Disusun oleh:
2021
KATA PENGANTAR
Assalamualaikum Wr, Wb
Puji dan syukur kita panjatkan kehadirat Allah SWT karena berkat limpahan
Rahmat dan Karunia-nya sehingga kami dapat menyusun makalah ini dengan baik.
Dalam makalah ini kami membahas Aljabar Linear Elementer Bagian Nilai Eigen dan
Vektor Eigen
Makalah ini dibuat dengan berbagai pencarian dan beberapa bantuan dari
berbagai pihak untuk membantu menyelesaikan tantangan dan hambatan selama
mengerjakan makalah ini. Oleh karena itu, kami mengucapkan terima kasih yang
sebesar-besarnya kepada semua pihak yang telah membantu dalam penyusunan
makalah ini.
Kami menyadari bahwa masih banyak kekurangan yang mendasar pada makalah
ini. Oleh karena itu kami mengundang pembaca untuk memberikan saran serta kritik
yang dapat membangun kami. Kritik konstruktif dari pembaca sangat kami harapkan
untuk penyempurnaan makalah selanjutnya. Akhir kata semoga makalah ini dapat
memberikan manfaat bagi kita sekalian.
Penulis
i
DAFTAR ISI
KATA PENGANTAR................................................................................................. i
DAFTAR ISI............................................................................................................. ii
BAB I Pendahuluan
BAB II Pembahasan
Kesimpulan.................................................................................................... 9
Daftar Pustaka............................................................................................................ 10
ii
BAB I
PENDAHULUAN
1
BAB II
PEMBAHASAN
Kata “eigen” berasal dari Bahasa Jerman yang artinya “asli” atau “karakteristik”.
Dengan kata lain, nilai eigen menyatakan nilai karakteristik dari sebuah matrik yang
berukuran n × n. Sedangkan vektor eigen adalah vektor kolom bukan nol yang bila
dikalikan dengan suatu matirks berukuran n × n akan menghasilkan vektor lain yang
memiliki nilai kelipatan dari vektor eigen itu sendiri.
Contoh: 1
Jadi, vektor x= [12] disebut vektor eigen dari matriks A dan nilai eigen λ=3.
Untuk memperoleh nilai eigen dari sebuah matriks A berukuran n × n, persamaan Ax=λ
x dapat dituliskan kembali menjadi:
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
2
Persamaan di atas disebut persamaan karakteristik dari matriks A; skalar – skalar yang
memenuhi persamaan ini adalah nilai – nilai eigen dan matriks A. Persamaan
karakteristik di atas juga bisa dituliskan det ( λI −A )=0.
Apabila diperluas lagi det ( A−λI )=0 atau det ( λI −A )=0 adalah sebuah polinomial p
dalam variabel A yang disebut sebagai polinomial karakteristik dari matriks A.
Contoh: 2
[ ]
0 1 0
Tentukan nilai eigen dari A= 0 0 1
4 −17 8
Pertama, cari dahulu matriks A−λI
[ ] [ ][ ][ ]
0 1 0 1 0 0 0 1 0 λ 0 0
A−λI = 0 0 1 − λ 0 1 0 = 0 0 −
1 0 λ 0
4 −17 8 0 0 1 4 −17 8 0 0 λ
[ ]
−λ 1 0
¿ 0 −λ 1
4 −17 8−λ
Selanjutnya cari det ( A−λI )
det ( A-λI ) = ( -λ ) ( -λ )( 8-λ ) + (1)(1) ( 4 ) + ( 0 )( 0 ) ( -17 ) - ( 0 )( -λ ) ( 4 ) - ( -λ )( 1 ) ( -17 ) - (1)(0)(8-λ)
= ( 8 λ - λ ) + 4 + 0 - 0 - 17λ - 0
2 3
= - λ 3 + 8λ2 - 17λ + 4
Dengan menggunakan persamaan karakteristik dapat diperoleh,
det ( A−λI )=0
3 2
−λ + 8 λ −17 λ +4=0
3 2
λ −8 λ +17 λ−4=0
( λ−4 ) ( λ2−4 λ +1 )=0
Dengan menggunakan rumus kuadrat, maka solusi untuk ( λ 2−4 λ+1 ) =0 adalah2+√ 3
dan 2−√ 3, sehingga di dapat nilai eigen dari matriks A,yaitu
λ=2+ √ 3 λ=2−√ 3 λ=4
Contoh: 3
Tentukan nilai eigen dari matriks:
3
Berdasarkan teorema 1, maka nilai nilai eigen dari matriks B adalah
3 2 λ=−1 λ=−6
λ= λ=
4 3
[ ]
0 0 −2
A= 1 2 1
1 0 3
3 2
Persamaan karakteristik dari matriks 𝐴 adalah: −λ +5 λ −8 λ+ 4=0 atau
3 2
λ −5 λ +8 λ−4=0 sehingga nilai eigen dari A adalah 𝜆 = 1 dan 𝜆 = 2. Jadi diperoleh
dua ruang eigen dari A.
[]
x1
Berdasarkan definisi x= x 2 adalah vektor eigen A yang bersesuaian dengan 𝜆 jika
x3
hanya jika x adalah pemecahan tak trivial dari ( λI − A ) x=0 , yakni dari:
4
[ ][ ] [ ]
λ 0 −2 x1 0
−1 λ−2 −1 x 2 = 0
−1 0 λ−3 x3 0
Jika 𝜆 = 2, maka
[ ][ ] [ ][ ] [ ]
2 0 −2 x1 2 0 2 x1 0
=
−1 2−2 −1 x2 −1 0 −1 x2 = 0
−1 0 2−3 x3 −1 0 −1 x3 0
Dengan operasi baris elementer, didapat x 1+ x3 =0 → x 1=−x 3 . karena dari hasil yang
didapat, tidak terdapat keterangan mengenai x2, maka x2 di anggap sebagai suatu
parameter; misalkan x2 = t. Dan misalkan pula x3 = s, maka:
x 1=−s x 2=t x 3=s
Sehingga, vektor eigen dari A yang terkait dengan 𝜆 = 2 adalah vektor – vektor taknol
yang berbentuk:
[ ][ ][ ][] [ ] []
x 1 −s −s 0 −1 0
x= x 2 = t = 0 + t =s 0 +t 1
x3 s s 0 1 0
[ ] []
−1 0
Karena 0 dan 1 merupakan bebas linear, karena vektor – vektor ini membentuk
1 0
suatu basis untuk ruang eigen yang terkait dengan 𝜆 = 2
Jika 𝜆 = 1, maka diperoleh
[ ][ ] [ ][ ] [ ]
1 0 −2 x1 1 0 2 x1 0
−1 1−2 −1 x2 = −1 −1 −1 x 2 = 0
−1 0 1−3 x 3 −1 0 −2 x 3 0
[][ ] [ ]
x 1 −2 s −2
x= x 2 = s =s 1
x3 s 1
5
[]
−2
Karena 1 bebas linier, karena vektor di atas membentuk suatu basis yang terkait
1
dengan 𝜆 = 1.
Untuk menentukan vektor-vektor eigen yang bersesuaian dengan nilai eigen (𝜆), harus
ditentukan terlebih dahulu basis-basis untuk ruang eigennya. Perhatikan kembali contoh
di atas. Untuk vektor eigen dari 𝐴 yang terkait dengan 𝜆=2 adalah vektor-vektor taknol
yang berbentuk
[ ] []
−1 0
x=s 0 + t 1
1 0
Misalkan 𝑠=1 dan 𝑡=1, maka didapat vektor eigen yang terkait dengan 𝜆=2 adalah:
[ ] [] [ ][] [ ]
−1 0 −1 0 −1
x=1 0 +1 1 = 0 + 1 = 1
1 0 1 0 1
Sementara, untuk vektor eigen dari 𝐴 yang terkait dengan 𝜆=1 adalah vektor-vektor
taknol yang berbentuk
[]
−2
x=s 1
1
Misalkan 𝑠=−2, maka didapatlah vektor eigen yang terkait dengan 𝜆=1 adalah:
[ ][ ]
−2 4
x=−2 1 = −2
1 −2
Contoh: 5
Pada contoh 4 telah ditunjukkan bahwa nilai-nilai eigen dari matriks
[ ]
0 0 −2
A= 1 2 1
1 0 3
adalah 𝜆 = 2 dan 𝜆 = 1, sehingga berdasarkan Teorema 3, nilai-nilai eigen dari matriks 𝐴7
adalah:
𝜆 = 27 = 128 dan 𝜆 = 17 = 1
6
Selain itu, telah ditunjukkan juga bahwa vektor eigen dari 𝐴 yang terkait dengan 𝜆 = 2
adalah vektor-vektor taknol yang berbentuk
[ ] []
−1 0
x=s 0 + t 1
1 0
Berdasarkan Teorema 3, vektor-vektor eigen dari matriks 𝐴 yang terkait dengan 𝜆 = 2
akan sama dengan vektor-vektor eigen dari matriks 𝐴7 yang terkait dengan 𝜆 = 27 = 128.
Begitu pula untuk 𝜆 = 17 = 1. Telah ditunjukkan bahwa vektor eigen dari 𝐴 yang terkait
dengan 𝜆 = 1 adalah vektor-vektor taknol yang berbentuk
[]
−2
x=s 1
1
Berdasarkan Teorema 3, vektor- vektor eigen dari matriks 𝐴 yang terkait dengan 𝜆 = 1
akan sama dengan vektor-vektor eigen dari matriks 𝐴7 yang terkait dengan 𝜆 = 17 = 1.
2.4 DIAGONALISASI
Contoh: 6
Tentukan suatu matriks 𝑃 yang mendiagonalisasi matriks
[ ]
0 0 −2
A= 1 2 1
1 0 3
Dari contoh 4, telah didapat nilai-nilai eigen dari 𝐴 adalah 𝜆 = 2 dan 𝜆 = 1, serta basis-
basis berikut untuk ruang eigen
7
[ ] []
−1 0
λ=2 → P1= 0 dan P 2= 1
1 0
[]
−1
λ=1 → P3= 0
1
Terdapat tiga vektor basis secara keseluruhan sehingga matriks 𝐴 dapat didiagonalisasi
[ ]
−1 0 −2
dan P= 0 1 1 Mendiagonalisasi 𝐴. Untuk memastikan kebenarannya, carilah
1 0 1
𝑃−1𝐴𝑃.
[ ][ ][ ][ ]
1 0 2 0 0 −2 −1 0 −2 2 0 0
−1
P AP = 1 1 1 ∙ 1 2 1 ∙ 0 1 1 = 0 2 0
−1 0 −1 1 0 3 1 0 1 0 0 1
Tidak terdapat urutan yang khusus untuk kolom-kolom matriks 𝑃. Karena entri ke-i
matriks 𝑃−1𝐴𝑃 adalah suatu nilai eigen untuk vektor kolom ke-i matriks 𝑃, maka jika
urutan dari kolom-kolom matriks 𝑃 diubah, hal ini hanya akan mengubah urutan dari
nilai-nilai eigen pada diagonal matriks 𝑃−1𝐴𝑃. Jadi, sebagai contoh, dengan menuliskan
matriks 𝑃 untuk contoh yang di atas
[ ] [ ]
−1 0 −2 2 0 0
−1
P= 0 1 1 maka P AP= 0 2 0
1 0 1 0 0 1
8
2.5 LATIHAN SOAL
1. Tentukan nilai eigen dari matriks:
[ ]
A= 2 1
1 2
2. Tentukan Vektor Eigen dari matriks berikut ini:
[ ]
−1 4 −2
B= −3 4 0
−3 1 3
3. Diketahui sebuah matriks:
[ ]
2 −2 −2
C= 1 5 2
1 2 5
Tentukan:
a. Matriks P yang mendiagonalisasi matriks A
b. Matriks diagnal dari P−1 AP
9
BAB III
PENUTUP
KESIMPULAN
Kata “eigen” berasal dari Bahasa Jerman yang artinya “asli” atau “karakteristik”.
Dengan kata lain, nilai eigen menyatakan nilai karakteristik dari sebuah matrik yang
berukuran n × n. Sedangkan vektor eigen adalah vektor kolom bukan nol yang bila
dikalikan dengan suatu matirks berukuran n × n akan menghasilkan vektor lain yang
memiliki nilai kelipatan dari vektor eigen itu sendiri.
Jika A adalah matriks n × n maka vektor tidak-nol x di R n disebut vektor eigen
dari A jika Ax sama dengan perkalian suatu skalar 𝜆 dengan x, yaitu Ax = 𝜆x. Skalar 𝜆
disebut nilai eigen dari A dan x dinamakan vektor eigen yang berkoresponden dengan 𝜆.
Sebuah matriks persegi A dikatakan didiagonalisasi jika terdapat suatu matriks P
yang dapat dibalik sedemikian rupa sehingga P-1AP adalah suatu matriks diagonal.
Matriks P dikatakan mendiagonalisasi matriks A
10
DAFTAR PUSTAKA
https://repository.dinus.ac.id/docs/ajar/NilaiEigendanVektorEIgen.pdf
https://risalandi.com/nilai-eigen-dan-vektor-eigen/
11