Nilai Eigen

dan Vektor
Eigen
B Y N O O R H I D AY AT
D E P A R T E M E N M AT E M AT I K A F M I P A U B
2023
Jika 𝐴 suatu matriks berordo 𝑛 × 𝑛, maka suatu vektor tak nol 𝒙 dalam 𝑅𝑛 disebut vektor eigen dari 𝐴 jika
𝐴𝑥 merupakan perkalian skalar dari 𝒙, dalam hal ini
𝐴𝒙 = 𝜆𝒙
untuk suatu skalar 𝜆. Selanjutnya 𝜆 disebut sebagai nilai eigen dari 𝐴, dan 𝒙 dikatakan sebagai suatu
vektor eigen berkaitan dengan 𝜆.
Persamaan Karakteristik

Jika 𝐴 matriks berordo 𝑛 × 𝑛, maka 𝜆 suatu nilai eigen dari 𝐴 jika dan hanya
jika 𝜆 memenuhi persamaan
det 𝜆𝐼 − 𝐴 = 0
Persamaan ini disebut sebagai persamaan karakteristik dari A.
Polinomial Karakteristik
Persamaan karakteristik berbentuk suatu persamaan polynomial dalam 𝜆,
dalam hal ini berbentuk
𝜆𝑛 + 𝑐𝑛−1 𝜆𝑛−1 + ⋯ + 𝑐2 𝜆2 + 𝑐1 𝜆 + 𝑐0 = 0
Akar-akar karakteristiknya disebut sebagai nilai eigen.
Sementara itu polynomial yang berbentuk
𝑃 𝜆 = 𝜆𝑛 + 𝑐𝑛−1 𝜆𝑛−1 + ⋯ + 𝑐2 𝜆2 + 𝑐1 𝜆 + 𝑐0
disebut sebagai polinomial karakteristik (characteristic polynomial) dari 𝐴
Contoh 2
3 0
Tentukan nilai eigen dari matriks 𝐴 berikut: 𝐴 =
8 −1
Jawab: tentukan persamaan karateristik dari 𝐴 sebagai berikut:

𝜆−3 0
𝜆𝐼 − 𝐴 =
−8 𝜆 + 1
𝜆−3 0
det 𝜆𝐼 − 𝐴 = 0 ⟹ det =0⟹ 𝜆−3 𝜆+1 =0
−8 𝜆+1
Persamaan karakteristiknya adalah 𝜆 − 3 𝜆 + 1 = 0. Akar karakteristik:
𝜆 = 3 atau 𝜆 = −1, sehingga nilai eigen dari 𝐴 adalah 𝜆 = 3 atau 𝜆 = −1
Contoh 3
Tentukan nilai eigen dari matriks 𝐴.

Diperoleh
polinomial karakteristik dan
persamaan karakteristik
Salah satu kesulitan dalam mendapatkan nilai eigen adalah menentukan akar
karakteristik.
Semakin besar ordo matriksnya, maka semakin tinggi derajat polinomial yang
selanjutnya semakin sulit menentukan akar karakteristiknya.
Cara di atas, dengan terlebih dahulu mencari penyelesaian bilangan bulat yang
diperkirakan dari pembagi suku konstanta dari polinomialnya.
Apabila pembagi tersebut merupakan penyelesaian, maka bagilah polinomial
dengan faktor dari polinomial tersebut.
Hasil pembagan akan berupa polinomial dengan derajat kurang satu dari derajat
polinomial asalnya.
Nilai eigen dari Matriks Segitiga Atas

det 𝜆𝐼 − 𝐴

Persamaan Karakteristikanya

Akar karakteristik/nilai eigen dari A.

Sama dengan entri diagonal utamanya.
 Mencari Vektor Eigen dan Basis
untuk Ruang Eigen
Setelah berhasil mendapatkan nilai eigen, langkah berikutnya adalah
menentukan vektor eigen yang berkaitan dengan nilai eigen tersebut. Sesuai
definisi, vektor eigen dari 𝐴 terkait dengan nilei eigen 𝜆 adalah vektor tak-nol
yang memenuhi
𝜆𝐼 − 𝐴 𝒙 = 0
Vektor eigen dari 𝐴 terkait 𝜆 adalah vektor tak-nol dalam ruang penyelesaian
dari sistem linear.
Ruang penyelesaian ini, yang disebut ruang eigen dari 𝐴 terkait 𝜆, dapat
juga dipandang sebagai
1. Ruang null dari matriks 𝜆𝐼 − 𝐴
2. Kernel dari operator matriks 𝑇𝜆𝐼−𝐴 : 𝑅𝑛 → 𝑅𝑛
3. Himpunan dari vektor di mana 𝐴𝒙 = 𝜆𝒙
 Akan ditentukan basis untuk ruang
eigen dari matriks 𝐴

Tentukan nilai eigen

Tentukan vektor eigen untuk masing-
masing niai eigen, dengan cara
mensubstitusikan masing-masing nilai
eigen ke dalam persamaan di atas.

Masing-masing vector eigen tanpa

parameter merupakan basis untuk ruang
eigen.
Contoh Vektor eigen dan basis untuk
ruang eigen dari matriks A

Tentukan persamaan karakteristik

dan nilai eigen

Tentukan vektor eigen untuk

masing-masing nilai eigen.

Vektor-vektor dari vektor eigen

yang memuat parameter
membentuk basis untuk ruang
eigen
 1 0 2 1 0 2
−1 −1 −1 ⟹ 0 −1 1
−1 0 −2 0 0 0

0𝑥3 = 0; 𝑥2 − 𝑥3 = 0; 𝑥1 + 2𝑥3 = 0
Misal 𝑥3 = 𝑠; 𝑥2 = 𝑥3 = 𝑠;
𝑥1 = −2𝑥3 = −2𝑠
𝑥1 −2𝑠 −2
𝑥2 = 𝑠 =𝑠 1
𝑥3 𝑠 1
Teorema 5.1.4 Suatu matriks bujur
sangkar 𝐴 invertible jika dan hanya
jika 𝜆 = 0 bukan merupakan nilai
eigen dari 𝐴.
Pernyataan
ekivalen
❑ Akan dibahas masalah mencari basis untuk 𝑹𝒏 yang terdiri vektor eigen
dari matriks 𝐴 berordo 𝑛 × 𝑛.
❑ Basis demikian dapat digunakan untuk memahami sifat geometri dari 𝑨
dan menyederhanakan bermacam-macam komputasi numerik.
❑ Basis tersebut digunakan dalam bermacam-macam aplikasi.
Masalah
Diagonalisasi Matriks

➢ Topik utama: bentuk 𝑃−1 𝐴𝑃

• 𝐴 dan 𝑃 berordo 𝑛 × 𝑛 dan
• 𝑃 invertible.
➢ Pandang hasil kali tersebut sebagai transformasi
𝐴 → 𝑃 −1 𝐴𝑃
Dalam hal ini 𝐴 dipetakan into matriks 𝑃−1 𝐴𝑃.
➢ Transformasi disebut transformasi similarity.
➢ Transformasi ini mempertahankan sifat-sifat dari
matriks 𝐴.
Contoh jika 𝐵 = 𝑃−1 𝐴𝑃, maka 𝐴 dan 𝐵 memiliki
determinan yang sama, karena
 Similarity
Invariant

❖ Sembarang sifat yang dipertahankan oleh

transformasi similarity disebut suatu
similarity invariant dan dikatakan sebagai
invariant di bawah similarity.
❖ Tabel 1 merupakan daftar similarity
invariant yang paling penting.
❖ Bukti dari beberapa diberikan sebagai
latihan.
Berikut beberapa terminologi yang berguna
dalam mempelajari transfomasi similarity

Definisi 1. Misal 𝐴 dan 𝐵 matriks bujur

sangkar. Matriks 𝐵 dikatakan similar dengan
𝐴 jika terdapat suatu matriks invertible 𝑃
sedemikian sehingga
𝐵 = 𝑃−1 𝐴𝑃

Jika 𝐵 similar dengan 𝐴, maka 𝐴 similar

dengan 𝐵.
Definisi 2 Matriks bujur sangkar 𝐴 dikatakan
diagonalizable jika 𝐴 similar dengan suatu
matriks; dalam hal ini jika terdapat suatu
matriks invertibel 𝑃 sedemikian sehingga
𝑃−1 𝐴𝑃 diagonal. Dalam kasus demikian
matriks 𝑃 dikatakan diagonalize 𝐴
Teorema 5.2.1 Jika 𝐴 matriks 𝑛 × 𝑛, pernyataan di bawah ini ekivalen
(a)𝐴 diagonalizable
(b)𝐴 memiliki 𝑛 buah vector eigen bebas linear
Teorema 5.2.2
1. Jika 𝜆1 , 𝜆2 , … , 𝜆𝑛 nilai-nilai eigen berbeda dari matriks 𝐴, dan jika
𝑣1 , 𝑣2 , … , 𝑣𝑛 vektor-vektor eigen yang bekaitannya, maka 𝑣1 , 𝑣2 , … , 𝑣𝑛
himpunan bebas linear.
2. Matriks berordo 𝑛𝑥𝑛 dengan 𝑛 buah nilai eigen berbeda adalah
diagonalizable
Prosedur Diagonalisasi Matriks
Langkah 1.
Tentukan apakah matriks diagonalizable
dengan mencari 𝑛 buah vector eigenbebas linear.
Salah satu cara: cari basis untuk setiap ruang
eigen dan hitung banyak total dari vector yang
diperoleh.
Jika terdapat 𝒏 buah vector, maka matriks
diagonalizable,
jika totalnya kurang dari 𝒏,maka matriks tidak
diagonalizable.
 Prosedur Diagonalisasi Matriks

Langkah 2
Jika matriks diagonalizable, selanjutnya bentuk
matriks
𝑃 = 𝑃1 𝑃2 … 𝑃𝑛
yang memiliki vector kolom 𝑛 vector basis yang
diperoleh dalam Langkah 1.

Langkah 3
𝑃−1 𝐴𝑃 merupakan matriks diagonal yang entri
diagonalnya berturut-turut nilai eigen 𝜆1 , 𝜆2 , … , 𝜆𝑛
yang berkaitan berturut-turut dengan kolom dari 𝑃
 Nilai Eigen dari Perpangkatan Matriks

❑ Ada beberapa aplikasi yang membutuhkan perpangkatan dari suatu matriks

bujur sangkar.
❑ Cara yang paling efisien menentukan 𝐴𝑘 untuk 𝑘 besar adalah dengan
mendiagonalisasi 𝐴.
❑ Tapi untuk diagonalisasi melibatkan nilai dan vector eigen, untuk terlebih
dahulu akan ditinjau bagaimana hubungannya dengan 𝐴𝑘 .
❑ Misal 𝜆 nilai eigen dari 𝐴 dan 𝒙 vector eigennya.
❑ 𝐴2 𝒙 = 𝐴 𝐴𝒙 = 𝐴 𝜆𝒙 = 𝜆 𝐴𝒙 = 𝜆2 𝒙.
❑ Jadi nilai eigen dari 𝐴2 adalah 𝜆2 dengan vector eigennya 𝒙.
 Teorema 5.2.3 Jika k bilangan bulat positif,
𝜆 nilai eigen dari matriks A, dan x vector
eigennya, maka 𝜆𝑘 adalah nilai eigen dari
𝐴𝑘 dan x vector eigennya.

Contoh 5. Akan ditentukan nilai eigen dan

vector eigen untuk 𝐴7 .
Menentukan Perpangkatan dari
Matriks
TERIMA KASIH