JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
2023
KATA PENGANTAR
Puji syukur kami panjatkan atas kehadirat Tuhan Yang Maha Esa karena segala nikmat
dan karunia-Nya, sehingga kami dapat menyusun karya tulis ini dengan baik. Karya tulis
ini dibuat sebagai salah satu tugas akhir untuk memenuhi persyaratan dalam mata kuliah
Aljabar Vektor. Tidak,lupa kami ucapkan terima kasih kepada ibu Dr. Kristina Wijayanti,
M. S. sebagai dosen pengampu mata kuliah Aljabar Vektor.
Kami berharap karya tulis ini dapat menambah pengetahuan dan bisa menjadi referensi
bagi para pembaca tentang konsep aljabar vektor dalam memilih tempat kerja dan
representasinya dalam kehidupan nyata.
Akhir kata, kami mengucapkan terima kasih kepada semua pihak yang telah membantu
dalam penyelesaian karya tulis ini. Semoga karya tulis ini dapat bermanfaat bagi kita
semua.
II
DAFTAR ISI
III
BAB I
PENDAHULUAN
1
akan membantu mereka dalam mencapai kepuasan karier yang lebih tinggi dan
memaksimalkan perkembangan profesional mereka. Selain itu, penggunaan aplikasi ini
juga dapat menghemat waktu dan usaha yang diperlukan dalam proses pengambilan
keputusan, sehingga memudahkan individu untuk menavigasi pasar kerja yang semakin
kompleks dan dinamis.
1.2 Rumusan Masalah
1. Bagaimana aplikasi nilai eigen dalam metode Analytical Hierarchy Process (AHP) ?
2. Bagaimana metode Analytical Hierarchy Process (AHP) dapat digunakan untuk
membantu dalam pengambilan keputusan pemilihan tempat kerja ?
3. Apakah aplikasi metode nilai eigen dalam AHP dapat memberikan keputusan yang
lebih objektif dan akurat dalam pemilihan tempat kerja ?
1.3 Tujuan
1. Mengetahui aplikasi nilai eigen dalam Analytical Hierarchy Process (AHP).
2. Mengetahui apakah metode Analytical Hierarchy Process (AHP) dapat digunakan
untuk membantu dalam pengambilan keputusan pemilihan tempat kerja.
3. Mengetahui apakah aplikasi metode nilai eigen dalam Analytical Hierarchy Process
(AHP) dapat memberikan keputusan yang lebih objektif dan akurat dalam pemilihan
tempat kerja.
2
BAB II
LANDASAN TEORI
Jika 𝐴 adalah sebuah matriks 𝑛 × 𝑛, maka sebuah vektor taknol 𝒙 pada ℝ𝑛 disebut
vektor eigen (vektor karakteristik) dari 𝐴 jika 𝐴𝒙 adalah sebuah kelipatan skalar dari 𝒙;
jelasnya:
𝐴𝒙 = 𝜆𝒙
untuk skalar sebarang 𝜆. Skalar 𝜆 ini disebut nilai eigen (nilai karakteristik) dari 𝐴, dan 𝑥
disebut sebagai vektor eigen (vektor karakteristik) dari 𝐴 yang terkait dengan 𝜆.
𝐴𝒙 = 𝜆𝐼𝒙
𝐴𝒙 − 𝜆𝐼𝒙 = 𝟎
𝐴 − 𝜆𝐼 𝒙 = 𝟎
Agar 𝜆 dapat menjadi nilai eigen, harus terdapat satu solusi taknol dari persamaan ini.
Persamaan ini memiliki solusi taknol jika dan hanya jika
det 𝐴 − 𝜆𝐼 = 0.
TEOREMA 1 : Jika 𝐴 adalah sebuah matriks segitiga (atas/bawah) atau matriks diagonal,
maka nilai-nilai eigen dari 𝐴 adalah entri-entri yang terletak pada diagonal utama matriks
𝐴.
TEOREMA 2 : Jika 𝐴 adalah suatu matriks 𝑛 × 𝑛 dan 𝜆 adalah suatu bilangan riil, maka
pernyataan pernyataan berikut ini adalah ekuivalen.
3
(1) 𝜆 adalah suatu nilai eigen dari 𝐴.
(3) Terdapat suatu vektor taknol 𝑥 pada ℝ𝑛 sedemikian rupa sehingga 𝐴𝒙 = 𝜆𝒙. (4) 𝜆 adalah
suatu solusi dari persamaan karakteristik det(𝐴 − 𝜆𝐼) = 0
Beberapa metode yang biasa digunakan untuk normalisasi matriks, antara lain:
1. Normalisasi Min-Maks
Metode ini mengubah setiap elemen matriks menjadi rentang nilai tertentu, katakanlah
0 hingga 1. Caranya adalah dengan mengurangi nilai minimum dari matriks dan
membaginya dengan selisih antara nilai maksimum dan minimum.
2. Normalisasi Z-Score
Metode ini mengubah setiap elemen matriks menjadi z-score (skor standar) dengan
menggunakan rata-rata dan standar deviasi matriks. Caranya adalah dengan
mengurangi mean dari matriks dan membaginya dengan standar deviasi.
3. Normalisasi Vektor
Metode ini mengubah setiap vektor kolom dari matriks menjadi vektor satuan, mis. H.
Vektor panjang atau norma 1. Caranya adalah dengan membagi setiap elemen vektor
kolom dengan panjang vektor.
4. Normalisasi Desimal
Metode ini mengubah setiap elemen array menjadi angka desimal dengan jumlah digit
yang ditentukan. Caranya adalah dengan membagi setiap elemen dengan angka
desimal yang diinginkan.
Pilihan metode normalisasi tergantung pada konteks dan tujuan analisis.
Normalisasi matriks memungkinkan perbandingan yang lebih adil dan relatif antara
elemen matriks, yang berkontribusi pada pengambilan keputusan atau analisis yang
lebih akurat.
4
Analytical Hierarchy Process (AHP) pertama kali dikembangkan oleh Dr Thomas L.
Saaty dari Wharton School of Business 1970-an. Dengan menggunakan AHP, persoalan
kompleks bisa lebih mudah dan lebih cepat dalam mengambil keputusan. Aturan kerja
AHP adalah penyederhanaan pertanyaan yang rumit dan tidak terstruktur menjadi bagian
yang lebih sederhana dan terorganisir dalam suatu hierarki.
Untuk mendapatkan skala saat membandingkan dua unsur, seseorang yang akan
memberikan jawaban perlu pemahaman yang baik tentang unsur-unsur yang dibandingkan
dan relevansinya dengan kriteria atau tujuan yang ingin dicapai. Adapun skala dasar yang
digunakan untuk membandingkan unsur-unsur yang ada oleh Saaty [9] dibuat dalam tabel
skala perbandingan sebagai berikut.
Nilai Keterangan
1 Kriteria/alternatif A sama pentingnya dengan kriteria/alternatif B
3 A sedikit lebih penting dari B
5 A jelas lebih penting dari B
7 A sangat jelas lebih penting dari B
9 A Mutlak lebih penting dari B
2,4,6,8 Apabila ragu-ragu antara dua nilai yang
berdekatan
Kebalikan Jika untuk aktivitas i mendapat satu angkat dibanding dengan
aktivitas j, maka j mempunyai nilai kebalikannya dengan i
5
Matriks positif adalah matriks persegi berukuran n x n dengan entri bilangan real, di
mana setiap entri (aij) lebih besar atau sama dengan nol (aij ≥ 0) dan semua entri (aij) lebih
besar dari nol (aij > 0). Teorema Perron menyatakan bahwa jika sebuah matriks A adalah
matriks positif berukuran n x n, maka matriks tersebut akan memiliki nilai eigen positif
nyata, yang memiliki beberapa sifat berikut:
(iii) Jika λ adalah sembarang nilai eigen lainnya dari A, maka |λ| < r
Teorema Perron penting karena menjamin bahwa nilai eigen maksimal dari matriks
positif selalu bernilai positif. Dalam konteks AHP (Analytic Hierarchy Process), dimana
matriks perbandingan berpasangan digunakan untuk mengkonstruksi vektor prioritas,
matriks tersebut juga merupakan matriks positif. Oleh karena itu, berdasarkan Teorema
Perron, terdapat vektor eigen yang berkorespondensi dengan nilai eigen maksimal, dan
nilai-nilai eigen tersebut juga bernilai positif.
6
BAB III
PEMBAHASAN
Dengan memperhatikan kajian pustaka yang telah disajikan, setiap kriteria dan
alternative perlu dilakukan perbandingan berpasangan (pairwise comparisons). kriteria
kualitatif maupun kriteria kuantitatif, dapat dibandingkan sesuai dengan judgment
(penilaian) yang telah ditentukan untuk menghasilkan bobot dan prioritas. Bobot atau
prioritas dihitung dengan manipulasi matriks.
Bila diketahui bahwa nilai perbandingan elemen 𝐴𝑖 terhadap elemen 𝐴𝑗 adalah 𝑎𝑖𝑗 ,
maka secara teoritis matriks tersebut berciri positif reciprocal (berkebalikan) yakni 𝑎𝑗𝑖 =
1
Bobot yang dicari dinyatakan dalam vector 𝑤 = ( 𝑤1 , 𝑤2 , 𝑤𝑛 , ……). Nilai 𝑤𝑛
𝑎𝑖𝑗
menyatakan bobot kriteria 𝐴𝑛 terhadap keseluruhan set kriteria pada sub sistem tersebut.
Jika 𝑎𝑖𝑗 mewakili derajat kepentingan terhadap faktor dan 𝑎𝑗𝑘 menyatakan kepentingan
dari faktor terhadap faktor , maka agar keputusan menjadi konsisten, kepentingan terhadap
faktor harus sama dengan 𝑎𝑖𝑗 . 𝑎𝑗𝑘 atau jika 𝑎𝑖𝑗 . 𝑎𝑗𝑘 = 𝑎𝑖𝑘 untuk semua maka matriks
tersebut konsisten.
Untuk suatu matriks konsisten dengan vektor , maka elemen dapat ditulis menjadi:
𝑤𝑖
𝑎𝑖𝑗 = ; i, j = 1, 2, 3, …, n ..……… (1)
𝑤𝑗
7
Diperoleh
1
𝑎𝑖𝑗 = …………. (3)
𝑎𝑗𝑖
Untuk i, j = 1, 2, 3, … , n
Dengan demikian untuk matriks pairwise comparison yang konsisten menjadi:
𝑛 𝑛
1 𝑤𝑖 𝑤𝑗
∑ 𝑎𝑖𝑗 . 𝑤𝑗 . = ∑ .
𝑤𝑖 𝑤𝑗 𝑤𝑖
𝑗=1 𝑗=1
𝑛 𝑛 𝑛
1 𝑤𝑖
∑ 𝑎𝑖𝑗 . 𝑤𝑗 . = ∑ = ∑ 𝑎𝑖𝑖
𝑤𝑖 𝑤𝑖
𝑗=1 𝑗=1 𝑗=1
Jadi
1
∑𝑛𝑗=1 𝑎𝑖𝑗 . 𝑤𝑗 . = 𝑛 𝑖 = 1, 2, … , 𝑛 ………… (5)
𝑤 𝑖
𝐴𝑥 = 𝜆𝑥
X adalah vektor eigen dari matriks persegi A dengan nilai eigen 𝜆 . Dalam aljabar linier,
semua nilai eigen 𝜆𝑖 = 1,2,3, … … , 𝑛 adalah nol kecuali satu yang kemudian disebut
dengan 𝜆𝑚𝑎𝑘𝑠 .
8
1
Karena A merupakan matriks positf yang reciprocal, yaitu 𝑎𝑖𝑗 = 𝑎𝑖𝑗 , 𝑖, 𝑗 = 1,2,3 … . 𝑛
dan 𝑎𝑖𝑖 = 1
∑ 𝜆𝑖 = 𝑛
𝑖=1
𝑤𝑖
Sayangnya, dalam kasus umum nilai-nilai 𝑤𝑗 tidak dapat diberikan secara tepat. Nilai-
𝑤𝑖
nilai 𝑤𝑗 hanya bisa ditaksir. Sehingga permasalahan kita sekarang 𝐴𝑥 = 𝜆𝑚𝑎𝑘𝑠 𝑤 menjadi
dengan 𝜆𝑚𝑎𝑘𝑠 adalah nilai eigen terbesar dari A. Pada prakteknya, nilai yang digunakan
untuk mengkonstruksi vektor prioritas akan lebih besar daripada ukuran matriks A.
Andai matriks tidak konsisten, maka menghitung nilai eigen dan vektor eigen dengan
cara normalisasi matriks terlebih dahulu, yaitu unsur-unsur pada tiap kolom dibagi dengan
jumlah kolom yang bersangkutan, akan diperoleh bobot relatif yang dinormalkan. Nilai
vektor eigen yang dinormalkan dihasilkan dari rata-rata bobot relatif untuk setiap baris.
Teorema 1. Misalkan 𝐴 ∈ 𝑀𝑛(𝐶), 𝐴 > 0. Jika 𝑤 merupakan vektor tak nol di C sehingga
𝐴𝑤 = 𝜆𝑚𝑎𝑘𝑠𝑤, maka 𝜆𝑚𝑎𝑘𝑠 ≥ 𝑛.
𝜆𝑚𝑎𝑘𝑠 −𝑛
𝐶𝐼 = dengan 𝜆𝑚𝑎𝑘𝑠= nilai eigen maksimum dan n = ukuran matriks.
𝑛−1
Matriks random dengan skala penilaian 1 sampai 9 beserta kebalikannya yang biasa
disebut dengan Indeks Random (RI) dapat dilihat pada table berikut :
Ukura
n 1,2 3 4 5 6 7 8 9
matri
ks
RI 0,0 0,5 0,9 1,1 1,2 1,3 1,4 1,4
0 8 0 2 4 2 1 5
Perbandingan antara CI dan RI pada suatu matriks yang didefinisikan sebagai Rasio
𝐶𝐼
Konsistensi (CR) : 𝐶𝑅 = .
𝑅𝐼
9
Pada model AHP, matriks perbandingan dapat diterima jika nilai rasio konsistensi
kurang dari atau sama dengan 10% (𝐶𝑅 ≤ 0,10).
- Kriteria gaji memiliki tingkat kepentingan yang sama dengan kriteria karir.
- Kriteria gaji dianggap tiga kali lebih penting daripada kriteria fasilitas.
- Kriteria gaji dianggap lima kali lebih penting daripada kriteria lokasi.
- Kriteria karir dianggap lima kali lebih penting daripada kriteria fasilitas.
- Kriteria karir dianggap empat kali lebih penting daripada kriteria lokasi.
- Kriteria fasilitas dianggap tiga kali lebih penting daripada kriteria lokasi.
Langkah kedua, menghitung nilai eigen dan vektor eigen dengan cara normalisasi
matriks, yaitu unsur-unsur pada tiap kolom dibagi dengan jumlah kolom yang
bersangkutan, akan diperoleh bobot relatif yang dinormalkan. Nilai vektor eigen yang
dinormalkan dihasilkan dari rata-rata bobot relatif untuk setiap baris. Hasilnya dapat
dilihat pada tabel 3.2.
10
Gaji Karir Fasilitas Lokasi Vector Eigen
yg
dinormalkan
Gaji 0,395 0,408 0,321 0,385 0,377
Karir 0,395 0,408 0,536 0,308 0,412
Fasilitas 0,131 0,082 0,107 0,231 0,138
Lokasi 0,079 0,102 0,036 0,077 0,073
Weighted Sum Vector diperoleh melalui hasil perkalian antara matriks asal dengan vektor
eigen yang dinormalkan
1 1 3 5 0,377
1,569
1 1 5 4 1,771
x (0,412
0,138) = ( )
0,333 0,2 1 3 0,566
0,073
0,2 0,25 0,333 1 0,298
Langkah selanjutnya adalah menguji Consistency Vector (CV) dengan jalan membagi
nilai tiap baris dengan nilai vektor yang bersangkutan,
1,569⁄0,377 4,159
1,771⁄0,412 4,303
[ ]=[ ]
0,566⁄0,138 4,108
0,298⁄0,073 4,055
Nilai rata-rata dari hasil pembagian tersebut merupakan nilai eigen maksimum
(4,159+4,303+4,108+4,055) 16,625
𝜆𝑚𝑎𝑘𝑠 = = = 4,156
4 4
Langkah ketiga, peneliti akan menguji konsistensi data. Karena matriks berordo 4 (yakni
terdiri dari empat kriteria), nilai indeks konsistensi yang diperoleh:
Dari hasil perhitungan menunjukkan bahwa : kriteria karir merupakan kriteria yang
paling penting bagi siswa yang ingin bekerja di Badan Usaha dengan nilai bobot 0,412
atau 41,2 %. Berikutnya adalah kriteria gaji dengan nilai bobot 0,377 atau 37,7%,
kemudian kriteria fasilitas dengan nilai bobot 0,138 atau 13,8% sedangkan kriteria lokasi
dengan nilai bobot 0,073 atau 7,3%.
11
Berikut ini adalah matriks perbandingan berpasangan untuk kriteria gaji antara lima
badan usaha (PT. SAI, PT. JAI, PT. HWT, BPR SURASAI, WESTERN D.M) yang telah
memiliki ikatan kerja dengan salah satu SMK:
A B C D E
A 1 2 1 2 1/2
B 1/2 1 1 2 1
C 1 1 1 3 1
D 1/2 1 1 1 3
E 1 1/2 1 1/3 1
A B C D E Vektor
Eigen
A 0,200 0,364 0,231 0,200 0,125 0,224
B 0,100 0,182 0,231 0,200 0,250 0,193
C 0,200 0,182 0,231 0,300 0,250 0,233
D 0,100 0,091 0,077 0,100 0,125 0,099
E 0,400 0,182 0,231 0,200 0,250 0,253
Nilai eigen maksimum dari perhitungan di atas adalah λmaks = 5,178 dengan CI =
0,044608 dan RI = 1,12 , maka didapat CR =0,039829 < 0,10 yang berarti prefensi
responden konsisten.
Dari hasil perhitungan pada tabel diatas diperoleh urutan prioritas untuk kriteria gaji
yakni Western D.M menjadi prioritas pertama dengan nilai bobot 0,253 atau 25,3%,
kemudian PT. HWT menjadi prioritas ke-2 dengan nilai bobot 0,233 atau 23,3%, PT. SAI
menjadi prioritas ke-3 dengan nilai bobot 0,224 atau 24,4% sedangkan PT. JAI dan BPR
Surasari menjadi prioritas ke-4 dan ke-5 dengan nilai bobot masing-masing 0,193 atau
19,3% dan 0,099 atau 9,9%.
Dengan langkah yang hampir sama, didapat nilai eigen dan vektor eigen untuk kriteria
karir, fasilitas, dan lokasi sebagai berikut:
12
A B C D E
A 1 2 2 2 1
B 1/2 1 2 1 2
C 1/2 1/2 1 1 1
D 1/2 1 1 1 3
E 1 1/2 1 1/3 1
3.4.2 Matriks Faktor Evaluasi untuk Kriteria Karir dan Vektor Eigen yang Dinormalkan
A B C D E Vektor eigen
dinormalkan
A 0,286 0,400 0,286 0,375 0,125 0,294
B 0,143 0,200 0,286 0,188 0,250 0,213
C 0,143 0,100 0,143 0,188 0,125 0,140
D 0,143 0,200 0,143 0,188 0,375 0,210
E 0,286 0,100 0,143 0,062 0,125 0,143
13
3.4.4 Matriks Faktor Evaluasi untuk Kriteria Fasilitas dan Vektor Eigen yang
Dinormalkan
Vekt
A B C D E or eigen
A B C D E
A 1 5 4 5 4
B 1/5 1 2 3 3
C 1/4 ½ 1 4 4
D 1/5 1/3 ¼ 1 3
E 1/4 1/3 ¼ 1/3 1
Matriks Faktor Faktor Evaluasi untuk Kriteria Lokasi dan Vektor Eigen yang
Dinormalkan
Vektor
A B C D E
eigen
A 0,359 0,439 0,339 0,353 0,294 0,357
14
Kemudian nilai indeks konsistensi
𝐶𝐼 = 0,027941, 𝑅𝐼 = 1,12, dan
Untuk menentukan prioritas global setiap unit bisnis, maka faktor bobot dari setiap alternatif
dikalikan dengan faktor bobot yang diperoleh.
WEST
ERN 0,095 0,059 0,013 0,004 0,171
15
Dari hasil di atas, urutan prioritas yang paling sesuai untuk unit bisnis saat memilih
dari prioritas 1, 2, dan seterusnya adalah sebagai berikut:
16
BAB IV
PENUTUP
4.1 Kesimpulan
Dari yang data yang diperoleh, dapat disimpulkan bahwa :
1. Dalam metode Analytic Hierarchy Process (AHP), nilai eigen digunakan untuk
menentukan bobot relatif atau kepentingan relatif antara elemen-elemen dalam sebuah
hierarki keputusan. Nilai eigen memainkan peran penting dalam proses perbandingan
pairwise antar elemen-elemen. Langkah mennggunakan nilai eigen dalam AHP yaitu
, membuat Matriks Pairwise Comparison, Menghitung Nilai Eigen, Normalisasi
Vektor Eigen, Menghitung Bobot Relatif, Konsistensi dan Pengambilan Keputusan
menggunakan Rasio Konsistensi Jika nilai CR melebihi batas yang ditetapkan,
matriks dianggap tidak konsisten dan perlu ada revisi. Setelah konsistensi terpenuhi,
bobot relatif dapat digunakan dalam pengambilan keputusan dan analisis lebih lanjut
dalam hierarki keputusan.
2. Metode Analytic Hierarchy Process (AHP) dapat digunakan untuk membantu dalam
pengambilan keputusan pemilihan tempat kerja dengan mengurutkan dan
membandingkan faktor-faktor yang relevan dalam proses, dengan cara Identifikasi
Faktor-Faktor Penting,Hierarki Faktor, Lakukan perbandingan pairwise antara faktor-
faktor dalam hierarki,Gunakan perbandingan pairwise untuk membentuk matriks
pairwise comparison, Menghitung Nilai Eigen, Normalisasi Vektor Eigen,
Perhitungan Prioritas dan Pengambilan Keputusan.
3. Pada prakteknya, nilai yang digunakan untuk mengkonstruksi vektor prioritas akan
lebih besar daripada ukuran matriks. Misalkan A∈Mn (c),A>0 . Jika w merupakan
vektor tak nol di C sehingga 𝐴𝒙 = λ_maks𝒙 maka λ_maks≥n . Indikator terhadap
konsistensi diukur melalui indeks konsistensi dan Rasio Konsistensi (CR). matriks
perbandingan dapat diterima jika nilai rasio konsistensi kurang dari atau sama dengan
10% (CR≤0,10) . Kriteria karir merupakan kriteria yang paling penting untuk siswa
SMK Negeri 1 Jombang dalam pemilihan tempat bekerja dengan nilai bobot
41,2%,berikutnya adalah kriteria gaji dengan nilai bobot 37,7% kemudian kriteria
fasilitas dengan bobot 13,8% serta kriteria lokasi dengan bobot 7,3%. Adapun urutan
prioritas badan usaha yang bisa dijadikan sebagai acuan pemilihan tempat kerja adalah
PT. SAI MOJOKERTO sebagai alternatif pertama dengan nilai bobot 26,07%,
kemudian PT. HWT SURABAYA menjadi prioritas ke-2 dengan nilai bobot 21,72%,
17
PT. JAI PASURUAN menjadi prioritas ke-3 dengan nilai bobot 20,34% sedangkan
WESTERN D.M dan BPR SURASARI menjadi prioritas ke-4 dan ke-5 dengan nilai
bobot masing-masing 17,14% dan 14,74%.
4.2 Saran
1. Pada nilai CI melebihi batas yang ditetapkan (biasanya 0,1), hal ini menunjukkan
adanya ketidaksesuaian atau ketidak konsistenan dalam preferensi responden, Dalam
situasi ini, peneliti disarankan untuk mengambil data ulang dengan melakukan kembali
proses perbandingan pairwise antara faktor-faktor yang relevan.
2. Dalam pengambilan data ulang, penting untuk memastikan bahwa responden
memberikan penilaian yang lebih konsisten dan obyektif.
18
DAFTAR PUSTAKA
Hafiyusholeh, M., dkk. (n.d.). Aplikasi Metode Eigen dalam Analytical Hierarchy Process
untuk Memilih Tempat Kerja. APLIKASI METODE NILAI EIGEN DALAM
ANALYTICAL HIERARCHY PROCESS UNTUK MEMILIH TEMPAT KERJA, 1–
11.
Anton, H. (1985). NILAI EIGEN, VEKTOR EIGEN. In Aljabar Linier Elementer (pp. 277–
292). essay, Erlangga.
Leon, Steven J. 2001. Aljabar Linier dan Aplikasinya Edisi ke-5. Jakarta:Erlangga
19