2
Contoh
Tentukan luas daerah segitiga yang dibentuk oleh A(2, 1, 1), B(1, 2, 1), dan C(2, 0, 1).
Jawab:
AB = (1 − 2, 2 − 1,1 − 1) = (−1,1,0)
AC = (2 − 2,0 − 1,1 − 1) = (0, −1,0)
 1 0 −1 0 −1 1 
ABx AC =  ,− ,  = (0,0,1)

 −1 0 0 0 0 −1 
1 1 2 1 1
Luas daerah segitiga = ABx AC = 0 + 0 2 + 12 = 1 =
2 2 2 2
DIKTAT MATA KULIAH
ALJABAR LINEAR ELEMENTER
(BAGIAN II)
DISUSUN OLEH
ABDUL JABAR, M.Pd
JURUSAN/PROGRAM STUDI PENDIDIKAN MATEMATIKA

STKIP PGRI BANJARMASIN
MARET 2013
MUQADIMAH
Alhamdulillah penyusun ucapkan ke hadirat ALLAH SWT, karena berkat limpahan rahmat,
taufik dan hidayah-Nya penyusun dapat menyelesaikan diktat Aljabar Linear ini. Shalawat dan
salam juga semoga selalu tercurah kepada junjungan kita Nabi Muhammad SAW beserta
sahabat, kerabat, serta ummat beliau yang senantiasa istiqamah mengikuti risalah beliau
hingga akhir zaman.
Diktat ini disusun dalam dua bagian, dengan harapan setelah selesai bagian I akan
dilaksanakan ujian tengah semester, dan nanti langsung dilanjutkan dengan bagian II. Semoga
dengan penyusunan diktat ini dapat membantu mahasiswa dalam belajar Aljabar Linear,
tentu saja perlu ditambah dengan buku pendukung lainnya.
Penyusun juga menyadari bahwa diktat ini masih jauh dari sempurna, sehingga saran dan
kritik sangat penyusun harapkan.
Banjarmasin, Maret 2013

Penyusun,
TTD
Abdul Jabar, M.Pd
Diktat Aljabar Linear Bagian II oleh Abdul Jabar, M.Pd (STKIP PGRI Banjarmasin) Hal i
DAFTAR ISI
Halaman
BAB IV RUANG VEKTOR …………………………………………………………………………….. 1
4.1 Field ……………………………………………………………………………………………………… 1
4.2 Ruang Vektor ………………………………………………………………………………………… 2
4.3 Ruang Vektor Bagian …………………………………………………………………………. 4
4.4 Kombinasi Linear dan Span ………………………………………………………………….. 4
4.5 Bebas Linear ………………………………………………………………………………………. 5
4.6 Basis dan Dimensi ……………………………………………………………………………….. 6
4.7 Row Space, Column space dan Null space ………………………………………………… 8
BAB V RUANG HASIL KALI DALAM …………………………………………………………….. 12
5.1 Hasilkali Dalam Umum ………………………………………………………………………… 12
5.2 Hasilkali Dalam Khusus …………………………………………………………………….. 13
5.3 Panjang vektor , jarak antar vektor ,dan besar sudut dalam RHD ………………… 14
5.4 Basis Ortonormal; Proses Gram-Schmidt ………………………………………………… 15
5.5 Perubahan Basis ………………………………………………………………………………………… 18
BAB VI TRANSFORMASI LINEAR ………………………………………………………………… 20
BAB VII NILAI EIGEN DAN VEKTOR EIGEN ………………………………………………………. 25
Diktat Aljabar Linear Bagian II oleh Abdul Jabar, M.Pd (STKIP PGRI Banjarmasin) Hal ii
BAB IV
RUANG VEKTOR
4.1 Field
Misal { K, + , * }, K adalah himpunan , didefinisikan 2 operasi + (penjumlahan) dan *
(perkalian). Akan dikatakan Field jika dipenuhi :
1. untuk setiap α,β ∈ K maka α + β∈ K dan α * β ∈ K, dikatakan K tertutup terhadap

operasi penjumlahan dan perkalian.
2. untuk setiap α,β,γ ∈ K maka (α+ β) + γ =α+ (β + γ)
3. terdapat 0 ∈ K disebut elemen nol, sedemikian sehingga 0 + α = α + 0 = α , untuk setiap
α∈ K
4. untuk masing-masing α∈ K , terdapat - α∈ K disebut negatip dari α sedemikian sehingga
(- α) + α = α +(- α)=0
5. untuk setiap α,β∈ K maka α + β = β + α
6. untuk setiap α,β,γ ∈ K maka (α*β)*γ =α* (β * γ)
7. untuk setiap α,β,γ ∈ K
(i) α*( β + γ )=α*β + α*γ
(ii) ( β + γ )* α = β*α + γ*α
8. untuk setiap α,β∈ K maka α * β = β * α
9. terdapat 1∈ K disebut elemen satuan , sedemikian sehingga 1* α = α *1 = α , untuk
setiap α∈ K
10. untuk masing-masing α≠0∈ K , terdapat α-1∈ K disebut negatip dari α sedemikian
sehingga α-1 * α = α *α-1=1
Anggota dari Field disebut Skalar.
Perhatikan : Sistem Bilangan berikut
Bilangan Kompleks Bilangan Imajiner
Bilangan Riil B. Irrasional
B. Rasional
B. Bulat B. Pecahan
Dijelaskan 10 Syarat di atas diterapkan pada Masing-masing bilangan tersebut. Sehingga

dapat disimpulkan Contoh Field adalah Bilangan Kompleks, Riil, dan Rasional.
Diktat Aljabar Linear Bagian II oleh Abdul Jabar, M.Pd (STKIP PGRI Banjarmasin) Hal 1
4.2 Ruang Vektor
Suatu objek di dalam ruang vektor V disebut vektor. V dikatakan sebagai ruang vektor bila
memenuhi 10 aksioma berikut :
1. Jika u dan v di dalam V, maka u + v juga harus di dalam V
2. u + v = v + u
3. u + (v + w) = (u + v) + w
4. Di dalam ruang vektor V ada objek 0, yang disebut sebagai vektor 0 sedemikian
sehingga 0 + u = u + 0 = u, untuk semua u di dalam vektor V
5. Untuk setiap u di dalam V, ada objek yang disebut sebagai –u di dalam V, yang disebut
sebagai negatip u, sehingga u + (-u) = (-u) + u = 0
6. Jika k adalah sebarang skalar dan u adalah objek di dalam ruang vektor V, maka ku
juga ada di dalam ruang vektor V
7. k(u+v) = ku + kv
8. (k + m)u = ku + mu
9. k(mu) = (km)u
10. 1.u = u
Contoh 4.1
Buktikan R2 merupakan ruang vektor!
Jawab
Ambil u, v, w ∈ R2
u = (u1, u2) v = (v1, v2) w = (w1, w2)
1. u + v = (u1, u2) + (v1, v2)
= (u1 + v1, u2 + v2) ∈ R2 (sifat tertutup bilangan real)
2. u + v = (u1 + v1, u2 + v2)
= (v1 + u1, v2 + u2) (sifat komutatif bilangan real)
= (v1, v2) + (u1, u2)
=v+u
3. u+(v + w) = (u1, u2) + [(v1, v2) + (w1, w2)]
= (u1, u2) + (v1 + w1, v2 + w2)
= (u1 + (v1 + w1), u2 +( v2 + w2) )
= ((u1 + v1)+ w1), (u2 + v2) + w2) (Sifat assosiatif bilangan real)
= [(u1 + v1, u2 + v2)] + (w1, w2)
= [(u1, u2) + (v1, v2)] + (w1, w2)
= (u+v ) + w
4. ∃ 0 = (0, 0) ∈ R2
u + 0 = (u1, u2) + (0, 0) = (u1, u2) = u
5. ∀ u ∈ R2 ∃ -u = (-u1, -u2) ∈ R2
u + (-u) = (u1, u2) + (-u1, -u2) = (0, 0) = 0
6. ku = k (u1, u2) = (ku1, ku2) ∈ R2
7. k (u + v) = k (u1 + v1, u2 + v2)
= (k(u1 + v1), k(u2 + v2))
= (ku1 + kv1, ku2 + kv2)
= (ku1, ku2) + (kv1, kv2)
= k(u1, u2) + k(v1, v2) = ku + kv
8. (k + l) u = (k + l) (u1, u2)
= ((k + l) u1, (k + l) u2)
= ((k u1 + l u1), (k u2 + l u2))
= (ku1, ku2) + ( lu1, lu2)
= k (u1, u2) + l (u1, u2)
= ku + lu
9. k (lu) = k (l(u1, u2))
= k (lu1, lu2) = (klu1, klu2)
= kl (u1, u2) = (kl)u
10. 1u = 1 (u1, u2) = (u1, u2) = u
R2 merupakan ruang vektor karena memenuhi 10 aksioma
Contoh 4.2
Diketahui : B = {(x, y) | x, y ∈ R} dimana (x, y) + (x’, y’) = (x + x’, 0) dan k(x, y) = (2x, ky)
Selidiki apakah B sebuah ruang vektor?
Jawab:
Ambil u, v, w ∈ B
u = (u1, u2) v = (v1, v2) w = (w1, w2)
1. u + v = (u1, u2) + (v1, v2)
= (u1 + v1, 0) ∈ B (sifat tertutup bilangan real)
2. u + v = (u1 + v1, u2 + v2) = (u1 + v1, 0)
= (v1 + u1, 0)
v + u = (v1, v2) + (u1, u2) = (v1 + u1, 0)
=u+v
3. u+(v + w) = (u1, u2) + [(v1, v2) + (w1, w2)]
= (u1, u2) + (v1 + w1, 0)
= (u1 + (v1 + w1), 0)
= ((u1 + v1)+ w1), 0)
(Sifat assosiatif bilangan real)
(u+v ) + w = [(u1, u2) + (v1, v2)] + (w1, w2)
= [(u1 + v1, 0)] + (w1, w2)
= ((u1 + v1)+ w1), 0)
=u+(v + w)
4. ∃ 0 = (0, 0) ∈ B
u + 0 = (u1, u2) + (0, 0) = (u1, 0) ≠ u (gagal)
5. ∀ u ∈ B ∃ -u = (-u1, -u2) ∈ B
u + (-u) = (u1, u2) + (-u1, -u2) = (0, 0) = 0
6. ku = k (u1, u2) = (2u1, ku2) ∈ B
7. k (u + v) = k (u1 + v1, 0)
= (2(u1 + v1), 0)
= (2u1 + 2v1, 0)
ku + kv = k(u1, u2) + k(v1, v2)
= (2u1, ku2) + (2v1, kv2)
= (2u1 + 2v1, 0) = k (u + v)
8. (k + l) u = (k + l) (u1, u2)
= ( 2u1, (k + l) u2)
ku + lu = k (u1, u2) + l (u1, u2)
= (2u1, ku2) + ( 2u1, lu2)
= ((2u1 + 2u1), 0)
= (4u1, 0) ≠ (k + l) u (gagal)
9. k (lu) = k (l(u1, u2))
= k (2u1, lu2) = (4u1, klu2)
(kl)u = kl (u1, u2) = (2u1, klu2)
≠ k (lu) (gagal)
10. 1u = 1(u1, u2) = (2u1, u2) ≠ u (gagal)
B bukan ruang vektor sebab tidak memenuhi aksioma 4, 8, 9, dan 10
4.3 Ruang Vektor Bagian ( Subspace )

V adalah Ruang Vektor , W adalah Subset dari V. Untuk menentukan apakah W
merupakan ruang bagian V, cukup diperiksa berikut :
1. W ≠ Φ ( W tidak hampa ) , untuk itu perlu ditunjukkan bahwa vektor 0∈ W.

2. Untuk setiap a, b∈ W maka a + b∈ W
3. Untuk setiap a ∈ W , α ∈ K maka α a ∈ W
Contoh 4.3
U = { (x, 0) | x∈ R}. Buktikan bahwa U merupakan sub ruang dari R2!
Misalkan a , b ∈ U artinya a = ( x1,0 ) dan b = ( x2,0 ) dengan x1,x2 ∈ R
1. U≠ Φ. Contoh 0 = (0,0) ∈ U
2. a + b = ( x1 + x2,0 ) dengan x1+x2 ∈ R , jadi a + b ∈ U
3. Untuk skalar k , maka k a = ( kx1,0 ) dengan kx1 ∈ R , jadi k a ∈ U
Semua syarat terpenuhi , maka U merupakan sub–ruang R2
Contoh 4.4
U = { (x, y, z) | y = 2x + z}. Selidiki apakah U merupakan sub ruang dari R3
Misalkan a , b ∈ U
artinya a = (a1, a2, a3) dan b = (b1, b2, b3) dengan a2 = 2a1 + a3 dan b2= 2b1 + b3
1. U≠ Φ. Contoh 0 = (0, 0, 0) ∈ U
2. a + b = ( a1 + b1, a2 + b2 , a3 + b3 ) apakah a2 + b2 = 2(a1 + b1) + (a3 + b3 )
Penyelidikan:
2(a1 + b1) + (a3 + b3 ) = 2a1 + 2b1 + a3 + b3 (sifat distributif dan assosiatif umum)
= 2a1 + a3+ 2b1 + b3 (sifat komutatif umum)
= (2a1 + a3)+ (2b1 + b3) = a2 + b2
a + b ∈ U (terpenuhi)
3. Untuk skalar k , maka k a = (ka1, ka2, ka3) apakah ka2= 2ka1+ ka3
Penyeledikan:
2ka1+ ka3 = k2a1+ ka3 =k(2a1+ a3 ) = ka2 ( terpenuhi)
U merupakan sub–ruang R3
4.4 Kombinasi Linier dan Span (Membangun)

Sebuah vektor w dikatakan merupakan suatu kombinasi linier dari vektor-vektor v1, v2, …,
vn jika vektor w dapat dituliskan sebagai :
w = a1v1 + a2v2 + ……..+ anvn

dengan a1, a2 ……an adalah sembarang skalar yang memenuhi persamaan.
Contoh 4.5
Jika terdapat vektor u=(-1,1,2) dan v=(2,-3,0) di ruang R3, tentukan apakah vektor-vektor
berikut ini adalah kombinasi linier dari u dan v :
a) (-4,5,4)
b) (1,-2,0)
Jawab :
a) Untuk mengetahui suatu vektor adalah kombinasi linier dari vektor yang lainnya,
dibuat penulisan persamaan vektor sebagai berikut : w = a1u + a2v
 -4  -1  2
 5  = a  1 + a -3
  1  2 
 4   2  0 
-4 = -a1 + 2a2;5 = a1- 3a2; 4 = 2a1

Jadi : karena ditemukan a1 = 2 dan a2= -1 maka w mrupakan kombinasi linear dari u
dan v. Bentuk kombinasi linearnya w = 2u - v
b) Sebagai latihan
Jika S={v1,v2, …,vr) adalah himpunan vektor di dalam ruang vektor V, dikatakan membangun
(Span) suatu ruang vektor V jika setiap vektor pada V selalu dapat dinyatakan sebagai
kombinasi linear dari vektor – vektor di S.
Contoh 4.6
Tentukan apakah v1=(-2,1,2), v2=(0,1,3), v3=(-1,0,1) span dari ruang vektor R3?
Jawab :
Untuk menentukan span di ruang vektor R3, maka dicari kemungkinan setiap vektor di ruang
R3 adalah kombina-si linier dari v1, v2 dan v3. Misalkan vektor a=(a1,a2,a3) di ruang vektor R3,
maka a dapat ditulis sebagai kombinasi linier dari v1,v2,dan v3
Agar supaya ada nilai k1,k2 dan k3, maka matrik 3 x 3 tersebut harus mempunyai invers atau
determinan tidak boleh sama dengan nol. Karena determinan matrik tersebut adalah -3,
maka k1,k2 dan k3 didapatkan. Jadi disimpulkan bahwa v1,v2 dan v3 merupakan span dari
ruang vektor R3
4.5 Bebas Linear

Definisi :
Himpunan m buah vektor {u1, u2 , …, um} disebut bergantung linier ( linearly dependent,
tidak bebas linier) bila terdapat skalar-skalar λ1, λ2 , …, λm yang tidak semua nol
sedemikian sehingga λ1 u1 + λ2 u2 +… + λm um = 0 ( 0 = vektor nol ).
Dalam hal lain himpunan { u1, u2 , …, um} disebut bebas Linier (linearly independent ),
dengan perkataan lain apabila λ1 u1 + λ2 u2 +… + λm um = 0 hanya dipenuhi oleh λ1= λ2 = …
=λm=0.
Contoh 4.6
Apakah vektor-vektor v1=(1,0,1), v2=(2,-1,3) dan v3=(-3,1,-4) saling bebas atau bergantung
linier?
Jawab :
Untuk mengecek kebergantungan linier, langkah yang dilakukan adalah dengan menuliskan
persamaan homogen yang mengandung vektor-vektor tersebut yakni : a1v1 + a2v2 + a3v3 = 0
a1(1,0,1) + a2(2,-1,3) +a3(-3,1,-4) = 0
Diperoleh persamaan :
a1+ 2a2 – 3a3=0; -a2 + a3 = 0 dan a1+ 3 a2 – 4 a3 = 0, didapatkan : a1 = a2 = a3 = 1
Jadi vektor v1, v2 dan v3 adalah bergantung linier.
Beberapa catatan :
1. Sebuah kumpulan vektor yang ada di dalam S, maka
a) Saling bergantung linier jika dan hanya jika paling sedikit ada 1 vektor di dalam S
yang dapat dinyatakan sebagai kombinasi linier dari vektor yang lain yang juga di
dalam S
b) Saling bebas linier jika dan hanya jika tidak ada vektor di dalam S yang dapat
dinyatakan sebagai kombinasi linier dari vektor lainnya di dalam S.
2. Sekumpulan vektor berjumlah berhingga yang memuat vektor nol (0) adalah saling
bergantung linier.
3. Jika S ={v1, v2, v3, …, vn} adalah sekumpulan vektor di ruang Rm. Apabila n>m, maka
himpunan S adalah saling bergantung linier.
4.6 Basis dan Dimensi

Basis : suatu ukuran tertentu yang menyatakan komponen dari sebuah vector. Dimensi
biasanya dihubungkan dengan ruang, misalnya garis adalah ruang dengan dimensi 1, bidang
adalah uang dengan dimensi 2 dan seterusnya.
Definisi
Jika V adalah ruang vektor dan S = {v1, v2, v3, …, vn} adalah kumpulan vektor di dalam V, maka
S disebut sebagai basis dari ruang vektor V jika 2 syarat berikut ini dipenuhi :
1. S bebas linier
2. S span (membangun) V
Contoh 4.7
Jika v1=(1,2,1), v2=(2,9,0) dan v3=(3,3,,4).
Apakah S={v1, v2, v3} adalah basis di R3?
Jawab :
• Syarat sebagai basis adalah span dan bebas linier, maka langkah yang harus dilakukan
adalah menguji kedua syarat tersebut.
• Jika span, maka harus ada vektor lain yang merupakan kombinasi linier v1, v2 dan v3
Supaya ada solusi, maka matrik 3 x 3 memiliki invers.
• Dari hasil perhitung diperoleh nilai determinan = 1, yang menandakan bahwa matrik
memiliki invers. Dengan demikian setiap nilai b1, b2 dan b3 akan menghasilkan nilai
a1, a2 dan a3.
• Dapat dikatakan bahwa S adalah span dari R3.
• Jika nilai b1= b2 = b3 = 0, maka a1= a2 = a3= 0 (detailnya sebagai latihan) sehingga
ketiga vector saling bebas linier.
• Kesimpulannya : S={v1, v2, v3} adalah himpunan dari vektor basis di R3
Catatan:
• Ruang vektor V yang bukan nol (0) disebut dimensi terbatas (finite dimensional), yaitu
mengandung kumpulan vektor yang membentuk baris {v1, v2, v3, …, vn}
• Jika tidak ada kumpulan vektor yang membentuk basis, maka V disebut sebagai dimensi
tak terbatas (infinite dimensional)
• Catatan : ruang vektor nol disebut finite dimensional
• Dimensi dari ruang vektor V yang berdimensi terbatas didefinisikan sebagai jumlah
vektor yang membentuk basis di dalam ruang vektor V.
• Ruang vektor nol mempunyai dimensi nol.
Pada pembahasan mengenai membangun dan bebas linier , suatu himpunan vektor dapat
ditunjukkan merupakan himpunan yang bebas linier atau membangun ruang vektor V hanya
dengan melihat dari jumlah vektor dan dim ruang vektor. Sebenarnya tanpa menghitung kita
sudah bisa menyimpulkan bahwa himpunan vektor tersebut tidak bebas linier karena agar
bebas linier maksimal jumlah vektor = dim ruang vektor. Sebaliknya jika suatu himpunan
vektor hanya memuat vektor dengan jumlah kurang dari dim ruang vektor , maka dapat
disimpulkan bahwa himpunan vektor tersebut tidak membangun .
Berdasarkan hal ini, maka suatu himpunan vektor kemungkinan bisa menjadi basis ruang
vektor berdimensi n jika jumlah vektornya = n. Jika jumlah vektor < n maka tidak
membangun sebaliknya jika jumlah vektor > n maka bergantung linier.
Jika jumlah vektor = n , maka dapat dihitung nilai determinan dari ruang yang dibangun oleh
himpunan vektor tersebut.
Jika det = 0 , maka ia tidak bebas linier dan tidak membangun
Jika det ≠ 0 , maka ia bebas linier dan membangun è merupakan basis .
Contoh 4.8
Tentukan basis dan dimensi serta solusi dari system persamaan linier homogen berikut ini :
x1 + 2x2 + 2x3 – x4 + 3x5 = 0
x1 + 2x2 + 3x3 + x4 + x5 = 0
3x1 + 6x2 + 8x3 + x4 + 5x5 = 0
Jawab :
Harus dicari solusi SPL dengan menggunakan eliminasi Gauss-Jordan diperoleh hasil
berikut: (detail sebagai latihan)
x3 + 2x4 – 2x5 = 0
x1 + 2x2 – 5x4 + 7x5 = 0
Solusinya :
Maka yang menjadi basisnya adalah :
Sedangkan dimensinya adalah 3 (karena vektor basisnya ada 3)
4.7 Row space, Column space dan Null space

Jika A adalah suatu matrik dengan ordo mxn :
 a11 a12 a13 ... ... a1n 
a a22 a23 ... ... a2 n 
 21 
 a31 a32 a33 ... ... a3n 
Am x n = 
... ... ... ... ... ... 
 
 ... ... ... ... ... ... 
a 
 m1 am 2 am 3 ... ... amn 
Maka vektor baris adalah r1=[a11 a12 … a1n], r2=[a21 a22 … a2n] dan seterusnya.
 a11   a12 
a  a 
Vektor kolom adalah c1 =  21 
, c 2 =  22  dan seterusnya.
 ...   ... 
   
 am1   am 2 
• Vektor-vektor baris r1, r2, ….., rm disebut : row space dari A

• Vektor-vektor kolom c1, c2, ….., cn disebut : column space dari A
• Ruang solusi SPL homogen Ax = 0 yang merupakan sub ruang Rn disebut : null space
• Sistem linier Ax = b disebut konsisten jika dan hanya jika b adalah column space dari A
• Jika x0 adalah salah satu solusi dari sistem persamaan linier Ax = b dan kumpulan solusi
dari Ax=0 yaitu v1, v2, …, vn merupakan basis untuk null space dari A, maka setiap solusi
dari Ax = b dapat ditulis sebagai berikut : x = x0 + a1v1 + a2v2 + …. + anvn
• Solusi dari Ax = b adalah x0 yang disebut sebagai solusi khusus (particular solution) dan
x0 + a1v1 + a2v2 + …. + anvn disebut solusi umum (general solution).
• Solusi umum dari Ax = 0 adalah a1v1 + a2v2 + …. + anvn, dengan demikian dapat
disimpulkan bahwa solusi lengkap dari Ax = b adalah solusi khusus ditambah solusi
umum dari Ax=0.
Menentukan basis ruang baris/kolom

Basis ruang baris A didapatkan dengan melakukan OBE pada A sehingga diperoleh bentuk
BEB, baris yang tak nol merupakan basisnya. Sedangkan basis ruang kolom A didapatkan
dengan melakukan OBE pada AT sehingga diperoleh bentuk BEB, baris yang tak nol
merupakan basisnya.
Dimensi (ruang baris) = Dimensi (ruang kolom) = rank matriks.
Rank dan Nullity

Pada suatu matrik A dan AT, terdapat 6 ruang vektor yaitu
Row space A Row space AT
Column space A Column space AT
Null space A Null space AT
Namun row space AT = column space A, begitu juga dengan column space AT = row space A.
Oleh sebab itu tinggal 4 ruang vektor yang perlu diperhatikan yaitu row space A, column
space A, null space A dan null space AT.
Ini semua disebut sebagai fundamental matrix space dari A.
Dapat disimpulkan bahwa dimensi dari row space dan column space suatu matrik adalah
sama. Dimensi dari row space dan column space suatu matrik disbut dengan istilah “rank”,
sedangkan dimensi dari null space disebut dengan istilah “nullity”(nullitas)
Contoh 4.9
Carilah solusi dari system persamaan linier berikut ini :
x1 + 2x2 – x3 + 3x4 – 4x5 = – 1
2x1 + 4x2 – 2x3 – x4 + 5x5 = 2
2x1 + 4x2 – 2x3 + 4x4 – 2x5 = 0
Jawab :
Dengan menggunakan eliminasi Gauss-Jordan (detailnya sebagai latihan) diperoleh :
x1 = -2x2 + x3 + 1/8
x4 = 1/8
x5 = 3/8
 x1  − 2 1  18 
x   1   0  0
 2      
maka  x3  =  0  x2 + 1 x3 + 0 .
      1 
 x4   0   0 8 
 x5   0  0  83 
 18   − 2 1   18 
  1 0   
0     0
Solusi khususnya adalah 0 , sedangkan solusi umumnya adalah  0  x2 + 1  x3 + 0
1     1
8 0 0  8
 38  
0   
0   38 
 
Bagaimana cara mencari basis dari null space ?
Ruang solusi dari SPL homogen Ax=0 adalah null space.
Jadi untuk mencari basis dari null space adalah dengan menganggap ada SPL homogen
Contoh 4.10
Tentukan basis dari null space A serta nullitasnya dari SPL homogen berikut:
2x1 + 2x2 – x3 + x5 = 0
– x1 – x2 + 2x3 – 3x4+ x5 = 0
x1 + x2 – 2x3 – x5 = 0
x3 + x4+ x5 = 0
Jawab:
Dengan menggunakan eleminasi Gauss-Jordan (detailnya sebagai latihan) diperoleh:
x1 = -x2 - x5
x3 = -x5
v4 = 0
 x1  − 1  − 1
x   1  0
 2    
 x3  =  0  x 2 +  − 1 x5
     
 x4   0  0
 x5   0   1 
 − 1  − 1
1 0
   
Jadi basis dari null space adalah :  0  dan  − 1 . Nullitas adalah 2
   
0 0
 0   1 
Jika suatu matrik di dalam bentuk row-reduced echelon, maka vektor baris (row vector)
dengan 1 (satu) sebagai leading entry menjadi basis dari row-space dari matrik tersebut dan
vektor kolom (column vector) dengan 1 (satu) sebagai leading entry menjadi basis dari
column space dari matrik tersebut
Contoh 4.11
Tentukan basis dari row space , column space dan rank matriks dari matrik berikut ini :
Jawab :
Karena sudah berbentuk BEB, maka
Basis dari row space adalah : r1 = [1 0 -1 2 1]
r2 = [0 1 0 1 2]
r3 = [0 0 0 1 3]
Untuk mencari basis untuk column space, maka lakukan OBE pada AT sehingga berbentuk
BEB (detailnya sebagai latihan)
Diperoleh
Rank matriks adalah 3
Catatan:
Jika dua matrik A dan B saling row-equivalent, maka :
1. Kumpulan vector kolom A saling bebas linier jika dan hanya jika kolom vektro B yang
berkorespondensi letaknya juga saling bebas linier.
2. Kumpulan vector kolom A membentuk basis dari column space (ruang kolom) A jika
dan hanya jika vector B yang letaknya sama dengan A juga membentuk basis untuk
ruang kolom B
BAB V
RUANG HASIL KALI DALAM
5.1 Hasil Kali Dalam Umum

Definisi
Hasilkali dalam (inner product) pada sebuah ruang vektor V adalah sebuah fungsi yang
mengasosiasikan sebuah bilangan real <u, v> dengan sepasang vektor u dan v di dalam V,
sedemikian sehingga aksioma-aksioma berikut ini dipenuhi bagi semua vektor u, v, dan w di
dalam V dan semua bilangan skalar k.
1. Simetris: <u, v> = <v, u>
2. Aditivitas: <u + v, w> = <u, w> + <v, w>
3. Homogenitas: <ku, v> = k <u, v>
4. Positivitas: <v, v> ≥ 0 dan <v, v> = 0 jika dan hanya jika v = 0.
Ruang vektor yang dilengkapi hasil kali dalam seperti diatas disebut Ruang hasil kali dalam
yang biasa disingkat dengan RHD.
Contoh 5.1
Tunjukkan bahwa operasi perkalian titik standar di R3 Euclides merupakan hasil kali dalam !
Jawab
Akan ditunjukkan bahwa perkalian titik standar memenuhi keempat aksioma hasil kali
dalam , yaitu :
Misalkan a = ( a1,a2,a3 ) , b = ( b1,b2,b3 ) , c = ( c1,c2,c3 ) maka a , b, c ∈ R3
1. Simetris
< a,b> = ( a . b)
= (a1b1 + a2b2 + a3b3 )
= (b1a1 + b2a2 + b3a3 ) = b . a
= < b, a > ………… ( terpenuhi )
2. Aditivitas
< a + b , c > = ( ( a + b) . c )
= ((a1+b1 , a2+b2 , a3+b3 ) . ( c1,c2,c3 ) )
= ((a1c1 + b1c1) + ( a2c2+b2c2 ) + (a3c3 + b3c3 )
= (a1c1 + a2c2 + a3c3 ) + (b1c1 + b2c2 + b3c3 )
= (a.c )+(b.c )
= < a,c >+< b,c > …… ( terpenuhi )
3. Homogenitas
<ka,b> =(ka.b)
= ( ka1b1 + ka2b2 + ka3b3 )
= k(a1b1 + a2b2 + a3b3 )
= k( a . b )
= k< a , b > ………… ( terpenuhi )
4. Positivitas
< a,a > = ( a . a ) = ( a12+ a22+ a32 ) ≥ 0 ………… ( terpenuhi )
dan
< a, a > = ( a12+ a22+ a32 ) = 0 ↔ a = ( 0,0,0 ) = 0 . … …( terpenuhi )
RHD yang memiliki hasil kali dalam berupa perkalian titik standar seperti diatas biasa
disebut RHD Euclides.
Contoh 5.2
Tunjukkan bahwa <u, v> = u1v1 + u3v3 tidak memenuhi syarat aksioma hasil kali dalam.
Jawab
Misalkan a = ( a1,a2,a3 ) , b = ( b1,b2,b3 ) , c = ( c1,c2,c3 ) maka a , b, c ∈ R3
1. Simetris
< a,b> = (a1b1 + a3b3 )
= (b1a1 + b3a3 )
= < b, a > ………… ( terpenuhi )
2. Aditivitas
< a + b , c > = <(a1+b1 , a2+b2 , a3+b3 ) , ( c1,c2,c3 ) >
= ((a1c1 + b1c1) + (a3c3 + b3c3 )
= (a1c1 + a3c3 ) + (b1c1 + b3c3 )
= < a,c >+< b,c > …… ( terpenuhi )
3. Homogenitas
<ka,b> = ( ka1b1 + ka3b3 )
= k(a1b1 + a3b3 )
= k( a . b )
= k< a , b > ………… ( terpenuhi )
4. Positivitas
< a,a > = ( a . a ) = ( a12 + a32 ) ≥ 0 ………… ( terpenuhi )
dan
< a, a > = ( a12 + a32 ) = 0 ↔ a = ( 0,0,0 ) = 0 tidak terpenuhi sebab ambil a = (0, a2, 0)
maka < a, a > = 0 padahal a bukan 0.
Terbukti bahwa <u, v> = u1v1 + u3v3 tidak memenuhi syarat aksioma hasil kali dalam.
5.2 Hasilkali Dalam Khusus

Jika w1, w2, …, wn adalah bilangan-bilangan real positif yang disebut nilai bobot (weight),
dan jika u = (u1, u2, …, un) dan v = (v1, v2, …, vn) adalan vektor-vektor pada Rn maka
<u, v> = w1 u1v1 + w2 u2 v2 + …. + wn unvn
mendefinisikan sebuah hasil kali dalam pada Rn. Hasilkali dalam ini disebut hasilkali dalam
Euclidean berbobot dengan nilai-nilai bobot w1, w2, …, wn.
Contoh 5.3
Diketahui <u, v> = 2 u1v1 + 3 u2 v2 dan u = (7, 5) dan v = (2, -1). Tentukan <u, v>.
Jawab
<u, v> = 2.7.2 + 3.5.(-1) = 13
Hasilkali dalam yang dibangun oleh Matriks

 u1   v1 
u  v 
 2  2
Misalkan u =  ...  dan v =  ...  adalan vektor-vektor pada Rn, maka
   
 ...   ... 
u n  v n 
<u, v> = vTATAu
Dinamakan hasilkali dalam yang dibangun oleh A.
Contoh 5.4
 2 0
Tentukan formula hasil kali dalam yang dibentuk oleh A =  !
0 3
Jawab:
 2 0   2 0   u1 
<u, v> = vTATAu = [v1 v2]    
0 3  0 3  u 2 
= 2u1v1 + 3u2v2 (detailnya sebagai latihan)
5.3 Panjang vektor, jarak antar vektor, dan besar sudut dalam RHD
Ketika kita membahas tentang panjang vektor , maka kita harus menghilangkan rumusan
yang selama ini kita gunakan mengenai panjang vektor dalan ruang –n Euclides berdasarkan
operasi hasil kali titik . Kita akan menghitung panjang suatu berdasarkan hasil kali dalam
yang telah diberikan, dan sudah dibuktikan bersama – sama bahwa hasil kali titik dalan
ruang – n Euclides juga merupakan hasil kali dalam jadi konsep yang digunakan ini akan
lebih luas daripada konsep sebelumnya.
Misalkan V merupakan ruang hasil kali dalam u, v ∈ V maka

1/ 2
a. u = u ,u
b. d(u, v) = <u – v, u – v>1/2
c. Misalkan β adalah sudut antara u dan v, maka cos β adalah
u, v
cos β =
u v
Contoh 5.5
Diketahui u = (2, -1), v = (7, 3) dan β adalah sudut antara u dan v. Tentukan panjang masing-
masing vektor dan cos β menggunakan hasilkali dalam yang diberikan berikut:
a. Hasilkali dalam Euclidis
b. Hasilkali dalam Euclidis yang diboboti <u, v> = 3u1v1 + 2u2v2 dimana u = (u1, u2) dan v =
(v1, v2)
1 2
c. Hasilkali dalam yang dibentuk oleh matriks A  
3 1 
Jawab:
a. Hasilkali dalam Euclidis
• u = u, u
1/ 2
= 2.2 + ( −1)( −1) = 5
•
1/ 2
v = v, v = 7.7 + 3.3 = 58
u, v 2.7 + (−1).3 11
• cos β = = =
u v 5 58 290
b. Hasilkali dalam yang diboboti
• u = u, u
1/ 2
= 3.2.2 + 2( −1)( −1) = 14
•
1/ 2
v = v, v = 3.7.7 + 2.3.3 = 165
u, v 3.2.7 + 2(−1).3 36
• cos β = = =
u v 14 165 2310
c. Hasilkali yang dibentuk oleh matriks A
 1 3  1 2  2   0
• u = u, u = (2 − 1)    = (0 5 )  = 25 = 5
1/ 2
 2 1  3 1  − 1  5
 1 3  1 2  7   13 
• v = v, v
1/ 2
3)
= (7    = (13 24 )  = 745
 2 1  3 1  3   24 
 1 3  1 2  2 
(7 3)   
u, v  2 1  3 1  − 1
• cos β = =
u v 5 745 (hitung sendiri hasil akhirnya)
5.4 Basis Ortonormal; Proses Gram-Schmidt
Diketahui V ruang hasil kali dalam dan v1, v2,…, vn adalah vektor – vektor dalam V.
Beberapa definisi penting
a. H = { v1, v2,…, vn } disebut himpunan ortogonal bila setiap vektor dalam V saling tegak
lurus ,yaitu < vi, vj > = 0 untuk i ≠ j dan i,j = 1,2,…,n.
b. G = { v1, v2,…, vn } disebut himpunan ortonormal bila
• G himpunan ortogonal
• Norm dari vi = 1 , i = 1,2,…,n atau <vi, vi >1/2 = 1
Contoh 5.6
Diketahui: S = { v1, v2, v3 }
 1 1   1 1 
dimana v1 = (0, 1, 0), v2 =  ,0,  , dan v3 =  ,0,−  . Selidiki apakah S ortonormal?
 2 2  2 2
Jawab:
Pertama kita selidiki dulu apakah S ortogonal, setelah diselidiki ternyata S ortogonal sebab
< v1, v2 > = < v1, v3 > = < v2, v3 > = 0 ternyata panjang semua vektornya adalah 1.
Sehingga disimpulkan S ortonormal.
Metode Gramm–Schimdt
Metode Gramm–Schimdt digunakan untuk merubah suatu himpunan vektor yang bebas
linier menjadi himpunan yang ortonormal. , jadi dalam hal ini disyaratkan himpunan yang
ditransformasikan ke himpunan ortonormal adalah himpunan yang bebas linier. Jika yang
akan ditransformasikan adalah himpunan vektor yang merupakan basis dari ruang vektor V
maka metode Gramm–Schimdt akan menghasilkan basis ortonormal untuk V. Sebelum
membahas tentang metode ini, akan dibahas tentang proyeksi ortogonal vektor terhadap
ruang yang dibangun oleh himpunan vektor.
Diketahui H = { v1, v2,…, vn } adalah himpunan vektor yang bebas linier dari ruang vektor V
dengan dim ≥ n dan S = { w1, w2,…, wn } merupakan himpunan yang ortonormal . Jika W
menyatakan ruang yang dibangun oleh w1, w2,…, wn maka untuk setiap vektor z1 dalam W,
dapat dituliskan z1 = k1w1 + k2w2 +…+ knwn dengan k1, k2, …,kn skalar.
Jika u adalah sembarang vektor dalam V , maka tentunya u dapat dituliskan sebagai
jumlah dari dua vektor yang saling tegak lurus misalkan z1 dan z2 , jadi dapat dituliskan
u = z1 + z2. Karena z1 dalam W , maka sebenarnya z1 merupakan proyeksi ortogonal u
terhadap W , sedangkan z2 merupakan komponen vektor u yang tegak lurus terhadap W.
Jadi untuk menentukan z1, maka harus ditentukan nilai k1, k2, …,kn sedemikian hingga nilai
k1 merupakan panjang proyeksi u terhadap w1, k2 merupakan panjang proyeksi u
terhadap w2 dan seterusnya sehingga kn merupakan panjang proyeksi u terhadap wn.
Proyeksi ortogonal u terhadap wi adalah proy Wi ( u ) = < u, wi > , dikarenakan w1, w2,…,
wn merupakan vektor – vektor yang ortonormal .
Jadi dapat dituliskan bahwa proyeksi ortogonal u terhadap W adalah :
proyw ( u) = z1 = < u, w1 > w1 + < u, w2 > w2 +…+ < u, wn > wn dengan { w1, w2,…,
wn} merupakan himpunan orthonormal.
Komponen u yang tegak lurus terhadap W adalah
z2 = u – (< u, w1 > w1 + < u, w2 > w2 +…+ < u, wn > wn)
Misal diketahui K = { v1, v2,…, vn } adalah himpunan yang bebas linier, maka K dapat dirubah
menjadi himpunan S = { w1, w2,…, wn } yang ortonormal dengan menggunakan metode
Gramm–Schimdt yaitu :
v
1. w1 = 1
v1
v 2 − v 2 , w1 w1
2. w 2 =
v 2 − v 2 , w1 w1
v 3 − v 3 , w1 w1 − v 3 , w 2 w 2
3. w3 =
v 3 − v 3 , w1 w1 − v 3 , w 2 w 2
……
v n − v n , w1 w1 − v n , w2 w 2 − ... − v n , w n−1 wn −1
n. wn =
v n − v n , w1 w1 − v n , w2 w 2 − ... − v n , w n−1 wn −1
Contoh 5.7
Diketahui H = {a , b, c } dengan a = ( 1,1,1 ) , b = ( 1,2,1 ) , c = (−1,1,0 )
a. Apakah H basis R3?
b. Jika ya , transformasikan H menjadi basis orthonormal dengan menggunakan hasil kali
dalam Euclides !
Jawab
a. Karena dim(R3) = 3 dan jumlah vektor dalam H = 3 , maka untuk menentukan apakah H
merupakan basis R3 atau bukan , adalah dengan cara menghitung determinan matriks
koefisien dari SPL Ax = b dengan b adalah sembarang vektor dalam R3, yaitu = det
1 1 − 1
1 2 1  . Setelah dihitung diperoleh det A = 1, ini berarti H merupakan basis untuk R3.
 
1 1 0 
b. Hasil kali dalam antara a , b dan c
< a , b > = 4, < a , c > = 0 , < b , c > = 1
Untuk menjadikan H ortonormal, kita gunakan metode Gramm–Schimdt yaitu :
Normalisasi himpunan orthogonal ke himpunan ortonormal
Diketahui V RHD dan H = {v1, v2, …., vn} dalam V merupakan ortogonal dengan v1≠ 0, maka
bisa diperoleh himpunan ortonormal yang didefinisikan sebagai : S = { s1, s2, …., sn} dengan
Kalau dicermati, sebenarnya ini adalah rumusan Gramm – Schimdt yang telah direduksi
yaitu untuk nilai proyw(vi) = 0, akibat dari v1, v2, …. vn yang saling orthogonal. Proses untuk
mendapatkan vektor yang ortonormal disebut menormalisasikan vektor.
Jika dim (V) = n, maka S juga merupakan basis ortonormal dari V
Contoh 5.8
Diketahui a, b, c dalam R3 dengan a = (2,-1,1), b = (2, 5, 1) dan c =(-1,0,2). Jika R3 merupakan
RHD Euclides, transfor-masikan a, b, c ke basis ortonormal !
Jawab :
<a,b> = 0, <a,c> = 0, <b,c> = 0
Misalkan H = {a,b,c} maka H merupakan himpunan ortonormal. Dim (R3) = 3 jadi dapat
ditentukan basis ortonormal untuk R3.
Misalkan :
Basis ortonormal untuk R3 adalah :
5.5 Perubahan Basis
Suatu ruang vektor dapat memiliki beberapa basis. Jika terdapat sembarang vektor x dalam
ruang vektor V yang memiliki himpunan vektor A dan B sebagai basisnya, maka x tentunya
merupakan kombinasi linier dari vektor A dan B
Jika V ruang vektor, S={s1, s2, ….,sn} merupakan basis V, maka untuk sembarang x dalam V
dituliskan:
x = k1s1 + k2s2 +……+ knsn
dengan k1, k2, ….kn skalar yang juga disebut koordinat x relatif terhadap basis S
 k1 
k 
[ x ]s =  2 
 
 kn 
disebut matrik x relatif terhadap basis S
Jika S merupakan basis ortonormal, maka :
< x, s1 > 
 < x, s > 
[ x ]s =  2 

 
< x, sn > 
Jika A ={x1,x2} dan B = {y1, y2} berturut-turut merupakan basis dari V, maka untuk sembarang z
dalam V didapatkan :[z]A dan [z]B. Bagaimana hubungan [z]A dan [z]B ?
Misalkan
Dari
…………………..(1)
………………(2)
Untuk
………………………(3)
Dengan mensubstitusikan persamaan (1) dan (2) ke (3) diperoleh :
Ini berarti :
P disebut matrik transisi dari basis A ke basis B.
Secara umum, jika A = {x1, x2, …xn} dan B = {y1, y2, ….yn} berturut-turut merupakana basis dari
ruang vektor V, maka matrik transisi basis A ke basis B adalah :
Jika P dapat dibalik, maka P-1 merupakan matrik transisi dari basis B ke basis A
Contoh soal :
Diketahui : A = { v, w} dan B = {x, y} berturut-turut merupakan basis R2 dengan v =(2,2), w = (3,-
1), x = (1,3) dan y = (-1,-1).
Tentukan :
a. Matrik transisi dari basis A ke basis B
 − 1
b. Hitung  
 3  A
 − 1
c. Hitung   dengan menggunakan hasil dari b
 3  B
d. Matrik transisi dari basis B ke basis A
Jawab
a   2 1 − 1 a  a  0 
a. Misalkan [v ]B =   , maka   =     didapatkan   =  
b   2 3 − 1 b  b  − 2 
c   3  1 − 1  c   c   − 2
Dan untuk [w]B =   , maka   =     didapatkan   =  
d   − 1 3 − 1 d   d   − 5
Jadi matriks transisi dari basis A ke basis B adalah:
 0 − 2
P=  
 − 2 − 5
 − 1 k   k1   1 
b. Misalkan   =  1  maka didapatkan  k  =  − 1
 3  A k 2   2  
 0 − 2  − 1 1
c. Dari a dan b diperoleh P =   dan   =   sehingga
 − 2 − 5  3  A  − 1
 − 1  − 1  0 − 2  1   2
  = P   =    = 
 3  B  3  A  − 2 − 5  −1  3
d. Matriks transisi dari B ke basis A adalah P-1 dengan P merupakan matriks transisi
1 − 5 2
terhadap basis A ke basis B. Jadi P-1 = − 
4  2 0
BAB VI
TRANSFORMASI LINEAR
Transformasi linear merupakan fungsi khusus dari suatu ruang vektor ke ruang vektor
yang lain. Fungsi khusus tersebut didefinisikan sebagai berikut.
Definisi 6.1.
Jika T: V1 → V2 merupakan fungsi dari ruang vektor V1 ke ruang vektor V2, maka T
dinamakan transformasi linear, jika dan hanya jika
1. T(u + v) = T(u) + T(v) untuk setiap vektor u dan v di V1.
2. T(ku) = kT(u) untuk setiap vektor u di V1 dan setiap skalar k.
Contoh 6.1.
Untuk fungsi-fungsi berikut, selidiki apakah fungsi tersebut merupakan transformasi
linear? Berikan alasannya!
1. Fungsi F1 dari R2 ke R2 yang didefinisikan dengan F1((x,y)) = (2x – y, x) untuk setiap (x,y) ∈
R2.
2. Fungsi F2 dari R2 ke R2 yang didefinisikan dengan F2((x,y)) = (x2,y) untuk setiap (x,y) ∈ R2.
3. Fungsi T1 dari R3 ke R3 yang didefinisikan dengan T1((x,y,z)) = (1,z,y) untuk setiap (x,y,z) ∈
R3.
4. Fungsi T2 dari R3 ke R3 yang didefinisikan dengan T2((x,y,z)) = (x + 2y, y – z, x + 2z) untuk
setiap (x,y,z) ∈ R3.
Penyelesaian:
1. Misalkan u = (x1 , y1) dan v = (x2 , y2) anggota R2 dan k sebarang skalar.
F1(u + v) = F1((x1 + x2 , y1 + y2))
= (2(x1 + x2) – (y1 + y2), x1 + x2)
= (2x1 + 2x2 – y1 – y2, x1 + x2)
= ((2x1 – y1) + (2x2 – y2), x1 + x2)
= (2x1 – y1, x1) + (2x2 – y2, x2)
= F1(x1, y1) + F(x2, y2)
= F1(u) + F1(v).
F1(ku) = F1((kx1, ky1))
= (2kx1 – ky1, kx1)
= k(2x1 – y1, x1)
= kF1(x1, y1)
= kF1(u).
Jadi, F1 adalah transformasi linear.
2. Misalkan u = (x1 , y1) dan v = (x2 , y2) anggota R2 dan k sebarang skalar.
F2(u + v) = F2((x1 + x2 , y1 + y2))
= ((x1 + x2)2, y1 + y2)
= (x12 + 2x1x2 + x22, y1 + y2)
F2(u) + F2(v) = F2((x1 , y1)) + F2((x2 , y2))
= (x12,y1) + (x22,y2)
= (x12 + x22, y1 + y2)
Ternyata F2(u + v) ≠ F2(u) + F2(v).
Jadi, F2 bukan transformasi linear.
Untuk contoh nomor 3 dan 4, silakan Anda selesaikan seperti contoh nomor 1 dan 2.
Transformasi Linier dari Rn à Rm

Misalkan e1, e2, . . . , en adalah basis baku untuk Rn dan
misalkan A adalah sebuah matrik m x n yang mempunyai
T(e1), T(e2), . . . , T(en) sebagai vektor – vektor kolomnya.
Misal jika T:R2 à R2 diberikan oleh :
Maka
T(e1) = T = dan T(e2) = T =
Jadi A = adalah matrik baku untuk T di atas.
Ada beberapa definisi dan teorema berkenaan dengan transformasi linear yang harus
Anda ketahui, karena definisi dan teorema tersebut sering digunakan dalam aljabar linear.
Definisi dan teorema tersebut adalah:
Definisi 6.2.
1. Misalkan T: V1 → V2 adalah transformasi linear. Himpunan vektor di V1 yang oleh T
dipetakan ke 0 dinamakan kernel (ruang nol dari T). Himpunan tersebut dinyatakan oleh
ker(T). Himpunan semua vektor di V2 yang merupakan bayangan oleh T dinamakan
jangkauan dari T. Himpunan tersebut dinyatakan oleh R(T).
Dengan demikian ker(T) = {v ∈ V1 T(v) = 0}, dan R(T) = {w ∈ V2 T(v) = w, untuk setiap v
∈ V1}.
2. Jika T: V1 → V2 adalah transformasi linear, maka dimensi jangkauan dari T dinamakan rank
T dan dimensi kernel dari T dinamakan nulitas T.
Teorema 6.1.
1. Jika T: V1 → V2 adalah transformasi linear, maka
a. T(o) = o.
b. T (- v) = -T(v) untuk setiap v di V1.
c. T(v – w) = T(v) – T(w) untuk setiap v dan w di V1.
2. Jika T: V1 → V2 adalah transformasi linear, maka:
a. Ker (T) adalah ruang bagian dari V1.
b. R(T) adalah ruang bagian dari V2.
3. Jika T: V1 → V2 adalah transformasi linear dari ruang vektor V1 yang berdimensi n ke ruang
vektor V2, maka (rank dari T) + (nulitas dari T) = n.
Berikut ini merupakan contoh-contoh soal yang berkenaan dengan ker(T), R(T), rank
T, dan nulitas T pada transformasi linear T.
Contoh 6.2.
1. Diketahui T : R2 → R2 adalah transformasi linear yang dirumuskan oleh:
T(x,y) = (x – 2y, 3x – 6y) untuk setiap (x,y) ∈ R2.
a. Apakah vektor berikut terletak dalam ker(T).
1) (-2,-1)
2) (1,3)
b. Apakah vektor berikut terletak dalam R(T).
1) (1,5)
2) (3,9)
2. Diketahui T : R3 → R3 yang dirumuskan oleh T(x,y,z) = (x – y + 3z, 5x + 6y – 4z, 7x + 4y +
2z). Tentukan:
a. rank T.
b. nulitas T.
Penyelesaian:
1. a. 1) T(-2,-1) = (-2 + 2, -6 + 6) = (0,0).
Jadi (-2,-1) terletak dalam ker(T).
2) T(1,3) = (1 – 6, 3 – 18) = (-5,-15).
Jadi (1,3) tidak terletak dalam ker(T).
b. 1) Perhatikan bentuk T(x,y) = (1,5), diperoleh sistem persamaan linear:
x – 2y = 1
3x – 6y = 5
a11 = 1; a12 = -2; b1 = 1
a21 = 3; a22 = -6; b2 = 5
a 21 a 22 b a a b
= = 3 dan 2 = 5 → 21 = 22 ≠ 2
a 11 a 12 b1 a 11 a 12 b1
Jadi sistem persamaan tersebut tidak mempunyai penyelesaian, sehingga vektor
(1,5) tidak terletak dalam R(T).
2) Bentuk T(x,y) = (3,9) akan menghasilkan sistem persamaan linear:
x – 2y = 3
3x – 6y = 9
a11 = 1; a12 = -2; b1 = 3
a21 = 3; a22 = -6; b2 = 9
a 21 a 22 b 2
= = =3
a 11 a 12 b1
Jadi sistem persamaan mempunyai penyelesaian dengan jumlah tak hingga.
Bentuk matriks dari sistem persamaan tersebut adalah:
1 − 2 3 1 − 2 3
3 − 6 9 → 0 0 0
   
Diperoleh x – 2y = 3
Misal y = t, maka x = 2y + 3
Penyelesaian: x = 2t + 3 dan y = t
Dengan mengambil t = 1 didapat x = 5 dan y = 1.
Ini berarti T (5,1) = (5 – 2, 15 – 6) = (3,9).
Jadi (3,9) terletak dalam R(T).
1 5 7 1 5 7  1 5 7
     
2. a. Bentuk matriks Tdiubah menjadi  −1 6 4 → 0 11 11  → 0 1 1 .
     
 3 −4 2 0 −19 −19 0 0 0 
Jadi basis R(T) adalah {(1,5,7),(0,1,1)}, akibatnya rank T = 2.

b. Ambil sebarang vektor (x,y,z) di ker(T), maka T(x,y,z) = (0,0,0).
Didapat (x – y + 3z, 5x + 6y – 4z, 7x + 4y + 2z) = (0,0,0).
x – y + 3z = 0
5x + 6y – 4z = 0
7x + 4y + 2z = 0
Bentuk matriks dari sistem persamaan tersebut adalah:
1 − 1 3 0 1 − 1 3 0 1 − 1 3 0
5 6 − 4 0 → 0 11 − 19 0 →  19 
    0 1 − 11 0
7 4 2 0 0 11 − 19 0 0 11 − 19 0
 
 14 
1 0 11 0
 19 
→ 0 1 − 0
 11 
 0 0 0 0
 
14
Diperoleh: x+ z=0
11
19
y– z=0
11
14 19
Misal z = t, maka x = - t dan y = t
11 11
Penyelesaian dari sistem persamaan linear tersebut adalah:
14 19
x=- t; y = t; dan z = t
11 11
 14 19   14 19 
sehingga (x,y,z) = t  − , ,1 . Hal Ini berarti  − , ,1 pembangun ker(T) dan
 11 11   11 11 
 14 19 
vektor  − , ,1 bebas linear.
 11 11 
 14 19 
Jadi  − , ,1 basis untuk ker (T), sehingga nulitas T = 1.
 11 11 
Dari a dan b didapat rank T = 2; nulitas T = 1; dimensi R3 = 3, dan terpenuhi bahwa rank T +
nulitas T = dimensi R3.
BAB VII
NILAI EIGEN DAN VEKTOR EIGEN
7.1 Definisi
Sebuah matriks bujur sangkar dengan orde n x n misalkan A, dan sebuah vektor kolom x.
Vektor x adalah vektor dalam ruang Euklidian R n yang dihubungkan dengan sebuah
persamaan:
Ax = λx (7.1)
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 dalam persamaan (7.1) adalah suatu vektor yang tidak nol yang memenuhi
persamaan (7.1) untuk nilai eigen yang sesuai dan disebut dengan vektor eigen. Jadi vektor x
mempunyai nilai tertentu untuk nilai eigen tertentu.
Contoh 7.1
1  4 0
Misalkan Sebuah vektor x =   dan sebuah matriks bujur sangkar orde 2 x 2 A =  ,
 2 4 2
Apabila matriks A dikalikan dengan X maka:
4 0 1   4 + 0  4
AX =     = =  
4 2  2 4 + 4 8 
Dimana:
 4 1 
8  = 4   = λX
   2
Dengan konstanta λ = 4 dan
4 0 1  1 
4 2  2 = 4  2
     
Memenuhi persamaan (7.1). Konstanta λ = 4 dikatakan nilai eigen dari matriks bujur
4 0
sangkar A =  
4 2
Contoh 7.2
2 1 1
Sebuah vektor X =   dan sebuah matriks A =  .
1 0 3
Apabila matriks A dikalikan X didapat:
1 4  2 2 + 4 6
AX =   1  =  0 + 3 = 3
 0 3       
Dimana:
6 2
3 = 3  = λX
  1
1 4
dengan λ = 3. Maka λ = 3 adalah nilai eigen dari matriks A =  .
0 3
Contoh 7.3
0 4 0
Sebuah vektor X =   dan mateiks A =   bila matriks A dikalikan dengan X maka:
1 8 2
4 0 0
AX =    
8 2 1 
0 + 0
= 
0 + 2
0 
=  
 2
Dimana:
0  0 0
 2 = 2   = λ   dengan λ = 2.
  1 1
4 0 0
λ = 2 adalah nilai eigen dari matriks   dan vektor X =   adalah vektor eigen dari
8 2 1
4 0
matriks   yang bersesuaian dengan nilai eigen λ = 2.
8 2
Contoh 7.4
3 1 3
Sebuah vektor X =   dan matriks A =  .
2 2 0
Perkalian matriks A dengan X adalah:
1 3  3
AX =    
2 0  2
3 + 6 
= 
6 + 0
9 
=  
6
9  3 3
Dimana   = 3  = λ   .
6 2 2
1 3
Konstanta λ = 3 adalah nilai eigen dari matriks bujur sangkar A =  
2 0
Contoh 7.5
1 1 0 2
 
Sebuah vektor X = 1 dan matriks A = 2 1 0 .

1 3 0 0
Matriks A dikalikan X didapat:
1 0 2 1
AX  
=  2 1 0 1
 3 0 0 1
1 + 0 + 2  3
=  2 + 1 + 0  = 3
 
3 + 0 + 0 3
3 1 1
3  
= 3 1 = λ 1 = λX

 
3 1 1
1 0 2

dengan λ = 3 adalah nilai eigen matriks A = 2 1 0
3 0 0
Contoh 7.6.
1   2 0 0

Sebuah vektor X = 2 dan matriks A =
 2 1 0
 
3  0 0 2
Perkalian matriks A dan X adalah:
 2 0 0 1 
AX =  2 1 0  2
 0 0 2  3
2 + 0 + 0

=  2 + 2 + 0

 0 + 0 + 6 
 2

=  4
6 
 2 1 
AX 
=  4 = 2
 2 = λX , dengan λ = 2.
 
6   3
 2 0 0

Maka λ = 2 adalah nilai eigen dari A =  2 1 0

 0 0 2
7.1.1 Perhitungan nilai eigen

Kita tinjau perkalian matriks A dan X dalam persamaan (7.1) apabila kedua sisi dalam
persamaan tersebut dikalikan dengan matriks identitas didapatkan:
IAX = IλX
AX = λIX
[λI − A]X = 0 (7.2)
Persamaan (7.2) terpenuhi jika dan hanya jika:
det [λ I − A] =0 (7.3)
Dengan menyelesaikan persamaan (7.3) dapat ditentukan nilai eigen ( λ ) dari sebuah matriks
bujur sangkar A tersebut/
Contoh 7.7.
2 1 
Dapatkan nilai eigen dari matriks A =  
3 2
Jawab:
Dari persamaan (7.3) maka:
λ − 2 − 1 
det   =0
 − 3 λ − 2
(λ − 2)( λ − 2) − 3 = 0
λ 2 − 4λ + 4 − 3 = 0
λ 2 − 4λ + 1 = 0
Dengan menggunakan rumus abc didapatkan:
4 ± (−4) 2 − 4.1.1
λ1, 2 =
2
4 ± 16 − 4
=
2
4 ± 12
=
2
4±2 3
=
2
= 2± 3
Maka penyelesaian adalah: λ1 = 2 + 3 dan λ2 = 2 − 3 .
2 1 
Nilai eigen matriks A =   adalah:
3 2
λ1 = 2 + 3 dan λ3 = 2 − 3
Contoh 7.8
4 1
Dapatkan nilai eigen dari matriks A =  
1 5
Jawab:
Nilai eigen ditentukan dengan persamaan:
λ − 4 1 
det  =0
 1 λ − 5
maka:
(λ − 4)( λ − 5) − 1 = 0
λ 2 − 9λ + 20 − 1 = 0
λ 2 − 9λ + 19 = 0
Dengan rumus abc didapatkan:
9 ± (−9) 2 − 4.1.19
λ1, 2 =
2
9 ± 81 − 76
λ1, 2 =
2
9± 5
λ1, 2 =
2
1 1
Didapatkan λ1 = 4,5 + 5 dan λ 2 = 4,5 − 5 , jadi nilai eigen matriks
2 2
4 1 1
A=   adalah λ = 4,5 ± 5
1 5 2
Contoh 7.9
0 3
Dapatkan nilai eigen dari A =  
2 1
Jawab:
Nilai eigen ditentukan dari persamaan:
det [λI − A] = 0
λ 3 
det   =0
 2 λ − 1
λ ( λ − 1) − 6 = 0
λ2 − λ − 6 = 0
(λ − 3)(λ + 2) = 0
Penyelesaian persamaan tersebut adalah:
λ −3 = 0
λ =3
dan
λ+2=0
λ = −2
0 3
Jadi nilai eigen matriks A =   adalah λ = 3 dan λ = −2 .
 2 1
Contoh 7.10.
4 0
Dapatkan nilai eigen dari A =  
3 5
Jawab:
Determinan dari [λ I − A] = 0
λ − 4 0 
det  =0
 3 λ − 5
(λ − 4)( λ − 5) − 0 = 0
Penyelesaian persamaan adalah:
λ−4=0
λ =4
dan
λ −5 = 0
λ =5
4 0
Jadi nilai eigen dari matriks A =   adalah: λ1 = 4 dan λ 2 = 5 .
3 5
Contoh 7.11
 2 1 0

Carilah nilai eigen dari A =  3 4 0
0 0 2
Jawab:
det [λI − A] = 0
λ − 2 1 0 

det  3 λ −4 0  = 0
 0 0 λ − 2
(λ − 2)(λ − 4)(λ − 2) − {3(λ − 2)}= 0
(λ − 2){(λ − 4)(λ − 2) − 3} = 0
{ }
(λ − 2) λ2 − 6λ + 8 − 3 = 0
(λ − 2){λ2
}
− 6λ + 5 = 0
(λ − 2)( λ − 1)(λ − 5) = 0
Penyelesaian persamaan adalah:
λ−2=0
λ=2
λ −1 = 0
λ =1
dan λ −5 = 0
λ =5
 2 1 0

Jadi nilai eigen yang bersesuai untuk matriks  3 4 0 adalah:
0 0 2
λ1 = 2 , λ2 = 1 dan λ3 = 5 .
Contoh 7.12
1 0 0 

Dapatkan Nilai eigen dari matriks A = 3 6 7 
0 8 − 1
Jawab:
Nilai eigen A didapatkan dari persamaan:
det [λI − A] = 0
λ − 1 0 0 
det  1 λ −6 7  =0
 0 8 λ + 1
(λ − 1)[( λ − 6)(λ + 1) − 56] =0
[
(λ − 1) λ2 − 5λ − 6 − 56 ] =0
(λ − 1)[λ 2
]
− 5λ − 62 =0
Maka nilai λ adalah:
λ −1 = 0
λ1 = 1
λ 2 − 5λ − 62 = 0
5 ± 25 + 4.62
λ 2 ,3 =
2
1
λ 2 = 2,5 + 273
2
1
λ3 = 2,5 − 273
2
1 0 0 

Jadi nilai eigen dari matriks A = 3 6 7  adalah:
0 8 − 1
1
λ1 = 1 dan λ = 2,5 ± 273
2
Contoh 7.13.
7 0 0

Dapatkan nilai eigen dari A =  0 3 0

 0 0 3
Jawab:
Nilai eigen didapatkan dari persamaan:
det[λI − A] = 0
λ − 7 0 0 

det 0 λ −3 0  =0
 0 0 λ − 3
(λ − 7 )( λ − 3)( λ − 3) = 0
λ −7 = 0
λ =7
λ −3 = 0
λ = 3 (2 kali)
7 0 0

Jadi nilai eigen dari matriks A =  0 3 0 adalah λ = 3 dan λ = 7
 0 0 3
Contoh 7.14
 2 0 0

Dapatkan nilai eigen dari A = 0 2 5
0 5 4
Jawab:
Berdasarkan persamaan det[λI − A] = 0 maka:
λ − 2 0 0 

det  0 λ −2 5  =0
 0 5 λ − 4
(λ − 2){( λ − 2)(λ − 4) − 25} = 0
(λ − 2){λ2 − 6λ − 17} = 0
λ −2=0
λ1 = 2
λ 2 − 6λ − 17 = 0
6 ± 36 + 4.17
λ1, 2 =
2
1
λ2,3 = 3 ± 104
2
 2 0 0

Jadi nilai eigen matriks A = 0 2 5 adalah λ1 = 2 , λ 2 = 3 +
1 1
104 dan λ3 = 3 − 104
2 2
0 5 4
Contoh 7.15
7 0 0

Dapatkan nilai eigen dari A =  0 3 0
 0 0 3
Jawab:
Dengan menggunakan persamaan det [λI − A] = 0 maka:
λ − 7 0 0 
det  0 λ −3 0  = 0
 0 0 λ − 3
(λ − 7 )( λ − 3)( λ − 3) = 0
Nilai λ adalah:
λ −7 = 0
λ =7
λ −3 = 0
λ =3
λ −3 = 0
λ =3
7 0 0

Jadi nilai eigen dari matriks A =  0 3 0 adalah: λ1 = 7 dan λ2 = λ3 = 3.
 0 0 3
Contoh 7.16
 2 0 0

Dapatkan Nilai eigen dari A =  3 3 6
 3 2 4
Jawab:
Dengan menggunakan persamaan det [λI − A] = 0 maka:
λ − 2 0 0 

det  3 λ −3 6  = 0
 3 2 λ − 4
(λ − 2)[( λ − 3)(λ − 4) − 12 ] = 0
(λ − 2)[λ2 − 7λ + 12 − 12] = 0
(λ − 2)[λ2 − 7λ ] = 0
(λ − 2) λ (λ − 7) = 0
Maka nilai-nilai λ adalah:
λ −2=0
λ =2
λ =0
λ −7 = 0
λ =7
 2 0 0

Jadi nilai-nilai eigen dari matriks A =  3 3 6 adalah: λ1 = 2, λ 2 = 0 dan λ3 = 7.
 3 2 4
7.2 Perhitungan Vektor Eigen

Kita tinjau kembali persamaan AX = λX dimana A adalah matriks bujur sangkar dan X
adalah vektor bukan nol yang memenuhi persamaan tersebut. Dalam subbab 7.1 telah
dibahas tentang perhitungan nilai eigen dari matriks A( λ ), pada subbab ini kita bahas vektor
yang memenuhi persamaan tersebut yang disebut vektor eigen(vektor karakteristik) yang
sesuai untuk nilai eigennya.
Kita tinjau sebuah matriks bujur sangkar orde 2 x 2 berikut:
a a12 
A =  11 
 a 21 a 22 
Persamaan AX = λX dapat dituliskan:
 a11 a12   x1   x1 
a    = λ x  (7.4)
 21 a 22   x 2   2
Persamaan (7.4) dikalikan dengan identitas didapatkan:
1 0  a11 a12   x1  1 0  x1 
0 1  a = λ   
   21 a 22   x 2  0 1  x 2 
 a11 a12   x1  λ 0   x1 
=
a
 21 a 22   x 2   0 λ   x 2 
 a11 − λ a12   x1 
 a =0 (7.5)
 21 a 22 − λ   x 2 
Persamaan (7.5) dalam bentuk sistem persamaan linier dituliskan:
(a11 − λ ) x1 + a12 x 2 = 0
(7.6)
a 21 x1 + (a 22 − λ ) x 2 = 0
Persamaan (7.6) adalah sistem persamaan linier homogen, vektor dalam ruang Rn yang tidak
nol didapatkan jika dan hanya jika persamaan tersebut mempunyai solusi non trivial untuk
nilai eigen yang sesuai.
Contoh. 7.17
0 3
Dapatkan vektor eigen dari matriks A =  
2 1
Jawab:
Pada contoh 7.9 nilai eigen didapatkan λ1 = −2 dan λ 2 = 3 , vektor eigen didapatkan dengan
persamaan:
− λ x1 + 3x 2 = 0
2 x1 + (1 − λ ) x 2 = 0
Untuk λ = −2 maka:
2 x1 + 3 x2 = 0
2 x1 + 3 x2 = 0
Solusi non trivial sistem persamaan ini adalah:
2 x1 = −3 x2
2
Misalkan x1 = r maka x2 = − r
3
0 3
Vektor eigen matriks A =   untuk λ = −2 adalah:
2 1
 r 
X =  2  dimana r adalah bilangan sembarang yang tidak nol.
 − 3 r 
Untuk λ = 3 maka:
− 3 x1 + 3x 2 = 0
2 x1 − 2 x 2 = 0
Solusi non trivial sistem persamaan tersebut adalah:
x1 = x 2
Misalkan x1 = s maka vektor eigen untuk λ = 3 adalah:
 s
X =   dimana s adalah senbarang bilangan yang tidak nol.
 s
Contoh 7.18
4 0
Dapatkan vektor eigen dari matriks A =  
3 5
Jawab:
Pada contoh 7.10 nilai eigen matriks tersebut adalah λ = 4 dan λ = 5 maka vektor eigen
didapatkan dari persamaan:
(4 − λ ) x1 + 0 = 0
3 x1 + (5 − λ ) x 2 = 0
Untuk λ = 4 didapatkan sistem persamaan linier berbentuk:
0+0 = 0
3x1 + x 2 = 0
x2
Solusi non trivialnya adalah x1 = − , bila dimisalkan x 2 = r didapatkan vektor eigen
3
matriks A untuk λ = 4 adalah:
 −1 
r
X =  3  dengan r bilangan sembarang yang tidak nol.
 r 
 
Untuk λ = 5 maka:
(4 − 5) x1 + 0 = 0
3 x1 + (5 − 5) x 2 = 0
Sistem persamaan linier menjadi:
− x1 + 0 = 0
3 x1 + 0 = 0
Tidak ada solusi non trivial dari sistem persamaan linier tersebut, jadi tidak terdapat vektor
eigen dari matriks A untuk λ = 5.
Contoh 7.19
1 3
Dapatkan vektor eigen dari A =  
2 0
Jawab:
Nilai eigen matriks A didapatkan dari persamaan:
det[λI − A] = 0
λ − 1 3 
det  =0
 2 0 − λ 
− (λ − 1) λ − 6 = 0
− λ2 + λ − 6 = 0
( − λ + 2)(λ − 3) = 0
Nilai eigen matriks A adalah:
− λ + 2 = 0, maka λ1 = 2
λ − 3 = 0, maka λ 2 = 3
Vektor eigen didapatkan dengan persamaan:
(1 − λ ) x1 + 3 x 2 = 0
2 x1 − λx 2 = 0
Untuk λ = 2 maka:
− x1 + 3 x 2 = 0
2 x1 − 2 x 2 = 0
Solusi non trivial sistem persamaan linier tersebut adalah:
3 x 2 = x1
Misalkan x1 = r maka x 2 = 3r .
Jadi vektor eigen matriks A untuk λ = 2 adalah:
r 
X =   dengan r bilangan sembarang yang tidak nol.
3r 
Untuk λ = 3
Vektor eigen didapatkan dari sistem persamaan linier:
− 2 x1 + 3x 2 = 0
2 x1 − 3 x 2 = 0
Solusi non trivial adalah:
2
2 x1 = 3 x 2 , maka x 2 =
x1
3
Misalkan x1 = r vektor eigen matriks A yang sesuai dengan λ = 3 adalah:
 r 
X =  2  dengan r bilangan sembarang yang tidak nol.
 3 r 
Contoh 7.20
 3 2
Dapatkan vektor eigen dari A =  
 − 1 0
Jawab:
Nilai eigen matriks A didapatkan dari persamaan det [λI − A] = 0
(λ − 3) 2 
det  =0
 −1 λ 
λ (λ − 3) + 2 = 0
λ 2 − 3λ + 2 = 0
(λ − 1)(λ − 2) = 0
λ − 1 = 0 maka λ1 = 1
λ − 2 = 0 maka λ 2 = 2
Vektor eigen didapatkan dari persamaan:
(3 − λ ) x1 + 2 x 2 = 0
− x1 + (0 − λ ) x 2 = 0
Untuk λ = 1 maka:
2 x1 + 2 x2 = 0
− x1 − x 2 = 0
Solusi non trivial persamaan tersebut adalah:
x1 = − x 2 , jika x1 = r maka x 2 = − r
Vektor eigen yang sesuai dengan λ = 1 adalah:
r 
X =   dengan r bilangan sembarang yang tidak nol.
− r 
Untuk λ = 2 maka:
x1 + 2 x 2 = 0
− x1 − 2 x 2 = 0
Solusi non trivial sistem persamaan linier tersebut adalah;
x1 = −2x 2
1
Misalkan x1 = r maka x 2 = − r
2
Jadi vektor eigen yang sesuai dengan λ = 2 adalah:
 r 
X =  1
 − r 
Contoh 7.21
 2 0 0

Dapatkan vektor eigen dari A =  3 3 6
 3 2 4
Jawab:
Pada contoh 7.16 diketahui nilai eigen matriks A adalah: λ = 2, λ = 0 dan λ = 7.
Vektor eigen ditentukan dari persamaan:
( 2 − λ ) 0 0   x1  0
 3 (3 − λ ) 6   x 2  = 0

 3 2 (4 − λ )  x 3  0
Untuk λ = 2 maka:
0 0 0   x1  0
3 1 6   x  = 0
  2   
3 2 2  x 3  0
Dalam bentuk sistem persamaan linier dituliskan:
0+0+0 = 0
3 x1 + x 2 + 6 x3 = 0
3x1 + 2 x 2 + 2 x3 = 0
Solusi non trivial didapatkan dari:
[3x1 + x2 + 6 x3 ] − [3x1 + 2 x2 + 2 x3 ] = 0
− x 2 + 4 x3 = 0
x2 = 4x3
Maka
3x1 + 4 x3 + 6 x3 = 0
3x1 + 10 x3 = 0
3x1 = −10x3
− 10
x1 = x3
3
 2 0 0

Jadi vektor eigen matriks A =  3 3 6 untuk λ = 2 adalah:
 3 2 4
 − 10 
 3 x3 
X =  4 x3 
 
 x3 
 
Misalkan x3 = r maka:
 − 10 
 3 r
X =  4r  dengan r adalah bilangan sembarang yang tidak nol.
 
 r 
 
Untuk λ = 0
Vektor eigen ditentukan dari persamaan:
 2 0 0  x1  0
 3 3 6  x  = 0
  2   
 3 2 4  x 3  0
2 x1 + 0 + 0 = 0
3x1 + 3 x 2 + 6 x3 = 0
3x1 + 2 x 2 + 4 x3 = 0
Solusi sistem persamaan linier adalah:
2 x1 = 0
x1 = 0
0 + 3 x 2 + 6 x3 = 0
x2 = −2x3
 2 0 0

Vektor eigen dari matriks A =  3 3 6 untuk λ = 0 adalah:
 3 2 4
 0 
X = − 2 x3 
 x3 
 0 
X = − 2r  dengan r bilangan sembarang yang tidak nol.
 r 
Untuk λ = 7
− 5 0 0   x1  0
 3 − 4 6   x  = 0 
  2   
 3 2 − 3  x3  0
− 5 x1 + 0 + 0 = 0
3x1 − 4 x 2 + 6 x3 = 0
3 x1 + 2 x 2 − 3x3 = 0
Solusi sistem persamaan linier adalah:
− 5 x1 = 0
x1 = 0
− 4 x 2 + 6 x3 = 0
3
x2 = x3
2
 2 0 0

Vektor eigen matriks A =  3 3 6 untuk λ = 7 adalah:
 3 2 4
 0 
3 
X =  x3 
 2x 
 3 
0
3 
X =  r  dengan r sembarang bilangan yang tidak nol.
2
 r 
 
Contoh 7.22
 2 0 0
Dapatkan vektor eigen dari matriks A = 0 2 5

0 5 4
Jawab:
Pada contoh 7. 14 diketahui nilai eigen matriks tersebut yang merupakan bilangan bulat
adalah λ = 2 , vektor eigennya didapatkan dari persamaan:
(2 − 2) 0 0   x1  0
 0 (2 − 2) 5   x 2  = 0

 0 5 (4 − 2)  x3  0

0+0+0 = 0
0 + 0 + 5x3 = 0
0 + 5x 2 + 2 x3 = 0
Solusi non trivial sistem persamaan liniernya adalah:
5 x2 = −2 x3
−2
x2 = x3
5
x1 = 0
 2 0 0

Vektor eigen matriks A = 0 2 5 yang sesuai dengan nilai eigen 2 adalah:
0 5 4
 0 
− 2 
X = x3 
 5x 
 3 
Misalkan x3 = s maka:
 0 
 2 
X = − s  dengan s adalah bilangan sembarang yang tidak nol.
 s5 
 
Contoh 7.22
1 0 2

 3 0 0
Jawab:
Nilai eigen didapatkan dengan persamaan:
(λ − 1) 0 2

det 2 (λ − 1) 0  = 0
 3 0 λ 
(λ − 1)[(λ − 1)λ ] + 2[0 − 3(λ − 1) ] = 0
[ ]
(λ − 1) λ2 − λ − 6 = 0
Nilai eigen matriksnya adalah:
λ −1 = 0
λ =1
λ+2=0
λ = −2
λ −3 = 0
λ =3
Vektor eigen didapatkan berdasar persamaan:
(1 − λ ) 0 2   x1  0
 2 (1 − λ ) 0   x 2  = 0

 3 0 − λ   x 3  0
Untuk λ = 1
0 + 0 + 2 x3 = 0
2 x1 + 0 + 0 = 0
3 x1 + 0 − x3 = 0
Solusi sistem persamaan liniernya adalah:
3x1 − x3 = 0
x3 = 3x1
x2 = 0
Vektor eigen yang sesuai adalah:
 x1 
X =  0 
3x1 
Misalkan x1 = t
Vektor eigennya adalah:
t 
X =  0  dengan t bilangan sembarang yang tidak nol.
3t 
Untuk λ = −2
Sistem persamaan liniernya adalah:
3 x1 + 0 + 2 x3 = 0
2 x1 + 3x 2 + 0 = 0
3 x1 + 0 + 2 x3 = 0
3x1 + 2 x3 = 0
2
x1 = − x3
3
2 x1 + 3 x2 = 0
2
x2 = − x1
3
 
 x1 
 2 
X =  − x1 
 3 
− 3 x 
 2 1 
Misalkan x1 = p maka vektor eigennya adalah:
 
 p 
 2 
X = − p  dengan p bilangan sembarang yang tidak nol.
 3 
− 3 p 
 2 
Untuk λ = 3
− 2 x1 + 0 + 2 x3 = 0
2 x1 − 2 x 2 + 0 = 0
3x1 + 0 − 3x3 = 0
Solusi non trivial sistem persamaan liniernya adalah;
2 x1 = 2 x3
x1 = x3
2 x1 = 2 x 2
x1 = x 2
 x1 
X =  x1 
 x1 
Misalkan x1 = q maka vektor eigennya adalah;
q 
X = q  dengan q bilangan sembarang yang tidak nol.
q 
Contoh 7.23
1 0 0 
Dapatkan vektor eigen dari matriks A = 3 6 7 

0 8 −1
Jawab:
Dari penyelesaian contoh 7.12 nilai eigen yang merupakan bilangan bulat adalah 1, maka
vektor eigennya didapatkan dari persamaan:
(1 − 1) 0 0   x1  0
 3 (6 − 1) 7   x 2  = 0

 0 8 (−1 − 1)  x3  0
Dalam bentuk sistem persamaan linier adalah:
0+0+0 = 0
3 x1 + 5 x 2 + 7 x 3 = 0
0 + 8 x 2 − 2 x3 = 0
Solusi non trivialnya adalah:
8 x2 = 2 x3
1
x2 = x3
4
3 x1 + 5 x 2 + 28 x 2 = 0
3x1 = −33 x2
x1 = 11x 2
11x 2 
X =  x 2 
 4 x 2 
Misalkan x 2 = a maka vektor eigennya adalah:
11a 
X =  a 
 4a 
Contoh 7.24
 2 0 0

 0 0 2
Jawab:
Nilai eigen matriks tersebut didapatkan dari persamaan:
det[λI − A] = 0
(λ − 2) 0 0 

det  2 (λ − 1) 0  = 0
 0 0 (λ − 2)
(λ − 1)(λ − 2) 2 = 0
Nilai eigennya adalah:
λ −1 = 0
λ =1
λ −2=0
λ =2
( 2 − λ ) 0 0   x1  0
 2 (1 − λ ) 0   x 2  = 0

 0 0 (2 − λ )  x3  0
Untuk λ = 1
Sistem persamaan liniernya dituliskan:
x1 + 0 + 0 = 0
2 x1 + 0 + 0 = 0
0 + 0 + x3 = 0
Tidak ada solusi non trivial dari sistem persamaan linier tersebut, maka vektor eigen tidak
terdefinisikan.
Untuk λ = 2
Sitem persamaan liniernya adalah:
0+0+0 = 0
2 x1 − x 2 + 0 = 0
0+0+0 = 0
2 x1 = x 2
x3 = 0
 x1 
X =  2 x1 
 0 
Misalkan x1 = t maka vektor eigennya menjadi:
t 
X = 2t  dengan t bilangan sembarang yang tidak nol.
 0 
Contoh 7.25
 3 − 2 0
Dapatkan vektor eigen dari matriks A =  − 2 3 0
 0 0 5
Jawab:
Nilai eigen matriks didapatkan dari persamaan:
det[λI − A] = 0
(λ − 3) −2 0 

det  − 2 (λ − 3) 0  = 0
 0 0 (λ − 5)
(λ − 3)[(λ − 3)(λ − 5) ] + 2[− 2(λ − 5) ] = 0
[ ]
(λ − 5) (λ − 3) 2 − 4 = 0
(λ − 5)[λ 2
− 6λ + 5] = 0
(λ − 5) 2 (λ − 1) = 0
Nilai eigen matriks adalah:
λ −5 = 0
λ =5
λ −1 = 0
λ =1
(3 − λ ) −2 0   x1  0
 −2 (3 − λ ) 0   x 2  = 0

 0 0 (5 − λ )  x3  0
Untuk λ = 1
2 x1 − 2 x 2 + 0 = 0
− 2 x1 + 2 x 2 + 0 = 0
0 + 0 + 4 x3 = 0
2 x1 = 2 x 2
x1 = x 2
x3 = 0
 x1 
X =  x1 
 0 
Misalkan x1 = t maka vektor eigennya adalah:
t 
X =  t  dengan t bilangan sembarang yang tidak nol.
0
Untuk λ = 5
− 2 x1 − 2 x 2 + 0 = 0
− 2 x1 − 2 x 2 + 0 = 0
0+0+0 =0
2 x1 = −2 x 2
x1 = − x 2
x3 = 0
 x1 
X = − x1 
 0 
Misalkan x1 = r maka vektor eigenya adalah:
r 
X = − r  dengan r bilangan sembarang yang tidak nol.
 0 
Contoh 7.26
 4 0 1

Dapatkan vektor eigen dari A =  − 2 1 0

 − 2 0 1 
Jawab:
Nilai eigen dari matriks didapatkan dari persamaan
det[λI − A] = 0
(λ − 4) 0 1 

det  − 2 (λ − 1) 0  = 0
 − 2 0 (λ − 1)
[ ]
(λ − 4) (λ − 1) 2 + 2(λ − 1) = 0
(λ − 1)[(λ − 1)(λ − 4) + 2] = 0
[ ]
(λ − 1) λ2 − 5λ + 6 = 0
(λ − 1)( λ − 2)(λ − 3) = 0
Nilai eigen matriks tersebut adalah:
λ −1 = 0
λ =1
λ −2=0
λ =2
λ −3 = 0
λ =3
( 4 − λ ) 0 1   x1  0
 −2 (1 − λ ) 0   x 2  = 0

 − 2 0 (1 − λ )  x3  0
Untuk λ = 1
3 x1 + 0 + x3 = 0
− 2 x1 + 0 + 0 = 0
− 2 x1 + 0 + 0 = 0
3x1 = − x3
x2 = 0
 x1 
X =  0 
− 3 x1 
Misalkan x1 = p maka vektor eigenya adalah:
 p 
X =  0  dengan p adalah bilangan sembarang yang tidak nol.
− 3 p 
Untuk λ = 2
Sistem persamaan linier yang sesuai adalah:
2 x1 + 0 + x3 = 0
− 2 x1 − x 2 + 0 = 0
− 2 x1 + 0 − x3 = 0
2 x1 = − x3
− 2 x1 = x 2
 x1 
X = − 2 x1 
− 2 x1 
Misalkan x1 = s maka vektor eigennya adalah:
 s 
X = − 2 s dengan s bilangan sembarang yang tidak nol.
− 2 s
Untuk λ = 3
x1 + 0 + x3 = 0
− 2 x1 − 2 x 2 + 0 = 0
− 2 x1 + 0 − 2 x3 = 0
Solusi trivialnya adalah:
x1 +x3 = 0
x1 = − x3
− 2 x1 − 2 x 2 = 0
x 2 = − x1
 x1 
X = − x1 
− x1 
Misalkan x1 = t maka
t 
X = − t  dengan t bilangan sembarang yang tidak nol.
− t 

Diktat Aljabar Linear Elementer

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Diktat Aljabar Linear Elementer

Diunggah oleh

Hak Cipta:

Format Tersedia

DIKTAT MATA KULIAH

ALJABAR LINEAR ELEMENTER

JURUSAN/PROGRAM STUDI PENDIDIKAN MATEMATIKA

Banjarmasin, Maret 2013

1.1 Sistem Persamaan Linear …………………………………………………………………………. 1

1.2 Matriks …………………………………………………………………………………………………….. 2

1.2.1 Macam-macam matriks …………………………………………………………………………….. 2

1.2.2 Kesamaan matriks ………………………………………………………………………………………. 4

1.2.3 Transpose matriks …………………………………………………………………………………….. 5

1.2.4 Operasi aljabar matriks …………………………………………………………………………….. 5

1.3 Hubungan SPL dengan Matriks …………………………………………………………………….. 7

1.4 Eliminasi Gauss-Jordan …………………………………………………………………………………. 8

1.5 Menentukan invers matriks …………………………………………………………………………….. 10

1.6 SPL Homogen ………………………………………………………………………………………………… 11

BAB II DETERMINAN …………………………………………………………………………………………. 13

2.1 Pendahuluan …………………………………………………………………………………………………. 13

2.2 Ekspansi Kofaktor …………………………………………………………………………………………. 14

2.3 Reduksi baris menggunakan operasi baris elementer ……………………………………… 14

2.4 Metode Cramer …………………………………………………………………………………………….. 15

2.5 Hubungan Determinan, Invers Matriks dan Penyelesaian SPL ………………………….. 17

BAN III VEKTOR DI R2 DAN R3 ……………………………………………………………………………… 18

3.1 Pendahuluan …………………………………………………………………………………………………. 18

3.2 Operasi-operasi pada Vektor ………………………………………………………………………….. 18

3.3 Hasil kali titi, panjang vektor, dan jarak ………………………………………………………….. 19

3.4 Proyeksi ortogonal ………………………………………………………………………………………. 20

3.5 Hasil Kali Silang ………………………………………………………………………………………… 21

SISTEM PERSAMAAN LINEAR DAN MATRIKS

1.1 Sistem Persamaan Linear

Tidak ada penyelesaian Tepat satu penyelesaian Banyak penyelesaian

Kolom ke-1 Kolom ke-n

1.2.1 Macam-macam Matriks

1. Sifat Komutatif :A+B=B+A

b. Perkalian Matriks dengan Bilangan

 ka11 ka12 ka13 ... ka1n 

c. Perkalian Matriks dengan Matriks

Amxn x Bnxp = Cmxp

1. (AB) C = A (BC) ............................................Sifat Asosiatif

1.3 Hubungan SPL dengan Matriks

Operasi Baris Elementer :

1.4 Eliminasi Gauss-Jordan

Contoh tambahan eleminasi Gauss

-B1+B2 -2B1+B3 3B2+B3

B3/3 (Matriks menjadi Eselon-baris)

-2B1 + B2 -2B1 + B3 -3B2+B3

-1B2 dan B3/8 -4B3 + B2 -3B3+B1

-2B2 + B1 (Matriks menjadi Eselon-baris tereduksi)

1.5 Menentukan invers matriks

1.6 SPL Homogen

Diketahui sistem persamaan linear homogen

Penyelesaian SPL homogen di atas:

a11 a12 a11 a12 a13 a11 a12

a21 a22 a21 a22 a23 a21 a22

a31 a32 a33 a31 a32

2.3 Reduksi baris menggunakan operasi baris elementer

2.4 Metode Cramer

Menentukan invers suatu matriks dapat juga menggunakan rumus berikut :

Det (A) ≠ 0 ó A–1 terdefinisi (ada) ó penyelesaian tunggal untuk SPL

Det (A) = 0 => banyak penyelesaian atau tidak mempunyai penyelesaian

3.2 Operasi–operasi pada Vektor

Perkalian vektor dengan skalar

Jika c = AB kemudian titik koordinat A = ( a1,a2,a3 ) dan B = ( b1,b2,b3 ) maka

Hasil kali titik

3.4 Proyeksi ortogonal