Sudaryatno Sudirham

Matriks
Dan
Sistem Persamaan Linier

Klik untuk melanjutkan

 Bahan Kuliah Terbuka
dalam format pdf tersedia di
www.buku-e.lipi.go.id

dalam format pps beranimasi tersedia di

www.ee-cafe.org
Matrik adalah susunan teratur bilangan-bilangan dalam baris
dan kolom yang membentuk suatu susunan persegi panjang
yang kita perlakukan sebagai suatu kesatuan.

 2 0 3
Contoh: 1 2 4  Bilangan ini bisa berupa
baris   bilangan nyata atau kompleks.
3 2 1 Kita akan melihat matriks
berisi bilangan nyata.

kolom

Notasi: Nama matriks: huruf besar cetak tebal,

Contoh:
 2 0 3
2 4 1 
A  1 2 4 B 
3 2 1   3 0 2 
Elemen Matriks
Isi suatu matriks disebut elemen matriks

Contoh:
2 4 1  2, 4, 1 dan 3, 0, 2 adalah elemen-emenen
B  matriks yang membentuk baris
 3 0 2 
2, 3 dan 4, 0, dan 1, 2 adalah elemen-elemen
matriks yang membentuk kolom
Ukuran Matriks
Secara umum suatu matrik terdiri dari b baris dan k kolom, sehingga
suatu matrik akan terdiri dari bk elemen-elemen
Ukuran matriks dinyatakan sebagai bk

Contoh:
2 4 1 
B  adalah matriks berukuran 23
 3 0 2 
Nama Khusus
Matriks dengan b = k disebut matriks bujur sangkar.
Matriks dengan k = 1 disebut matriks kolom atau vektor kolom.
Matriks dengan b = 1 disebut matriks baris atau vektor baris.
Matriks dengan b  k disebut matrik segi panjang

Notasi nama vektor: huruf kecil cetak tebal

Contoh:
 2 0 3 b = k = 3 b = 2, k = 3
2 4 1
A  1 2 4 matriks bujur B  matriks segi
 3 0 2
3 2 1 sangkar 33 panjang 23

 2 k=1
p  q  3 2 4 b=1
 4 vektor kolom
vektor baris
Diagonal Utama

Secara umum, matriks A dapat kita tuliskan sebagai

 a11 a12  a1n 

a a22  a2n 
A   21  abk 
   
 
am1 am 2  amn 

elemen-elemen a11 …amn disebut diagonal utama

Matriks Segitiga
Ada dua macam matriks segitiga yaitu
matriks segitiga bawah dan matriks segitiga atas

Matriks segitiga bawah adalah matriks yang elemen-elemen di atas

diagonal utamanya bernilai nol.

Matriks segitiga atas adalah matriks yang elemen-elemen di bawah

diagonal utamanya bernilai nol.
Contoh:

Matriks segitiga bawah : Matriks segitiga atas :

 2 0 0 2  2 1
T1   1 1 0 T2  0 1 3
 3 4 3 0 0 3
Matriks Diagonal

Matriks diagonal adalah matriks yang elemen-elemen di atas maupun

di bawah diagonal utamanya bernilai nol.

Contoh:
 2 0 0
D  0 1 0
0 0 0
Matriks Satuan

Jika semua elemen pada diagonal utama adalah 1, sedang elemen

yang lain adalah 0, matriks itu disebut matriks satuan.

Contoh:
1 0 0 
A  0 1 0  I
0 0 1

Matriks Nol
Matriks nol, 0, yang berukuran mn adalah matriks yang
berukuran mn dengan semua elemennya bernilai nol.
Anak matriks atau sub-matriks

Contoh: 2 4 1 
B 
 3 0 2 
Matriks B memiliki:

- Dua anak matriks 1 3 , yaitu: 2 4 1 3 0 2

2 4 1 
- Tiga anak matriks 2 1, yaitu: 3 0  2
     
- Enam anak matriks 1 1 yaitu: [2] , [4] , [1] , [3] , [0] , [2];

- Enam anak matriks 1 2 yaitu: 2 4 2 1 4 1

3 0 3 2 0 2

- Tiga anak matriks 22 yaitu: 2 4 2 1  4 1 

3 0  3 2 0 2
     
Matriks dapat dipandang sebagai tersusun dari anak-anak
matriks yang berupa vektor-vektor
Contoh:
 2 0 3  a1 
A  1 2 4 dapat kita pandang sebagai matriks A  a 2 
3 2 1  a3 
dengan anak-anak matriks berupa vektor baris
a1  2 0 3 a 2  1 2 4 a3  3 2 1
Contoh yang lain:

 2 0 3
A  1 2 4 dapat kita pandang sebagai matriks A  a1 a 2 a3 
3 2 1 dengan anak-anak matriks yang berupa vektor kolom
 2 0  3
a1  1 a 2  2 a3  4
3 2 1
Kesamaan Matriks
Dua matriks A dan B dikatakan sama jika dan hanya jika berukuran
sama dan elemen-elemen pada posisi yang sama juga sama.

Contoh: A=B

 2 4
Jika A   
 3 0 

 2 4
maka haruslah B  3 0 .
 
Matriks Negatif
Negatif dari matriks berukuran mn adalah matriks berukuran
mn yang diperoleh dengan mengalikan seluruh elemennya
dengan faktor (1). .

Contoh:
 2 4  2  4
A  A   
 3 0    3 0 
Penjumlahan
Penjumlahan dua matriks hanya didefinisikan
untuk matriks yang berukuran sama
Jumlah dari dua matriks A dan B yang masing-masing berukuran
mn adalah sebuah matriks C berukuran mn yang elemen-
elemennya merupakan jumlah dari elemen-elemen matriks A dan
B yang posisinya sama

Contoh:
 2 4
Jika A 
 3 0  3 7
maka A  B   
1 3  5 2 
B 
 2 2

Sifat-sifat penjumlahan matriks:

AB  BA
A  B   C  A  B  C
Pengurangan Matriks
Pengurangan matriks dapat dipandang sebagai
penjumlahan dengan matriks negatif

 2 4 1 3 
Contoh: A  B 
 3 0   2 2 

2 4   1  3 1 1 
AB       
3 0  2  2 1  2

A  A  A  ( A)  0

A0  A
Perkalian Matriks
Perkalian antara dua matriks A dan B yaitu C = AB hanya terdefinisikan jika
banyak kolom matriks A sama dengan banyak baris matriks B.
Dalam perkalian matriks, urutan hatus diperhatikan.
Perkalian matriks tidak komutatif.
AB  BA
Jadi jika matriks A berukuran mn dan B berukuran pq
 a11 a12 a11 
a12 a a1n 
1q 
a21 a22  a2n 
a A 
 21 a 22


 a  
2 q 
B am1 am 2  amn 
   
 
a p1 am 2  a pq 

maka perkalian AB hanya dapat dilakukan jika n = p.

Hasil kali matriks AB berupa matriks berukuran mq dengan nilai elemen
pada baris ke b kolom ke k merupakan hasil kali internal (dot product) vektor
baris ke b dari matriks A dan vektor kolom ke k dari matriks B
Perkalian Matriks dengan Bilangan Skalar
Hasil kali suatu bilangan skalar a dengan matriks berukuran mn
adalah matriks berukuran mn yang seluruh elemennya bernilai a kali.
aA = Aa
Contoh:
2 2 1  2 2 1  4 4 2
2  1 3 2  1 3 2  2  2 6 4
3 2 3 3 2 3 6 4 6

Perkalian matriks dengan bilangan skalar ini mempunyai sifat-sifat

sebagai berikut
a A  B   aA  aB
a  b A  aA  bA
abA   ab A
Perkalian Internal Vektor (dot product)
Perkalian internal antara dua vektor a dan b yaitu c = ab hanya
terdefinisikan jika banyak kolom vektor a sama dengan banyak baris
vektor b.
Dalam perkalian internal vektor, urutan perkalian harus diperhatikan.

Contoh:  4
vektor baris: a  2 3 vektor kolom: b    2 baris
 3
2. kolom
perkalian internal dapat dilakukan
 4
c  a  b  2 3    2  4  3  3  17
 3
Jika urutan dibalik, b : 1 kolom, a : 1 baris, perkalian juga dapat dilakukan
tetapi memberikan hasil yang berbeda
 4 4  2 4  3 8 12
d  b  a    2 3     
3
   3  2 3  3   6 9 
Perkalian matriks tidak komutatif.
Perkalian Matriks Dengan Vektor

Contoh:
2 1   2
Misalkan A    dan b  2 baris
3 4  3

2 kolom dapat dikalikan

 a1   a1  b   2  2  1  3   7 
C  Ab    b  a  b      
a 2   2  3  2  4  3 18

Jika urutan perkalian dibalik, perkalian tidak dapat dilakukan

karena b terdiri dari satu kolom sedangkan A terdiri dari dua baris.
Perkalian Dua Matriks Bujur Sangkar

Contoh: 2 1  4 2
A  dan B  baris = 2
3 4 5 3 
kolom = 2
dapat dikalikan
a 
Matriks A kita pandang sebagai A   1 
a 2 
Matriks B kita pandang sebagai B  b1 b2 

a   a  b a1  b 2 
C  AB   1  b1 b 2    1 1 
a 2  a 2  b1 a 2  b 2 
 2  4  1  5 2  2  1  3  13 7 
   
3  4  4  5 3  2  4  3 32 18
Perkalian dua matriks persegi panjang
Contoh:
1 2 
2 4 3
A  dan B  4 3 baris = 3
 1 3 2  2 3

kolom = 3 dapat dikalikan

1 2 
 2 4 3  
C  AB     4 3 
1 3 2   2 3 
 
2  1  4  4  3  2 2  2  4  3  3  3
 
 1  1  3  4  2  2 1  2  3  3  2  3 
25 25
 
 17 17 
Pernyataan matriks dengan anak matriks pada contoh di atas adalah

 a1 
A  B  b1 b 2 
a 2 

a   a  b a1  b 2 
sehingga C  AB   1  b1 b2    1 1 
a 2  a 2  b1 a 2  b 2 
,

Dalam operasi perkalian matriks:

matriks yang pertama kita susun dari anak matriks yang berupa
vektor baris .

matriks yang kedua kita susun dari anak matriks yang berupa
vektor kolom
Jadi perkalian matriks adalah perkalian dari baris ke kolom
Sifat-sifat perkalian matriks

a. Asosiatif dan distributif terhadap penjumlahan

aA B  aAB   AaB 
ABC  AB C
A  B C  AC  BC
CA  B   CA  CB
b. Tidak komutatif. Jika perkalian AB maupun BA terdefinisikan,
maka pada umumnya AB  BA

c. Hukum pembatalan tidak selalu berlaku.

Jika AB = 0 tidak selalu berakibat A = 0 atau B = 0.

Putaran Matriks (Transposisi)

Putaran matriks atau transposisi dari matriks A berukuran m×n

adalah suatu matriks AT yang berukuran n×m dengan kolom-
kolom matriks A sebagai baris-barisnya yang berarti pula bahwa
baris-baris matriks A menjadi kolom-kolom matriks AT

 a11 a12  a1n 

a  a2n 
21 a22
Jika A    abk 
   
 
am1 am 2  amn 

 a11 a21  am1 

a  am 2 
12 a22
T
maka A  
   
 
 a pq
 
a1n a2n  amn 
Putaran Vektor Baris Dan Vektor Kolom

Putaran vektor baris akan menjadi vektor kolom.

Sebaliknya putaran vektor kolom akan menjadi vektor baris.

Contoh: 2
a  2 4 3  aT  4
3

5
b  4  b T  5 4 3
3
Putaran Jumlah Dua Vektor Baris

Putaran jumlah dua vektor baris sama dengan

jumlah putaran masing-masing vektor

Contoh:

Jika a  2 4 3 dan b  1 3 2

maka a  b  3 7 5
 3   2  1 
a  b T  7   4  3  aT  b T
5 3 2

Secara umum : a  b T  aT  bT
Putaran Hasil Kali Vektor Baris Dan Vektor Kolom

Putaran hasil kali vektor baris dengan vektor kolom atau vektor
kolom dengan vektor baris, sama dengan hasil kali putaran
masing-masing dengan urutan dibalik

Contoh: 1 
Jika a  2 4 3 dan b  3
2
maka ab  2  1  4  3  3  2
 2
abT  2  1  4  3  3  2  1 3 2 4  b TaT
3
Contoh:

 2
Jika a  4 dan b  1 3 2
3

 2  1 2  3 2  2

maka ab  4  1 4  3 4  2

 
3  1 3  3 3  2 

 2  1 4  1 3  1  1 
   
ab T   2  3 4  3 3  3  3 2 4 3  b TaT
2  2 4  2 3  2 2

Secara umum : ab T  bTaT

Putaran Matriks Persegi Panjang

Contoh:

2 1 
2 4 3
Jika A  maka A T  4 3
 1 3 2 
3 2

Jika matriks A dinyatakan  a1 

sebagai susunan dari
vektor baris
A     maka 
A T  a1T  a Tm 
 
a m 

Jika matriks A  a1 
T  
dinyatakan dengan A  a1 a 2  a m  maka A    
vektor kolom a m 
Putaran Jumlah Matriks
Putaran jumlah dua matriks sama dengan jumlah putaran masing-
masing matriks.
Hal ini telah kita lihat pada putaran jumlah vektor baris.

A  B T  A T  BT
Jika A  a1  am  dan B  b1  bm 

maka A  B  a1  b1  a m  b m 

Dengan demikian

 a  b T   a T  bT   a T   bT 
 1 1   1 1
  1  1
A  B T               A  B
T T
a  b T  a T  bT  aT  b T 
 m m   m m   m   m 
Putaran Hasil Kali Matriks
Putaran hasilkali dua matriks sama dengan hasil kali putaran
masing-masing dengan urutan yang dibalik. Hal ini telah kita lihat
pada putaran hasil kali vektor baris dan vektor kolom.

ABT  BT AT
 a1 
 
Jika A     dan B  b1  b n 
a m 
 a1  b1  a1  b n 
maka AB      
a m  b n  a m  b n 

Dengan demikian maka

 a1  b1  a1  b n   b1 
AB T           a1  a m   B T A T
a m  b n  a m  b n  b n 
Matriks Simetris
Berkaitan dengan putaran matriks, kita mengenal kesimetrisan pada
matriks nyata.
Matriks simetris adalah matriks yang putarannya sama dengan
matriksnya sendiri. Jadi matriks A dikatakan simetris apabila
AT  A

T
Jika B  B
dikatakan bahwa matriks B adalah simetris miring.

Karena dalam setiap putaran matriks nilai

elemen-elemen diagonal utama tidak berubah,
maka matriks simetris miring dapat terjadi jika
elemen diagonal utamanya bernilai nol.
Sistem Persamaan Linier
 Suatu sistem persamaan linier (atau himpunan persaman linier
simultan) adalah satu set persamaan dari sejumlah unsur yang tak
diketahui.

Bentuk umum: a11 x1    a1n xn  b1

a21x1    a2n xn  b2
. . . . . . . . . . .
am1x1    amn xn  bm

Sistem ini mengandung m persamaan dengan n unsur yang tak

diketahui yaitu x1 ….xn.
Bilangan a11 …..amn disebut koefisien dari sistem itu, yang biasanya
merupakan bilangan-bilangan yang diketahui.
Bilangan-bilangan b1 ….bm juga merupakan bilangan-bilangan yang
diketahui, bisa bernilai tidak nol maupun bernilai nol

Jika seluruh b bernilai nol maka sistem persamaan tersebut disebut

sistem persamaan homogen
Dari sistem persamaan linier diharapkan adanya solusi yaitu satu set
nilai dari x1 …xn yang memenuhi sistem persamaan tersebut.
Jika sistem ini homogen, ia mengandung solusi trivial (solusi tak
penting) yaitu x1 = 0, …., xn = 0.

Pertanyaan-pertanyaan yang timbul tentang solusi dari sistem

persamaan ini adalah:
a). Benar adakah solusi dari sistem ini ?
b). Bagaimanakah cara untuk memperoleh solusi?
c). Kalau sistem ini mempunyai lebih dari satu solusi,
bagaimanakah himpunan solusi tersebut?
d). Dalam keadaan bagaimanakah sistem ini tepat mempunyai
satu solusi?
Operasi Baris
a11 x1    a1n xn  b1
a21x1    a2n xn  b2
. . . . . . . . . . .
am1x1    amn xn  bm

Pada sistem ini kita dapat melakukan operasi-operasi yang disebut

operasi baris sebagai berikut:
a). Ruas kiri dan ruas kanan dari setiap persamaan dapat dikalikan
dengan faktor bukan nol yang sama, tanpa mempengaruhi himpunan
sistem persamaan tersebut.
b). Ruas kiri dari setiap persamaan dapat dijumlahkan ke ruas kiri
persamaan yang lain asal ruas kanannya juga dijumlahkan. Operasi ini
tidak mengganggu keseluruhan sistem persamaan tersebut.
c). Mempertukarkan tempat (urutan) persamaan tidaklah mengganggu
himpunan sistem persamaan.
Penulisan Dalam Bentuk Matriks
Penulisan Persamaan Linier Dalam Bentuk Matriks
Sistem persamaan linier dapat dituliskan dalam bentuk matriks dengan
memanfaatkan pengertian perkalian matriks. Bentuk itu adalah

 a11 a12  a1n   x1   b1 

a  a2n   x2   b2 
 21 a22 
         
    
am1 am 2  amn   xn  bm 

atau secara singkat Ax  b

dengan  a11 a12  a1n   x1   b1 
a a22  a2n  x  b 
A   21 ; x   2 ; b   2 
       
     
am1 am 2  amn   xn  bm 
Dari cara penulisan tersebut di atas, kita dapat membangun suatu
matriks baru yang kita sebut matriks gandengan, yaitu dengan
menggandengkan matriks A dengan b menjadi

 a11 a12  a1n | b1 

 | b2 
~  a21 a22  a2 n
A
    | 
 
am1 am 2  amn | bm 

Matriks gandengan ini menyatakan sistem persamaan linier secara

lengkap. Operasi-operasi baris pada sistem persamaan linier kita
terjemahkan ke dalam matriks gandengan menjadi sebagai berikut

a). Setiap elemen dari baris yang sama dapat dikalikan dengan
faktor bukan nol yang sama.
b). Satu baris boleh dijumlahkan ke baris yang lain.
c). Tempat baris (urutan baris) dapat dipertukarkan.
 Setiap operasi baris akan menghasilkan matriks gandengan baru.

Matriks gandengan baru ini disebut sebagai setara baris dengan matriks
gandengan yang lama.

Operasi baris dapat kita lakukan lagi pada matriks gandengan baru dan
menghasilkan matriks gandengan yang lebih baru lagi dan yang terakhir
inipun setara baris dengan matriks gandengan yang lama.

Dengan singkat kita katakan bahwa operasi baris menghasilkan

matriks gandengan yang setara baris dengan matriks gandengan
asalnya.
Hal ini berarti bahwa matriks gandengan baru menyatakan sistem
persamaan linier yang sama dengan matriks gandengan asalnya.
Eliminasi Gauss
Eliminasi Gauss
Eliminasi Gauss merupakan langkah-langkah sistematis untuk
memecahkan sistem persamaan linier. Karena matriks gandengan
merupakan pernyataan lengkap dari suatu sistem persamaan linier,
maka eliminasi Gauss cukup dilakukan pada matriks gandengan ini.

Contoh:
Suatu sistem persamaan linier: x A  xB  8
 x A  4 xB  2 xC  0
x A  3 xB  5 xC  2 xD  8
 x A  4 xB  3xC  2 xD  0
Kita tuliskan persamaan ini dalam bentuk matriks:

 1 1 0 0   x A  8 
  1 4  2 0   x  0 
   B  
 1  3 5  2  xC  8
    
  1 4  3 2   x D  0 
  1 1 0 0 | 8
 1 4  2 0 | 0
Matriks gandengnya 
adalah:  1 3 5 2 | 8
 
 1 4  3 2 | 0

Langkah-1: Langkah pertama pada eliminasi Gauss pada matriks

gandengan adalah mempertahankan baris ke-1 (disebut mengambil
baris ke-1 sebagai pivot) dan membuat suku pertama baris-baris
berikutnya menjadi bernilai nol.
Pada matriks yang diberikan ini, langkah pertama ini dilaksanakan
dengan menambahkan baris ke-1 ke baris ke-2, mengurangkan baris
ke-1 dari baris ke-3 dan menambahkan baris ke-1 ke baris ke-4. Hasil
operasi ini adalah
1  1 0 0 | 8 pivot
0 3  2 0 | 8 ( baris1)

0  2 5  2 | 0 ( baris 1)
 
0 3  3 2 | 8 ( baris 1)
 1  1 0 0 | 8
0 3  2 0 | 8

0  2 5  2 | 0
 
0 3  3 2 | 8

Langkah-2: Langkah kedua adalah mengambil baris ke-2 dari matriks

gandeng yang baru saja kita peroleh sebagai pivot, dan membuat suku
kedua baris-baris berikutnya menjadi nol. Ini kita lakukan dengan
mengalikan baris ke-2 dengan 2/3 kemudian menambahkannya ke
baris ke-3, dan mengurangkan baris ke-2 dari baris ke-4. Hasil operasi
ini adalah

1  1 0 0 | 8 
0 3 2 0 | 8  (pivot)

0 0 5  4 / 3  2 | 16 / 3 (2/3 baris 2)
 
0 0 1 2 | 0  (-baris 2)
1  1 0 0 | 8 
0 3 2 0 | 8 

0 0 5  4 / 3  2 | 16 / 3
 
0 0 1 2 | 0 

Kalikan baris ke 3
dengan 3 agar diperoleh
bilangan bulat

1  1 0 0 | 8
0 3  2 0 | 8 

0 0 11  6 | 16
 
0 0  1 2 | 0
 1  1 0 0 | 8
0 3  2 0 | 8 

0 0 11  6 | 16
 
0 0  1 2 | 0

Langkah-3: Langkah ketiga adalah mengambil baris ke-3 sebagai

pivot dan membuat suku ke-3 dari baris ke-4 menjadi nol. Ini dapat
kita lakukan dengan mengalikan baris ke-4 dengan 11 kemudian
menambahkan kepadanya baris ke-3. Hasilnya adalah:

1  1 0 0 | 8
0 3  2 0 | 8 

0 0 11  6 | 16 pivot
 
0 0 0 16 | 16  11  baris 3
 1  1 0 0 | 8
Hasil terakhir 0 3  2 0 | 8 
langkah ketiga 
adalah:
0 0 11  6 | 16
 
0 0 0 16 | 16

Matriks gandeng terakhir ini menyatakan bentuk matriks:

1  1 0 0  xA   8 
0 3  2 0   x   8 
  B   
0 0 11  6  xC  16
    
0 0 0 16   x D  16

Matriks terakhir ini menyatakan sistem persamaan linier:

x A  xB  8
yang dengan substitusi
3xB  2 xC  8 mundur akan memberikan:
11 xC  6 xD  16
xD  1 ; xC  2 ; xB  4 ; x A  12
16 xD  16
Sistem Tertentu dan Tidak Tertentu
Sistem-sistem Tertentu Dan Tidak Tertentu

Sistem tertentu adalah sistem yang memberikan tepat satu solusi.

Sistem tertentu terjadi jika unsur yang tak diketahui sama banyak
dengan persamaannya, dan persamaan-persamaan ini tidak saling
bergantungan.
Jika unsur yang tak diketahui lebih banyak dari persamaannya, maka
sistem itu menjadi kurang tertentu. Sistem yang kurang tertentu
memberikan tidak hanya satu solusi akan tetapi banyak solusi.

Jika persamaan lebih banyak dari unsur yang tak diketahui, sistem
menjadi tertentu berlebihan.
Sistem yang kurang tertentu selalu mempunyai solusi (dan banyak)
sedangkan sistem tertentu dan tertentu berlebihan bisa memberikan
solusi bisa juga tidak memberikan solusi.
Contoh Sistem Persamaan Yang Memberikan Banyak Solusi
Contoh:
x A  xB  8
 x A  4 xB  2 xC  0
 3 xB  2 xC  8

Matriks gandeng:
 1 1 0 | 8 
 1 4  2 | 0 
 
 0  3 2 |  8

Eliminasi Gauss:

1  1 0 | 8  1  1 0 | 8
0 3  2 | 8  0 3  2 | 8 
   
0  3 2 |  8 0 0 0 | 0
Matriks gandengan ini menyatakan sistem persamaan :

x A  xB  8
3 xB  2 xC  8
00

Dari persamaan ke-2 kita mendapatkan x B  (8  2 xC ) / 3

yang kemudian memberikan x A  8  (8  2 xC ) / 3

Karena xC tetap sembarang maka kita mendapatkan banyak

solusi. Kita hanya akan memperoleh nilai xA dan xB jika kita
menentukan nilai xC lebih dulu
Contoh Sistem Yang Tidak Memberikan Solusi

Contoh: x A  xB  8
 x A  4 xB  2 xC  0
 3 xB  2 xC  10

Matriks gandeng dan eliminasi Gauss memberikan

 1 1 0 | 8  1  1 0 | 8 
 1 4  2 | 0  0 3  2 | 8 
   
 0  3 2 |  10 0  3 2 |  10

1  1 0 | 8 
0 3  2 | 8 
 
0 0 0 |  2
Sistem persamaan dari matriks gandeng terakhir ini adalah

x A  xB  8
3 xB  2 xC  8
0  2
Kita lihat di sini bahwa penerapan eliminasi Gauss pada akhirnya
menghasilkan suatu kontradiksi yang dapat kita lihat pada baris
terakhir.
Hal Ini menunjukkan bahwa sistem persamaan yang sedang kita tinjau
tidak memberikan solusi.
Bentuk Eselon
Bentuk matriks pada langkah terakhir eliminasi Gauss, disebut bentuk
eselon.
Dari contoh di atas, bentuk eselon matriks koefisien dan matriks
gandengannya adalah

1  1 0  1  1 0 | 8 
0 3  2  0 3  2 | 8 
  dan  
0 0 0  0 0 0 |  2

a11 a12    a1n | b1 

 
 0 c22    c2n | b2 
Secara umum bentuk  
 |
eselon matriks  
gandengan adalah  k rr  k rn | br 
 0 | br 1 
 
  | 
 0 | bm 

dan sistem yang a11 x1  a12 x2    a1n xn  b1
telah tereduksi c22 x2    a2n xn  b2
pada langkah akhir 
eliminasi Gauss
krr xr    krn xn  br
akan berbentuk
0  br 1


0  bm
dengan a11  0, a22  0 , k rr  0 , dan r  n
Perhatikan bentuk ini:
a). Jika r  ndan br 1 ,  , bm
 sama dengan nol atau tidak ada, maka
sistem persamaan ini akan memberikan tepat satu solusi.

b). Jika r  n dan br 1, , bm

 sama dengan nol atau tidak ada, maka
sistem persamaan ini akan memberikan banyak solusi.

c). Jika r  nataupun r  n dan br 1, , bm

 tidak sama dengan nol
atau mempunyai nilai, maka sistem persamaan ini tidak memberikan
solusi.
Jadi suatu sistem persamaan akan memberikan solusi jika br 1,sama
, bm
dengan nol atau tidak ada.

Pada suatu sistem persamaan yang memberikan solusi, ketunggalan

solusi terjadi jika r  n .
Jika r  n persamaan akan memberikan banyak solusi.

Nilai r yang dimiliki oleh matriks gandengan ditentukan oleh

banyaknya vektor baris yang bebas linier dalam matriks gandeng.
Pengertian tentang kebebasan linier vektor-vektor kita bahas berikut
ini.
Bebas Linier Dan Tak-bebas Linier

Vektor-Vektor
Bebas Linier Dan Tak-bebas Linier Vektor-vektor

Misalkan a1 , a 2 ,  a m
adalah vektor-vektor baris dari suatu matriks A =[abk].

Kita tinjau suatu persamaan vektor

c1a1  c2a 2    cma m  0

Apabila persamaan vektor ini terpenuhi hanya jika semua koefisien

(c1  cm) bernilai nol, maka vektor-vektor baris tersebut adalah
bebas linier.

Jika persamaan vektor tersebut dapat dipenuhi dengan koefisien

yang tidak semuanya bernilai nol (artinya setidak-tidaknya ada
satu koefisien yang tidak bernilai nol) maka vektor-vektor itu
tidak bebas linier.
Jika satu himpunan vektor terdiri dari vektor-vektor yang bebas linier,
maka tak satupun dari vektor-vektor itu dapat dinyatakan dalam
kombinasi linier dari vektor yang lain. Hal ini dapat dimengerti karena
dalam persamaan tersebut di atas semua koefisien bernilai nol untuk
dapat dipenuhi.

Jika vektor-vektor tidak bebas linier maka nilai koefisien pada

persamaan tersebut di atas (atau setidak-tidaknya sebagian tidak
bernilai nol) maka satu vektor dapat dinyatakan sebagai kombinasi
linier dari vektor yang lain.

Vektor a1 misalnya, dapat dinyatakan sebagai

c2 c
a1   a2    m am  0
c1 c1
karena koefisien-koefisien ini tidak seluruhnya bernilai nol
Contoh: Dua vektor baris a1  2 3 1 2 dan a 2  4 2 6 2

Vektor a1 dan a2 adalah bebas linier karena

c1a1  c2a 2  c12 3 1 2  c2 4 2 6 2  0

hanya akan terjadi jika c1  c2  0

Ambil vektor ketiga a3  4 6 2 4

Vektor a3 dan a1 tidak bebas linier karena kita dapat menyatakan a3
sebagai
a3  2a1  22 3 1 2  4 6 2 4

Vektor a1, a2 dan a3 juga tidak bebas linier karena kita dapat menyatakan
a3 sebagai
a3  2a1  0a 2  2 2 3 1 2  0 4 2 6 2  4 6 2 4

Akan tetapi jika kita hanya melihat a3 dan a2 saja, mereka adalah
bebas linier.
Rank Matriks
Rank Matriks
Dengan pengertian tentang vektor yang bebas linier, didefinisikan rank
matriks.
Banyaknya vektor baris yang bebas linier dalam suatu matriks A = [abk]
disebut rank matriks A disingkat rank A.
Jika matrik B = 0 maka rank B adalah nol.

Bagaimana menentukan rank suatu matriks?

Operasi baris pada suatu matriks menghasilkan matriks yang setara
baris dengan matriks asalnya. Hal ini berarti pula bahwa rank matriks
baru sama dengan rank matriks asalnya.
Dengan perkataan lain operasi baris tidak mengubah rank matriks.
Jadi rank suatu matriks dapat diperoleh melalui operasi baris, yaitu
sama dengan rank matriks yang dihasilkan pada langkah terakhir
eliminasi Gauss.
Bentuk eselon matriks yang diperoleh pada langkah terakhir
eliminasi Gauss, mengandung vektor-vektor baris yang bebas
linier karena vektor yang tak bebas linier telah tereliminasi.
Contoh:
Bentuk eselon matriks koefisien dan matriks gandengannya dari sistem
persamaan yang memberikan solusi tunggal dalam contoh, adalah

1  1 0 0 1  1 0 0 | 8
0 3  2 0  0 3  2 0 | 8 
  
0 0 11  6 dan 0 0 11  6 | 16
   
 0 0 0 16  0 0 0 16 | 16

Dalam kasus ini rank matriks koefisien sama dengan rank matriks
gandengan, yaitu 4. Selain dari pada itu rank matriks sama dengan
banyaknya unsur yang tak diketahui yaitu 4
Contoh:
Bentuk eselon matriks koefisien dan matriks gandengannya dari sistem
persamaan yang memberikan banyak solusi, adalah

1  1 0  1  1 0 | 8
0 3  2  dan 0 3  2 | 8 
   
0 0 0  0 0 0 | 0

Dalam kasus ini rank matriks koefisien sama dengan rank

matriks gandengan, yaitu 2. Akan tetapi rank matriks ini lebih
kecil dari banyaknya unsur yang tak diketahui.
Contoh:

Bentuk eselon matriks koefisien dan matriks gandengannya dari

sistem persamaan yang tidak memberikan solusi, adalah
1  1 0  1  1 0 | 8 
0 3  2  dan 0 3  2 | 8 
   
0 0 0  0 0 0 |  2

Dalam kasus ini rank matriks koefisien tidak sama dengan

rank matriks gandengan. Rank matriks koefisien adalah 2
sedangkan rank matriks gandengannya adalah 3. Ketidak
samaan rank dari kedua matriks ini menunjukkan tidak
adanya solusi.
 Apa yang kita amati dalam contoh-contoh di atas
ternyata berlaku umum.

a). agar suatu sistem persamaan memberikan solusi maka rank

matriks koefisien harus sama dengan rank matriks
gandengannya;

b). agar sistem persamaan memberikan solusi tunggal maka rank

matriks koefisien harus sama dengan banyaknya unsur yang tak
diketahui;

c). jika rank matriks koefisien lebih kecil dari banyaknya unsur yang
tak diketahui maka akan diperoleh banyak solusi.
Sudaryatno Sudirham

Sistem Persamaan Homogen

Sistem Persamaan Homogen

Sistem persamaan disebut homogen apabila nilai b di ruas kanan dari

persamaan sistem bernilai nol. Jika tidak demikian maka sistem itu
disebut tak homogen. Sistem persamaan homogen berbentuk

a11 x1  a12 x2    a1n xn  0

a21x1  a22 x2    a2n xn  0
. . . . . . . . . . .
am1x1  am 2 x2    amn xn  0

Bentuk matriks gandengan sistem ini adalah

 a11 a12  a1n | 0

 | 0 
~  a21 a22  a2n
A
    | 
 
am1 am 2  amn | 0
Eliminasi Gauss pada sistem demikian ini akan menghasilkan

a11   a1n
a12 | 0
0   a2 n
a22 | 0 
~
A  
    | 
 
0 0 0 
amn | 0

Jika rank matriks gandengan terakhir ini sama dengan banyaknya

unsur yang tak diketahui, r = n, sistem persamaan akhirnya akan
berbentuk
 x1  a12
a11  x2    a1n xn  0
 x2    a2 n xn  0
a22

 xn  0
amn
Dari sini terlihat bahwaxn  0 dan substitusi mundur akhirnya
memberikan semua x bernilai nol. Ini merupakan solusi trivial dan
solusi trivial ini diakibatkan oleh kenyataan bahwa r = n. Solusi tak
trivial hanya akan diperoleh jikar  n .
Sistem Persamaan Homogen Yang Hanya Memberikan Solusi Trivial

Contoh: x A  xB  0
 x A  4 xB  2 xC  0
x A  3 xB  5 xC  2 xD  0
 x A  4 xB  3 xC  2 xD  0

Matriks gandengan sistem ini dan hasil eliminasi Gauss-nya adalah

 1 1 0 0 | 0 1  1 0 0 | 0
 1 4  2 0 | 0 0 3  2 0 | 0
 
 1 3 5 2 | 0 0 0 11  6 | 0
   
 1 4  3 2 | 0 0 0 0 16 | 0

Rank matrik koefisien adalah 4; banyaknya unsur yang tak diketahui

juga 4. Sistem persamaan liniernya menjadi
x A  xB  0
3 xB  2 xC  0 yang akhirnya memberikan xD  xC  xB  x A  0
11 xC  6 xD  0 Inilah solusi trivial yang
16 xD  0 dihasilkan jika terjadir keadaan
n
Sistem Persamaan Yang Memberikan Solusi Tak Trivial
Contoh: x A  xB  0
 x A  4 x B  2 xC  0
x A  3 x B  5 xC  2 x D  0
 x A  4 x B  13xC  6 x D  0

Matriks gandengan dan hasil eliminasinya adalah

 1 1 0 0 | 0 1 1 0 0 | 0
 1 4  2 0  
 | 0 eliminasi Gauss: 
0 3 2 0 | 0
 1 3 5 2 | 0 0 0 11  6 | 0
   
 1 4  13 6 | 0 0 0 0 0 | 0

Sistem persamaan menjadi

x A  xB  0
3xB  2 xC  0
11 xC  6 xD  0
00
Jika kita mengambil nilai x D  1 maka akan diperoleh
6 12 12
xC  ; xB  ; xA 
11 33 33
Solusi ini membentuk vektor solusi
12 / 33
12 / 33
x1   
 6 / 11 
 
 1 
.
1  1 0 0  12/33 0
yang jika matriks koefisiennya 0 3  2 0  12/33 0
digandaawalkan akan Ax1     
0 0 11  6  6/11  0
menghasilkan vektor nol b = 0     
 0 0 0 0  1  0 
Jika kita menetapkan nilai xD yang lain, misalnya xD  33 akan
diperoleh vektor solusi yang lain, yaitu
12 
 
12
x 2     33x1
18 
 
33

Penggandaawalan matriks koefisiennya juga akan menghasilkan vektor nol

Vektor solusi x2 ini merupakan perkalian solusi sebelumnya dengan
bilangan skalar (dalam hal ini 33), yang sesungguhnya bisa bernilai
sembarang. Secara umum vektor solusi berbentuk

xc  cx1

dengan c adalah skalar sembarang

Vektor solusi yang lain lagi dapat kita peroleh dengan
menjumlahkan vektor-vektor solusi, misalnya x1 dan x2.

12 / 33 12

12 / 33 12
x 3  x1  x 2        x  33x  34x
1 1 1
 6 / 11  18
   
 1  33

Jelas bahwa x3 juga merupakan solusi karena jika

digandaawalkan akan memberikan hasil vektor nol. Jadi
secara umum vektor solusi dapat juga diperoleh dengan
menjumlahkan vektor solusi yang kita nyatakan sebagai

x j   xc
Contoh di atas memperlihatkan bahwa solusi dari sistem persamaan
homogen membentuk vektor-vektor yang seluruhnya dapat
diperoleh melalui perkalian salah satu vektor solusi dengan skalar
serta penjumlahan vektor-vektor solusi. Kita katakan bahwa solusi
dari sistem persamaan homogen membentuk suatu ruang vektor.

Dalam sistem persamaan homogen yang sedang kita tinjau ini,

ruang vektor yang terbentuk adalah ber-dimensi satu.
Perhatikan bahwa setiap vektor solusi merupakan hasilkali skalar
dengan vektor x1 .

Jika kita perhatikan lebih lanjut ruang vektor yang terbentuk oleh
vektor solusi akan berdimensi (n  r), yaitu selisih antara
banyaknya unsur yang tak diketahui dengan rank matriks
koefisien. Dalam kasus yang sedang kita tinjau ini, banyaknya
unsur yang tak diketahui adalah 3 sedangkan rank matriks
koefisien adalah 2.
Sistem Persamaan Dengan Vektor Solusi Berdimensi 2

Contoh: x A  xB  0
 x A  4 xB  5 xC  2 xD  0
x A  4 xB  5 xC  2 xD  0
 x A  7 xB  10 xC  4 xD  0

Matriks gandengan dan hasil eliminasi Gauss adalah

 1 1 0 0 | 0 1  1 0 0 | 0
 1 4 5 2 | 0 0 3  5 2 | 0
 
 1 4 5 2 | 0 0 0 0 0 | 0
   
 1 7  10 4 | 0 0 0 0 0 | 0

Rank matriks ini adalah 2 sedangkan banyaknya unsur tak diketahui 4.

Sistem persamaan menjadi
x A  xB  0
3 xB  5 xC  2 xD  0
00
00
Jika kita memberi nilai xC  1 dan xD  0

kita akan mendapatkan xB  5 / 3 ; x A  5/3

5 / 3
 
5/ 3
x1    adalah salah satu vektor solusi
 1 
 
 0 
Ganda-awal matriks koefisien dengan
vektor ini akan memberikan vektor b  0

1.  1 0 0 5 / 3  5 / 3  5 / 3  0
0 3  5 2 5 / 3 0  5  5  0 0
Ax1    
0 0 0 0  1   0  0
      
0 0 0 0  0   0  0
 Jika Ax1 = 0, maka perkalian dengan skalar k akan memberikan

Ak1x1  0 Ak2x1  0

dan Ak1x1  Ak 2 x1  A(k1  k 2 ) x1  Ac1x1  0

Dengan kata lain, jika x1 adalah vektor solusi, maka

,
k1x1 , k 2 x1 , (k1x1  k 2 x1 )

adalah juga vektor-vektor solusi dan sebagaimana kita tahu vektor-

vektor ini kita peroleh dengan memberi nilaixC  1 dan xD  0 .
Jika xC  0 dan xD  1 akan kita peroleh xB  2 / 3

dan x A  2 / 3 yang membentuk vektor solusi

 2 / 3
 2 / 3
x2   
 0 
 
 1 
Dengan skalar l sembarang kita akan memperoleh vektor-vektor
solusi yang lain seperti
l1x 2 , l2 x 2 , (l1x 2  l2 x 2 )

Secara keseluruhan maka vektor-vektor solusi kita adalah

x  kx1  lx 2

Inilah vektor-vektor solusi yang membentuk ruang vektor berdimensi 2.

 Dari dua contoh terakhir ini terbukti teorema yang
menyatakan bahwa solusi sistem persamaan linier homogen
dengan n unsur tak diketahui dan rank matriks koefisien r
akan membentuk ruang vektor berdimensi (n  r).
Kebalikan Matriks Dan Metoda Eliminasi Gauss-Jordan

Pengertin tentang kebalikan matriks (inversi matriks) erat kaitannya

dengan pemecahan sistem persamaan linier. Namun demikian
pengertian ini khusus ditujukan untuk matriks bujur sangkar n  n.

Kebalikan matriks A (inversi matriks A) didefinisikan sebagai

matriks yang jika digandaawalkan ke matriks A akan menghasilkan
matriks identitas. Kebalikan matriks A dituliskan sebagai A1
sehingga definisi ini memberikan relasi

A 1A  I  AA 1

Jika A berukuran n  n maka A1 juga berukuran n  n dan

demikian pula matriks identitasnya.
Tidak semua matriks bujur sangkar memiliki kebalikan; jika
A memiliki kebalikan maka A disebut matriks tak singular
dan jika tak memiliki kebalikan disebut matriks singular.

Jika A adalah matriks tak singular maka hanya ada

satu kebalikan A; dengan kata lain kebalikan matriks
adalah unik atau bersifat tunggal.
Hal ini mudah dimengerti sebab jika A mempunyai
dua kebalikan, misalnya P dan Q, maka AP = I =PA
dan juga AQ = I =QA, dan hal ini hanya mungkin
terjadi jika P = Q.

P  IP  ( AQ )P  QAP  Q( AP )  QI  Q
 Berbekal pengertian kebalikan matriks, kita akan meninjau
persamaan matriks dari suatu sistem persamaan linier tak
homogen, yaitu
Ax  b
Jika kita menggandaawalkan kebalikan matriks A ke ruas kiri dan
kanan persamaan ini, akan kita peroleh

A 1 Ax  A 1 b  Ix  x  A 1 b

Persamaan ini menunjukkan bahwa kita dapat memperoleh vektor

solusi x dari sistem persamaan linier jika kebalikan matriks koefisien
A ada, atau jika matriks A tak singular.
Jadi persoalan kita sekarang adalah bagaimana mengetahui apakah
matriks A singular atau tak singular dan bagaimana mencari
kebalikan matriks A jika ia tak singular.
 Dari pembahasan sebelumnya kita mengetahui bahwa jika matriks
koefisien A adalah matriks bujur sangkar n  n, maka solusi tunggal
akan kita peroleh jika rank A sama dengan n. Hal ini berarti bahwa
vektor x pada persamaan di atas dapat kita peroleh jika rank A1 sama
dengan n. Dengan perkataan lain

matriks A yang berukuran n  n tak singular jika

rank A = n
dan akan singular jika rank A < n.

Mencari kebalikan matriks A dapat kita lakukan dengan cara eliminasi

Gauss-Jordan. Metoda ini didasari oleh persamaan Ax = b.
Jika X adalah kebalikan matriks A maka
AX  I
 Untuk mencari X kita bentuk matriks gandengan
~
A  A I 
~
Jika kita lakukan eliminasi Gauss pada A
matriks gandengan ini berubah menjadi
U H
dengan U berbentuk matriks segitiga atas.

Eliminasi Gauss-Jordan selanjutnya beroperasi pada

U H
yaitu dengan mengeliminasi unsur-unsur segitiga atas pada U
sehingga U berbentuk matriks identitas I.

Langkah akhir ini akan menghasilkan

I X
Contoh: Kita akan mencari kebalikan dari matriks
1 2 2
A   3  2 2
 2 4 1 

Kita bentuk matriks gandengan A I 

1 2 2 | 1 0 0
A I   3  2 2 | 0 1 0
 2 4 1 | 0 0 1

Kita lakukan eliminasi Gauss pada matriks gandengan ini

1 2 2 | 1 0 0 pivot
0  8  4 |  3 1 0  3  baris 1
 
0 8 5 | 2 0 1  2  baris 1
 1 2 2 | 1 0 0
0  8  4 |  3 1 0 pivot
 
0 0 1 |  1 1 1  baris 2

Kemudian kita lakukan eliminasi Gauss-Jordan

1 2 2 | 1 0 0
0 1 1 / 2 | 3 / 8  1 / 8 0  (1 / 8)
 
0 0 1 |  1 1 1

1 2 0 | 3 2  2   2  baris 3
0 1 0 | 7 / 8  5 / 8  1 / 2  0.5  baris3
 
0 0 1 |  1 1 1 

1 0 0 | 10 / 8  6 / 8  1   2  baris 2
0 1 0 | 7 / 8  5 / 8  1 / 2 
 
0 0 1 |  1 1 1 
Hasil terakhir ini memberikan kebalikan matriks A, yaitu

10 / 8  6 / 8  1 
A 1   7 / 8  5 / 8  1 / 2
  1 1 1 

Dengan demikian untuk suatu sistem persamaan linier tak

homogen yang persamaan matriksnya

1 2 2  x1  8
 3  2 2   x   0 
   2  
 2 4 1   x3  0

vektor solusinya adalah

1
 x1   1 2 2 8 10 / 8  6 / 8  1  8  10 
 x    3  2 2 0    7 / 8  5 / 8  1 / 2  0    7 
 2         
 x3   2 4 1  0   1 1 1  0  8
Kebalikan Matriks Diagonal

Kebalikan matriks diagonal dapat dengan mudah kita peroleh.

1
a11 0 0  1 / a11 0 0 
0  0    0  0 
 
 0 0 ann   0 0 1 / ann 

Kebalikan Dari Kebalikan Matriks

Kebalikan dari kebalikan matriks adalah matriks itu sendiri.

A 
1 1
A
Kebalikan Dari Perkalian Matriks
Kebalikan dari perkalian dua matriks adalah perkalian dari
kebalikan masing-masing matriks dengan urutan dibalik.

AB 1  B 1A 1

Hal ini dapat dibuktikan sebagai berikut

I  AB AB 1

 
A 1I  A 1AB AB 1  A 1A BAB 1  IBAB 1
A 1  BAB 1
B 1A 1  B 1BAB 1  I AB 1  AB 1
 Bahan Ajar
Matriks
dan
Sistem Persamaan Linier

Sudaryatno Sudirham