BAB 5.

2 DIAGONALISASI
Tim Dosen Aljabar Linear FTUI
KERANGKA PEMBAHASAN
1. Nilai Eigen dan Vektor Eigen
2. Diagonalisasi
3. Aplikasi: Solusi Persamaan Diferensial
5.2 DIAGONALISASI
DEFINISI
Suatu matriks kuadrat Anxn dikatakan dapat didiagonalkan (diagonalizable)
jika terdapat matriks P yang mempunyai invers sehingga
D = P–1AP
dengan D matriks diagonal.
Matriks P dinamakan matriks yang mendiagonalkan (pendiagonal) dari A.
Vektor-vektor kolom dari matriks P adalah vektor-vektor eigen dari A.
𝜆1 0 ⋯ 0
0 𝜆2 ⋯ 0
𝐷=
⋮ 0 … ⋮
0 0 … 𝜆𝑛
TEOREMA
TEOREMA 5.2.1
Jika A adalah matriks n × n, pernyataan berikut ekuivalen.
(a) A dapat didiagonalisasi.
(b) A memiliki n vektor eigen bebas linier

TEOREMA 5.2.2
a) Jika 1, 2, . . . , 𝑘 adalah nilai eigen yang berbeda dari matriks 𝐴, dan jika
𝑣1 , 𝑣2 , . . . , 𝑣𝑘 adalah vektor eigen yang sesuai, maka {𝑣1 , 𝑣2 , . . . , 𝑣𝑘 } adalah
himpunan bebas linier.
b) Sebuah matriks n × n dengan n nilai eigen yang berbeda dapat
didiagonalisasi.
Contoh:  1 0 2  0 0 − 2   − 1 0 − 2   2 0 0 
P −1 AP =  1 1 1  1 2 1   0 1 1  = 0 2 0 = D
Anggota
diagonal adalah
nilai eigen dari A
− 1 0 − 1 1 0 3   1 0 1  0 0 1
 ALUR PENYELESAIAN Bentuk matriks P yang mempunyai p1, p2, …, pn
sebagai vektor-vektor kolomnya

SPL Persamaan
Karakteristik Nilai-nilai Eigen
𝑨ഥ
𝒗 = 𝝀ഥ
𝒗 𝝀𝑰 − 𝑨 = 0 𝝀1 , 𝝀2 , ..., 𝝀𝑛

Matriks Ortonormal
GRAM-SCHMIDT (Q)

Matriks Diagonal Vektor-vektor

Matriks Eigen
𝐷 = 𝑃−1 𝐴𝑃 Pendiagonal P
𝑃1 , 𝑃2 , ..., 𝑃𝑛
Matriks P-1AP akan menjadi matriks Bentuk matriks P yang mempunyai p1, p2, …, pn sebagai
diagonal dengan 1, 2, …, n sebagai vektor-vektor kolomnya
anggota diagonalnya dimana i adalah
nilai eigen yang berpadanan dengan pi,
untuk i = 1, 2, …, n.
 Teorema Diagonalisasi Matriks

Jika v1, v2, …, vk, adalah vektor-vektor eigen dari A yang

berpadanan dengan nilai eigen yang berbeda-beda 1, 2, …,
k, maka {v1, v2, …, vk} adalah suatu himpunan yang bebas
secara linier.

Jika suatu matriks Ann mempunyai nilai-nilai eigen yang

berbeda-beda, maka A dapat didiagonalkan.
 Contoh Diagonalisasi Matriks
0 0 −2 
 
Cari matriks P yang mendiagonalkan : A = 1 2 1 
1 0 3 

• Mencari nilai eigen 

det (I – A) = 0 3 – 52 + 8 – 4 = 0

( – 1)( – 2)2 = 0  = 1 and  = 2

• Mencari vektor eigen

(I – A)x = 0  0 2   x1  0 
 −1  − 2 −1   x  = 0  (3)
  2  
 −1 0  − 3  x3  0 
 Contoh Diagonalisasi Matriks
• Menentukan ruang solusi dan basis untuk  = 2

 2 0 2   x1  0 
 −1 0 −1  x  = 0  x1 = -s, x2 = t, x3 = s
  2  
 −1 0 −1  x3  0 

Vektor eigen dari A yang bersepadanan dengan  =

2 adalah vektor tak nol berbentuk:

 − s   − s  0  −1  0
x =  t  =  0  +  t  = s  0  + t 1 
 s   s   0   1   0

Cek : apakah bebas linier.

Jika iya, maka vektor-vektor tersebut membentuk suatu basis

untuk ruang eigen yang berpadanan dengan  = 2
 Contoh Diagonalisasi Matriks

• Dengan cara yang sama, ditentukan ruang solusi dan basis untuk
=1

Vektor eigen dari A yang bersepadanan dengan  = 2 adalah

vektor tak nol berbentuk:

basis untuk ruang eigen

yang berpadanan dengan
=2
 Contoh Diagonalisasi Matriks

Sehingga didapat basis untuk ruang eigen adalah sebagai berikut:

− 1 0 
 = 2: p1 =  0 , p 2 = 1
 1  0  − 1 0 − 2
P =  0 1 1 
 − 2
1  1 0 1 
 = 1: p 3 =  
 1 

Cek apakah matriks A dapat didiagonalkan dan mendiagonalkan A:

 1 0 2  0 0 − 2   − 1 0 − 2   2 0 0 
P −1 AP =  1 1 1  1 2 1   0 1 1  = 0 2 0 = D
− 1 0 − 1 1 0 3   1 0 1  0 0 1
 Contoh Diagonalisasi Matriks
 1 0 0
Cari matriks P yang mendiagonalkan A =  1 2 0
− 3 5 2

Polinominal karakteristik dari A dicari dengan :

 −1 0 0
det (I – A) = 0 det( I − A) = −1  −2 0 = ( − 1)( − 2) 2
3 −5  −2

Persamaan karakteristik:
Nilai eigen dan basis ruang eigen adalah:

Karena A matriks 3X3 dan P hanya terdiri dari 2 vektor basis,

maka A tidak dapat didiagonalkan.
CONTOH
Tentukan matriks yang mendiagonalkan
x1 = x1  x1   1 0 0  x1  1 0 0
      
x2 + x3 = x2   x2  −  0 1 1  x2  = 0 A = 0 1 1
x2 + x3 = x3  x   0 1 1  x  0 1 1
 3   3   
Jawab :
Persamaan karakteristik dari matriks A adalah : .I − A = 0

atau   0 0  1 0 0 
    
det   0  0  − 0 1 1  = 0
  0 0   0 1 1 
    
  ( − 1) 0 0 
 
det  0 ( − 1) −1  = 0
 0 −1 ( − 1)


Dengan menggunakan ekspansi kofaktor :

Pilih Baris I
det .I − A = a11c11 + a12 c12 + a13 c13

= ( − 1) ( ) ( − 2) + 0 + 0

= ( − 1) ( ) ( − 2)

Sehingga diperoleh nilai eigen

 = 0 ;  =1 ;  = 2
Untuk  = 0
Dengan OBE maka
−1 0 0 1 0 0  1 0 0
 
(.I − A) ~  0 − 1 − 1 ~  0 1 1  ~ 0 1 1
 0 − 1 − 1
 
 0 − 1 − 1 0 0 0
   
 x1   0 
   
 x2  =  1  t , dimana t adalah parameter tak nol
 x   − 1
 3  
Jadi vektor eigen yang bersesuaian dengan  = 0
adalah 0
 
P1 =  1 
 − 1
 
Untuk  = 1
Dengan OBE maka
0 0 0  0 0 0 0 1 0
     
(.I − A) ~  0 0 − 1 ~  0 0 1  ~  0 0 1 
0 −1 0  0 1 0 0 0 0
     

 x1   1 
   
 x2  =  0  t , dimana t adalah parameter tak nol
 x   0
 3  

Jadi vektor eigen yang bersesuaian dengan  = 1

adalah 1
 
P2 =  0 
0
 
Untuk =2
Dengan OBE maka
1 0 0 1 0 0 
   
(.I − A) ~  0 1 − 1 ~  0 1 − 1
0 −1 1  0 0 0 
   
 x1   0 
   
 x2  =  1  t , dimana t adalah parameter tak nol
 x  1
 3  

Jadi vektor eigen yang bersesuaian dengan  = 2

adalah 0
 
P3 =  1 
1
 
Perhatikan
k1 P1 + k 2 P2 + k 3 P3 = 0

 0 1 0   k1   0 
    
 1 0 1   k2  =  0 
 −1 0 1   k   0 
   3  
Dengan OBE
 0 1 0  1 0 1 1 0 1 1 0 1 1 0 0
         
 1 0 1  
~ 0 1 0  ~ 0 1 0 ~  0 1 0 ~ 0 1 0
 −1 0 1  −1 0 1 0 0 2   0 0 1
       0 0 1   

Jadi P , P , P 
1 2 3
Suatu himpunan bebas
merupakan himpunan yang bebas linear linier jika det ≠0
Jadi, Matriks yang mendiagonalkan A adalah :
 0 1 0
 
P =  1 0 1
 −1 0 1
 
𝟎 0 0
Matriks diagonal yang dihasilkan adalah : 𝐷 = 𝑃−1 𝐴𝑃 = 0 𝟏 0
0 0 𝟐
 Diagonalisasi Matriks

Contoh :
0 1 0
Cari matriks P yang mendiagonalkan A =  0 0 1 
 4 −17 8 

• Polinomial karakteristik A didapat melalui:

  −1 0 
det( I − A) = det  0  −1  =  3 − 8 2 + 17 − 4
 −4 17  − 8

3 – 82 + 17 – 4 =0
(-4)(2-4 +1) = 0

4 0 0 
Matriks A3x3 mempunyai nilai-  
P −1 AP =  0 2+ 3 0 
nilai eigen yang berbeda-beda,
maka A dapat didiagonalkan. 0 2 − 3 
 0
 Diagonalisasi Matriks Segitiga

Ingat: Jika A adalah matriks segitiga nn triangular matrix ( segitiga atas, segitiga
bawah atau diagonal) maka nilai eigen dari A adalah anggota diagonal A.

Matriks A berikut adalah sebuah matriks yang bisa

didiagonalkan.
 −1 2 4 0
0 3 1 7 
A=
0 0 5 8
 
0 0 0 −2 
DIAGONALISASI
ORTOGONAL
 Masalah Diagonalisasi Ortogonal (Bentuk Matriks)

Diketahui suatu matriks A, nxn, dan suatu matriks

ortogonal P sedemikian sehingga :
P-1AP = PTAP=D
maka A disebut dapat didiagonalkan secara ortogonal
dan P disebut mendiagonalkan A secara ortogonal.
 Masalah Diagonalisasi Ortogonal (Bentuk Matriks)

Setiap matriks simetris dapat didiagonalkan secara ortogonal.

Jika A adalah matriks nn maka pernyataan berikut ekuivalen:

• A dapat didiagonalkan secara ortogonal.
• A mempunyai suatu himpunan n vektor eigen yang
ortonormal.
• A simetris.

AT = (PDPT)T=PDTPT = PDPT = A

Jika A adalah suatu matriks simetris, maka:

– Nilai eigen dari A semuanya bilangan real.
– Vektor-vektor eigen dari ruang eigen yang berbeda
ortogonal.
 Diagonalisasi Matriks Simetris

Prosedur mendiagonalkan secara ortogonal suatu matriks

simetris:
• Step 1. Cari basis untuk setiap ruang eigen dari A.
• Step 2. Terapkan proses Gramm Schmidt pada setiap
basis-basis ini untuk mendapatkan suatu basis ortonormal
untuk setiap ruang eigen.
• Step 3. Bentuk matriks P yang kolom-kolomnya adalah
vektor-vektor basis yang disusun pada step-2, matriks ini
mendiagonalkan A secara ortogonal
 Masalah Diagonalisasi Ortogonal (Bentuk Matriks)
4 2 2
 
• Cari suatu matriks ortogonal P yang mendiagonalkan A =  2 4 2 
 2 2 4 
• Solusi:
– Persamaan karakteristik A adalah:
 − 4 −2 −2 
det( I − A) = det  −2  − 4 −2  = ( − 2) 2 ( − 8) = 0
 −2 −2  − 4 
– Basis ruang eigien yang bersepadanan dengan  = 2 adalah

 −1  −1 Tdk orthogonal dan tdk

u1 =  1  and u 2 =  0  orthonormal
 0   1 

– :
 Masalah Diagonalisasi Ortogonal (Bentuk Matriks)

Terapkan proses Gram Schmidt pada {u1, u2untuk menghasilkan

vektor eigen yang ortonormal berikut:

 −1/ 2   −1/ 6 
   
v1 =  1/ 2  and v 2 =  −1/ 6 
 0   
   2 / 6 
1
Ruang eigen yang bersepadanan dengan  = 8 adalah u3 = 1
1/ 3  1
 
Terapkan proses Gram Schmidt pada {u3} didapat: v 3 = 1/ 3 
 
1/ 3 
− 1 / 2 − 1 / 6 1 / 3 
sehingga  
P = v1 v 2 v 3  =  1 / 2 − 1 / 6 1 / 3 
 0 2 / 6 1 / 3 
 

P mendiagonalkan A secara ortogonal.

Cek bahwa AT = (PDPT)T=PDTPT = PDPT = A
NILAI EIGEN MATRIKS BERPANGKAT
Misalkan:
𝐴2 𝑥 = 𝐴 𝐴𝑥 = 𝐴 𝜆𝑥 = 𝜆 𝐴𝑥 = 𝜆 𝜆𝑥 = 𝜆2 𝑥
TEOREMA 5.2.3
Jika k adalah bilangan bulat positif, adalah nilai eigen dari
matriks 𝐴, dan 𝑥 adalah vektor eigen yang sesuai, maka 𝑘 adalah
nilai eigen dari 𝐴𝑘 dan 𝑥 adalah vektor eigen yang sesuai.
MENGHITUNG PANGKAT MATRIKS

−𝟏 𝟐
𝑷 𝑨𝑷 = 𝑷−𝟏 𝑨𝑷𝑷−𝟏 𝑨𝑷 = 𝑷−𝟏 𝑨𝑰𝑨𝑷 = 𝑷−𝟏 𝑨𝟐 𝑷
CONTOH
Hitung 𝐴13 dari matriks

Dari contoh sebelumnya didapatkan:

TUGAS
1. Carilah persamaan karakteristik, nilai eigen dan basis untuk ruang
eigen dari matrik berikut:
 1 3 0
A =  3 1 0 
0 0 −2 

2. Berapakah nilai eigen dari A3?

 4 0 −1
A =  0 3 0 
 1 0 2 

3. Carilah matriks P yang mendiagonalisasi matriks A secara ortogonal

serta hitung PTAP.

30
APLIKASI: SOLUSI PERSAMAAN DIFFERENSIAL
Ingat Kembali Pers. Diferensial
dy(t )
= a y(t ) y(t ) = ce at
dt
Jika sekumpulan PD orde 1 ditulis :
dr1 (t )
= 2 r1 (t )
dt  r1 '   2 0 0   r1 
dr2 (t )      
= −3 r2 (t )  r2 '  =  0 − 3 0   r2 
dt
 r '  0 0 1  r 
dr3 (t )
= r3 (t )
 3    3
dt
Jika harga awal (𝑐): 𝑟1 0 = 1, 𝑟2 0 = 2, dan 𝑟3 0 = 3, dengan mudah solusi
sistem PD tersebut adalah :
 r1   e 
2t
   − 3t 
 r2  =  2e 
r   3et 
 3   
Masalahnya, sistem persamaan diferensial tidak selalu
memberikan matriks koefisien yang berbentuk matriks
diagonal.

Bentuk Umum SPD orde 1 :

 x1 '   a11 a12  an1   x1 
     
 x2 '   a21 a22  an 2   x2 
   =      
     
 x '  a  ann  x 
 n   n1 an 2  n

Langkah-langkah menyelesaikan SPD orde 1 linear :

1. Menentukan matriks P yang mendiagonalkan A.
2. Tulis SPD dummy dalam bentuk 𝑈 ′ = 𝐷𝑈 dengan 𝐷 = 𝑃−1 𝐴𝑃
3. Tentukan solusi SPD dummy: 𝑈 ′ = 𝐷𝑈
4. Solusi SPD adalah 𝑋 = 𝑃𝑈
CONTOH dx1
= 4 x1 − 2 x2
dt
Tentukan solusi dari sistem persamaan diferensial:
dx2
= x1 + x2
dt
Jawab :
 x1 '   4 − 2   x1 
Tulis SPD dalam bentuk :   =    
 x2 '   1 1   x2 

 −4 2
Dengan PK =0
−1  −1

Nilai eigen dari matriks koefisien,  = 2 dan  = 3

BRE yang bersesuaian dengan  = 3  2 
 
 1 
BRE yang bersesuaian dengan  = 2 1
 
1
 2 1
Sehingga diperoleh P =  
1
 1
−1 3 0
Karena D = P AP =  
0 2
maka SPD dummy berbentuk :
 u1 '   3 0   u1 
  =    
 u2 '   0 2   u2 
Solusi SPD dummy adalah

u1 = c1e 1t = c1e3t dan u 2 = c2 e 2 t = c2 e 2 t

Solusi dari SPD

 x1   2 1  c1e3t 
X = PU   =    2t 
 x2   1 1  c2e 

atau x1 = 2c1e3t + c2e2t

x2 = c1e3t + c2e2t
𝑐1 dan 𝑐2 didapatkan dari harga awal 𝑥1 dan 𝑥2
Jika 𝑥1 (0) = 1 dan 𝑥2 (0) = 2 serta 𝑒 3(0) = 𝑒 2(0) = 1
  x1   2 1  c1e3t 
  =    2t 
 x2   1 1  c2e 

1 2 1 𝑐1
=
2 1 1 𝑐2
𝑐1 = −1 dan 𝑐1 = 3
𝑥1 𝑡 = −2𝑒 3𝑡 + 3𝑒 2𝑡
𝑥2 𝑡 = −𝑒 3𝑡 + 3𝑒 2𝑡
CONTOH
Tentukan solusi dari masalah nilai awal

= 2 p(t ) + q(t )
dp
dt

= p(t ) + 2q(t )
dq
dt
dengan kondisi awal
. p(0) = 1 dan q(0) = 3
Jawab : 2 1
Kita punya A =  
 1 2
Maka Persamaan Karakteristiknya adalah
( − 2) −1
det  .I − A = 0  0=
−1 ( − 2)

 0 = ( − 2)( − 2) − 1

 (
0 = 2 − 4 + 4 − 1 )
 0 = 2 − 4 + 3

 0 = ( − 1)( − 3)
diperoleh  = 1 ;  = 3
Untuk  = 1
 − 1 − 1  1 1  x1 + x 2 = 0
(.I − A) ~   ~  
 − 1 − 1  0 0  x1 = − x 2
x2 = t
Jadi vektor eigen yang bersesuaian dengan  = 1

adalah vektor tak nol yang berbentuk

 x1   − 1
  =   t , dimana t merupakan parameter.
 x2   1 
Jadi basis ruang eigen yang bersesuaian dengan  = 1
adalah
 − 1
P1 =  
1
Untuk  = 3
 1 − 1  1 − 1 x1 − x 2 = 0
(.I − A) ~   ~  
x1 = x 2
−1 1  0 0 
x2 = t
Jadi vektor eigen yang bersesuaian dengan  = 3
adalah vektor tak nol yang berbentuk
 x1   1 
  =   t , dimana t merupakan parameter
 x2   1 
Jadi basis ruang eigen yang bersesuaian dengan  = 3
adalah
 1
P2 =  
 1
 MATLAB elseif lambda(2)==lambda(3)
A1=[lambda(1)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(1)-A(2,2)
A=[0 0 -2;1 2 1;1 0 3] % CONTOH -A(2,3);-A(3,1) -A(3,2) lambda(1)-A(3,3)]
lambda=eig(A) A2=[lambda(2)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(2)-A(2,2)
if lambda(1)==lambda(2) -A(2,3);-A(3,1) -A(3,2) lambda(2)-A(3,3)]
A1=[lambda(1)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(1)- v1=null(A1,'r')
A(2,2) -A(2,3);-A(3,1) -A(3,2) lambda(1)-A(3,3)] v2=null(A2,'r')
A3=[lambda(3)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(3)- P=[v1 v2]
else
A(2,2) -A(2,3);-A(3,1) -A(3,2) lambda(3)-A(3,3)]
A1=[lambda(1)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(1)-A(2,2) -
v1=null(A1,'r') A(2,3);-A(3,1) -A(3,2) lambda(1)-A(3,3)]
v3=null(A3,'r') A2=[lambda(2)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(2)-A(2,2) -
P=[v1 v3] A(2,3);-A(3,1) -A(3,2) lambda(2)-A(3,3)]
elseif lambda(1)==lambda(3) A3=[lambda(3)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(3)-A(2,2) -
A1=[lambda(1)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(1)- A(2,3);-A(3,1) -A(3,2) lambda(3)-A(3,3)]
A(2,2) -A(2,3);-A(3,1) -A(3,2) lambda(1)-A(3,3)] v1=null(A1,'r')
A2=[lambda(2)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(2)- v2=null(A2,'r')
v3=null(A3,'r')
A(2,2) -A(2,3);-A(3,1) -A(3,2) lambda(2)-A(3,3)]
P=[v1 v2 v3]
v1=null(A1,'r') end
v2=null(A2,'r') D=inv(P)*A*P
P=[v1 v2]