Catatan Kuliah Aljabar Linier Elementer

Catatan Kuliah Aljabar Linier Elementer
Edisi 2015-2016
-Robby-
-Stephanus Ardyanto-
Special thanks to:

Cover Designer : Feliana Eka Dewi
Editor : Nancy De Menzelthe
Catatan:
Buku ini adalah ringkasan dari pustaka utama, semua gambar dan materi
mengacu pada pustaka utama tersebut.
Buku ini gratis, boleh disebarkan, tidak untuk diperjualbelikan.

Daftar Isi
Daftar Isi 1
Prakata 3
1 Sistem Persamaan Linier dan Matriks 4

1.1 Pengantar Sistem Persamaan Linier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Eliminasi Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Sifat, Operasi, dan Invers Matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Matriks Elementer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.6 Sistem Persamaan Linier dan Matriks Invertibel . . . . . . . . . . . . . . . . . . . . . . . . 23
1.7 Matriks Diagonal, Segitiga, dan Simetris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2 Determinan 29
2.1 Determinan dengan Ekspansi Kofaktor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Determinan dengan Operasi Baris dan Kolom Elementer . . . . . . . . . . . . . . . . . . . 32
2.3 Sifat Determinan dan Aturan Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3 Ruang Vektor Euclid 39

3.1 Vektor Euclid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 Norm, Hasil Kali Titik, dan Jarak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3 Ortogonalitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4 Hasil Kali Silang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4 Ruang Vektor Umum 50

4.1 Ruang Vektor Real . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2 Subruang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3 Bebas Linier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.4 Koordinat dan Basis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.5 Dimensi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.6 Perubahan Basis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.7 Ruang Baris, Ruang Kolom, dan Ruang Nol . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.8 Rank dan Nulitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5 Ruang Hasil Kali Dalam 83

5.1 Hasil Kali Dalam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.2 Sudut dan Ortogonalitas di Ruang Hasil Kali Dalam . . . . . . . . . . . . . . . . . . . . . . 87
5.3 Proses Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6 Nilai Eigen, Vektor Eigen, dan Diagonalisasi 93

6.1 Nilai Eigen dan Vektor Eigen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
1 124
Robby | Stephanus Ardyanto Catatan Kuliah Aljabar Linier Elementer Edisi 2015-2016
6.2 Diagonalisasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.3 Diagonalisasi Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7 Transformasi Linier 101

7.1 Transformasi Linier dari Rn ke Rm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.2 Transformasi Linier Umum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.3 Sifat Transformasi Linier Umum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.4 Matriks untuk Tranformasi Linier Umum . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
7.5 Similaritas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Daftar Pustaka 124
2 124
Prakata
Puji syukur kepada Tuhan yang Maha Esa atas kebaikan-Nya sehingga penyusun dapat menyelesaikan
Catatan Kuliah Aljabar Linier Elementer ini.
Buku ini berisi rangkuman materi yang diajarkan berdasarkan mata kuliah MA2121 - Aljabar Linier
Elementer. Buku ini berisi 7 bab yang merujuk pada pustaka utama "Elementary Linear Algebra 11th Edition"
karangan Howard Anton dan Chris Rorres. Buku ini berisi teorema-teorema penting, contoh soal, berikut
soal-soal latihan dalam tiap subbabnya. Adapun rujukan semua gambar dalam buku ini berdasarkan
pustaka utama yang digunakan penyusun.
Penyusun tentu tidak dapat mengerjakan buku ini atas kerjanya sendiri. Penyusun ingin mengucapkan
terima kasih kepada Ibu Hanni Garminia Y. dan Ibu Dellavitha selaku dosen penyusun pada saat penyusun
mengambil kuliah ini. Penyusun juga ingin menyampaikan terima kasih kepada Nancy De Menzelthe
selaku editor dari buku ini serta Feliana Eka Dewi yang telah membuat cover buku ini.
Penyusun menyadari bahwa buku ini belum sempurna. Sehingga penyusun mengharapkan kritik dan saran
dari para pembaca mengenai materi, cara penyajian, dan soal latihan guna memperbaiki buku ini.
Bandung, Agustus 2015
Penyusun
3 124
Bab 1
Sistem Persamaan Linier dan Matriks
Dalam bab ini, kita akan melihat dan mempelajari suatu komponen penting dalam bidang aljabar linier, yaitu
sistem persamaan linier dan matriks. Di SMA kita sudah mengenal bahwa matriks dapat merepresentasikan
sistem persamaan linier, sedangkan sistem persamaan linier banyak sekali dikembangkan dalam berbagai
bidang. Saat ini, kita akan mempelajari representasi sistem persamaan linier dalam matriks serta melakukan
beberapa operasi dasar matriks untuk mendapatkan solusi dari sistem persamaan linier yang kita miliki.
1.1 Pengantar Sistem Persamaan Linier

1.1.1 Persamaan Linier
Dalam bidang Cartesius, kita mengenal persamaan garis:
ax + by = c a, b 6= 0 (1.1)
dan di dimensi tiga, kita kenali persamaan bidang:
ax + by + cz = d a, b, c 6= 0 (1.2)
Kedua persamaan tersebut adalah representasi geometri dari persamaan linier berturut-turut di R2 dan
R3 . Kita perumum definisi kita mengenai persamaan linier dalam definisi berikut:
Definisi 1 Persamaan Linier

Persamaan linier untuk n variabel x1 , x2 , · · · , xn mempunyai bentuk umum:
a1 x 1 + a2 x 2 + · · · + an x n = b a1 , a2 , · · · , an 6= 0
Perhatikan bahwa jika b = 0 maka persamaan disebut sebagai persamaan linier homogen.
Perhatikan kembali bahwa

√ persamaan linier merupakan persamaan yang memiliki variabel dalam bentuk
linier. Sebagai contoh: 2x + y = 3 merupakan persamaan linier, namun sin x + y = 3 bukan merupakan
persamaan linier. Bentuk lainnya yang bukan merupakan persamaan linier adalah: polinomial, eksponen,
logaritma, bentuk akar, dan bentuk pecahan.
1.1.2 Solusi Sistem Persamaan Linier dan Jenisnya

Sekarang, apabila kita memiliki 2 buah persamaan linier (atau lebih) yang mengacu pada variabel yang
sama, seperti:
(
5x + y = 3
(1.3)
2x − y = 4
Kita sebut sebagai sistem persamaan linier. Perumumannya dapat dilihat di definisi berikut:
4 124
Definisi 2 Sistem Persamaan Linier

Bentuk umum sistem persamaan linier (SPL) untuk m persamaan dan n variabel x1 , x2 , · · · , xn adalah:


 a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2

..


 .

a x + a x + · · · + a x = b
m1 1 m2 2 mn n m
Perhatikan bahwa jika b1 , b2 , · · · , bm = 0 maka sistem disebut sistem persamaan linier homogen.
Dalam sistem persamaan linier, kita dapat menentukan nilai dari variabel x1 , x2 , · · · , xn (mengacu pada
definisi 2), yang kita sebut sebagai solusi sistem persamaan linier. Metode pencarian solusi SPL sudah kita
pelajari di SMA. Sebagai contoh, sistem persamaan linier (1.3) mempunyai solusi x = 1 dan y = −2, atau
dapat ditulis sebagai pasangan terurut (1, −2).
Selanjutnya, kita lihat jenis-jenis solusi dari SPL. Tidak semua SPL mempunyai solusi (kita akan lihat
bagaimana cara mengidentifikasi solusi SPL nantinya). Misal diberikan SPL:
(
a1 x + b 1 y = c 1
(1.4)
a2 x + b 2 y = c 2
Maka kita dapatkan tiga kemungkinan bila kita gambarkan kedua persamaan garis tersebut pada bidang
Cartesius:
1. Kedua garis sejajar dan berbeda, yang berarti SPL tidak mempunyai solusi.
2. Kedua garis berpotongan di satu titik, yang berarti SPL mempunyai solusi tunggal.
3. Kedua garis sejajar dan berhimpit, yang berarti SPL mempunyai tak hingga banyak solusi.
Secara umum, kita katakan SPL konsisten apabila SPL memiliki solusi minimal satu. SPL yang tidak memiliki
solusi disebut SPL inkonsisten. Ketiga kemungkinan persamaan garis tersebut dapat dilihat pada gambar 1.1.
Gambar 1.1: Interpretasi Geometri SPL 2 Variabel
Kita dapat melakukan hal yang sama untuk SPL 3 variabel, sehingga didapat beberapa kemungkinan
yang dapat dilihat pada gambar 1.2.
5 124
Gambar 1.2: Interpretasi Geometri SPL 3 Variabel
1.1.3 Operasi Baris Elementer

Sekarang, kita akan melihat representasi lainnya dalam menyelesaikan sistem persamaan linier, yaitu
matriks diperbesar. Sebagai contoh, matriks diperbesar untuk sistem persamaan linier pada persamaan
(1.3) adalah:
5 1 3
2 −1 4
Terlihat bahwa matriks tersebut disusun oleh koefisien-koefisien dari x dan y serta nilai konstantanya pada
kolom terakhir. Hal ini dapat mempermudah kita dalam mencari solusi dari SPL tersebut. Metode yang
akan kita pelajari berkaitan dengan matriks diperbesar tersebut adalah operasi baris elementer. Tiga hal
yang diperbolehkan dalam melakukan operasi baris elementer (OBE) adalah:
1. Mengalikan satu baris dengan konstanta tak nol.
2. Menukarkan dua baris.
3. Menambahkan kelipatan tak nol dari satu baris ke baris lainnya.
Hal ini diperbolehkan karena kita hanya menganalogikan baris-baris pada matriks diperbesar dengan
persamaan linier yang kita miliki sebelumnya. Target kita melakukan OBE di sini agar mendapatkan bentuk
seperti berikut:
1 0 a
0 1 b
Dengan kata lain, menemukan nilai x = a dan y = b, yang tak lain merupakan solusi dari SPL yang kita
cari. Untuk lebih jelasnya, kita lihat contoh soal berikut.
Contoh Soal 1. Tentukan solusi SPL:

x + y + 2z = 9

2x + 4y − 3z = 1

3x + 6y − 5z = 0

dengan menggunakan operasi baris elementer.

Solusi. Dalam contoh soal ini, kita akan melihat OBE yang dilakukan pada matriks diperbesar dan
dampaknya pada SPL yang kita miliki.
6 124
 SPL Matriks Diperbesar OBE

x + y + 2z =9
 
 1 1 2 9
2x + 4y − 3z = 1 2 4 −3 1 Kondisi awal
3 6 −5 0

3x + 6y − 5z = 0


x + y + 2z =9
 
 1 1 2 9
2y − 7z = −17 0 2 −7 −17 Tambahkan -2 kali baris 1 ke baris 2
3 6 −5 0

3x + 6y − 5z = 0


x + y + 2z = 9
 
 1 1 2 9
2y − 7z = −17 0 2 −7 −17 Tambahkan -3 kali baris 1 ke baris 3
0 3 −11 −27

3y − 11z = −27


x + y + 2z = 9
 
 1 1 2 9
y − 72 z = − 17 0 1 − 7 − 17  Kalikan baris 2 dengan 1
2 2 2 2
0 3 −11 −27

3y − 11z = −27


x + y + 2z = 9
 
 1 1 2 9
y − 72 z = − 17 0 1 − 7 − 17  Tambahkan -3 kali baris 2 ke baris 3
2 2 2
0 0 − 21 − 32

 1
−2z = − 32

x + y + 2z = 9
 
 1 1 2 9
y − 72 z = − 17 0 1 − 7 − 17  Kalikan baris 3 dengan -2
2 2 2
0 0 1 3

z =3


11 35
x + 2 z = 2 1 0 11 35
 

2 2
y − 72 z = − 17 0 1 − 7 − 17  Tambahkan -1 kali baris 2 ke baris 1
2 2 2
0 0 1 3

z =3


x = 1
 
 1 0 0 1
0 1 0 2 7
y =2 Tambahkan 2
kali baris 3 ke baris 2
0 0 1 3

z =3

Sehingga didapat solusi SPL yang diberikan adalah (1, 2, 3).
1.1.4 Soal Latihan

1. Diberikan SPL: (
2x − 3y = a
4x − 6y = b
Bagaimanakah nilai a dan b agar SPL tersebut memiliki solusi tunggal, banyak solusi, ataupun tidak
ada solusi?
2. Tentukan solusi SPL: 
x + 2y − 2z
 =3
3x − y + z =1

−x + 5y − 5z =5

dengan menggunakan OBE.

3. Kurva y = ax2 + bx + c melewati tiga titik, yaitu (x1 , y1 ), (x2 , y2 ), dan (x3 , y3 ). Tunjukkan bahwa
koefisien a, b, dan c membentuk solusi dari SPL dengan matriks diperbesar:
 2 
x 1 x 1 1 y1
x22 x2 1 y2 
x23 x3 1 y3
7 124
1.2 Eliminasi Gauss

1.2.1 Bentuk Eselon
Sebelum membahas metoda, perlu diperkenalkan istilah yaitu bentuk eselon dari suatu matriks.
Suatu matriks berbentuk eselon baris tereduksi jika memiliki sifat:
1. Jika ada baris tak nol, maka bilangan pertama tak nol pada baris tersebut haruslah bernilai 1(kita
sebut sebagai leading 1/ 1 utama).
2. Jika ada baris nol, maka posisikan semua baris tersebut pada baris paling bawah.
3. Jika terdapat 2 baris tak nol berurutan, maka leading 1 pada baris yang lebih bawah terletak lebih
kanan daripada leading 1 pada baris di atasnya.
4. Setiap kolom yang mengandung leading 1 memiliki elemen yang bernilai nol kecuali pada leading 1.
Matriks yang hanya memenuhi sifat 1 hingga 3, kita sebut sebagai matriks eselon baris. sebagai contoh:
 
1 1 2
0 1 5
0 0 1
merupakan matriks eselon baris dan  

1 0 0
0 1 0
0 0 1
merupakan matriks eselon baris tereduksi.
Pembaca dapat menguji bahwa matriks eselon baris memiliki ciri-ciri, yaitu elemen yang berada lebih
bawah dari leading 1 pada setiap kolom memiliki nilai nol.
1.2.2 Metode Eliminasi

Sekarang akan dibahas mengenai prosedur melakukan OBE pada suatu matriks hingga diperoleh matriks
eselon baris atau eselon baris tereduksi.
Proses membentuk matriks eselon baris kita sebut proses eliminasi Gauss, sedangkan proses membentuk
matriks eselon baris tereduksi kita sebut proses eliminasi Gauss-Jordan. Pada dasarnya prosedur eliminasi
pada kedua proses sama, hanya saja untuk proses eliminasi Gauss-Jordan sedikit lebih panjang. berikut ini
prosedurnya (disajikan dalam bentuk contoh soal untuk mempermudah):
Misalkan terdapat matriks
 
0 0 −2 0 7 12
2 4 −10 6 12 28 
2 4 −5 6 −5 −1
Langkah 1: Tinjau kolom tak nol paling kiri.
 
0 0 −2 0 7 12
2 4 −10 6 12 28 
2 4 −5 6 −5 −1
Langkah 2: Tukar baris (jika diperlukan) agar elemen paling atas dari kolom tersebut tak nol.
 
2 4 −10 6 12 28
0 0 −2 0 7 12  *baris 1 ditukar dengan baris 2
2 4 −5 6 −5 −1
8 124
Langkah 3: Jika elemen paling atas dari kolom tersebut adalah a, kalikan baris dimana a berada dengan
1
a
(jika a = 1, lanjutkan ke langkah 4).
 
1 2 −5 3 6 14
0 0 −2 0 7 12  1
*baris 1 dikali dengan
2
2 4 −5 6 −5 −1
Langkah 4: Lakukan OBE sedemikian sehingga elemen lain di kolom tersebut bernilai 0 (jika sudah
bernilai 0, lanjutkan ke langkah 5).
 
1 2 −5 3 6 14
0 0 −2 0 7 12  *baris 3 dijumlahkan dengan -2 kali baris 1
0 0 5 0 −17 −29
Langkah 5: Pertahankan baris paling atas dan ulangi lagi langkah 1 (anggap baris tadi tidak ada).
 
1 2 −5 3 6 14
0 0 −2 0 7 12  *kolom tak nol paling kiri
0 0 5 0 −17 −29
 
1 2 −5 3 6 14
0 0 1 0 − 7 1
2
−6  *baris 2 dikali dengan -
2
0 0 5 0 −17 −29
 
1 2 −5 3 6 14
0 0 1 0 − 7 −6 *baris 3 dijumlahkan dengan -5 kali baris 2
2
0 0 0 0 − 12 1
 
1 2 −5 3 6 14
0 0 1 0 − 7 −6 *kolom tak nol paling kiri
2
0 0 0 0 12 1
 
1 2 −5 3 6 14
0 0 1 0 − 7 −6 *baris 3 dikali dengan 2
2
0 0 0 0 1 2
Kita peroleh matriks eselon baris. Untuk memperoleh matriks eselon baris tereduksi, cukup tambahkan
proses:
Langkah 6: Dimulai dari baris tak nol paling bawah dan bergerak ke atas, lakukan OBE sedemikian
sehingga setiap elemen di atas leading 1 bernilai 0.
 
1 2 −5 3 6 14
0 0 1 0 0 1  7
*baris 2 dijumlahkan kali baris 3
2
0 0 0 0 1 2
 
1 2 −5 3 0 2
0 0 1 0 0 1 *baris 1 dijumlahkan -6 kali baris 3
0 0 0 0 1 2
 
1 2 0 3 0 7
0 0 1 0 0 1 *baris 1 dijumlahkan 5 kali baris 2
0 0 0 0 1 2
diperoleh matriks eselon baris tereduksi.
9 124
1.2.3 Sistem Persamaan Linier Homogen

Sebelumnya telah didefinisikan suatu sistem persamaan linier dikatakan homogen jika memiliki bentuk


 a11 x1 + a12 x2 + . . . + a1n xn = 0

a21 x1 + a22 x2 + . . . + a2n xn = 0

..


 .

a x + a x + . . . + a x = 0
m1 1 m2 2 mn n
dengan koefisien pada setiap persamaan adalah tak nol secara serentak.
Perhatikan bahwa SPL tersebut akan selalu memiliki setidaknya 1 solusi, yaitu xi = 0 untuk setiap
i = 1, 2, · · · , n (selanjutnya, kita sebut solusi seperti ini sebagai solusi trivial dan jika ada solusi lain, maka
kita sebut solusi nontrivial). Jadi bisa disimpulkan bahwa hanya ada 2 kemungkinan solusi, yaitu solusi
tunggal atau tak hingga banyak solusi.
Selanjutnya, muncul suatu pertanyaan baru, yaitu kapankah SPL homogen memiliki tak hingga banyak
solusi? Pertanyaan ini dapat dijawab melalui teorema berikut.
Teorema 1
Jika sistem persamaan linier homogen memiliki n variabel dan matriks eselon baris tereduksinya
memiliki r baris tak nol, maka sistem persamaan linier tersebut memiliki n − r variabel bebas(variabel
yang perlu diparameterkan).
Bukti. Misalkan terdapat sistem persamaan linier homogen dengan ciri-ciri pada teorema di atas.
karena setiap baris tak nol memiliki leading 1 yang berkorespondensi dengan variabel utama (variabel
yang posisi koefisiennya sama dengan leading 1), sistem persamaan linier homogen yang berkorespondensi
dengan matriks eselon baris tereduksi memiliki r buah variabel utama dan n − r variabel bebas, berikut ini
sistem persamaannya: 

 xk1 + Σ() = 0

 xk

+ Σ() = 0
2
. .. ..


 .

 x + Σ() = 0 kr
dengan Σ() menyatakan penjumlahan yang memuat variabel bebas, jika ada.
Selanjutnya, kita peroleh:
Akibat 1
Sistem persamaan linier homogen memiliki tak hingga banyak solusi (ada solusi nontrivial) jika dan
hanya jika banyak variabel lebih banyak daripada banyak persamaan.
1.2.4 Soal Latihan

1. Selesaikan SPL berikut dengan metode eliminasi Gauss-Jordan.


 x1 + 3x2 + x4 =0

x1 + 4x2 + 2x3 =0



−2x2 − 2x3 − x4 =0

2x1 − 4x2 + x3 + x4 = 0





x − 2x − x + x
1 2 3 4 =0
10 124
2. Tentukan nilai a agar SPL berikut mempunyai solusi tunggal, solusi banyak, atau tidak punya solusi.

x + 2y − 3z
 =4
3x − y + 5z =2
 2
4x + y + (a − 14)z = a + 2

3. Selesaikan SPL berikut menggunakan metode eliminasi Gauss-Jordan.

1 2 4
x + y − z
 =1
2 3 8
x
+y+z =0

 1 9 10
−x + y + z = 5
1.3 Matriks
Dalam sehari-hari, kita seringkali menggunakan tabel untuk merapikan data. Tabel yang berisikan data
bilangan di setiap elemennya dapat kita sebut sebagai matriks. Dalam subbab ini kita akan melihat definisi
dari matriks serta operasi dan hubungannya dengan SPL yang sudah kita pelajari sebelumnya.
1.3.1 Definisi Matriks
Definisi 1 Matriks
Matriks adalah susunan bilangan dalam bentuk persegi panjang. Bilangan dalam susunan tersebut
diebut entri atau elemen dari matriks.
Beberapa contoh matriks adalah sebagai berikut.

   
1 2 1
0 −4 , 2 1 0 3 ,  3  , e
7 3 π
Selanjutnya, kita akan bahas mengenai orde matriks. Orde matriks menyatakan baris dan kolom matriks
tersebut. Sebagai contoh, orde matriks tersebut dari kiri ke kanan berturut-turut adalah 3 × 2, 1 × 4, 3 × 1,
1 × 1.
Perhatikan bahwa matriks berukuran 1 × n disebut vektor baris (atau matriks baris) dan matriks
berukuran m × 1 disebut vektor kolom (atau vektor kolom) (dengan m dan n suatu konstanta).
Selanjutnya kita akan melihat bentuk umum sebuah matriks. Entri di baris i dan di kolom j dalam
matriks A dinotasikan sebagai aij atau (A)ij . Sehingga matriks A berukuran m × n dapat dituliskan sebagai
berikut:  
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A =  ..
 
.. . . .. 
 . . . . 
am1 am2 · · · amn
Bila m = n maka A disebut sebagai matriks persegi. Entri aii dengan i = 1, 2, · · · , n disebut sebagai
diagonal utama pada matriks A.
1.3.2 Operasi Matriks

1.3.2.1 Kesamaan Matriks
11 124
Definisi 2 Kesamaan Matriks

Dua matriks disebut sama jika kedua matriks tersebut berode sama dan setiap entri para kedua matriks
tersebut sama.
Contoh Soal 1. Diberikan matriks

2 1 2 1
A= B=
3 x 3 5
Tentukan nilai x agar A = B.

Solusi. Dari definisi tentang kesamaan matriks diperoleh x = 5 agar setiap entri pada matriks A dan B
menjadi sama.
1.3.2.2 Penjumlahan Matriks
Definisi 3 Penjumlahan dan Pengurangan Matriks

Syarat matriks dapat dijumlahkan atau dikurangkan adalah memiliki orde yang sama. Penjumlahan
atau pengurangan matriks dilakukan dengan cara menambahkan atau mengurangkan setiap entri dari
kedua matriks yang dikenai operasi. Dalam notasi matriks, jika A = [aij ] dan B = [bij ] matriks berorde
sama, maka:
(A + B)ij = aij + bij (A − B)ij = aij − bij

   
2 1 0 3 −4 3 5 1
A = −1 0 2 4 B =  2 2 0 −1
4 −2 7 0 3 2 −4 5
Tentukan A + B dan A − B.
Solusi.    
2−4 1+3 0+5 3+1 −2 4 5 4
A + B = −1 + 2 0 + 2 2 + 0 4 − 1 =  1 2 2 3
4 + 3 −2 + 2 7 − 4 0 + 5 7 0 3 5
   
2+4 1−3 0−5 3−1 6 −2 −5 2
A − B = −1 − 2 0 − 2 2 − 0 4 + 1 = −3 −2 2 5
4 − 3 −2 − 2 7 + 4 0 − 5 1 −4 11 −5

1.3.2.3 Perkalian Skalar Matriks
Definisi 4 Perkalian Skalar Matriks

Jika A sebuah matriks dan c sebuah konstanta, maka hasil kali c dengan A adalah matriks dengan
entrinya merupakan hasil perkalian c dengan setiap entri matriks A. Dalam notasi matriks, jika
A = [aij ] maka
(cA)ij = caij
12 124

2 3 4
A=
1 3 1
Tentukan 2A.
Solusi.
2·2 2·3 2·4 4 6 8
2A = =A=
2·1 2·3 2·1 2 6 2

1.3.2.4 Perkalian Matriks
Definisi 5 Perkalian Matriks

Jika A matriks berorde m × r dan B matriks berorde r × n, maka perkalian matriks AB manghasilkan
matriks berorde m × n dengan setiap entrinya mengikuti aturan berikut: entri di baris i dan kolom j
dari matriks AB, perhatikan baris i mada matriks A dan kolom j mada matriks B. Kalikan setiap entri
dari baris dan kolom bersamaan, lalu jumlahkan. Dalam notasi matriks, didapat:
(AB)ij = ai1 b1j + ai2 b2j + · · · + air brj

 
4 1 4 3
1 2 4
A= B = 0 −1 3 1
2 6 0
2 7 5 2
Tentukan AB.
Solusi. Perhatikan bahwa matriks A berorde 2 × 3 dan B berorde 3 × 4, maka matriks AB akan berorde
2 × 4. Untuk menentukan setiap entri matriks AB, sebagai contoh, entri baris 2 kolom 3, perhatikan baris 2
pada matriks A dan kolom 3 pada matriks B, lalu kalikan setiap entri dan jumlahkan, menghasilkan
(AB)23 = 2 · 4 + 6 · 3 + 0 × 5 = 26
dan seterusnya, sehingga menghasilkan matriks AB:

12 27 30 13
AB =
8 −4 26 12

1.3.2.5 Kombinasi Linier
Definisi 6 Kombinasi Linier

Jika A1 , A2 , · · · , An adalah matriks dengan orde yang sama, dan jika c1 , c2 , · · · , cn adalah konstanta,
maka bentuk
c1 A1 + c2 A2 + · · · + cn An
disebut kombinasi linier dari A1 , A2 , · · · , An dengan koefisien c1 , c2 , · · · , cn .
13 124
Konsep tentang kombinasi linier ini akan dipelajari lebih lanjut di bab berikutnya mengenai bebas linier
suatu vektor. Untuk melihat perkalian matriks dapat dinyatakan sebagai kombinasi linier, misalkan A
matriks berorde m × n dan ~x vektor kolom berorde n × 1 dengan entri sebagai berikut:
   
a11 a12 · · · a1n x1
 a21 a22 · · · a2n   x2 
A =  .. ~x =  .. 
   
.. .. .. 
 . . . .   . 
am1 am2 · · · amn xn
Maka
       
a11 x1 + a12 x2 + · · · + a1n xn a11 a12 a1n
 a21 x1 + a22 x2 + · · · + a2n xn   a21   a22   a2n 
A~x =   = x1  ..  + x2  ..  + · · · + xn  .. 
       
..
 .   .   .   . 
am1 x1 + am2 x2 + · · · + amn xn am1 am2 amn
Hal tersebut menjadi bukti untuk teorema berikut.
Teorema 1
Jika A adalah matriks berorde m × n dan ~x adalah vektor kolom berukuran n × 1 maka perkalian A~x
dapat dibentuk menjadi kombinasi linier dari vektor kolom matriks A dan koefisien dari setiap entri
vektor ~x.
1.3.2.6 Transpose Matriks
Definisi 7 Transpose Matriks

Jika A matriks m × n maka transpose dari matriks A, dinotasikan AT , adalah matriks berorde n × m
dengan entrinya berisikan pertukaran baris dan kolom matriks A.
Contoh Soal 5. Diberikan matriks  

2 3
A = 1 4
5 6
Tentukan AT .
Solusi.
T2 1 5
A =
3 4 6

1.3.2.7 Trace Matriks
Definisi 8 Trace Matriks

Jika A adalah matriks persegi, maka trace matriks A, dinotasikan tr(A), adalah penjumlahan semua
entri pada diagonal utama dari matriks A.
14 124

 
−1 2 7 0
3 5 −8 4 
A= 
1 2 7 −3
4 −2 1 0
Tentukan tr(A).
Solusi. tr(A) = −1 + 5 + 7 + 0 = 11
1.3.3 Matriks dan SPL

Seperti yang sudah kita pelajari di subbab sebelumnya, SPL dapat diubah menjadi matriks untuk memper-
mudah pencarian solusi. Perhatikan bahwa SPL berikut


 a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2

..


 .

a x + a x + · · · + a x = b
m1 1 m2 2 mn n n
dapat direpresentasikan menjadi matriks

   
a11 x1 + a12 x2 + · · · + a1n xn b1
 a21 x1 + a22 x2 + · · · + a2n xn   b2 
 =  .. 
   
 ..
 .  .
am1 x1 + am2 x2 + · · · + amn xn bn
yang tak lain adalah perkalian matriks dengan vektor:

    
a11 a12 · · · a1n x1 b1
 a21 a22 · · · a2n   x2   b2 
..   ..  =  .. 
    
 .. .. . .
 . . . .  .   . 
am1 am2 · · · amn xn bn
Hasil perkalian matriks tersebut dapat kita selesaikan lebih mudah dengan metode invers matriks, yang
akan kita pelajari di subbab selanjutnya.
1.3.4 Soal Latihan

1. Tentukan matriks berorde 4 × 4 yang memenuhi syarat aij = i + j.
2. Jika A dan B adalah matriks persegi berukuran n × n, tunjukkan bahwa tr(A + B) =tr(A)+tr(B).
3. Diberikan matriks:     
3 −2 0 1 w 0
5
 0 2 −2  x  0
  =  
3 1 4 7   y  0
−2 5 1 6 z 0
a) Tentukan SPL yang terbentuk dari matriks yang diberikan.
b) Buatlah matriks diperbesar dari SPL yang diberikan.
c) Tentukan solusi dari SPL yang diberikan dengan OBE.
15 124
1.4 Sifat, Operasi, dan Invers Matriks

1.4.1 Sifat, Operasi, dan Invers Matriks
Pada subbab kali ini akan dibahas mengenai sifat-sifat aljabar dari operasi matriks. Pembaca akan melihat
bahwa hampir semua sifat aljabar dari operasi pada bilangan real berlaku pada operasi matriks. Mari kita
lihat.
Teorema 1 Sifat Aljabar Matriks

Misalkan matriks A, B, dan C berukuran sama, dan a, b bilangan real, maka sifat berikut berlaku:
1. A + B = B + A (hukum komutatif penjumlahan)
2. A + (B + C) = (A + B) + C (hukum asosiatif penjumlahan)
3. A(BC) = (AB)C (hukum asosiatif perkalian)
4. A(B + C) = AB + AC (hukum distributif kiri)
5. (B + C)A = BA + CA (hukum distributif kanan)
6. a(B + C) = aB + aC
7. (a + b)C = aC + bC
8. (ab)C = a(bC)
9. a(BC) = (aB)C = B(aC)
Bukti dari teorema 1 diserahkan pada pembaca.

Kita tahu bahwa pada operasi perkalian atas himpunan bilangan real berlaku ab = ba. Sayangnya, pada
himpunan matriks sifat ini tidak selalu berlaku jika:
1. AB terdefinisi tetapi BA tidak (ukuran tidak bersesuaian, contohnya A berukuran 2 × 3 dan B

berukuran 3 × 4)
2. AB dan BA terdefinisi tetapi ukurannya berbeda (contohnya A berukuran 2 × 3 dan B berukuran
3 × 2)
3. AB dan BA terdefinisi dan berukuran sama, matriksnya berbeda
Kita sebut matriks A dan B yang memenuhi AB = BA, komutatif.

Selanjutnya, untuk setiap bilangan real a selalu ada 0 sehingga 0 + a = a + 0 = a. Pada himpunan
matriks pun hal ini berlaku, kita definisikan matriks nol (ditulis 0m×n ) sebagai suatu matriks berukuran
m × n yang semua elemennya bernilai 0. Pembaca dapat dengan mudah membuktikan teorema berikut.
Teorema 2 Sifat Aljabar Matriks Nol

Jika c suatu skalar dan ukuran matriks bersesuaian dengan operasi yang digunakan, maka:
1. 0 + A = A + 0 = A
2. A + (−A) = (−A) + A = 0
3. 0A = 0
16 124
4. jika cA = 0, maka c = 0 atau A = 0
Bukti. Penulis hanya akan membuktikan teorema bagian ke-3. Karena teorema bagian ke-1 berlaku,
maka jika kita pilih A = 0 maka 0 + 0 = 0. Akibatnya,
0A = (0 + 0)A
Kita manfaatkan sifat pada teorema 1, sehingga persamaan di atas menjadi
0A = 0A + 0A
⇔0A + (−0A) = (0A + 0A) + (−0A)
⇔0 = 0A + (0A + (−0A))
⇔0 = 0A + 0 = 0A

Berikut ini disajikan kembali sifat-sifat aljabar pada operasi atas bilangan real yang tidak berlaku secara
umum pada matriks.
Kita tahu bahwa pada himpunan bilangan real ada hukum pembatalan, yaitu
ab = ac dengan a 6= 0, maka berlaku b = c
tetapi pada himpunan matriks, misalkan

0 1 1 1 2 5
A= B= C=
0 2 3 4 3 4
Pembaca dapat menguji bahwa

3 4
AB = AC =
6 8
tetapi B 6= C.
Selanjutnya, jika a dan b bilangan real, maka berlaku ab = 0, maka a = 0 atau b = 0. Tetapi dalam kasus
matriks, misalkan
0 1 3 7
A= B=
0 2 0 0
Dapat diuji bahwa AB = 0 tetapi A 6= 0 atau B 6= 0.
Berikutnya yang tak kalah pentingnya adalah untuk setiap bilangan real a ada 1, memenuhi 1·a = a·1 = a.
Dalam hal matriks, yang memiliki sifat seperti itu kita sebut matriks identitas (ditulis In atau I), yang kita
definisikan sebagai matriks persegi berukuran n × n yang elemennya bernilai 1 pada diagonal utamanya
dan 0 pada elemen lainnya.
Berikut ini teorema yang menghubungkan antara matriks eselon tereduksi dengan matriks identitas.
Teorema 3
Jika R adalah matriks eselon tereduksi dari Anxn , maka salah satu dari hal ini berlaku, yaitu R memiliki
baris nol atau R merupakan matriks identitas In .
Bukti. Misalkan R = [r]ij adalah matriks eselon tereduksi dari suatu matriks A, dengan i dan j dimulai
dari 1 hingga n. tanpa mengurangi keumuman, cukup ditinjau baris terakhir dari matriks R dan asumsikan
baris lainnya tak nol. Jika baris terakhir merupakan baris nol, selesai. Misalkan baris terakhir bukan baris
nol, karena R merupakan matriks eselon tereduksi, maka setiap baris memiliki leading 1 dan kita tahu
17 124
bahwa posisi leading 1 semakin menjorok ke kanan seiring baris semakin kebawah. karena R merupakan
matriks persegi, haruslah leading 1 pada setiap baris berada pada diagonal utama. Jadi R = I.
Setelah kita definisikan matriks identitas, sekarang kita membahas suatu yang sangat berkaitan dengan
identitas, yaitu invers. Pada bilangan real, untuk setiap bilangan real a ada a−1 memenuhi a · a−1 =
a−1 · a = 1. Sayangnya, tidak semua matriks memiliki invers (akan dibahas pada bab berikutnya).
Definisi 1 Invers Matriks

Jika A matriks persegi berukuran nxn, dan ada B yang memenuhi AB = I, maka A dikatakan
invertibel (nonsingular) dan B disebut invers dari A. Jika tidak, A dikatakan singular. Lebih jauh lagi,
jika syarat di atas dipenuhi maka B juga invertibel dan A juga dikatakan invers dari B.
Selanjutnya akan diberikan teorema-teorema mengenai sifat invers dari suatu matriks.
Teorema 4 Ketunggalan Invers Matriks

Invers dari suatu matriks adalah tunggal.
Bukti. Misalkan A suatu matriks persegi dan B adalah invers dari A dan andaikan C juga merupakan
invers dari A. Sesuai dengan definisi invers
AB = I = AC
kalikan kedua ruas dengan B, maka akan diperoleh B = C yang adalah kontradiksi. Jadi invers suatu
matriks tunggal.
Teorema 5
suatu matriks persegi
a b
A=
c d
memiliki invers jika dan hanya jika ad − bc 6= 0 dan inversnya adalah

−1 1 d −b
A =
ad − bc −c a
Bukti teorema ini akan diberikan pada bab berikutnya.
Teorema 6
Jika A dan B matriks persegi seukuran yang invertibel, maka AB juga invertibel dan inversnya adalah
B −1 A−1 .
Bukti. Kita akan membuktikan bahwa (AB)(A−1 B −1 ) = (A−1 B −1 )(BA) = I. Karena A dan B
invertibel dan B 6= C, maka
A(BB −1 )A−1 = (AB)(B −1 A−1 ) = I
dan
B −1 (A−1 A)B = (B −1 A−1 )(AB) = I
Jadi terbukti bahwa B −1 A−1 adalah invers dari AB.
Salah satu yang tak kalah penting juga adalah eksponen dari suatu matriks. Kita definisikan bahwa jika
A matriks persegi, maka berlaku
18 124
A0 = I dan An = AA · · · A (n faktor)
untuk n bilangan bulat non negatif, dan jika A invertibel maka
A−n = (A−1 )n = A−1 A−1 · · · A−1 (n faktor)
Pembaca dapat juga membuktikan bahwa Ar As = Ar+s dan (Ar )s = Ar·s .
Akhir dari subbab ini ditutup oleh sifat-sifat aljabar dari transpose suatu matriks dan juga kombinasinya
dengan invers.
Teorema 7 Sifat Transpose Matriks

Misalkan ukuran matriks bersesuaian dengan operasi yang digunakan, maka:
1. (AT )T = A
2. (A + B)T = AT + B T
3. (kA)T = kAT
4. (AB)T = B T AT
Bukti dari poin 1 hingga 3 dapat dengan mudah dibuktikan karena transpose hanya menukar baris dan
kolom. Untuk poin 4, dapat dibuktikan dengan manipulasi
Teorema 8 Invers dari Transpose Matriks

Jika A dan A matriks invertibel (nanti akan diketahui bahwa jika A invertibel, jelas AT invertibel),
T
maka berlaku
(AT )−1 = (A−1 )T
Bukti. Perhatikan bahwa

AT (A−1 )T = (A−1 A)T = I T = I
dan
(A−1 )T AT = (AA−1 )T = I T = I
Karena ketunggalan invers, jadi kita simpulkan bahwa
(AT )−1 = (A−1 )T

1.4.2 Soal Latihan

1. Tentukan invers dari matriks berikut.
+ e−x ) − e−x )
1 1 x

2
(ex 2
(e
A= 1 x
2
(e − e−x ) 1 x
2
(e + e−x )
2. Sebuah matriks A dikatakan idempoten jika A2 = A.

a) Tunjukkan bahwa jika A idempoten, maka I − A juga merupakan matriks idempoten.
b) Tunjukkan bahwa jika A idempoten, maka 2A − I invertibel dan tentukan inversnya.
3. Asumsikan semua matriks berukuran n × n dan invertibel, tentukan D.
C T B −1 A2 BAC −1 DA−2 B T C −2 = C T
19 124
1.5 Matriks Elementer

Kembali lagi pada saat kita membahas OBE, kita akan mengecek ekuivalensi matriks sebelum dan sesudah
OBE. Misalkan matriks A dikenakan OBE sehingga menjadi matriks B. Perhatikan bahwa kemungkinan
yang dilakukan pada saat melakukan OBE adalah:
1. Mengalikan satu baris dengan konstanta c tak nol.
3. Menambahkan kelipatan tak nol c dari satu baris ke baris lainnya.
Kita dapat mengembalikan bentuk matriks B menjadi matriks A dengan serangkaian OBE berikut:
1. Mengalikan satu baris dengan konstanta 1c .
3. Menambahkan kelipatan tak nol −c dari satu baris ke baris lainnya.
Hal ini yang membuat matriks A dan B disebut ekuivalen baris.
Definisi 1 Ekuivalensi Baris

Matriks A dan B disebut ekuivalen baris jika matriks B didapat dari serangkaian OBE matriks A, dan
sebaliknya.
1.5.1 Jenis Matriks Elementer

Sekarang, kita akan melihat bahwa serangkaian OBE yang dikenakan pada matriks dapat direpresentasikan
menjadi perkalian matriks yang disebut matriks elementer.
Definisi 2 Matriks Elementer

Matriks E disebut matriks elementer jika matriks tersebut didapat dari OBE matriks identitas sebanyak
satu kali.
Contoh Soal 1. Tentukan matriks elementer yang menyatakan:

a. OBE matriks 2 × 2 yang menyatakan perkalian baris dua dengan −3.
b. OBE matriks 4 × 4 yang menyatakan penukaran baris dua dan baris empat.
c. OBE matriks 3 × 3 yang menyatakan penjumlahan baris pertama dengan 3 baris tiga.
Solusi.
   
1 0 1 0 0 0 1 0 3
a.
0 −3 0 0 0 1 c. 0 1 0
b. 
0

0 1 0 0 0 1
0 1 0 0
20 124
1.5.2 Operasi Baris Elementer Sebagai Perkalian Matriks Elementer

Berikutnya kita akan lihat teorema yang menyatakan kegunaan dari matriks elementer.
Teorema 1 Perkalian Matriks dan OBE

Jika matriks elementer E didapat dengan melakukan OBE dari Im (matriks identitas berorde m × m)
dan jika A matriks m × n, maka hasil kali EA adalah matriks yang hasilnya sama dengan OBE yang
dikenakan pada matriks A.
Contoh Soal 2. Nyatakan matriks E sebagai matriks elementer dengan OBE penambahan 3 kali
baris pertama ke baris tiga. Setelah itu gunakan matriks tersebut untuk melakukan OBE matriks A:
 
1 0 2 3
A = 2 −1 3 6
1 4 4 0
 
1 0 0
Solusi. Matriks elementer E yang dimaksud adalah E = 0 1 0 Sehingga matriks A yang dikenai OBE
3 0 1
yang diberikan adalah:  
1 0 2 3
EA = 2 −1 3 6
4 4 10 9

1.5.3 Matriks Elementer dan Invers Matriks

Teorema berikutnya akan menyatakan hubungan matriks elementer dan invers dari matriks.
Teorema 2
Semua matriks elementer adalah invertibel dan invers matriks elementer juga merupakan matriks
elementer.
Bukti. Jika E matriks elementer, maka E didapat dengan melakukan satu kali OBE pada matriks I.
Misalkan E0 matriks elementer yang menyatakan invers OBE. Dengan mengetahui fakta bahwa invers OBE
dapat "membatalkan" OBE yang sudah dilakukan, maka didapat:
E0 E = I dan EE0 = I
Sehingga, matriks elementer E0 adalah invers dari E.
Teorema selanjutnya yang akan kita lihat adalah pernyataan bernilai ekuivalen.
Teorema 3 Pernyataan Bernilai Ekuivalen

Jika A matriks n × n maka pernyataan berikut akan bernilai ekuivalen, maksudnya, pernyataan tersebut
akan semua benar atau semua salah.
(a) A invertibel.
(b) A~x = ~0 mempunyai solusi trivial.
(c) Bentuk eselon tereduksi dari A adalah In .
(d) A dapat dinyatakan sebagai perkalian dari matriks-matriks elementer.
21 124
1.5.4 Metode Mencari Invers Matriks

Dari pernyataan bernilai ekuivalen tersebut, kita dapat menyimpulkan bahwa invers dari sebuah matriks,
sebut matriks A, juga akan tersusun dari serangkaian hasil kali matriks elementer. Maka dari itu, didapat
metode mencari invers matriks dengan menggunakan OBE.
Dalam mencari invers matriks A, kita akan melakukan OBE matriks A menjadi matriks identitas, disertai
dengan OBE matriks identitas menjadi sebuah matriks, yang akan menjadi A−1 .
Contoh Soal 3. Tentukan invers matriks:
 
1 2 3
A = 2 5 3
1 0 8
Solusi.
Matriks A Matriks I OBE

1 2 3 1 0 0
2 5 3 0 1 0 Kondisi awal
1 0 8 0 0 1
1 2 3 1 0 0
0 1 −3 −2 1 0 Tambahkan -2 kali baris 1 ke baris 2
1 0 8   0 0 1
1 2 3 1 0 0
0 1 −3 −2 1 0 Tambahkan -1 kali baris 1 ke baris 3
0 −2 5   −1 0 1 
1 2 3 1 0 0
0 1 −3 −2 1 0 Tambahkan 2 kali baris 2 ke baris 3
 0 0 −1   −5 2 1 
1 2 3 1 0 0
0 1 −3 −2 1 0 Kalikan baris 3 dengan -1
0 0 1   5 −2 −1 
1 2 3 1 0 0
0 1 0 13 −5 −3 Tambahkan 3 kali baris 3 ke baris 2
 0 0 1   5 −2 −1 
1 2 0 −14 6 3
0 1 0  13 −5 −3 Tambahkan -3 kali baris 3 ke baris 1
0 0 1  5 −2 −1
1 0 0 −40 16 9
0 1 0  13 −5 −3 Tambahkan -2 kali baris 2 ke baris 1
0 0 1 5 −2 −1
 
−40 16 9
Jadi didapat A−1 =  13 −5 −3.
5 −2 −1
Dapat terlihat bahwa matriks yang tidak invertibel akan menghasilkan baris nol jika dilakukan serangka-
ian OBE, sehingga tidak akan menghasilkan matriks identitas.
1.5.5 Soal Latihan 

1 0 0
1. Tunjukkan jika A = 0 1 0 adalah matriks elementer, maka paling tidak satu entri di baris ketiga
a b c
haruslah nol.
22 124
 
2 −4 0 0
1 2 12 0 
2. Diberikan matriks A = 
0 0
.
2 0
0 −1 −4 −5
a) Carilah matriks A−1 , jika ada, dengan menggunakan metode OBE.

b) Bentuklah matriks A−1 sebagai perkalian matriks elementer.
c) Tentukan jenis solusi yang didapat bila matriks A adalah koefisien-koefisien dari SPL homogen.
3. Tunjukkan bahwa:  
0 a 0 0 0
b 0 c 0 0
 
0
A= d 0 e 0
0 0 f 0 g
0 0 0 h 0
tidak invertibel untuk semua nilai dari entri yang diberikan.
1.6 Sistem Persamaan Linier dan Matriks Invertibel

1.6.1 Menyelesaikan SPL dengan Invers Matriks
Setelah kita memahami proses mencari invers suatu matriks, sekarang akan kita terapkan hal ini dalam
menyelesaikan suatu sistem persamaan linier. Mari kita awali dengan teorema berikut:
Teorema 1
Jika A matriks persegi berukuran n × n yang invertibel, maka untuk setiap matriks kolom ~b berukuran
n × 1, sistem persamaan linier A~x = ~b memiliki tepat satu buah solusi, yaitu ~x = A−1~b.
Bukti. Perhatikan bahwa A(A−1~b) = ~b, maka jelas ~x = A−1~b adalah solusi. Andaikan ada solusi
lain yang memenuhi sistem persamaan, yaitu ~x0 . Akibatnya, A~x0 = ~b sehingga ~x0 = A−1~b yang adalah
kontradiksi. jadi solusinya adalah tunggal.
Salah satu keunggulan dengan menggunakan matriks untuk menyelesaikan masalah sistem persamaan
linier adalah kita dapat menyelesaikan berbagai sistem sekaligus dengan matriks koefisiennya sama, tetapi
berbeda pada konstantanya. Secara matematis, misalkan terdapat berbagai sistem persamaan sebagai
berikut:
A~x = ~b1 , A~x = ~b2 , A~x = ~b3 , · · · A~x = ~bk
Jika A invertibel, maka solusi dari sistem-sistem di atas, yaitu
~x = A−1~b1 ~x = A−1~b2 , ~x = A−1~b3 , ··· ~x = A−1~bk
dapat diperoleh dengan cara membentuk matriks diperbesar

h i
~ ~ ~
A | b1 | b2 | · · · | bk
lalu lakukan proses seperti dalam mencari invers dari matriks A.

Contoh Soal 1. Selesaikan SPL berikut secara bersamaan.
 
 x1 + 2x2 +3x3 = 4
  x1 + 2x2
 +3x3 = 1
3x1 + 5x2 +3x3 = 5 3x1 + 5x2 +3x3 = 6
 
x1 +8x3 = 9 x1 +8x3 = −6
 
23 124
Solusi. (verifikasi.) Solusi dari kedua sistem dapat dicari dengan terlebih dahulu membentuk matriks
diperbesar  
1 2 3 4 1
3 5 3 5 6 
1 0 8 9 −6
Lalu kita lakukan OBE sedemikian sehingga akan diperoleh matriks eselon tereduksi
 
1 0 0 1 2
0 1 0 0 1 
0 0 1 1 −1
Jadi, diperoleh solusi untuk Sistem persamaan pertama adalah x1 = 1, x2 = 0, dan x3 = 1, dan solusi untuk
sistem persamaan kedua adalah x1 = 2, x2 = 1, dan x3 = −1.
1.6.2 Konsistensi SPL

Sebelumnya kita membahas cara menyelesaikan suatu SPL dengan menggunakan sifat invers matriks,
muncul suatu pertanyaan baru yaitu bagaimana jika SPL berbentuk A~x = ~b tak konsisten? Kita berikan
jawabannya melalui teorema berikut ini:
Teorema 2
Jika A suatu matriks persegi berukuran n × n, maka A invertibel jika dan hanya jika sistem persamaan
A~x = ~b konsisten untuk setiap matriks kolom ~b berukuran n × 1.
Bukti. (=⇒) Misalkan A invertibel, maka telah kita buktikan bahwa A~x = ~b memiliki solusi. Akibatnya,
jelas sistem persamaan A~x = ~b konsisten.
(⇐=) Misalkan sistem persamaan A~x = ~b konsisten, berarti sistem tersebut memiliki solusi untuk setiap
matriks kolom ~b berukuran n × 1. Akibatnya, sistem persamaan
       
1 0 0 0
0 1 0 0
       
A~x = 0 , A~x = 0 , A~x = 1 , . . . , A~x = 0
       
 ..   ..   ..   .. 
. . . .
0 0 0 1
memiliki solusi, sebutlah ~x1 , ~x2 , . . ., ~xn . Bentuk suatu matriks B yang berisi vektor-vektor kolom ~xi ,
i = 1, 2, . . . , n, perhatikan bahwa hasil kali AB merupakan matriks identitas I, karena:
 
1 0 0 ··· 0
0 1 0 · · · 0
 
0 0 1 · · · 0
AB = [A~x1 |A~x2 | . . . |A~xn ] =  =I
 .. .. .. . . .. 
. . . . .
0 0 0 ··· 1
Jadi C = A−1 .
Akhir subbab ini ditutup oleh suatu masalah fundamental mengenai kekonsistenan suatu sistem per-
samaan, yaitu:
Misalkan A suatu matriks berukuran m × n. Tentukan semua matriks kolom ~b berukuran m × 1 sehingga
sistem persamaan A~x = ~b konsisten
24 124
Jika A invertibel maka dengan mudah masalah tersebut diatasi. Kita memperoleh masalah jika A tidak
invertibel, berikut ini diberikan sebuah contoh untuk mencari ~b:
Contoh Soal 2. Berikan syarat pada b1, b2, dan b3 pada sistem persamaan

 x1 + x2 +2x3 = b1

x1 + x 3 = b2

2x1 + x2 +3x3 = b3

agar sistem konsisten.

Solusi. Sistem persamaan pada soal berkorespondensi dengan matriks diperbesar
 
1 1 2 b1
1 0 1 b2 
2 1 3 b3
Dapat diuji bahwa matriks eselon dari matriks di atas adalah
 
1 1 2 b1
0 1 1 b1 − b2 
0 0 0 b3 − b2 − b1
Agar matriks tersebut konsisten, haruslah b3 − b2 − b1 = 0 atau b3 = b2 + b1 (salah satu contohnya). Jadi,
sistem persamaan A~x = ~b konsisten jika dan hanya jika:
 
b1
~b =  b2 
b1 + b 2
dengan b1 dan b2 sebarang.
1.6.3 Soal Latihan

1. Bentuklah SPL berikut menjadi persamaan matriks A~x = ~b, lalu tentukan ~x dengan cara invers.

5x1 + 3x2 + 2x3 = 4

3x1 + 3x2 + 2x3 = 2

x2 + x3 =5

2. Diberikan matriks:    
2 1 2 x1
A = 2 2 −2 dan ~x = x2 
  
3 1 1 x3
a) Tunjukkan bahwa persamaan A~x = ~x dapat ditulis sebagai (A − I)~x = 0 dan selesaikan
persamaan tersebut untuk ~x.
b) Selesaikan A~x = 4~x.
3. Diberikan persamaan A~x = ~b sebagai SPL yang konsisten dengan ~x1 adalah solusinya. Tunjukkan
bahwa semua solusi SPL tersebut dapat dituliskan sebagai ~x = ~x1 + ~x0 di mana ~x0 adalah solusi dari
SPL homogen A~x = ~0.
1.7 Matriks Diagonal, Segitiga, dan Simetris

Dalam subbab ini kita akan melihat beberapa bentuk matriks istimewa yang memberikan sifat-sifat yang
mempermudah operasi matriks.
25 124
1.7.1 Matriks Diagonal

Matriks diagonal adalah matriks persegi yang mempunyai entri nol di selain diagonal utamanya. Contohnya:
 
  6 0 0 0
1 0 0
2 0 0 4 0 0 0 0
, 0 1 0 , 
0 0 0 0 , 0 0

0 −5
0 0 1
0 0 0 8
Perhatikan bahwa matriks nol termasuk dalam kelompok matriks diagonal dan matriks diagonal memper-
bolahkan adanya entri nol di diagonal utamanya. Bentuk umum dari matriks tersebut adalah:
 
d1 0 · · · 0
 0 d2 · · · 0 
D =  ..
 
.. . . .. 
. . . .
0 0 · · · dn
Teorema 1 Sifat Matriks Diagonal
1. Semua matriks diagonal adalah invertibel dan invers dari matriks D adalah:
 
1/d1 0 ··· 0
−1
 0 1/d2 · · · 0 
D =  ..
 
.. . . .. 
 . . . . 
0 0 · · · 1/dn
2. Hasil perpangkatan matriks D dengan konstanta bilangan bulat positif k adalah:

 
dk1 0 · · · 0
 0 dk · · · 0 
2
Dk =  ..
 
.. . . .. 
. . . .
0 0 · · · dkn
Teorema 1.1 dapat dibuktikan dengan menggunakan persamaan DD−1 = I dan teorema 1.2 dapat
dibuktikan dengan induksi matematika.
Perkalian matriks diagonal pun ternyata menjadi mudah. Untuk mengalikan matriks A dengan matriks D
di sebelah kiri (bentuk perkalian DA), kalikan baris pertama matriks A dengan entri pertama di matriks
diagonal D, baris kedua matriks A dengan entri kedua matriks diagonal D, dan seterusnya. Sedangkan
untuk mengalikan matriks A dengan matriks D di sebelah kanan (bentuk perkalian AD), kalikan kolom
pertama matriks A dengan entri pertama di matriks diagonal D, kolom kedua matriks A dengan entri
kedua matriks diagonal D, dan seterusnya. Sebagai contoh:
    
d1 0 0 a11 a12 a13 a14 d1 a11 d1 a12 d1 a13 d1 a14
 0 d2 0  a21 a22 a23 a24  = d2 a21 d2 a22 d2 a23 d2 a24 
0 0 d3 a31 a32 a33 a34 d3 a31 d3 a32 d3 a33 d3 a34
   
a11 a12 a13   d1 a11 d2 a12 d3 a13
a21 a22 a23  d1 0 0
  0 d2 0  = d1 a21 d2 a22 d3 a23 
 

a31 a32 a33  d1 a31 d2 a32 d3 a33 
0 0 d3
a41 a42 a43 d1 a41 d2 a42 d3 a43
26 124
1.7.2 Matriks Segitiga

Bentuk matriks selanjutnya adalah matriks segitiga atas dan bawah. Matriks persegi yang entri di bawah
nya berisi nol disebut matriks segitiga atas sedangkan matriks persegi yang entri di atas nya berisi nol
disebut matriks segitiga bawah. Berikut contoh dari matriks segitiga untuk matriks ukuran 4 × 4.
   
a11 a12 a13 a14 a11 0 0 0
 0 a22 a23 a24  a21 a22 0 0
   
0 0 a33 a34   a31 a32 a33 0 
0 0 0 a44 a41 a42 a43 a44
Matriks Segitiga Atas Matriks Segitiga Bawah
Bentuk umum dari matriks segitiga diberikan oleh definisi berikut.
Definisi 1 Matriks Segitiga
1. Matriks persegi A = [aij ] disebut matriks segitiga atas jika dan hanya jika aij = 0 untuk i > j.
2. Matriks persegi A = [aij ] disebut matriks segitiga bawah jika dan hanya jika aij = 0 untuk i < j.
Selanjutnya kita akan lihat beberapa sifat khusus dari matriks segitiga.
Teorema 2 Sifat Matriks Segitiga
1. Transpose dari matriks segitiga atas adalah matriks segitiga bawah, begitu pula sebaliknya.
2. Perkalian dari matriks segitiga atas dengan matriks sebarang adalah matriks segitiga atas, begitu
pula dengan matriks segitiga bawah.
3. Matriks segitiga invertibel jika dan hanya jika entri diagonal utamanya tidak nol.
4. Invers dari matriks segitiga atas berbentuk matriks seggitiga bawah, begitu pula sebailknya.
1.7.3 Matriks Simetris

Satu lagi matriks yang memiliki bentuk unik adalah matriks simetris. Matriks simetris adalah matriks
yang transposenya adalah matriks itu sendiri. Dengan kata lain, matriks A disebut simetris jika memenuhi
A = AT .
Selanjutnya, kita akan melihat berbagai sifat aljabar dari matriks simetris.
Teorema 3 Sifat Aljabar Matriks Simetris

Jika A dan B matriks simetris yang mempunyai orde sama dan k konstanta, maka:
1. AT simetris.
2. A + B dan A − B simetris.
3. kA simetris.
27 124
Bagaimana dengan perkalian matriks? Kita lihat kembali sifat dari transpose matriks berikut:
(AB)T = B T AT
Kita dapat simpulkan melalui teorema berikut.
Teorema 4 Sifat Perkalian Matriks Simetris

Perkalian dari dua matriks simetris akan simetris jika dan hanya jika berlaku komutatif pada perkalian
matriks.
Dengan kata lain, perkalian matriks akan simetris jika dan hanya jika AB = BA. Perhatikan bahwa
syarat ini membuat B T AT = BA.
Hasil perkalian matriks simetris ini berlaku untuk sebarang matriks A berukuran m × n. Perhatikan
bahwa:
(AAT )T = (AT )T AT = AAT dan (AT A)T = AT (AT )T = AT A
sehingga AAT dan AT A akan selalu simetris untuk matriks A ukuran apapun.
Sifat terakhir yang akan kita lihat adalah invers matriks simetris.
Teorema 5 Sifat Invers Matriks Simetris
1. Jika A matriks invertibel simetris, maka A−1 simetris.
2. Jika A matriks invertibel, maka AAT dan AT A invertibel.
1.7.4 Soal Latihan    

1 0 0 2 0 0 0 0 0
1. Diketahui A = 0 1 0 0 5 0 0 2 0. Tentukan A−5 .
0 0 3 0 0 0 0 0 3
2. Tentukan semua matriks diagonal A berorde 3 × 3 yang memenuhi A2 − 3A − 4I = 0.

 
x − 1 x2 x4
3. Tentukan semua nilai x agar matriks A =  0 x + 2 x3  invertibel.
0 0 x−4
 
2 a − 2b + 2c 2a + b + c
4. Tentukan semua nilai konstanta dalam matriks A = 3 5 a + c  agar matriks A
0 −2 7
menjadi matriks simetris.
5. Tunjukkan jika AT A = A maka A simetris dan A = A2 .
28 124
Bab 2
Determinan
Dalam bab ini, kita akan melihat suatu operasi matriks yang mempunyai banyak manfaat untuk menye-
lesaikan SPL dan banyak operasi lain, yaitu determinan. Determinan dapat dianalogikan sebagai fungsi
dengan masukkan matriks dan keluaran skalar. Dalam bab ini juga kita akan melihat metode lain untuk
menyelesaikan SPL, yaitu Metode Cramer.
2.1 Determinan dengan Ekspansi Kofaktor

2.1.1 Minor dan Kofaktor

a b
Sebelumnya, kita lihat kembali rumus invers matriks 2 × 2. Misalkan matriks A = , maka invers
c d
dari matriks A adalah:
−1 1 d −b
A =
ad − bc −c a
a b
Nilai ad − bc tersebut yang kita sebut sebagai determinan dari matriks A, dinotasikan det(A) atau .
c d
Itu definisi determinan untuk matriks 2×2. Bagaimana dengan orde lainnya? Bagaimana cara menghitung
determinannya? Kita definisikan minor dan kofaktor terlebih dahulu.
Definisi 1 Minor dan Kofaktor

Jika A adalah matriks persegi, maka minor entri aij , dinotasikan Mij , adalah determinan dari matriks
yang dibentuk jika baris i dan kolom j pada matriks A dibuang. Nilai dari (−1)i+j Mij , dinotasikan Cij ,
didefinisikan sebagai kofaktor entri aij .
Perhatikan bahwa tanda dalam kofaktor dapat disusun menjadi sebuah "papan catur" berikut:
 
+ − + − + ···
− + − + − · · ·
 
 + − + − + · · ·
 
− + − + − · · ·
 
 + − + − + · · ·
 
.. .. .. .. .. . .
. . . . . .
Contoh Soal 1. Tentukan C32 dari matriks

 
3 1 −4
A = 2 5 6 
1 4 8
29 124
Solusi. Pertama-tama kita cari M32 sebagai berikut:

3 1 −4
3 −4
M32 = 2 5 6 = = 26
2 6
1 4 8
(keterangan: bilangan yang diberi cetak tebal akan dihitung determinannya.)
Selanjutnya, dapat disimpulkan bahwa C32 = (−1)3+2 M32 = −M32 = −26.
2.1.2 Menghitung Determinan Matriks

Kita kembali lagi ke matriks 2 × 2. Misalkan matriks A dengan entri-entrinya sebagai berikut:

a11 a12
A=
a21 a22
Maka kofaktor tiap entri dari matriks A adalah:
C11 = M11 = a22 C12 = −M12 = −a21 C21 = −M21 = −a12 C22 = M22 = a11
Selanjutnya, perhatikan bahwa determinan dari matriks A dapat dibentuk dari keempat persamaan berikut:
a11 a12
det(A) =
a21 a22
= a11 C11 + a12 C12
= a21 C21 + a22 C22
= a11 C11 + a21 C21
= a12 C12 + a22 C22
Keempat persamaan tersebut kita sebut sebagai ekspansi kofaktor matriks A. Hal ini kita dapat perumum
menjadi metode untuk menghitung determinan matriks n × n melalui teorema berikut.
Teorema 1
Jika A matriks n × n, maka ekspansi kofaktor dengan memilih baris atau kolom A manapun akan
menghasilkan nilai yang sama.
Selanjutnya kita lihat definisi formal dari ekspansi kofaktor.
Definisi 2 Ekspansi Kofaktor

Jika A matriks n × n, maka nilai yang diperoleh melalui penjumlahan semua perkalian entri di baris
manapun atau kolom manapun dari matriks A dengan kofaktor yang bersangkutan disebut determinan
matriks A, dan jumlahan tersebut disebut ekspansi kofaktor matriks A. Ekspansi kofaktor matriks A
didapat melalui bentuk berikut:
• Ekspansi kofaktor melalui kolom ke-j.
det(A) = a1j C1j + a2j C2j + · · · + anj Cnj
• Ekspansi kofaktor melalui baris ke-i.
det(A) = ai1 Ci1 + ai2 Ci2 + · · · + ain Cin
30 124
Teorema 1 dan definisi 2 mengatakan bahwa pemilihan baris dan kolom untuk menghitung determinan
menghasilkan nilai yang sama. Maka dari itu, kita dapat memilih baris yang tepat untuk mempermudah
perhitungan. Untuk lebih jelasnya, lihat contoh soal berikut.
Contoh Soal 2. Tentukan determinan dari matriks
 
1 0 0 −1
3 1 2 2
A= 1 0 −2 1 

2 0 0 1
Solusi. Perhatikan bahwa pemilihan ekspansi kofaktor melalui kolom ke-2 akan mempermudah perhitungan
kita (karena entri pada kolom ke-2 mengandung paling banyak nol).
1 0 −1
det(A) = 1 · 1 −2 1
2 0 1
Selanjutnya kita pilih ekspansi kolom ke-2 kembali sehingga didapat:
1 −1
det(A) = 1 · −2 · = −2(1 + 2) = −6
2 1

Selanjutnya, kita akan lihat teorema yang mempermudah kita dalam menghitung determinan matriks
segitiga.
Teorema 2 Determinan Matriks Segitiga

Jika A matriks segitiga berukuran n × n (matriks segitiga atas, matriks segitiga bawah, atau matriks
diagonal), maka determinan matriks A adalah hasil kali semua entri diagonalnya.
n
Y
det(A) = aii = a11 a22 · · · ann
i=1
Teorema tersebut dapat dibuktikan dengan menggunakan induksi matematika dan definisi ekspansi
kofaktor.
2.1.3 Soal Latihan

1. Hitungalah determinan dari matriks berikut dan simpulkan apakah matriks invertibel atau tidak.
 
  4 0 0 1 0
3 3 0 5 3 3 3 −1 0
2 2 0 −2  
A=  B = 1 2 4 2 3
4 1 −3 0   
9 4 6 2 3
2 10 3 2
2 2 4 2 3
2. Tunjukkan bahwa
1 tr(A) 1
det(A) = 2
2 tr(A ) tr(A)
untuk semua matriks A berukuran 2 × 2.
31 124
2.2 Determinan dengan Operasi Baris dan Kolom Elementer

2.2.1 Beberapa Teorema Dasar Determinan Matriks
Kita mulai dengan melihat beberapa teorema dasar terkait hubungan dengan determinan dengan OBE.
Teorema 1 Determinan Matriks dengan Baris atau Kolom Nol

Jika A matriks persegi dan terdapat baris nol atau kolom nol pada matriks A, maka det(A) = 0.
Bukti dari teorema tersebut adalah dengan menghitung determinan matriks A melalui baris atau kolom
nol tersebut.
Teorema selanjutnya terkait determinan dari transpose matriks.
Teorema 2 Determinan Transpose Matriks

Jika A matriks persegi maka det(A) = det(AT ).
Bukti teorema tersebut didapat melalui teorema 1 subbab 2.1. Perhitungan determinan dari matriks A
melalui ekspansi kofaktor suatu baris ke-i atau kolom ke-j sama saja dengan perhitungan determinan
matriks AT melalui ekspansi kofaktor baris ke-j atau kolom ke-i.
Teorema selanjutnya adalah mengenai hubungan determinan dengan operasi baris (dan kolom) elementer.
Teorema 3 Determinan Matriks Terkena Operasi Baris atau Kolom Elementer

Misal A matriks berukuran n × n.
• Jika matriks B diperoleh ketika suatu kolom atau baris matriks A dikalikan dengan konstanta k
tak nol, maka det(B) = k det(A).
• Jika matriks B diperoleh ketikan dua baris atau dua kolom matriks A ditukar, maka det(B) =
− det(A).
• Jika matriks B diperoleh ketika kelipatan satu baris atau satu kolom dari matriks A ditambahkan
ke baris atau kolom yang lain, maka det(B) = det(A).
Perhatikan bahwa perhitungan determinan tidak terbatas melalui operasi baris elementer saja, namun
berlaku pula untuk operasi kolom elementer karena ekspansi kofaktor yang bernilai sama ketika kita
mengambil baris maupun kolom. Ilustrasi teorema 3 untuk matriks 3 × 3 disajikan melalui tabel berikut.
Relasi Operasi
ka11 ka12 ka13 a11 a12 a13
a21 a22 a23 = k a21 a22 a23 Matriks B adalah matriks A
a31 a32 a33 a31 a32 a33 yang baris pertamanya dika-
likan konstanta k tak nol.
a21 a22 a23 a11 a12 a13
a11 a12 a13 = − a21 a22 a23 Matriks B adalah matriks A
a31 a32 a33 a31 a32 a33 yang baris keduanya ditukar
dengan baris pertamanya.
a11 + ka21 a12 + ka22 a13 + ka23 a11 a12 a13
a21 a22 a23 = a21 a22 a23 Matriks B adalah matriks A
a31 a32 a33 a31 a32 a33 yang baris pertamanya ditam-
bahkan k kali baris keduanya.
32 124
Berkaitan dengan OBE, kita akan melihat determinan dari matriks elementer dalam teorema berikut.
Teorema 4 Determinan Matriks Elementer

Misal E matriks elementer berukuran n × n.
• Jika E didapat melalui mengalikan baris In dengan konstanta k tak nol, maka det(E) = k.
• Jika E didapat melalui pertukaran dua baris In , maka det(E) = −1.
• Jika E didapat melalui penambahan keliapat baris In ke baris lainnya, maka det(E) = 1.
Teorema tersebut dapat terbukti melalui teorema 3 dan menggunakan fakta bahwa det(In ) = 1 (melalui
teorema 2 subbab 2.1).
Teorema terakhir terkait determinan OBE dan OKE (Operasi Kolom Elementer) adalah baris atau kolom
yang proporsional. Suatu matriks memiliki baris yang proporsional jika matriks tersebut memiliki seti-
daknya 2 baris yang saling berkelipatan. Definisi tersebut sepadan untuk kolom yang proporsional. Berikut
contohnya. Matriks A menyatakan matriks dengan baris proporsional dan matriks B menyatakan matriks
dengan kolom yang proporsional.
 
1 −2 7
−1 4
A= B = −4 8 5
−2 8
2 −4 3
Teorema 5 Determinan Matriks Proporsional

Jika A matriks persegi dengan baris atau kolom yang proporsional, maka det(A) = 0.
Bukti dari teorema tersebut adalah dengan melakukan OBE dan OKE sehingga didapat baris atau kolom
nol. Melalui teorema 1, kita dapatkan bahwa determinannya pasti nol.
2.2.2 Menghitung Determinan dengan Operasi Baris dan Kolom Elementer

Dalam perhitungan determinan, kita dapat memanfaatkan lima teorema tersebut dan menggunakan OBE
atau OKE. Target kita adalah melakukan OBE atau OKE hingga terbentuk matriks segitiga, karena determi-
nan dari matriks segitiga sudah mudah dihitung.
Contoh Soal 1. Hitung determinan dari matriks
 
1 0 0 3
2 7 0 6 
A= 0 6 3 0 

7 3 1 −5
Solusi. Determinan matriks A dapat dihitung dengan mudah apabila kita lakukan OKE terlebih dahulu.
Dengan menambahkan -3 kali kolom pertama ke kolom keempat maka didapat determinannya sama.
1 0 0 0
2 7 0 0
det(A) = = −546
0 6 3 0
7 3 1 −26

Kita juga dapat melakukan metode OBE, OKE, dan ekspansi kofaktor untuk mempermudah perhitungan
determinan matriks.
33 124
Contoh Soal 2. Hitung determinan dari matriks

 
3 5 −2 6
1 2 −1 1
A=
2

4 1 5
3 7 5 3
Solusi.
3 5 −2 6
1 2 −1 1
det(A) = kondisi awal
2 4 1 5
3 7 5 3
0 −1 1 3
1 2 −1 1
= OBE penjumlahan baris 1, 3, dan 4 dengan kelipatan baris 2
0 0 3 3
0 1 8 0
−1 1 3
=− 0 3 3 ekspansi kofaktor melalui kolom pertama
1 8 0
−1 1 3
=− 0 3 3 OBE penjumlahan baris 1 ke baris 3
0 9 3
3 3
= −(−1) ekspansi kofaktor melalui kolom pertama
9 3
= −18
2.2.3 Soal Latihan

1. Tunjukkan bahwa:
1 1 1
a b c = (b − a)(c − a)(c − b)
a2 b 2 c 2
2. Verifikasi formula berikut.

0 0 0 a14
0 0 a13
0 0 a23 a24
0 a22 a23 = −a13 a22 a31 = a14 a23 a32 a41
0 a32 a33 a34
a31 a32 a33
a41 a42 a43 a44
Berikan tebakan Anda untuk kasus berikut pada matriks n × n.
3. Periksa kebenaran pernyataan berikut: jika A matriks n × n dan matriks B didapat dengan menjum-
lahkan setiap baris pada matriks A dengan nomor baris tersebut, maka
n(n + 1)
det(B) = det(A)
2
34 124
2.3 Sifat Determinan dan Aturan Cramer

2.3.1 Sifat Determinan
Kita sekarang akan melihat sifat-sifat dari determinan. Mengacu pada teorema 3 subbab 2.2, kita dapat
memberikan gambaran umum untuk determinan dari perkalian matriks dengan skalar k.
Teorema 1 Determinan Matriks dengan Perkalian Skalar

Misal A matriks berukuran n × n dan skalar k. Maka det(kA) = k n det(A).
Bukti dari teorema tersebut adalah dengan melakukan OBE kelipatan satu baris sebesar k sebanyak n
kali (karena ada n baris pada matriks).
Bagaimana dengan penjumlahan matriks? Apakah determinan dari penjumlahan matriks dapat dihitung
melalui penjumlahan determinan masing-masing matriks? Teorema berikut menjawab pertanyaan tersebut.
Teorema 2 Determinan Penjumlahan Matriks

Misal A, B, dan C matriks berukuran n × n yang hanya berbeda di sebuah baris, sebutlah baris ke-r.
Asumsikan bahwa baris ke-r dari matriks C didapat melalui menambahkan baris ke-r matriks A dan
matriks B, maka:
det(C) = det(A) + det(B)
Hal ini juga berlaku untuk kolom.
Contoh Soal 1. Diketahui

   
1 7 5 1 7 5
A = 2 0 3 B = 2 0 3 
1 4 7 0 1 −1
Hitung det(A) + det(B).

Solusi. Perhatikan bahwa matriks A dan B hanya berbeda di baris ke-3. Definisikan matriks C
   
1 7 5 1 7 5
C= 2 0 3  = 2 0 3
1 + 0 4 + 1 7 + (−1) 1 5 6
Sehingga didapat
det(C) = det(A) + det(B) = −28

Sifat terakhir yang akan kita lihat adalah sifat perkalian matriks. Perhatikan bahwa kita sudah mendefin-
isikan bagaimana perhitungan determinan dari matriks elementer dalam teorema 4 subbab 2.2. Kita juga
mengetahui bahwa serangkaian OBE dapat dituliskan sebagai serangkaian perkalian matriks-matriks
elementer. Informasi tersebut yang menjadi bukti untuk teorema berikut.
Lemma 1 Determinan Perkalian Matriks Elementer

Jika B matriks n × n dan E matriks elementer n × n, maka:
det(EB) = det(E) det(B)
Lemma tersebut dapat diperumum untuk perkalian dua buah matriks persegi.
35 124
2.3.2 Determinan dan Invers Matriks

Teorema selanjutnya akan berkaitan dengan invers matriks.
Teorema 3 Determinan Matriks Invertibel

Matriks persegi A invertibel jika dan hanya jika det(A) 6= 0.
Bukti teorema 3 dapat terlihat melalui informasi bahwa matriks yang invertibel adalah matriks yang
tidak mempunyai baris nol dan matriks yang mempunyai baris nol determinannya nol.
Selanjutnya kita lihat teorema yang menyatakan determinan dari invers matriks.
Teorema 4 Determinan Invers Matriks

Jika A invertibel, maka
1
det(A−1 ) =
det(A)
Bukti dapat terlihat jelas melalui persamaan AA−1 = I. Ambil determinan kedua ruas sehingga didapat:
1
det(AA−1 ) = det(I) ⇔ det(A) det(A−1 ) = 1 ⇔ det(A−1 ) =
det(A)
Selanjutnya kita lihat metode lain untuk mencari invers matriks. Kita definisikan terlebih dahulu barang
yang akan kita perlukan untuk mencari invers matriks, yaitu adjoint.
Definisi 1 Matriks Adjoint

Jika A matriks berukuran n × n dan Cij merupakan kofaktor dari aij , maka matriks:
 
C11 C12 · · · C1n
 C21 C22 · · · C2n 
 
 .. .. ... .. 
 . . . 
Cn1 Cn2 · · · Cnn
disebut matriks kofaktor A. Transpose dari matriks tersebut kita sebut sebagai adjoint matriks A,
dinotasikan adj(A).
Definisi tersebut dapat kita gunakan untuk memperumum metode pencarian invers matriks n × n.
Teorema 5 Invers Matriks dengan Adjoint

Jika A matriks invertibel, maka
1
A−1 = adj(A)
det(A)
Contoh Soal 2. Tentukan invers dari matriks

 
3 2 −1
A = 1 6 3
2 −4 0
36 124
Solusi. Pertama-tama, ktia tentukan terlebih dahulu kofaktor tiap entri. Setelah dibentuk matriks kofak-
tornya, didapat matriks adjoint sebagai berikut (verifikasi):
 
12 4 12
adj(A) =  6 2 −10
−16 16 16
Selanjutnya, kita cari determinan matriks A. Didapat det(A) = 64 (verifikasi) sehingga invers matriks A
adalah:  
12 4 12
1 
A−1 = 6 2 −10
64
−16 16 16

2.3.3 Aturan Cramer

Dengan menggunakan teorema 5, kita dapat menggunakannya untuk mencari solusi SPL. Metode berikut
dikenal sebagai aturan Cramer.
Teorema 6 Aturan Cramer

~
Jika A~x = b adalah SPL dengan n variabel yang memenuhi det(A) 6= 0, maka SPL tersebut mempunyai
solusi tunggal. Solusinya adalah:
det(A1 ) det(A2 ) det(An )

x1 = , x2 = , · · · , xn =
det(A) det(A) det(A)
di mana Aj menyatakan matriks A yang kolom ke-j nya digantikan oleh vektor
 
b1
 b2 
~b =  
 .. 
.
bn
Contoh Soal 3. Gunakan atruan Cramer untuk menentukan solusi SPL


x1 + 2x3
 =6
−3x1 + 4x2 + 6x3 = 30

−x1 − 2x2 + 3x3 =8

Solusi. Bentuk SPL menjadi bentuk A~x = ~b terlebih dahulu:

    
1 0 2 x1 6
−3 4 6 x2  = 30
−1 −2 3 x3 8
6 0, sehingga SPL tersebut mempunyai solusi tunggal. Bentuk

Verifikasi terlebih dahulu bahwa det(A) =
matriks A1 , A2 , dan A3 berikut:
     
6 0 2 1 6 2 1 0 6
A1 = 30 4 6 A2 = −3 30 6 A3 = −3 4 30
8 −2 3 −1 8 3 −1 −2 8
37 124
Jadi
det(A1 ) −10 det(A2 ) 18 det(A3 ) 38
x1 = = x2 = = x3 = =
det(A) 11 det(A) 11 det(A) 11

Terakhir, kita akan tambahkan pernyataan bernilai ekuivalen yang sudah kita miliki dengan apa yang
sudah kita pelajari di bab ini.

Jika A matriks n × n maka pernyataan berikut akan bernilai ekuivalen, maksudnya, pernyataan tersebut
akan semua benar atau semua salah.
(a) A invertibel.
(b) A~x = ~0 mempunyai solusi trivial.
(c) Bentuk eselon tereduksi dari A adalah In .
(d) A dapat dinyatakan sebagai perkalian dari matriks-matriks elementer.
(e) SPL A~x = ~b konsisten untuk setiap matriks ~b berukuran n × 1.
(f) SPL A~x = ~b mempunyai solusi tunggal untuk setiap matriks ~b berukuran n × 1.
(g) det(A) 6= 0.
2.3.4 Soal Latihan

1. Diketahui matriks    
1 2 4 1 2 0
A =  3 1 6 B = k 1 k 
k 3 2 0 2 1
Tentukan nilai k agar matriks berikut invertibel.
2. Tunjukkan bahwa matriks  

cos θ sin θ 0
− sin θ cos θ 0
0 0 1
invertibel untuk semua nilai θ. Setelah itu, tentukan A−1 dengan mencari adjoint matriks tersebut
terlebih dahulu.
3. Diberikan SPL berikut 


 w + 4x + y + z =6

w + 3x + 7y − z =1
8w + 7x + 3y − 5z
 = −3


2w + x + y + z =3
a) Selesaikan SPL tersebut menggunakan eliminasi Gauss-Jordan.

b) Verifikasi jawaban Anda dengan menyelesaikan SPL tersebut menggunakan aturan Cramer.
c) Metode manakah yang menggunakan perhitungan paling sedikit?
38 124
Bab 3
Ruang Vektor Euclid
Dalam Fisika kita sudah mempelajari bahwa ada dua jenis besaran, yaitu skalar dan vektor. Besaran skalar
lebih menekankan kepada jawaban "seberapa besar" sedangkan besaran vektor lebih menekankan kepada
jawaban "seberapa besar dan ke arah mana". Besaran vektor memiliki komponen besar dan arah. Dalam
bab ini, kita akan melihat berbagai sifat-sifat vektor serta operasi yang dapat dilakukan dari vektor.
3.1 Vektor Euclid

3.1.1 Vektor dan Operasinya
Vektor dari sisi geometri digambarkan sebagai panah dengan titik awal dan titik akhir. Misalkan titik awal
−→
A dan titik akhir B maka vektor ~v dapat dinotasikan sebagai ~v = AB.
Selanjutnya kita akan lihat vektor dari sisi aljabar. Vektor di dimensi ke-n (dinotasikan Rn ) dapat
dituliskan sebagai komponen-komponen tiap dimensinya. Sebagai contoh vektor ~v ∈ Rn dapat dituliskan
sebagai notasi koma, matriks baris, maupun matriks kolom.
 
v1
 v2 
 
~v = (v1 , v2 , · · · , vn ) ~v = v1 v2 · · · vn ~v =  .. 
.
vn
Operasi-operasi dasar yang akan kita lihat adalah kesamaan dan operasi aljabar.
Definisi 1 Kesamaan Vektor

~ = (w1 , w2 , · · · , wn ) di Rn disebut sama ketika
Vektor ~v = (v1 , v2 , · · · , vn ) dan w
v1 = w 1 , v2 = w2 , ··· , v n = wn
dinotasikan ~v = w.
~
Definisi 2 Operasi Dasar Vektor

~ = (w1 , w2 , · · · , wn ) di Rn dan k adalah skalar, maka:
Vektor ~v = (v1 , v2 , · · · , vn ) dan w
~ = (v1 + w1 , v2 + w2 , · · · , vn + wn )
~v + w
k~v = (kv1 , kv2 , · · · , kvn )
−~v = (−v1 , −v2 , · · · , −vn )
~ − ~v = w
w ~ + (−~v ) = (w1 − v1 , w2 − v2 , · · · , wn − vn )
39 124
3.1.2 Sifat Vektor

Selanjutnya, kita akan melihat teorema mengenai sifat-sifat yang dimiliki vektor di ruang Euclid.
Teorema 1 Sifat Aljabar Vektor

~ di Rn dan k dan u adalah skalar, maka:
Vektor ~u, ~v , dan w
(a) ~u + ~v = ~v + ~u (g) k(m~u) = (km)~u

(b) (~u + ~v ) + w
~ = ~u + (~v + w)
~ (h) 1~u = ~u
(c) ~u + ~0 = ~0 + ~u = ~u
(i) 0~u = ~0
(d) ~u + (−~u) = ~0
(e) k(~u + ~v ) = k~u + k~v (j) k~0 = ~0
(f) (k + m)~u = k~u + m~u (k) (−1)~u = −~u
Sifat-sifat tersebut dapat mempermudah kita dalam perhitungan vektor tanpa harus menjabarkan perhi-
tungan tiap-tiap komponennya. Teorema 1 dapat dengan mudah dibuktikan menggunakan definisi 1 dan
2.
3.1.3 Kombinasi Linier

Selanjutnya kita akan melihat istilah tentang pembentukkan vektor baru dari penjumlahan atau penguran-
gan vektor-vektor lainnya.

n
Jika vektor w ~ disebut kobinasi linier dari vektor v~1 , v~2 , · · · , v~r di Rn apabila w
~ di R , maka w ~ memenuhi
persamaan berikut.
~ = k1 v~1 + k2 v~2 + · · · + kr v~r
w
di mana k1 , k2 , · · · , kr konstanta yang disebut koefisien dari kombinasi linier. Dalam kasus r = 1, maka
kombinasi linier dari satu vektor hanya menunjukkan kelipatan dari vektor tersebut.
3.1.4 Soal Latihan

1. Diberikan vektor ~u = (1, 2, −3, 5, 0), ~v = (0, 4, −1, 1, 2), dan w
~ = (7, 1, −4, −2, 3). Tentukan:
a) (3~u − ~v ) − (2~u + 4w)

~ c) vektor ~x yang memenuhi persamaan 3~u −
1
~ − 5~v + 2~u) + ~v
b) 2 (w ~v + ~x = 7~x + w
~
2. Tentukan konstanta c1 , c2 , dan c3 yang memenuhi kombinasi linier berikut.
c1 (1, −1, 0) + c2 (3, 2, 1) + c3 (0, 1, 4) = (−1, 1, 19)
3. Tunjukkan bahwa tidak ada skalar c1 , c2 , dan c3 yang memenuhi kombinasi linier berikut.
c1 (1, 0, 1, 0) + c2 (1, 0, −2, 1) + c3 (2, 0, 1, 2) = (1, −2, 2, 3)
40 124
3.2 Norm, Hasil Kali Titik, dan Jarak

3.2.1 Norm Vektor
Norm vektor, atau seringkali dikenal sebagai panjang vektor, dapat dihitung melalui Teorema Pythagoras
untuk vektor di R2 . Misalkan ~v = (v1 , v2 ), maka panjang ~v , dinotasikan k~v k adalah:
q
k~v k = v12 + v22
Kita perumum rumus tersebut untuk vektor di Rn .
Definisi 1 Norm Vektor

Jika ~v = (v1 , v2 , · · · , vn ) vektor di Rn , maka norm dari vektor ~v (dapat disebut panjang atau besar
vektor) adalah: q
k~v k = v12 + v22 + · · · + vn2
Contoh Soal 1. Tentukan panjang dari vektor ~v = (2, −1, 3, −5).

Solusi. p √
k~v k = 22 + (−1)2 + 32 + (−5)2 = 39

Definisi 1 secara implisit mengatakan bahwa:
1. Panjang vektor tidak mungkin negatif.
2. Panjang vektor nol akan nol.
3. Mengalikan vektor dengan suatu skalar akan menyebabkan panjangnya dikalikan dengan nilai mutlak
skalar tersebut.
Ketiga hal tersebut tersaji dalam teorema berikut.
Teorema 1 Sifat Norm Vektor

Jika ~v vektor di Rn dan k sebuah konstanta maka:
(a) k~v k ≥ 0
(b) k~v k = 0 jika dan hanya jika ~v = ~0
(c) kk~v k = |k| k~v k
Selanjutnya kita lihat bentuk vektor yang mempunyai panjang sebesar 1 yang disebut vektor satuan.
Guna dari vektor satuan ini adalah hanya untuk menunjukkan arah vektor saja. Cara membentuk dari
vektor satuan kita sebut sebagai normalisasi vektor. Misalkan kita ingin membuat vektor satuan dari ~v ,
sebut vektor satuannya sebagai ~u, maka kita cukup membagi vektor ~v dengan panjangnya.
~v
~u =
k~v k
1
Definisi tersebut didapat melalui teorema 1 poin (c) dengan memilih k = k~v k
.
41 124
Terkadang vektor ~v = (a, b, c) di R3 dapat dituliskan sebagai ~v = aî + bĵ + ck̂. Komponen-komponen
î, ĵ, dan k̂ dikenal sebagai vektor standar di R3 . Di bab selanjutnya kita akan melihat bahwa komponen-
komponen tersebut dapat membentuk ruang R3 . Penulisan ~v = aî + bĵ + ck̂ tak lain merupakan kombinasi
linier dari vektor-vektor komponen di R3 . Untuk Rn , kita notasikan vektor-vektor komponennya sebagai
eˆ1 , eˆ2 , · · · , eˆn dengan      
1 0 0
0 1 0
eˆ1 =  ..  eˆ2 =  ..  ··· eˆn =  .. 
     
. . .
0 0 1
3.2.2 Hasil Kali Titik dan Jarak
Dalam subbab ini kita akan melihat cara menghitung jarak dan sudut dari dua buah vektor, serta mempelajari
operasi baru yang disebut hasil kali titik.
Pertama-tama, perhatikan kembali rumus pada saat kita ingin mencari jarak dari dua titik di R2 , sebutlah
titik P (x1 , y1 ) dan Q(x2 , y2 ) maka rumus jaraknya adalah sebagai berikut:
−→ p
d = P Q = (x2 − x1 )2 + (y2 − y1 )2
Kita dapat perumum definisi tersebut untuk titik di Rn .
Definisi 2 Jarak di Rn
Jika U (u1 , u2 , · · · , un ) dan V (v1 , v2 , · · · , vn ) titik di Rn , maka jarak dari kedua titik tersebut adalah
−−→ p
d(U, V ) = U V = k~u − ~v k = (u1 − v1 )2 + (u2 − v2 )2 + · · · + (un − vn )2
Hal kedua yang ingin kita cari tahu adalah mengenai sudut apit kedua vektor. Kita definisikan terlebih
dahulu sebuah operasi penting dalam vektor, yaitu hasil kali titik.
Definisi 3 Hasil Kali Titik dan Sudut Apit

Jika vektor ~u dan ~v tak nol di R2 atau R3 dan jika θ adalah sudut apit kedua vektor, maka hasil kali titik
(disebut juga dot product atau hasil kali dalam Euclid) dari ~u dan ~v adalah:
~u · ~v = k~uk k~v k cos θ
Untuk salah satu vektor dari ~u atau ~v (atau keduanya) adalah vektor nol, maka ~u · ~v = 0.
Bila kita ingin mencari sudut apit, maka kita dapatkan:
~u · ~v
cos θ = (3.1)
k~uk k~v k
Untuk 0 ≤ θ ≤ π, kita dapatkan informasi berikut:
• θ merupakan sudut lancip jika ~u · ~v > 0.
• θ merupakan sudut siku-siku jika ~u · ~v = 0.
• θ merupakan sudut tumpul jika ~u · ~v < 0.
42 124
Selanjutnya, kita akan melihat perhitungan hasil kali titik dari sisi komponen
yang dimiliki dari kedua vektor yang bersangkutan. Perhatikan gambar 3.1.
Misalkan ~u = (u1 , u2 , u3 ) dan ~v = (v1 , v2 , v3 ) vektor tak nol. Dengan menggu-
nakan aturan Cosinus, kita dapatkan:
−→ 2
P Q = k~uk2 + k~v k2 − 2 k~uk k~v k cos θ (3.2)
−→
Karena P Q = ~v − ~u maka persamaan (3.2) dapat ditulis menjadi:
1
k~uk k~v k cos θ = (k~uk2 + k~v k2 − k~v − ~uk2 ) (3.3)
2 Gambar 3.1: Ilustrasi Hasil
atau Kali Titik
1
~u · ~v = (k~uk2 + k~v k2 − k~v − ~uk2 ) (3.4)
2
Kita ketahui bahwa
k~uk2 = u21 + u22 + u23 k~v k2 = v12 + v22 + v32
Maka setelah disederhanakan, persamaan (3.4) akan menjadi
~u · ~v = u1 v1 + u2 v2 + u3 v3 (3.5)
Hal yang sama dapat kita lakukan di Rn .
Definisi 4 Hasil Kali Titik

Jika vektor ~u = (u1 , u2 , · · · , un ) dan ~v = (v1 , v2 , · · · , vn ) di Rn , maka hasil kali titiknya adalah
~u · ~v = u1 v1 + u2 v2 + · · · + un vn
Perhatikan jika ~u = ~v maka

~v · ~v = v12 + v22 + · + vn2 = k~v k2
sehingga didapat hubungan antara hasil kali titik dengan panjang suatu vektor.
Hal selanjutnya yang akan kita lihat adalah sifat-sifat dari hasil kali titik.
Teorema 2 Sifat Hasil Kali Titik

~ di Rn dan k sebuah konstanta, maka
Jika vektor ~u, ~v , dan w
(a) (sifat simetris) ~u · ~v = ~v · ~u
(b) (sifat distributif) ~u · (~v + w)
~ = ~u · ~v + ~u · w
~
(c) (sifat homogenitas) k(~u · ~v ) = (k~u) · ~v
(d) (sifat positivitas) ~v · ~v ≥ 0 dan ~v · ~v = 0 jika dan hanya jika ~v = ~0
(e) ~0 · ~v = ~v · ~0 = 0
(f) (~u + ~v ) · w
~ = ~u · w
~ + ~v · w
~
(g) ~u · (~v − w)
~ = ~u · ~v − ~u · w
~
(h) (~u − ~v ) · w
~ = ~u · w
~ − ~v · w
~
(i) k(~u · ~v ) = ~u · (k~v )
43 124
Bukti dari teorema 2 poin (a)-(d) mengacu pada definsi hasil kali titik, sedangkan poin (e)-(i) dapat
dibuktikan dengan menggunakan poin (a)-(d).
Teorema selanjutnya yang akan kita bahas mengacu pada persamaan (3.1).
Perhatikan bahwa −1 ≤ cos θ ≤ 1 sehingga
~u · ~v |~u · ~v |
−1 ≤ ≤1⇔ ≤1
k~uk k~v k k~uk k~v k
Maka muncul teorema yang dikenal sebagai Ketaksamaan Cauchy-Schwarz.
Teorema 3 Ketaksamaan Cauchy-Schwarz

Jika ~u = (u1 , u2 , · · · , un ) dan ~v = (v1 , v2 , ·, vn ) vektor tak nol di Rn maka
|~u · ~v | ≤ k~uk k~v k
Teorema berikut adalah mengenai beberapa bentuk geometri di Rn , yaitu segitiga dan jajargenjang.
Teorema 4 Ketaksamaan Segitiga

~ vektor di Rn maka
Jika ~u, ~v , dan w
(a) (ketaksamaan segitiga untuk vektor) k~u + ~v k ≤ k~uk + k~v k
(b) (ketaksamaan segitiga untuk jarak) d(~u, ~v ) ≤ d(~u, w)

~ + d(w,
~ ~v )
Teorema 5 Persamaan Jajargenjang untuk Vektor

n
Jika ~u dan ~v vektor di R maka
k~u + ~v k2 + k~u − ~v k2 = 2(k~uk2 + k~v k2 )
3.2.3 Soal Latihan

1. Diberikan vektor ~u = (−2, −1, 4, 5), ~v = (3, 1, −5, 7), dan w
~ = (−6, 2, 1, 1). Tentukan:
a) ~u · ~v d) k3~uk − 5 k~v k + kwk

b) cos θ dengan θ merupakan sudut apit vektor
e) k− k~uk ~v k
~v dengan w~
c) k3~u − 5~v + wk
~ f) kk~u − ~v k wk
~
2. Misal r~0 = (x0 , y0 ) adalah sebuah vektor di R2 . Tentukan himpunan semua vektor ~r yang memenuhi
k~r − r~0 k ≤ 1.
3. Jika k~v k = 2 dan kwk

~ = 3, tentukan nilai terbesar dan terkecil dari k~v − wk.
~ Berikan interpretasi
geometrinya.
44 124
3.3 Ortogonalitas
3.3.1 Vektor Ortogonal
Kembali ke persamaan (3.1), kita definsikan sebuah istilah ketika θ = π2 .
Definisi 1 Ortogonal
Dua buah vektor tak nol ~u dan ~v di Rn dikatakan ortogonal (atau tegak lurus) jika ~u · ~v = 0. Vektor nol
akan tegak lurus dengan semua vektor di Rn .
Sebagai contoh, vektor-vektor pembangun R2 saling ortogonal karena î · ĵ = 0.

Informasi tentang keortogonalan tersebut yang akan kita gunakan dalam bidang geometri yang kita
sebut sebagai vektor normal. Perhatikan gambar 3.2.
Gambar 3.2: Vektor Normal pada Garis dan Bidang

Vektor normal adalah vektor tak nol yang tegak lurus dengan garis atau bidang. Pada gambar 3.2 kita
dapatkan bentuk umum dari vektor normal adalah:
−−→
~n · P0 P = 0
dengan P0 dan P adalah titik di garis atau bidang. Sebagai contoh untuk garis, kita dapatkan:
−−→
P0 P = (x − x0 , y − y0 ) (3.6)
Maka persamaannya akan menjadi
(a, b) · (x − x0 , y − y0 ) = 0 (3.7)
⇔a(x − x0 ) + b(y − y0 ) = 0 (3.8)
Hal yang serupa untuk persamaan bidang.
Contoh Soal 1. Tentukan persamaan bidang yang melalui titik (3, 0, 7) dan mempunyai vektor
normal ~n = (4, 2, −5).
Solusi.
(x − 3, y − 0, z − 7) · (4, 2, −5) = 0 ⇔ 4(x − 3) + 2y − 5(z − 7) = 0

Teorema 1 Representasi Geometri dari Persamaan
(a) Jika a dan b konstanta tak nol, maka bentuk persamaan
ax + by + c = 0
merepresentasikan garis di R2 dengan normal ~n = (a, b).
45 124
(b) Jika a, b, dan c konstanta tak nol, maka bentuk persamaan
ax + by + cz + d = 0
merepresentasikan bidang di R3 dengan normal ~n = (a, b, c).
3.3.2 Proyeksi Ortogonal

Dalam pelajaran Fisika saat kita mempelajari vektor secara geometri, kita seringkali menguraikan vektor
menjadi komponen-komponen di sumbu x dan sumbu y. Sebagai contoh, jika vektor ~u dan ~a di R2 dan titik
awalnya berada di titik Q, maka kita akan menguraikan vektornya sesuai dengan prosedur berikut:
• Tarik garis dari ujung vektor ~u melewati ~a.
• Bentuk vektor w~1 dari titik Q sampai garis yang sudah dibuat sebelumnya.
• Bentuk vektor w~2 yang memenuhi w~2 = ~u − w~1 .
Gambar 3.3: Ilustrasi Penguraian Vektor
Teorema berikut akan menunjukkan bahwa penguraian vektor tersebut berlaku di Rn .
Teorema 2 Proyeksi Ortogonal

Jika ~u dan ~a vektor di R dan jika ~a 6= ~0, maka ~u dapat dibentuk menjadi satu kemungkinan dalam
n
bentuk ~u = w~1 + w~2 , di mana w~1 adalah kelipatan skalar dari ~a dan w~2 ortogonal dengan ~a.
Bukti. Karena vektor w~1 kelipatan skalar dari ~a maka dapat kita tuliskan
w~1 = k~a (3.9)
Sehingga kita dapatkan
~u = w~1 + w~2 = k~a + w~2 (3.10)
Perhatikan bahwa hasil kali titik antara ~u dan ~a akan menghasilkan
~u · ~a = (k~a + w~2 ) · ~a = k k~ak2 + (w~2 · ~a) (3.11)
Karena w~2 ortogonal dengan ~a maka hasil kali titiknya akan bernilai nol. sehingga k memenuhi persamaan
berikut
~u · ~a
k= (3.12)
k~ak2
Sebagai nilai k yang tunggal.
Nama lain dari vektor w~1 dan w~2 berturut-turut adalah proyeksi ortogonal terhadap ~a (dinotasikan
proj~a~u) dan vektor komponen ~u yang otrogonal dengan ~a (dinotasikan ~u − proj~a~u) yang memenuhi
~u · ~a ~u · ~a
proj~a~u = ~a ~u − proj~a~u = ~u − ~a
k~ak2 k~ak2
46 124
Contoh Soal 2. Tentukan proyeksi vektor ~u = (2, −1, 3) terhadap ~a = (4, −1, 2).
Solusi.
~u · ~a = (2)(4) + (−1)(−1) + (3)(2) = 15 k~ak2 = 42 + (−1)2 + 22 = 21
Sehingga proyeksi ortogonalnya menjadi:

15 20 5 10
proj~a~u = (4, −1, 2) = ,− ,
21 7 7 7

Selanjutnya kita akan lihat panjang dari vektor hasil proyeksi ortogonal. Penurunannya adalah sebagai
berikut.
~u · ~a ~u · ~a |~u · ~a| k~uk k~ak | cos θ|
kproj~a~uk = 2~a = 2 k~
ak = = = k~uk | cos θ|
k~ak k~ak k~ak k~ak
Sesuai dengan rumus yang kita gunakan pada saat SMA.
3.3.3 Masalah Jarak

Kita akan melihat bagaimana proyeksi ortogonal menyelesaikan beberapa permasalahan tentang jarak.
Teorema 3 Jarak Garis atau Bidang ke Titik
(a) Dalam R2 , jarak dari titik P0 (x0 , y0 ) ke garis ax + by + c = 0 adalah
|ax0 + by0 + c|
D= √
a2 + b 2
(b) Dalam R3 , jarak dari titik P0 (x0 , y0 , z0 ) ke garis ax + by + cz + d = 0 adalah
|ax0 + by0 + cz0 + d|

D= √
a2 + b 2 + c 2
Bukti. Bukti akan diberikan untuk teorema poin (b). Diberikan bidang dengan persamaan ax + by +
cz +d = 0 sehingga ~n = (a, b, c). Misalkan Q(x1 , y1 , z1 ) sebuah titik pada bidang tersebut. Jarak dari bidang
~ 0 terhadap ~n (verifikasi).
ke titik P0 (x0 , y0 , z0 ) tak lain adalah panjang dari proyeksi ortogonal vektor QP
−−→
−−→ |QP0 · ~n|
D = proj~n QP0 = (3.13)
k~nk
Dengan
−−→
QP0 = (x0 − x1 , y0 − y1 , z0 − z1 )
−−→
QP0 · ~n = a(x0 − x1 ) + b(y0 − y1 ) + c(z0 − z1 )
√
k~nk = a2 + b2 + c2
dan x1 , y1 , dan z1 memenuhi persamaan
ax1 + by1 + cz1 + d = 0 ⇔ d = −ax1 − by1 − cz1
maka
−−→
QP0 · ~n = ax0 + by0 + cz0 − d
47 124
persamaan (3.13) akan menjadi

|ax0 + by0 + cz0 + d|
D= √
a2 + b 2 + c 2

Contoh Soal 3. Tentukan jarak dari titik (1, −4, −3) ke bidang 2x − 3y + 6z = −1.
Solusi. Persamaan bidang dapat dituliskan menjadi 2x − 3y + 6z + 1 = 0 sehingga didapat
|2(1) + (−3)(−4) + 6(−3) + 1| 3
D= p =
2 2
2 + (−3) + 6 2 7

Masalah mengenai jarak terakhir adalah menghitung jarak antara dua bidang sejajar. Prinsip dasar dari
perhitungan jarak dua bidang yang sejajar adalah jarak dari titik bidang pertama ke titik bidang kedua akan
selalu sama. Untuk lebih jelasnya kita lihat contoh soal berikut.
Contoh Soal 4. Tentukan jarak dari bidang pertama x+2y−2z = 3 ke bidang kedua 2x+4y−4z =
7.
Solusi. Kita verifikasi terlebih dahulu bahwa kedua bidang tersebut sejajar. Perhatikan bahwa n~1 = (1, 2, −2)
dan n~2 = (2, 4, −4) saling berkelipatan. Maka bidang tersebut sejajar.
Untuk menentukan jarak dari kedua bidang, kita pilih sebuah titik. Pilih y = z = 0 (untuk mempermudah
perhitungan), sehingga pada bidang pertama kita dapatkan titik x = 3 atau P0 (3, 0, 0). Jarak dari titik P0
ke bidang kedua adalah
|2(3) + 4(0) + (−4)(0)| 1
D= p =
2 2
2 + 4 + (−4) 2 6

3.3.4 Soal Latihan

1. Tentukan jarak antara kedua bidang berikut.
(−4, 1, 2) · (x, y, z) = 0 dan (8, −2, −4) · (x, y, z) = 0
Petunjuk: mulai dengan menunjukkan bahwa kedua bidang tersebut sejajar.
2. Periksa bahwa jika ~a dan ~b vektor yang saling ortogonal maka untuk setiap vektor ~u tak nol:
proj~a (proj~b~u) = ~0
3. Apakah ada vektor ~u dan ~a yang memenuhi proj~u~a = proj~a~u? Jelaskan.
3.4 Hasil Kali Silang

3.4.1 Definisi dan Sifat Hasil Kali Silang
Setelah hasil kali titik, kita lihat operasi hasil kali lainnya pada vektor, yaitu hasil kali silang.
Definisi 1 Hasil Kali Silang

Jika ~u = (u1 , u2 , u3 ) dan ~v = (v1 , v2 , v3 ) vektor di dimensi tiga, maka hasil kali silang ~u × ~v adalah
vektor dengan persamaan:
~u × ~v = (u2 v3 − u3 v2 , u3 v1 − u1 v3 , u1 v2 − u2 v1 )
atau dalam notasi determinan:

î ĵ k̂
~u × ~v = u1 u2 u3
v1 v2 v3
48 124
Perhatikan bahwa hasil dari perkalian silang berupa vektor. Vektor tersebut akan tegak lurus dengan
kedua vektor lainnya. Sebagai contoh ~u × ~v akan tegak lurus dengan ~u dan ~v .
Contoh Soal 1. Tentukan ~u × ~v di mana ~u = (1, 2, −2) dan ~v = (3, 0, 1).
Solusi.
î ĵ k̂
~u × ~v = 1 2 −2 = (2, −7, −6)
3 0 1

Beberapa sifat terkait hasil kali silang adalah sebagai berikut:
Teorema 1 Hubungan Hasil Kali Silang dengan Hasil Kali Titik

Jika ~u, ~v , dan w
~ vektor di dimensi tiga, maka:
• ~u · (~u × ~v ) = 0
• ~v · (~u × ~v ) = 0
• k~u × ~v k2 = k~uk2 k~v k2 − (~u · ~v )2 (Identitas Lagrange)
• ~u × (~v × w)
~ = (~u · w)
~ × ~v − (~u · ~v ) × w
~
• (~u × ~v ) × w
~ = (~u · w)
~ × ~v − (~v · w)
~ × ~u
Teorema 2 Sifat Hasil Kali Silang

Jika ~u, ~v , dan w
~ vektor di dimensi tiga dan k sebuah skalar, maka:
• ~u × ~v = −(~v × ~u)
• ~u × (~v + w)
~ = (~u × ~v ) + (~u × w)
~
• (~u + ~v ) × w
~ = (~u × w)
~ + (~v × w)
~
• k(~u × ~v ) = (k~u) × ~v = ~u × (k~v )
• ~u × ~0 = ~0 × ~u = ~0
• ~u × ~u = ~0
Semua bukti dari kedua teorema tersebut didasarkan pada definisi hasil kali silang.
Selanjutnya kita akan bentuk persamaan lain dari hasil kali silang. Perhatikan kembali identitas Lagrange:
k~u × ~v k2 = k~uk2 k~v k2 − (~u · ~v )2
Dengan menggunakan definisi hasil kali titik, perhatikan bahwa:
k~u × ~v k2 = k~uk2 k~v k2 − k~uk2 k~v k2 cos2 θ
= k~uk2 k~v k2 (1 − cos2 θ)
= k~uk2 k~v k2 sin2 θ
Karena untuk 0 ≤ θ ≤ π kita dapatkan sin θ ≥ 0, maka kita dapat tuliskan:
k~u × ~v k = k~uk k~v k sin θ
49 124
3.4.2 Interpretasi Geometri Hasil Kali Silang

Teorema berikut menunjukkan interpretasi geometri terhadap panjang hasil kali silang.
Teorema 3 Luas Jajargenjang

Jika ~u dan ~v vektor di dimensi tiga, maka k~u × ~v k akan sama dengan luas jajargenjang yang dibentuk
oleh kedua vektor tersebut.
Gambar 3.4: Ilustrasi Teorema 3
Contoh Soal 2. Tentukan luas segitiga yang terbentuk dari titik P1(2, 2, 0), P2 (−1, 0, 2), dan
P3 (0, 4, 3).
Gambar 3.5: Ilustrasi Contoh Soal 2
Solusi. Pada gambar 3.5 terlihat bahwa luas segitiga akan selalu setengah dari luas jajargenjang yang
−−→
terbentuk. Pertama-tama kita tentukan vektor-vektornya terlebih dahulu. Didapat P1 P2 = (−3, −2, 2) dan
−−→
P1 P3 = (−2, 2, 3). Sehingga didapat:
−−→ −−→
P1 P2 × P1 P3 = (−10, 5, −10)
Sehingga luas segitiganya:

1 −−→ −−→ 15
A= P1 P2 × P1 P3 =
2 2

3.4.3 Soal Latihan

1. Sederhanakan (~u + ~v ) × (~u − ~v ).
2. Hitung luas segitiga dengan titik sudutnya A(1, 0, 1), B(0, 2, 3), dan C(2, 1, 0). Lalu gunakan hasil
tersebut untuk menghitung jarak titik C ke sisi AB.
50 124
Bab 4
Ruang Vektor Umum
Sebelumnya, kita mengenal vektor sebagai segmen suatu garis yang selanjutnya kita perumum dalam
sistem koordinat persegi panjang sebagai pasangan 2 atau 3 bilangan real. Hal ini bisa terus diperumum
sebagai pasangan n buah bilangan real yang meskipun diluar kemampuan imajinasi kita. Pada bab kali
ini, kita lagi-lagi akan memperumum konsep vektor dengan memanfaatkan beberapa aksioma, sehingga
himpunan suatu objek dapat kita katakan sebagai vektor juga.
4.1 Ruang Vektor Real

4.1.1 Aksioma Ruang Vektor Real dan Sifatnya
Subbab ini berfokus pada ruang vektor dengan skalar bilangan real, untuk skalar bilangan kompleks tidak
dibahas. Kita mulai dengan memperkenalkan apa itu ruang vektor:
Definisi 1 Aksioma Ruang Vektor Real

Misalkan V sebarang himpunan objek tak kosong dilengkapi dengan dua buah operasi yang terdefinisi,
yaitu penjumlahan dan perkalian oleh skalar (penjumlahan yang dimaksud adalah aturan mengaitkan
pasangan vektor ~u dan ~v dalam V dengan ~u + ~v dan perkalian dengan skalar yang dimaksud adalah
aturan mengaitkan suatu skalar k dan vektor ~u dalam V dengan k~u). V dikatakan ruang vektor dan
anggota V dikatakan vektor jika aksioma berikut dipenuhi oleh semua anggota ~u, ~v , w
~ dalam V dan
semua skalar k dan m:
1. jika ~u dan ~v anggota V , maka ~u + ~v anggota V (tertutup terhadap operasi penjumlahan).
2. ~u + ~v = ~v + ~u
3. ~u + (~v + w)
~ = (~u + ~v ) + w
~
4. Ada ~0 (disebut vektor nol) untuk setiap ~u pada V , sehingga ~u + ~0 = ~0 + ~u = ~u
5. Untuk setiap ~u pada V , ada −~u anggota V sehingga ~u + (−~u) = (−~u) + ~u = ~0
6. Jika k suatu skalar dan vektor ~u anggota V , maka k~u anggota V (tertutup terhadap operasi
perkalian dengan skalar).
7. k(~u + ~v ) = k~u + k~v
8. (k + m)~u = k~u + m~u
9. k(m~u) = (km)~u
10. 1~u = ~u
51 124
Contoh Soal 1. Misalkan V = Rn dan definisikan operasi penjumlahan dan perkalian dengan skalar
yang biasa kita kenal. Tunjukkan bahwa V merupakan ruang vektor.
Solusi. Ambil sebarang ~u, ~v anggota V , kenakan operasi sehingga diperoleh:
~u + ~v = (u1 , u2 , · · · , un ) + (v1 , v2 , · · · , vn ) = (u1 + v1 , u2 + v2 , · · · , un + vn )
k~u = (ku1 , ku2 , · · · , kun )

Jadi V tertutup terhadap operasi penjumlahan dan perkalian dengan skalar. Selanjutnya:
~u + ~v = (u1 , u2 , · · · , un ) + (v1 , v2 , · · · , vn ) = (u1 + v1 , u2 + v2 , · · · , un + vn )
Karena dalam himpunan bilangan real yang dilengkapi operasi penjumlahan dan perkalian berlaku a + b =
b + a, maka
(u1 + v1 , u2 + v2 , · · · , un + vn ) = (v1 + u1 , v2 + u2 , · · · , vn + un )
= (v1 , v2 , · · · , vn ) + (u1 , u2 , · · · , un )
= ~v + ~u
Jadi V memenuhi aksioma 2, sisanya dapat diuji kebenarannya dengan cara yang serupa. kita simpulkan V
adalah ruang vektor.
Ada tak hingga banyak ruang vektor yang dapat dibentuk dan ada juga yang bukan. Dapat diuji
bahwa himpunan V = {0} juga merupakan ruang vektor, yang biasa kita sebut dengan ruang vektor nol,
himpunan matriks berukuran m × n dengan operasi yang biasa didefinisikan pada matriks, fungsi bernilai
real, dan masih banyak lagi.
Membuktikan suatu himpunan bukan merupakan ruang vektor lebih mudah, karena kita cukup mencari
setidaknya satu buah aksioma yang tidak atau gagal dipenuhi, berikut ini diberikan contohnya.
Contoh Soal 2. Misalkan V = R2 dan definisikan operasi penjumlahan dan perkalian dengan
skalar, sebagai berikut: Jika ~u = (u1 , u2 ) dan ~v = (v1 , v2 ), maka definisikan
~u + ~v = (u1 + v1 , u2 + v2 )
dan jika k suatu skalar, maka definisikan

k~u = (ku1 , 0)
Tunjukkan bahwa V bukan merupakan ruang vektor.
Solusi. Perhatikan bahwa aksioma ke-10 gagal dipenuhi karena
1~u = (1 · u1 , 0) = (u1 , 0) 6= ~u
Jadi V dengan operasi yang didefinisikan bukan ruang vektor.

Selanjutnya, diberikan teorema yang biasa kita kenal tetapi kali ini pada ruang vektor secara umum,
walaupun bukti yang diberikan tidak terlalu formal:
Teorema 1
Misalkan V suatu ruang vektor dan ~u vektor dalam V serta k suatu skalar, maka:
1. 0~u = ~0
2. k~0 = ~0
3. (−1)~u = −~u
4. Jika k~u = 0, maka k = 0 atau ~u = ~0
52 124
Bukti. Akan dibuktikan poin 1 dan poin 3.

(1) Dengan memanfaatkan aksioma 8 pada definisi 1 dan sifat pada himpunan bilangan real yang dilengkapi
operasi penjumlahan yang biasa kita kenal, perhatikan bahwa
0~u + 0~u = (0 + 0)~u
= 0~u
Gunakan aksioma 5 sehingga diperoleh:
(0~u + 0~u) + (−0~u) = 0~u + (−0~u)
Gunakan lagi aksioma 3,

0~u + (0~u + (−0~u)) = ~0
0~u + ~0 = ~0
Terakhir, kita gunakan aksioma 4 untuk memperoleh 0~u = ~0.
(3) Perhatikan bahwa
~u + (−1)~u = 1~u + (−1)~u
= (1 + (−1))~u
= 0~u = ~0
Karena invers penjumlahan dari suatu vektor adalah tunggal, kita simpulkan −~u = (−1)~u.
4.1.2 Soal Latihan

1. Misalkan V adalah himpunan pasangan terurut bilangan real dengan operasi penjumlahan dan
perkalian skalar k untuk ~u = (u1 , u2 ) dan ~v = (v1 , v2 ) sebagai berikut
~u + ~v = (u1 + v1 + 1, u2 + v2 + 1) k~u = (k u~1 , k u~2 )
Apakah V ruang vektor? Jelaskan jawaban Anda.

2. Ulangi pertanyaan nomor 1 untuk himpunan pasangan terurut bilangan real dengan penjumlahan
standar di R2 dan perkalian skalar:
k(u1 , u2 ) = (k 2 u1 , k 2 u2 )
3. Didefinisikan V ruang vektor yang berisi pasangan terurut bilangan real dalam bentuk (x, y) dengan
x ≥ 0 dan dilengkapi dengan operasi standar dalam R2 . Apakah V suatu ruang vektor? Jelaskan
jawaban Anda.
4.2 Subruang
4.2.1 Definisi Subruang
Ketika kita membentuk suatu ruang vektor, hal sederhana yang mungkin terpikir oleh kita adalah apakah
jika kita ambil subhimpunan dari ruang vektor tersebut, subhimpunan tersebut juga ruang vektor? akan
kita lihat bahwa tidak semua subhimpunan merupakan ruang vektor juga. Mari kita lihat terlebih dahulu
definisi berikut:
Definisi 1 Subruang
Suatu subhimpunan W dari ruang vektor V disebut subruang dari V jika W merupakan ruang vektor
dibawah operasi yang sama dengan V .
53 124
Perhatikan bahwa jika W adalah himpunan kosong, maka W tidak mengandung vektor nol, jadi tanpa
mengurangi keumuman kita hanya meninjau subhimpunan tak kosong.
Tentu akan sulit menguji subhimpunan yang mana saja yang merupakan ruang vektor, karena ada 10
aksioma yang perlu kita uji kebenarannya. Disini kita bisa melihat bahwa ada beberapa aksioma yang
tak perlu kita uji, karena sebagai subhimpunan, W membawa beberapa sifat dari V . sebagai contoh, sifat
~u + ~v = ~v + ~u pada W tidak perlu diuji karena sifat tersebut berlaku untuk setiap anggota V . Teorema
berikut menjawab apa saja syarat yang perlu kita uji:
Teorema 1
Misalkan V ruang vektor dan W subhimpunan tak kosong dari V , W merupakan subruang dari V jika
dan hanya jika pernyataan berikut dipenuhi:
1. jika ~u dan ~v anggota W , maka ~u + ~v anggota W
2. jika ~u anggota W dan k suatu skalar, maka k~u anggota W
Bukti. (⇒) Jika W subruang dari V , maka setiap aksioma ruang vektor dipenuhi oleh W , termasuk
poin 1 dan 2.
(⇐) Misalkan poin 1 dan 2 dipenuhi. Perhatikan bahwa aksioma 2, 3, 7, 8, 9, dan 10 pasti dipenuhi oleh W ,
karena W merupakan subhimpunan dari V . Akan dibuktikan aksioma 4 dan 5 dipenuhi. Misalkan ~u anggota
W , maka menurut poin 2, kita cukup memilih k = 0 dan k = −1 sehingga 0~u = ~0 dan (−1)~u = −~u ada
dalam W . Jadi, aksioma 4 dan 5 dipenuhi.
Cara membuktikan suatu himpunan merupakan subruang atau bukan serupa dengan membuktikan suatu
himpunan adalah ruang vektor atau bukan, tetapi jangan lupa membuktikan himpunan tersebut adalah
subhimpunan dari ruang vektor dan tak kosong. Dapat diuji bahwa berikut ini beberapa contoh subruang:
himpunan W = {0} subhimpunan dari ruang vektor V , maka W merupakan subruang dibawah operasi
yang sama dengan V , garis yang melewati titik asal merupakan subruang dari R2 atau R3 , dan masih
banyak lagi.
4.2.2 Membangun Subruang

Berikut ini diberikan teorema untuk membangun subruang baru dari subruang yang telah kita ketahui.
Teorema 2
Jika W1 , W2 , · · · , Wr merupakan subruang dari ruang vektor V , maka irisan dari subruang tersebut
merupakan subruang dari V juga.
Bukti. Misalkan W merupakan irisan dari subruang W1, W2, · · · , Wr . Pertama, irisannya tak kosong
karena setidaknya ada vektor nol. Kedua, irisannya jelas merupakan subhimpunan dari V . Selanjutnya,
ambil sebarang vektor ~u dan ~v pada W , maka ~u dan ~v juga ada pada subruang Wi , i = 1, 2, · · · , r karena W
merupakan irisannya. Akibatnya, vektor ~u + ~v juga ada pada setiap subruang sehingga ~u + ~v ada pada W .
Jadi, W tertutup terhadap operasi penjumlahan. Kasus W tertutup terhadap operasi perkalian serupa.
Berikutnya kita akan membahas cara membuat subruang terkecil dari ruang vektor V yang memuat
vektor yang kita inginkan. tetapi sebelumnya akan kita berikan definisi kombinasi linier yang lebih umum:

Jika ~u anggota dari ruang vektor V , maka ~u dikatakan kombinasi linier dari vektor ~v1 , ~v2 , · · · , ~vr dalam
54 124
V jika memenuhi bentuk

~u = k1~v1 + k2~v2 + · · · + kr~vr
dimana k1 , k2 , · · · , kr merupakan skalar (biasa disebut koefisien dari kombinasi linier).
Teorema 3
Jika S = {w ~ 2, · · · , w
~ 1, w ~ r } adalah subhimpunan tak kosong dari ruang vektor V , maka:
1. himpunan seluruh kemungkinan kombinasi linier dari S, sebutlah W , merupakan subruang dari
V.
2. himpunan W di atas merupakan subruang terkecil dari V yang memuat seluruh vektor di S.
Bukti. Misalkan W merupakan himpunan semua kemungkinan kombinasi linier dari vektor-vektor di
S, akan dibuktikan S tertutup terhadap operasi penjumlahan dan perkalian skalar yang biasa kita kenal.
Misalkan
~u = c1 w ~ 2 + · · · + cr w
~ 1 + c2 w ~ r dan ~v = k1 w ~ 2 + · · · + kr w
~ 1 + k2 w ~r
dua vektor dalam S, jumlahkan kedua vektor sehingga
~u + ~v = (c1 + k1 )w ~ 2 + · · · + (cr + kr )w
~ 1 + (c2 + k2 )w ~r
yang juga masih merupakan kombinasi linier dari vektor-vektor dalam S. Jadi, W tertutup terhadap operasi
penjumlahan. Dengan cara serupa kita bisa buktikan W tertutup terhadap operasi perkalian dengan skalar.
Kita simpulkan bahwa W subruang dari V .
Untuk membuktikan bahwa W adalah himpunan terkecil, misalkan W 0 subruang lain dari V yang
memuat vektor-vektor dalam S. Karena W 0 tertutup terhadap operasi penjumlahan dan perkalian dengan
skalar, maka W 0 mengandung seluruh kombinasi linier dari vektor-vektor dalam S, sehingga W 0 memuat
W.
Sekarang mari kita berikan notasi yang cukup penting terkait teorema di atas:
Definisi 3 Vektor Pembangun

Subruang dari ruang vektor V yang terbentuk dari semua kombinasi linier dari vektor-vektor yang
dimuat dalam himpunan tak kosong S kita sebut span dari S, dan kita katakan vektor-vektor dalam
S span (membangun) subruang tersebut. Jika S = {w ~ 2, · · · , w
~ 1, w ~ r }, maka kita notasikan span dari S
dengan span{w ~ 2, · · · , w
~ 1, w ~ r } atau span(S).
Sebagai contoh, vektor unit pada Rn adalah
ê1 = (1, 0, 0, · · · , 0), ê2 = (0, 1, 0, · · · , 0), · · · , ên = (0, 0, · · · , 1)
Vektor-vektor ini membangun Rn karena untuk setiap vektor ~u = (u1 , u2 , · · · , un ) anggota Rn , ~u dapat
ditulis menjadi
~u = u1 ê1 + u2 ê2 + · · · + un ên
yang adalah kombinasi linier dari ê1 , ê2 , · · · , ên . Untuk kasus di R3 , maka
î = (1, 0, 0), ĵ = (0, 1, 0), dan k̂ = (0, 0, 1)
merupakan pembangun dari R3 , yang biasa kita kenal di SMA.

55 124
Contoh lain yang tak kalah menarik adalah mengenai polinomial. Kita tahu bahwa himpunan yang berisi
polinom yang disertai dengan operasi penjumlahan dan perkalian dengan skalar merupakan ruang vektor
(Pn ). Perhatikan bahwa himpunan P = {1, x, x2 , · · · , xn } juga membanngun Pn .
Sekarang kita mulai membahas 2 masalah penting mengenai kombinasi linier dan span, yaitu menentukan
apakah suatu vektor merupakan kombinasi linier dari vektor-vektor di Rn dalam suatu himpunan dan
menentukan apakah vektor-vektor di Rn dalam suatu himpunan membangun Rn .
Contoh Soal 1. Misalkan ~u = (1, 2, −1) dan ~v = (6, 4, 2) vektor di R3. Tunjukkan bahwa w~ =
~ 0 = (4, −1, 8) bukan kombinasi linier dari vektor ~u dan ~v .
(9, 2, 7) adalah kombinasi linier dan w
Solusi. Untuk membuktikan suatu vektor merupakan kombinasi linier atau bukan, definisikan k1 dan k2
sebagai koefisien dari kombinasi linier sehingga
~ = (9, 2, 7) = k1~u + k2~v = k1 (1, 2, −1) + k2 (6, 4, 2)

w
⇔ (9, 2, 7) = (k1 + 6k2 , 2k1 + 4k2 , −k1 + 2k2 )

Kita peroleh k1 + 6k2 = 9, 2k1 + 4k2 = 2, dan −k1 + 2k2 = 7. Dengan menggunakan eliminasi Gauss,
akan diperoleh k1 = −3 dan k2 = 2. Jadi, w
~ = −3~u + 2~v . Dengan cara yang serupa,
~ 0 = (4, −1, 8) = k1~u + k2~v = k1 (1, 2, −1) + k2 (6, 4, 2)

w
⇔ (4, −1, 8) = (k1 + 6k2 , 2k1 + 4k2 , −k1 + 2k2 )

Dapat diuji bahwa tidak ada k1 dan k2 yang memenuhi. Jadi, w ~ 0 bukan kombinasi linier dari ~u dan ~v .
Contoh Soal 2. Tentukan apakah v1 = (1, 1, 2), v2 = (1, 0, 1), dan v3 = (2, 1, 3) membangun
vektor di R3 .
Solusi. Ambil sebarang vektor (a, b, c) anggota R3 , kita perlu menguji apakah ada k1 , k2 , dan k3 sehingga
(a, b, c) = k1 (1, 1, 2) + k2 (1, 0, 1) + k3 (2, 1, 3) (1)
ingat kembali bahwa pada poin (e) dan (g) pada teorema 7 di subbab 2.3 dikatakan bahwa SPL A~x = ~b
konsisten jika det(A) 6= 0. Perhatikan bahwa matriks koefisien dari persamaan (1) adalah
 
1 1 2
1 0 1
2 1 3
yang memiliki determinan 0. Jadi solusi tak konsisten dan tak ada k1 , k2 , dan k3 yang memenuhi. Kita
simpulkan bahwa vektor ~v1 , ~v2 , dan ~v3 tidak membangun R3 .
4.2.3 Ruang Solusi SPL Homogen

Solusi dari SPL homogen A~x = ~0 dengan m persamaan dan n variabel, dapat dipandang sebagai vektor di
Rn . Berikut ini diberikan teorema yang membantu kita melihat sisi geometri dari himpunan solusi tersebut.
Teorema 4
Himpunan solusi dari SPL homogen A~x = ~0 dengan n variabel membentuk subruang dari Rn .
Bukti. Misalkan W merupakan himpunan solusi dari sistem di atas. Jelas W tak kosong karena ada
setidaknya vektor nol yang memenuhi SPL dan juga W merupakan subhimpunan dari Rn . Sekarang akan
dibuktikan W tertutup terhadap operasi penjumlahan dan perkalian dengan skalar. Ambil sebarang ~x1 dan
~x2 dalam W . Karena vektor tersebut merupakan solusi dari SPL, maka kedua vektor memenuhi A~x1 = ~0
dan A~x2 = ~0.
Perhatikan bahwa
A(~x1 + ~x2 ) = A~x1 + A~x2 = ~0 + ~0 = ~0
56 124
dan
A(kx1 ) = k(Ax1 ) = k~0 = ~0
menurut sifat aljabar dari matriks. Jadi W tertutup terhadap operasi penjumlahan dan perkalian dengan
skalar. Kita simpulkan W adalah subruang (Kita sebut sebagai ruang solusi).
Contoh Soal 3. Misalkan terdapat SPL homogen
    
1 −2 3 x 0
2 −4 6 y  = 0
3 −6 9 z 0
Tentukan ruang solusinya.

Solusi. Dapat diuji bahwa solusi dari SPL adalah x = 2s − 3t, y = s, dan z = t, dengan s dan t adalah
parameter. Jadi solusinya adalah (2s − 3t, s, t) = s(2, 1, 0) + t(−3, 0, 1) sehingga ruang solusinya adalah
span{(2, 1, 0), (−3, 0, 1)}.
Sebagai penutup, penting untuk disadari bahwa himpunan pembangun tidaklah tunggal. Berikut ini
teorema yang menyatakan kondisi dimana 2 buah himpunan pembangun akan membangun ruang yang
sama.
Teorema 5
Jika S = {v1 , v2 , · · · , vr } dan S 0 = {w1 , w2 , · · · , wr } adalah himpunan tak kosong vektor dalam ruang
vektor V , maka
span{v1 , v2 , · · · , vr } = span{w1 , w2 , · · · , wr }
jika dan hanya jika setiap vektor dalam S adalah kombinasi linier dari vektor dalam S 0 , dan begitu pula
sebaliknya.
Bukti. (⇒) Misalkan span{v1, v2, · · · , vr } = span{w1, w2, · · · , wr } dipenuhi, ini berarti
span{v1 , v2 , · · · , vr } ⊆ span{w1 , w2 , · · · , wr } (4.1)
dan
span{w1 , w2 , · · · , wr } ⊆ span{v1 , v2 , · · · , vr } (4.2)
sehingga menurut (4.1), setiap vektor ~u anggota span{v1 , v2 , · · · , vr } dapat ditulis sebagai kombinasi linier
dari S 0 . Dengan kata lain, vektor dalam S dapat ditulis sebagai kombinasi linier dari vektor dalam S 0 , begitu
pula menurut (4.2), vektor dalam S 0 dapat ditulis menjadi kombinasi linier vektor-vektor dalam S.
(⇐)Misalkan benar bahwa setiap vektor dalam S dapat ditulis sebagai kombinasi linier dari vektor-vektor
dalam S 0 , begitu pula sebaliknya. ini berarti
v1 = a11 w1 + a12 w2 + · · · + a1r wr

v2 = a21 w1 + a22 w2 + · · · + a2r wr
..
.
vr = ar1 w1 + ar2 w2 + · · · + arr wr
Misalkan ~u suatu vektor yang dapat ditulis sebagai kombinasi linier dari vektor-vektor dalam S, maka
~u = k1~v1 + k2~v2 + · · · + kr~vr

⇔ = k1 (a11 w1 + a12 w2 + · · · + a1r wr )+
k2 (a21 w1 + a22 w2 + · · · + a2r wr )+
· · · + kr (ar1 w1 + ar2 w2 + · · · + arr wr )
57 124
Berarti
span{v1 , v2 , · · · , vr } ⊆ span{w1 , w2 , · · · , wr }
Dengan cara serupa dapat dibuktikan bahwa
span{w1 , w2 , · · · , wr } ⊆ span{v1 , v2 , · · · , vr }
Jadi, span{v1 , v2 , · · · , vr } = span{w1 , w2 , · · · , wr }.
4.2.3 Soal Latihan

~ ∈ Mn | det(A)
1. Periksa apakah A = {A ~ = 0} merupakan suatu subruang dari Mn .
2. Tentukan kombinasi linier dari −9 − 7x − 15x2 dari p~1 = 2 + x + 4x2 , p~2 = 1 − x + 3x2 , dan
p~3 = 3 + 2x + 5x2 .
3. Diberikan SPL homogen A~x = ~0 dengan

 
1 −1 1
A = 2 −1 4 
3 1 11
Tentukan solusi bagi SPL tersebut. Jelaskan pula interpretasi geometri dari ruang solusi yang
terbentuk.
4.3 Bebas Linier

Sekarang akan dibahas kapankah suatu vektor terkait dengan vektor-vektor yang lain, yang berarti kapan
suatu vektor dapat ditulis sebagai kombinasi linier dari vektor-vektor yang lain. Aplikasi dari subbab ini
akan banyak dipakai ke depannya.
4.3.1 Bebas Linier dan Bergantung Linier

Kita mulai dengan sebuah definisi:
Definisi 1 Bebas Linier

Jika S = (~v1 , ~v2 , · · · , ~vr ) adalah himpunan tak kosong yang berisi vektor-vektor dalam ruang vektor V ,
maka persamaan
k1~v1 + k2~v2 + · · · + kr~vr = ~0
memiliki setidaknya satu solusi, yaitu
k1 = 0, k2 = 0, · · · , kr = 0
Kita sebut solusi ini solusi trivial. Jika solusi trivial merupakan satu-satunya solusi, maka kita sebut S
sebagai himpunan yang bebas linier. Jika terdapat solusi lain, maka kita sebut S sebagai himpunan
yang bergantung linier.
Sebagai contoh, misalkan î = (1, 0, 0), ĵ = (0, 1, 0), dan k̂ = (0, 0, 1) vektor unit dari ruang vektor R3 .
Untuk membuktikan kebebasan linier dari ketiga vektor unit, kita perlu melihat nilai dari k1 , k2 , dan k3
dalam persamaan
k1 î + k2 ĵ + k3 k̂ = ~0
Dengan menggunakan aksioma ruang vektor, kita peroleh
(k1 , k2 , k3 ) = (0, 0, 0)
58 124
dan k1 = k2 = k3 = 0 merupakan solusi tunggal dari persamaan. Jadi, ketiga vektor unit tersebut saling
bebas linier.
Contoh Soal 1. Tentukan apakah vektor
~v1 = (1, −2, 3) ~v2 = (5, 6, −1) ~v3 = (3, 2, 1)
saling bebas linier atau tidak di R3 .
Solusi. Tinjau persamaan:
k1~v1 + k2~v2 + k3~v3 = ~0
dengan k1 , k2 , k3 skalar. Dengan menggunakan aksioma ruang vektor, kita peroleh:
(k1 , −2k1 , 3k1 ) + (5k2 , 6k2 , −k2 ) + (3k3 , 2k3 , k3 ) = (0, 0, 0)
⇔ (k1 + 5k2 + 3k3 , −2k1 + 6k2 + 2k3 , 3k1 − k2 + k3 ) = (0, 0, 0)
sistem persamaan linier dari menyamakan setiap komponen adalah:

 k1 + 5k2 + 3k3 = 0

−2k1 + 6k2 + 2k3 = 0

3k1 − k2 + k3 = 0

dapat diuji bahwa solusi yang diperoleh adalah k1 = − 12 t, k2 = − 12 t, dan k3 = t. Jadi, solusi trivial bukan
solusi satu-satunya sehingga ketiga vektor saling bergantung linier.
Cara lain yang dapat digunakan adalah dengan membentuk suatu matriks yang memuat vektor kolom
~v1 , ~v2 , ~v3 , yaitu:  
1 5 3
−2 6 2
3 −1 1
Dapat dilihat dari poin (b) dan (g) dari teorema 7 di 2.3, karena matriks di atas memiliki determinan 0,
maka sistem persamaan yang tadi telah diperoleh memiliki solusi nontrivial, sehingga ketiga vektor saling
bergantung linier.
2 n
Dapat diuji juga bahwa {1, x, x , · · · , x } merupakan himpunan yang bebas linier dalam ruang vektor
Pn .
Contoh Soal 2. Tentukan apakah polinomial
p~1 = 1 − x, p~2 = 5 + 3x + −2x2 , p~3 = 1 + 3x − x2
saling bebas linier atau tidak dalam P2 .
Solusi. Seperti biasa kita akan meninjau persamaan
k1 p~1 + k2 p~2 + k3 p~3 = ~0
Gunakan aksioma pada ruang vektor sehingga akan diperoleh
(k1 + 5k2 + k3 ) + (−k1 + 3k2 + 3k3 )x + (−2k2 − k3 )x2 = 0 + 0x + 0x2
dengan menyamakan setiap komponen, diperoleh sistem persamaan

 k1 + 5k2 + k3 = 0

−k1 + 3k2 + 3k3 = 0

− 2k2 − k3 = 0

dapat diuji bahwa sistem persamaan diatas memiliki solusi nontrivial, sehingga ketiga polinomial saling
bergantung linier.
Sekarang akan diberikan teorema mengenai hubungan antar vektor terkait sifat bebas linier atau bergan-
tung linier:
59 124
Teorema 1
Suatu himpunan S dengan setidaknya dua anggota merupakan:
(a) bergantung linier jika dan hanya jika setidaknya satu buah vektor di S dapat ditulis sebagai
kombinasi linier vektor lainnya di S.
(b) bebas linier jika dan hanya jika tidak ada vektor di S yang dapat ditulis sebagai kombinasi linier
dari vektor lainnya di S.
Bukti. Akan dibuktikan untuk poin (a) saja.

(⇒) Misalkan S = {~v1 , ~v2 , · · · , ~vr } himpunan dengan setidaknya terdapat dua vektor. Jika diasumsikan
S bergantung linier, berarti ada skalar yang tak nol bersama-sama k1 , k2 , · · · , kr memenuhi
k1~v1 + k2~v2 + · · · + kr~vr = ~0
Tanpa mengurangi keumuman, misalkan k1 tak nol, maka

k2 k3 kr
~v1 = − ~v2 + − ~v3 + · · · + − ~vr
k1 k1 k1
Jadi ~v1 dapat ditulis sebagai kombinasi linier dari vektor lain di S. Secara umum, misalkan ki tak nol,
i = 1, 2, · · · , r, akan diperoleh ~vi dapat ditulis sebagai kombinasi linier vektor lainnya di S.
(⇐) Misalkan setidaknya satu vektor di S dapat ditulis sebagai kombinasi linier dari vektor lainnya di S.
Tanpa mengurangi keumuman, misalkan vektor tersebut ~v1 , sehingga
~v1 = c2~v2 + c3~v3 + · · · + cr~vr
⇔ ~v1 − c2~v2 − c3~v3 − · · · − cr~vr = 0

ini berarti ada solusi nontrivial yang memenuhi persamaan
k1~v1 + k2~v2 + · · · + kr~vr = ~0
yaitu dengan memilih k1 = 1, k2 = −c2 , k3 = −c3 , · · · , kr = −cr yang tak secara bersamaan bernilai nol.
dapat diuji juga ini berlaku untuk setiap vektor lain di S, jadi S bergantung linier.
Dengan mudah kita bisa melihat bahwa pada contoh soal 1, ~v2 = −~v1 + 2~v3 . Jadi vektor-vektor tersebut
saling bergantung linier.
Sekarang akan diberikan teorema yang menjelaskan ciri-ciri penting untuk mempermudah kita mengenali
sifat kebebasan linier dari suatu himpunan:
Teorema 2
(a) Setiap himpunan terbatas yang mengandung ~0 pasti bergantung linier.
(b) Himpunan yang memiliki anggota tepat satu buah vektor bersifat bebas linier jika dan hanya jika
vektor bukan nol.
(c) Himpunan yang memiliki anggota tepat dua buah vektor bersifat bebas linier jika dan hanya jika
vektor yang satu bukan kelipatan vektor lainnya.
60 124
Bukti. Untuk poin (a), misalkan S = ~v1 , ~v2 , · · · , ~vr , ~0 himpunan yang berisi vektor. Himpunan ini
bergantung linier karena
0~v1 + 0~v2 + · · · + 1(~0) = ~0
sehingga ~0 dapat ditulis sebagai kombinasi linier dari vektor di S dengan koefisien yang tak nol secara
bersama-sama.
Poin (b) merupakan kasus khusus dari (a) dan poin (c) merupakan kasus khusus dari sifat bergantung
linier.
4.3.2 Interpretasi Geometri dari Kebebasan Linier

Kebebasan linier dapat dikaitkan dengan interpretasi geometri dari vektor di R2 dan R3 . Sebelumnya kita
telah berikan teorema mengenai sifat dua buah vektor bebas linier jika vektor yang satu bukan kelipatan
vektor lainnya, ini berarti bahwa dua buah vektor di R2 dan R3 bebas linier jika dan hanya jika kedua
vektor tidak segaris.
Gambar 4.1: Interpretasi Geometri dari Kebebasan Linier di R2 .

Selanjutnya, tiga buah vektor di R3 yang melewati titik asal bersifat bebas linier jika dan hanya jika ketiga
vektor tidak terletak dalam satu bidang.
Gambar 4.2: Interpretasi Geometri dari Kebebasan Linier di R3 .

Sekarang akan diberikan teorema yang nantinya akan banyak membantu kita:
Teorema 3
Misalkan S = {~v1 , ~v2 , · · · , ~vr } himpunan vektor di Rn . Jika r > n, maka S bergantung linier.
Bukti. Misalkan
~v1 = (v11 , v12 , · · · , v1n )
~v2 = (v21 , v22 , · · · , v2n )
..
.
~vr = (vr1 , vr2 , · · · , vrn )
dan perhatikan persamaan
k1~v1 + k2~v2 + · · · + kr~vr = ~0
Dengan mengubah persamaan di atas menjadi komponennya, lalu menyamakan setiap komponen di ruas
kiri dan kanan, maka diperoleh sistem
v11 k1 + v12 k2 + · · · + vr1 kr = 0
61 124
v12 k1 + v22 k2 + · · · + vr2 kr = 0

...
v1n k1 + v2n k2 + · · · + vrn kr = 0

Karena ini merupakan SPL homogen dengan n persamaan dan r variabel. Karena r > n, maka menurut
akibat 1 di 1.2.3 ada solusi nontrivial yang memenuhi. Jadi, S bergantung linier.
4.3.3 Soal Latihan

1. a) Tunjukkan bahwa v~1 = (1, 2, 3, 4), v~2 = (0, 1, 0, −1), dan v~3 = (1, 3, 3, 3) membentuk him-
punan yang bebas linier di R4 .
b) Bentuk masing-masing vektor pada (a) sebagai kombinasi linier dari kedua vektor lainnya.
2. Tentukan nilai k agar matriks berikut bebas linier di M22 .

1 0 −1 0 2 0
, ,
1 k k 1 1 3
3. Misalkan X = {(1, x1 , 1, 2), (1, x2 , 1, 1), (−2, x3 , −2, 0)} ⊆ R4 . Tentukan suatu syarat bagi
x1 , x2 , x3 ∈ R sehingga X bebas linier.
4.4 Koordinat dan Basis

Pada R2 dan R3 kita biasanya menggunakan sistem koordinat berbentuk persegi panjang untuk titik dengan
pasangan (2 atau 3) bilangan real. Sekarang akan diperjelas bahwa suatu koordinat sistem dalam aljabar
linier biasa dibentuk oleh vektor dibandingkan oleh sumbu koordinat.
4.4.1 Basis Ruang Vektor

Tidak sebarang vektor dapat dipakai sebagai "acuan" dalam membentuk sistem koordinat. Oleh sebab itu
mari kita lihat apa yang dimaksud "acuan" tersebut secara umum:
Definisi 1 Basis
Jika V suatu ruang vektor dan S = {~v1 , ~v2 , · · · , ~vr } adalah himpunan berhingga vektor di V , maka S
dikatakan basis bagi V jika 2 kondisi berikut dipenuhi:
1. S bebas linier.
2. S membangun (span) V .
Jika kita memandang basis dalam menjelaskan sistem koordinat, maka poin 1 menjamin bahwa vektor-
vektor dalam basis tidak terkait satu dengan yang lain dan poin 2 menjamin ada sejumlah vektor dalam
basis yang cukup untuk membentuk seluruh vektor di V .
Sebagai contoh, sebelumnya telah kita bahas bahwa vektor satuan di Rn
ê1 = (1, 0, 0, · · · , 0) ê2 = (0, 1, 0, · · · , 0) · · · ên = (0, 0, 0, · · · , 1)
membangun vektor di Rn dan juga saling bebas linier. Oleh sebab itu vektor-vektor tersebut membentuk
basis (biasa kita sebut basis standar) bagi Rn .
Begitu pula, himpunan {1, x, x2 , · · · , xn } merupakan basis bagi Pn .
Contoh Soal 1. Tunjukkan bahwa vektor ~v1 = (1, 2, 1), ~v2 = (2, 9, 0), dan ~v3 = (3, 3, 4) membentuk
basis bagi R3 .
62 124
Solusi. Kita perlu membuktikan bahwa ketiga vektor itu saling bebas linier dan membangun R3 .
Perhatikan bahwa kita harus membuktikan persamaan
k1~v1 + k2~v2 + k3~v3 = ~0
hanya memiliki solusi trivial dan untuk setiap vektor ~b yang kita ambil di R3 , kita harus buktikan ~b dapat
ditulis menjadi
k1~v1 + k2~v2 + k3~v3 = ~b = (b1 , b2 , b3 )
Jadi kita memperoleh dua buah sistem persamaan linier:
 
 k1 + 2k2 + 3k3 = 0
  k1 + 2k2 + 3k3 = b1

2k1 + 9k2 + 3k3 = 0 dan 2k1 + 9k2 + 3k3 = b2
 
k1 + 4k3 = 0 k1 + 4k3 = b3
 
Karena matriks koefisien yang berkorespondensi dengan kedua SPL sama, yaitu
 
1 2 3
2 9 3
1 0 4
dan determinan matriks tersebut tak nol, maka menurut teorema 7 poin (b), (e), dan (g), ketiga vektor
tersebut membentuk basis bagi R3 .
Contoh Soal 2. Tunjukkan bahwa matriks

1 0 0 1 0 0 0 0
M1 = , M2 = , M3 = , M4 =
0 0 0 0 1 0 0 1
membentuk basis bagi ruang vektor matriks berukuran 2 × 2, M22 .
Solusi. Untuk membuktikan kebebasan liniernya, perlu dibuktikan persamaan
c1 M1 + c2 M2 + c3 M3 + c4 M4 = ~0
hanya memiliki solusi trivial, dengan ~0 adalah matriks nol berukuran 2×2. Selanjutnya, untuk membuktikan
bahwa matriks-matriks tersebut membangun M22 , perlu ditunjukkan untuk setiap matriks 2 × 2.

a b
B=
c d
dapat ditulis menjadi
c1 M1 + c2 M2 + c3 M3 + c4 M4 = B
Akibatnya, kita peroleh 2 persamaan

1 0 0 1 0 0 0 0 0 0
c1 + c2 + c3 + c4 =
0 0 0 0 1 0 0 1 0 0
dan
1 0 0 1 0 0 0 0 a b
c1 + c2 + c3 + c4 =
0 0 0 0 1 0 0 1 c d
sehingga diperoleh
c1 c2 0 0 c1 c2 a b
= dan =
c3 c4 0 0 c3 c4 c d
Jelas persamaan 1 dan 2 hanya dipenuhi oleh c1 = c2 = c3 = c4 = 0 dan c1 = a, c2 = b, c3 = c, c4 = d,
sehingga matriks-matriks tersebut saling bebas linier dan membangun M22 . Jadi, matriks-matriks tersebut
membentuk basis (biasa kita sebut basis standar) bagi M22 . Hal ini bisa perumum untuk Mmn .
Tidak semua ruang vektor memiliki basis, seperti halnya ruang vektor nol yang merupakan himpunan
yang bergantung linier, sehingga tidak punya basis. Contoh ruang vektor tak nol yang tidak memiliki basis
adalah P∞ , karena tidak memiliki himpunan berhingga vektor yang cukup untuk membangun P∞ .
63 124
4.4.2 Koordinat Relatif Terhadap Basis

Sekarang kita mulai mengaitkan basis dengan koordinat sistem, diawali dengan teorema berikut:
Teorema 1
Jika S = {~v1 , ~v2 , · · · , ~vn } adalah basis bagi ruang vektor V , maka setiap vektor ~v dalam V dapat ditulis
sebagai kombinasi linier dari vektor-vektor di S secara tunggal.
Bukti. Karena S basis bagi V , maka S membangun V . Jadi jelas, untuk setiap vektor dalam V , vektor
tersebut dapat ditulis sebagai kombinasi linier vektor-vektor di S. Untuk membuktikan bahwa bentuk ini
tunggal, andaikan vektor ~v anggota V dapat ditulis dengan 2 bentuk kombinasi linier
~v = c1~v1 + c2~v2 + · · · + cn~vn
dan
~v = k1~v1 + k2~v2 + · · · + kn~vn
Kurangkan kedua persamaan ini sehingga diperoleh
~0 = (c1 − k1 )~v1 + (c2 − k2 )~v2 + · · · + (cn − kn )~vn
karena S adalah basis bagi V , maka S bebas linier. Jadi persamaan di atas hanya dipenuhi oleh
c1 − k1 = 0, c2 − k2 = 0, ··· , c n − kn = 0
atau dengan kata lain, ci = ki , i = 1, 2, · · · , n yang adalah kontradiksi dengan pengandaian awal bahwa
~v dapat ditulis dengan dua bentuk kombinasi linier yang berbeda. Jadi, ~v dapat ditulis sebagai kombinasi
linier dari vektor-vektor di S secara tunggal.
Berikut ini definisi yang mengaitkan basis dengan sistem koordinat:
Definisi 2 Koordinat
Jika S = {~v1 , ~v2 , · · · , ~vn } basis bagi ruang vektor V dan
~v = c1~v1 + c2~v2 + · · · + cn~vn
adalah kombinasi linier vektor ~v terhadap basis S, maka koefisien dari kombinasi di atas kita sebut seba-
gai koordinat dari ~v relatif terhadap basis S. vektor (c1 , c2 , · · · , cn ) anggota Rn yang berkorespondensi
dengan koordinat tersebut dinamakan vektor koordinat dari ~v relatif terhadap S dan kita tulis sebagai
(~v )S = (c1 , c2 , · · · , cn )
Vektor koordinat di atas dapat ditulis juga menjadi matriks koordinat yaitu
 
c1
 c2 
[~v ]S =  .. 
 
.
cn
Kita tahu bahwa dua himpunan dengan anggota yang sama tetap dikatakan sama meskipun berbeda
urutan. Tetapi jika kita perhatikan, mengubah urutan vektor dalam basis S akan merubah vektor koordinat
64 124
yang diperoleh. Jadi, untuk menghindari kebingungan, himpunan S kita sepakati harus terurut (kita sebut
S basis terurut).
Perhatikan bahwa (~v )S vektor di Rn , sehingga jika diberikan S basis bagi ruang vektor V , Teorema 1
menjamin bahwa ada korespondensi satu-satu antara vektor di V dengan vektor di Rn .
Sebagai contoh, misalkan V = Rn dan S merupakan basis standar bagi V . Akibatnya, (~v )S = ~v , karena
dengan mudah kita bisa lihat bahwa untuk setiap vektor ~u = (u1 , u2 , · · · , un ) di Rn , berlaku
~u = u1 ê1 + u2 ê2 + · · · + un ên
sehingga (~u)S = ~u = (u1 , u2 , · · · , un ).

Contoh Soal 3. Tentukan vektor koordinat dari polinomial
p~(x) = c0 + c1 x + c2 x2 + · · · + cn xn
relatif terhadap basis standar bagi Pn .

Solusi. Misalkan S = {1, x, x2 , · · · , xn }. Perhatikan bahwa
p~(x) = c0 · 1 + c1 · x + c2 · x2 + · · · + cn · xn
Jadi kita peroleh (~p)S = p~ = (c0 , c1 , c2 · · · , cn ).

Contoh Soal 4. Pada contoh soal 1 telah dibuktikan vektor berikut membentuk basis bagi R3:
~v1 = (1, 2, 1) ~v2 = (2, 9, 0) v3 = (3, 3, 4)
Tentukan vektor koordinat dari ~v = (5, −1, 9) relatif terhadap basis S = ~v1 , ~v2 , ~v3 .
Solusi. Akan dicari nilai c1 , c2 , c3 yang memenuhi
(5, −1, 9) = c1~v1 + c2~v2 + c3~v3
kita peroleh SPL 

 k1 + 2k2 + 3k3 = 5

2k1 + 9k2 + 3k3 = −1

k1 + 4k3 = 9

dan solusi yang memenuhi adalah c1 = 1, c2 = −1, dan c3 = 2. Jadi,
(~v )S = (1, −1, 2)
4.4.3 Soal Latihan

1. Periksa apakah u~1 = (1, 2), u~2 = (0, 3), dan u~3 = (1, 5) merupakan suatu basis bagi R2 . Jelaskan
jawaban Anda.
2. Diketahui SPL homogen sebagai berikut:
(
x1 − 4x2 + 3x3 − x4 =0
2x1 − 8x2 + 6x3 − 2x4 =0
Tentukan suatu basis bagi ruang solusi SPL tersebut.

−1 0 1 0 0 1 0 0 4 2
3. Diketahui A = ,B = ,C = ,D= , dan E = . Tentukan
1 0 1 0 0 0 0 1 0 1
koordinat E terhadap basis span{A, B, C, D}.
65 124
4.5 Dimensi
4.5.1 Banyaknya Vektor Dalam Basis
Sebelumnya telah kita lihat bahwa terdapat n buah vektor dalam basis bagi Rn , 3 buah vektor dalam
basis bagi R3 , 2 buah vektor dalam basis bagi R2 , dan R3 . Muncul suatu kecurigaan bagi kita bahwa ada
hubungan antara jumlah vektor dalam basis dengan dimensi dari ruang vektor, yang sekarang akan kita
bahas lebih dalam.
Sebelum memulai, penting untuk mengetahui definisi berikut:
Definisi 1 Dimensi Terbatas dan Tak Terbatas

Suatu ruang vektor V dikatakan berdimensi terbatas (finite dimensional) jika V dapat dibangun oleh
himpunan terbatas dari vektor-vektor di V . Jika tidak, maka kita sebut berdimensi tak terbatas.
Teorema 1
Misalkan V ruang vektor berdimensi terbatas dengan basis {~v1 , ~v2 , · · · , ~vn }.
1. Jika suatu himpunan dengan anggota lebih dari n buah vektor di V , maka himpunan tersebut
bergantung linier.
2. Jika suatu himpunan dengan anggota lebih sedikit dari n buah vektor di V , maka himpunan
tersebut tidak membangun V .
Bukti. (1) Misalkan S 0 = {~u1, ~u2, · · · , ~um} himpunan m buah vektor di V , dengan m > n. Karena S
basis, maka vektor ~ui , i = 1, 2, · · · , m dapat ditulis sebagai kombinasi linier dari vektor di S, yaitu
~u1 = a11~v1 + a21~v2 + · · · + an1~vn
~u2 = a12~v1 + a22~v2 + · · · + an2~vn

..
.
~um = a1m~v1 + a2m~v2 + · · · + anm~vn
Untuk membuktikan bahwa S 0 bergantung linier, maka kita perlu meninjau skalar k1 , k2 , · · · , km dari
persamaan
k1~u1 + k2~u2 + · · · + km~um = ~0
Dengan mengubah vektor ui , i = 1, 2, · · · , m menjadi komponennya dan melihat sifat kebebasan linier
dari S, maka diperoleh sistem persamaan linier


 a11 k1 + a12 k2 + · · · + a1m km = 0

a21 k1 + a22 k2 + · · · + a2m km = 0

..


 .

a k + a k + · · · + a k = 0
n1 1 n2 2 nm m
Perhatikan bahwa SPL ini memiliki m variabel dan n persamaan, sehingga akibat 1 di 1.2 menjamin ada
solusi nontrivial bagi k1 , k2 , · · · , km . Akibatnya, persamaan
k1~u1 + k2~u2 + · · · + km~um = ~0
dipenuhi oleh koefisien yang tidak semuanya nol. Kita simpulkan bahwa S 0 bergantung linier.
66 124
(2) Pembuktian dapat dilakukan dengan menggunakan kontradiksi bahwa suatu himpunan tak nol S 0
yang memuat m buah vektor di V , dengan m < n membangun V . Pembuktian selanjutnya serupa dengan
poin 1.
Akibat 1
Setiap basis bagi suatu ruang vektor berdimensi terbatas memiliki jumlah vektor yang sama.
Jumlah dari vektor ini yang akan kita definisikan:
Definisi 2 Dimensi
Dimensi dari suatu ruang vektor berdimensi terbatas V (dinotasikan dim(V )) didefinisikan sebagai
jumlah vektor dalam basis bagi V . Ruang vektor nol kita definisikan memiliki dimensi dim(V ) = 0.
Dapat dibuktikan bahwa setiap ruang vektor berdimensi terbatas, memiliki basis.
Sebagai contoh sederhana, kita bisa lihat dari contoh-contoh sebelumnya bahwa
dim(Rn ) = n
dim(Pn ) = n + 1
dim(Mmn ) = mn
Perhatikan bahwa jika S = {~v1 , ~v2 , · · · , ~vr } subhimpunan bebas linier dari suatu ruang vektor V , maka
S pasti basis bagi span(S), sehingga dim(span(S)) = r.
Contoh Soal 1. Tentukan basis dan dimensi dari ruang solusi SPL homogen:


 2x1 + 2x2 − x3 +x5 =0

−x − x + 2x − 3x
1 2 3 4 +x5 =0


 x1 + x2 − 2x3 −x5 =0

x3 + x4 +x5 =0
Solusi. Dapat diuji bahwa solusi dari SPL homogen pada soal adalah
x1 = s − t x2 = s x3 = −t x4 = 0 x5 = t
yang dapat ditulis sebagai sebagai
(x1 , x2 , x3 , x4 , x5 ) = (s − t, s, −t, 0, t) = s(1, 1, 0, 0, 0) + t(−1, 0, −1, 0, 1)
Akibatnya, vektor v1 = (1, 1, 0, 0, 0) dan v2 = (−1, 0, −1, 0, 1) membangun ruang solusi serta salah satu
vektor bukan merupakan kelipatan vektor satunya, sehingga vektor-vektor tersebut saling bebas linier. Jadi,
kedua vektor membentuk basis bagi ruang solusi dan berdimensi 2.
Sekarang kita akan membahas beberapa teorema dasar yang membantu kita:
Teorema 2
Misalkan S himpunan tak kosong dari vektor-vektor di ruang vektor V ,
1. Jika S himpunan yang bebas linier, dan jika ~u adalah vektor di V yang diluar span(S), maka
himpunan S ∪ {~u} juga bersifat bebas linier.
67 124
2. Jika ~v vektor di S yang dapat ditulis sebagai kombinasi linier dari vektor lain di S, maka himpunan
S − {~v } membangun ruang yang sama dengan S, atau dengan kata lain
span(S) = span(S − {~v })
Bukti. (1) Misalkan S = {v1, v2, · · · , vr } himpunan bebas linier di V , dan ~u adalah vektor di V
diluar
0
span(S). Untuk membuktikan himpunan S = S ∪ {~u} bebas linier, kita harus tunjukkan bahwa persamaan
k1~v1 + k2~v2 + · · · + kr~vr + kr+1~u = ~0
hanya dipenuhi oleh k1 = k2 = · · · = kr+1 = 0. Tetapi jelas kr+1 harus bernilai nol, karena jika tidak, maka
~u dapat ditulis sebagai kombinasi linier dari vektor di S. Jadi, S 0 bebas linier.
Berikut ini diberikan teorema yang mempermudah kita membuktikan suatu basis bagi ruang vektor
berdimensi n, asalkan kita dapat membuktikan salah satu dari sifat membangun atau kebebasan linier.
Teorema 3
Misalkan V ruang vektor berdimensi n, dan S subhimpunan dari V dengan n buah vektor. S suatu
basis bagi V jika dan hanya jika S membangun V atau S bebas linier.
Bukti. (kasus 1) Misalkan S memiliki n buah vektor dan membangun V . Maka kita perlu membuktikan
kebebasan linier dari S, agar S adalah basis bagi V . Jika hal ini tidak terjadi, maka ada vektor ~v di S yang
dapat ditulis sebagai kombinasi linier dari vektor lainnya di S. Dengan membuang vektor ~v , menurut poin
2 dari teorema 2, sisa vektor di S masih membangun V . Tetapi hal ini tidak mungkin karena menurut poin
2 teorema 1, tidak ada himpunan dengan anggota kurang dari n buah vektor yang dapat membangun ruang
vektor berdimensi n. Jadi, S bebas linier.
(kasus 2) Misalkan S memiliki n buah vektor dan bebas linier. Maka kita perlu membuktikan S mem-
bangun V , agar S adalah basis bagi V . Jika hal ini tidak terjadi, maka ada vektor ~u di V yang tidak ada di
span(S). Jika kita gabungkan himpunan S dan himpunan {~u}, maka menurut poin 1 teorema 2, himpunan
baru ini masih bebas linier. Tetapi hal ini tidak mungkin, karena poin 1 teorema 1 menjamin tidak ada
himpunan dengan anggota lebih dari n buah vektor di ruang vektor berdimensi n yang bebas linier. Jadi, S
membangun V .
Contoh Soal 2.Tunjukkan bahwa vektor ~v1 = (−3, 7) dan ~v2 = (5, 5) membentuk basis bagi R . 2
Solusi. Karena ~v1 bukan kelipatan ~v2 , maka kedua vektor saling bebas linier di R2 . Jadi menurut teorema 3,
kedua vektor membentuk basis bagi R2 .
Teorema 4
Misalkan S himpunan terbatas dari vektor-vektor di ruang vektor berdimensi terbatas, V ,
1. Jika S membangun V tetapi bukan basis bagi V , maka S dapat direduksi menjadi basis dengan
membuang vektor yang tepat.
2. Jika S adalah himpunan bebas linier yang belum menjadi basis bagi V , maka S dapat dikem-
bangkan menjadi basis dengan menambahkan vektor yang tepat.
Bukti. (1) Jika S memenuhi sifat pada poin 1, maka S bergantung linier. Berarti ada beberapa vektor
yang dapat ditulis menjadi kombinasi linier dari vektor yang lain di S. Menurut poin 2 teorema 2, kita bisa
68 124
membuang ~v dari S menjadi himpunan baru S 0 , tetapi masih membangun V . Jika S 0 bebas linier, maka S 0
basis bagi V . Jika tidak, kita bisa lakukan proses yang sama sehingga diperoleh himpunan yang bebas linier
dan basis bagi V .
(2) Misalkan dim(V ) = n. Jika S himpunan bebas linier tetapi bukan basis bagi V , maka S tidak
membangun V , berarti ada vektor ~v di V yang tidak ada di span (S). Dengan cara serupa seperti pada poin
1, maka teorema ini terbukti.
Kita tutup subbab ini dengan teorema:
Teorema 5
Jika W adalah subruang dari suatu ruang vektor berdimensi terbatas, V , maka:
1. W berdimensi terbatas.
2. dim(W ) ≤ dim(V ).
3. W = V jika dan hanya jika dim(W ) = dim(V ).
Bukti. Poin 1 dan 2 akan dibuktikan bersama-sama. Jika W = {~0}, maka selesai dan dim(W ) = 0 ≤ m.
Jika tidak, misalkan ~u 6= ~0 di W . Maka {~u} yang bebas linier, dapat dikembangkan menjadi suatu basis
terbatas S bagi W menurut poin 2 teorema 4, sehingga W berdimensi terbatas. Selanjutnya, jika S =
{~v1 , ~v2 , · · · , ~vm } basis dari V juga, maka dim(V ) = dim(W ) = m. Jika tidak, maka S dapat dikembangkan
menjadi basis menurut poin 2 teorema 4 sehingga kita bisa simpulkan bahwa dim(W ) < dim(V ). Jadi,
dim(W ) ≤ dim(V ).
(3) Misalkan dim(W ) = dim(V ) dan S = {~v1 , ~v2 , · · · , ~vm } basis bagi W . Jika S bukan basis bagi V maka
menurut poin 2 teorema 4 kita dapat mengembangkan S sehingga menjadi basis bagi V yang mengakibatkan
kontradiksi karena dim(V ) > dim(W ). Jadi, haruslah S basis bagi V dan dim(V ) = dim(W ).
4.5.2 Soal Latihan

1. Tentukan dimensi dari ruang solusi dalam SPL pada nomor 3 subbab 4.4.
2. Tentukan basis dari subruang berikut di R4 dan tentukan dimensinya.
a) Semua vektor dalam bentuk (a, b, c, 0).

b) Semau vektor dalam bentuk (a, b, c, d) dengan a = b = c = d.
4.6 Perubahan Basis

4.6.1 Perubahan Basis
Penting untuk membahas perubahan basis, karena terkadang suatu basis tidak cocok untuk suatu permasala-
han. Bahkan terkadang kita bekerja dengan lebih dari dua sistem koordinat yang terkait dengan basis,
sehingga kita ingin mengetahui hubungan antar dua buah vektor koordinat relatif terhadap masing-masing
sistem koordinat terkait. Dengan kata lain, jika ~v suatu vektor dalam ruang vektor berdimensi terbatas V ,
dan jika kita mengubah basis bagi V dari suatu basis S menjadi S 0 , apa yang terjadi dengan [~v ]S dan [~v ]S 0 ?
Untuk menyelesaikan permasalahan ini, kita sebut S basis lama dan S 0 basis baru dan untuk mempermu-
dah permasalahan, kita hanya membahas dalam ruang yang berdimensi dua. Misalkan S = {~u1 , ~u2 } dan
S 0 = {~u01 , ~u02 } dan
0 a 0 c
[~u1 ]S = dan [~u2 ]S =
b d
69 124
Dengan kata lain,

(
~u01 = a~u1 + b~u2
(4.3)
~u02 = c~u1 + d~u2
Sekarang misalkan ~v suatu vektor di V dengan

k
[~v ]S 0 = 1
k2
atau
~v = k1~u01 + k2~u02 (4.4)
Untuk memperoleh koordinat vektor bagi basis lama dari ~v , subtitusikan (4.3) ke (4.4) sehingga diperoleh:
~v = k1 (a~u1 + b~u2 ) + k2 (c~u1 + d~u2 )
⇔ ~v = (k1 a + k2 c)~u1 + (k1 b + k2 d)~u2

sehingga
k1 a + k2 c a c k1 a c
[~v ]S = = = [~v ]S 0
k1 b + k2 d b d k2 b d
Ini berarti untuk memperoleh vektor koordinat [~v ]S , kita cukup mengalikan disebelah kiri vektor koordinat
[~v ]S 0 dengan suatu matriks P dengan:
a c
P =
b d
yang setiap kolomnya merupakan koordinat dari vektor dalam basis baru relatif terhadap basis lama.
Sekarang kita bisa memperoleh solusi untuk ruang yang berdimensi n.
Jika kita mengubah basis bagi ruang vektor V dari basis lama S = {~u1 , ~u2 , · · · , ~un } ke basis baru
S 0 = {~u01 , ~u02 , · · · , ~u0n }, maka untuk setiap ~v di V , vektor koordinat [~v ]S berhubungan dengan vektor
koordinat [~v ]S 0 , yaitu
[~v ]S = P [~v ]S 0
dengan P matriks yang setiap kolomnya merupakan vektor koordinat dari vektor dalam basis baru relatif
terhadap basis lama, yakni
[~u01 ]S , [~u02 ]S , · · · , [~u0n ]S
4.6.2 Matriks Transisi

Matriks P yang telah kita definisikan sebelumnya, biasa kita sebut matriks transisi dari S 0 ke S dan biasa
ditulis PS 0 →S dengan
PS 0 →S = [~u01 ]S | [~u02 ]S | · · · | [~u0n ]S

Begitu pula matriks transisi dari S ke S 0 adalah

PS→S 0 = [~u1 ]S 0 | [~u2 ]S 0 | · · · | [~un ]S 0
Contoh Soal 1. Misalkan terdapat basis S = {~u1, ~u2} dan S 0 = {~u01, ~u02} bagi R2, di mana
u1 = (1, 0) u2 = (0, 1) u01 = (1, 1) u02 = (2, 1)
(a) Tentukan matriks transisi PS 0 →S .

70 124
(b) Tentukan matriks transisi PS→S 0 .

Solusi.
(a) Perhatikan bahwa
u01 = u1 + u2
u02 = 2u1 + u2
Akibatnya, kita peroleh vektor koordinat

1 2
[u01 ]S = 0
dan [u2 ]S =
1 1
Jadi, matriks transisinya adalah

1 2
PS 0 →S =
1 1
(b) Dapat diuji bahwa matriks transisinya adalah

−1 2
PS→S 0 =
1 −1

Contoh Soal 2. 0
Misalkan S dan S adalah basis yang sama pada contoh soal 1. Tentukan [~v ]S
sehingga
−3
[~v ]S 0 =
5
Solusi. Dengan mudah kita peroleh

1 2 −3 7
[~v ]S = PS 0 →S [~v ]S 0 = =
1 1 5 2

Perhatikan bahwa matriks PS→S 0 ’memetakan’ vektor koordinat dari basis S ke basis S 0 dan matriks
PS 0 →S melakukan sebaliknya, sehingga dugaan kita adalah
(PS→S 0 )(PS 0 →S ) = I
Bukti dari persamaan ini tidak diberikan. Dengan kata lain,

−1
PS→S 0 = PS 0 →S
Hasil ini kita tulis kembali sebagai teorema:
Teorema 1
Jika P matriks transisi dari basis S 0 ke basis S bagi ruang vektor bedimensi terbatas V , maka P
invertibel dan P −1 matriks transisi dari basis S ke basis S 0 .
Sekarang penting untuk membahas bagaimana cara mencari matriks transisi untuk Rn agar lebih efektif.
Berikut ini diberikan prosedur untuk mencari PS→S 0 :
1. Bentuk matriks S 0 |S .

2. Gunakan OBE untuk mereduksi matriks pada langkah 1 menjadi bentuk baris eselon tereduksi.
71 124

3. Hasil matriksnya adalah I|PS→S 0 .
4. Sisi kanan dari matriks pada langkah 3 ini yang merupakan matriks PS→S 0 .
Perhatikan bahwa pada contoh soal 1 bagian (a), S 0 adalah basis lama dan S adalah basis baru, maka bentuk
matriks
1 0 1 2
0 1 1 1
Karena bentuk matriks ini sudah memenuhi langkah 3, maka

1 2
PS 0 →S =
1 1
Sedangkan pada bagian (b), bentuk matriks

1 2 1 0
1 1 0 1
lakukan OBE pada matriks ini sehingga diperoleh bentuk eselon tereduksi

1 0 −1 2
0 1 1 −1
Maka
−1 2
PS→S 0 =
1 −1
4.6.3 Soal Latihan
1. Diberikan basis B = {u~1 , u~2 , u~3 } dan B 0 = {u~01 , u~02 , u~03 } sebagai berikut
     
2 2 1
u~1 = 1   u~2 = −1   u~3 = 2

1 1 1
     
3 1 −1
u~01 =  1  u~02 =  1  u~03 =  0 
−5 −3 2
a) Tentukan matriks transisi dari B ke B 0 .
b) Tentukan koordinat vektor w ~ = (−5, 8, −5)t . Lalu tentukan
~ terhadap basis B jika diketahui w
[w]
~ B0
2. Misalkan C dan B = {−1 + x + x2 , 1 + x2 , 1 + x + x2 } adalah basis terurut bagi P2 . Tentukan p~ ∈ P2
jika diketahui [~p]B = (3, 0, 4)t . Tentukan pula C jika diketahui [~p]c = (1, 1, 2)t .
4.7 Ruang Baris, Ruang Kolom, dan Ruang Nol

Sekarang akan dibahas beberapa ruang vektor baru terkait dengan matriks, yang sangat berperan dalam
memahami lebih dalam hubungan antara solusi dari sistem persamaan linier dan sifat-sifat dari matriks
koefisien.
4.7.1 Ruang Baris, Ruang Kolom, dan Ruang Nol

Kita mulai dengan definisi yang serupa seperti pada 1.3:
72 124
Definisi 1 Vektor Baris dan Vektor Kolom

 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A =  ..
 
.. . . .. 
 . . . . 
Vektor-vektor
~r1 = a11 a12 · · · a1n

~r2 = a21 a22 · · · a2n
..
.

~rm = am1 am2 · · · amn
Anggota Rn yang terbentuk dari baris-baris di matriks A disebut vektor baris dari A, dan vektor-vektor
     
a11 a12 a1n
 a21   a22   a2n 
~c1 =  ..  ~c2 =  ..  · · · ~cn =  .. 
     
 .   .   . 
am1 am2 amn
anggota Rm yang terbentuk dari kolom-kolom di matriks A disebut vektor kolom dari A.
Sekarang diberikan definisi ruang vektor baru terkait vektor baris dan vektor kolom pada definisi 1:
Definisi 2 Ruang Baris, Ruang Kolom, dan Ruang Nol

Jika A matriks berukuran m × n, maka subruang dari Rn yang dibangun oleh vektor baris dari A
dikatakan ruang baris dari A, dan subruang dari Rm yang dibangun oleh vektor vektor kolom dari A
dikatakan ruang kolom dari A. Ruang solusi dari SPL homogen A~x = ~0, yang adalah subruang dari Rn ,
dikatakan ruang nol dari A.
Selanjutnya, kita akan fokus kepada dua permasalahan yaitu apakah relasi antara solusi SPL A~x = ~b dan
ruang baris, ruang kolom, dan ruang nol dari koefisien matriks A dan apakah relasi antara ruang baris,
ruang kolom, dan ruang nol dari suatu matriks?
Teorema 1
SPL A~x = ~b konsisten jika dan hanya jika ~b anggota ruang kolom dari A.
Bukti. Misalkan    
a11 a12 · · · a1n x1
 a21 a22 · · · a2n 

 x2 
 
A =  .. dan ~
x =

.. ... .
..  .
 .. 
  
 . .
am1 am2 · · · amn xn
Hasil kali A dengan ~x bisa ditulis sebagai
A~x = x1~c1 + x2~c2 + · · · + xn~cn

73 124
dengan ci , i = 1, 2, · · · , n, adalah vektor kolom dari A. Jadi, A~x = ~b dengan m persamaan dan n variabel
dapat ditulis menjadi
~b = x1~c1 + x2~c2 + · · · + xn~cn
yang berarti A~x = ~b konsisten jika dan hanya jika ~b dapat ditulis sebagai kombinasi linier dari vektor-vektor
kolom dari A. Jadi, ~b juga terdapat dalam ruang kolom dari A.
~
Solusi umum dari suatu SPL konsisten A~x = b dan diperoleh dengan menambahkan suatu solusi spesifik
dari SPL tersebut pada solusi umum dari SPL A~x = ~0 (Bukti tidak diberikan). Perhatikan bahwa ruang nol
dari A sama dengan ruang solusi dari A~x = ~0, sehingga kita bisa merubah teoerema tadi dalam bentuk
vektor:
Teorema 2
Jika ~x0 suatu solusi bagi SPL konsisten A~x = ~b dan S = {~v1 , ~v2 · · · , ~vk } basis bagi ruang nol dari A,
maka setiap solusi dari A~x = ~b dapat ditulis sebagai
~x = ~x0 + c1~v1 + c2~v2 + · · · + ck~vk
dan sebaliknya, untuk setiap nilai koefisien yang kita pilih, kita akan peroleh solusi bagi A~x = ~b.
4.7.2 Basis bagi Ruang Baris, Ruang Solusi, dan Ruang Nol
Ketika membahas ruang vektor, maka kita wajar bertanya mengenai bagaimana basisnya. Sebelum itu, kita
perlu melihat dampak OBE pada ruang baris, ruang kolom, dan ruang nol.
Teorema 3
OBE tidak mengubah ruang nol dari matriks.
Bukti. Misalkan suatu SPL konsisten A~x = ~0 dan B matriks A yang dikenai OBE. Berarti ada matriks
elementer E sehingga B = EA. Jika ~x0 anggota dari ruang nol dari A, maka
A~x0 = ~0
⇔ (EA)~x0 = E(A~x0 ) = E~0 = ~0

Jadi ~x0 juga anggota ruang nol dari B. Sebaliknya, jika ~x0 anggota ruang nol EA, maka
(EA)~x0 = ~0
Karena E matriks elementer, maka E memiliki invers E −1 , sehingga
A~x0 = (E −1 E)A~x0 = E −1 (EA)~x0 = E −1~0 = ~0
Jadi, ~x0 juga anggota ruang nol dari A. Kita simpulkan OBE tidak merubah ruang nol dari matriks.
Teorema 4
OBE tidak mengubah ruang baris bagi suatu matriks.
Bukti. Misalkan A suatu matriks dengan vektor baris

~r1 = a11 a12 · · · a1n
74 124

~r2 = a21 a22 · · · a2n
..
.

~rm = am1 am2 · · · amn
dan B adalah matriks A yang dikenai OBE yaitu menukar baris i dan baris j. Maka jelas vektor baris dari
B sama dengan vektor baris pada A, sehingga
span{~r1 , ~r2 , · · · , ~ri−1 , ~rj , ~ri+1 , · · · , ~rj−1 , ~ri , ~rj+1 , · · · , ~rm }
= span{~r1 , ~r2 , · · · , ~ri−1 , ~ri , ~ri+1 , · · · , ~rj−1 , ~rj , ~rj+1 , · · · , ~rm }

Jadi, ruang baris dari A dan B sama. Untuk OBE yang lain dijadikan latihan.
Meski 2 teorema di atas berkata demikian, tidak benar bahwa OBE tidak merubah ruang kolom dari suatu
matriks. Sebagai contoh, dua buah matriks

1 3 1 3
A= dan
2 6 0 0
dengan B diperoleh dari menjumlahkan baris kedua dengan (−2) kali baris 1. Perhatikan bahwa vektor
kolom
1
2
berada di ruang kolom yang berbeda dengan vektor

1
0
Contoh Soal 1. Tentukan basis bagi ruang nol dari matriks

 
1 3 −2 0 2 0
2 6 −5 −2 4 −3
A=
0

0 5 10 0 15 
2 6 0 8 4 18
Solusi. Ruang nol dari matriks A adalah ruang solusi bagi A~x = ~0. Bisa diuji bahwa solusinya adalah
span{~v1 , ~v2 , ~v3 } dengan      
−3 −4 −2
1 0 0
     
0 −2
 ~v2 =   ~v3 =  0 
 
~v1 = 
0 1 0
     
0 0 1
0 0 0
Jadi basis bagi ruang solusi atau ruang nol dari matriks A adalah v1 , v2 , dan v3 .
Teorema 5
Jika R adalah matriks eselon baris, maka vektor baris dengan 1 utama (vektor baris tak nol) membentuk
basis bagi ruang baris dari R, dan vektor kolom dengan 1 utama membentuk basis bagi ruang kolom
dari R.
75 124
Bukti. Untuk kasus vektor baris, cukup dibuktikan bahwa vektor baris dari R saling bebas linier,
karena jelas vektor baris dari R membangun baris R menurut definisi 1. Kita buktikan untuk matriks R
dengan 3 buah 1 utama, kasus yang lebih umum menggunakan analogi.
Misalkan  
0 1 ∗ ∗ ∗ ∗
0 0 0 1 ∗ ∗
R= 0 0 0 0 1 ∗

0 0 0 0 0 0
dengan * berarti suatu bilangan. Misalkan R1 , R2 , dan R3 baris tak nol dari R. Perhatikan bahwa
t1 R1 + t2 R2 + t3 R3 = ~0
⇔ (0, t1 , ∗, ∗, ∗, ∗) + (0, 0, 0, t2 , ∗, ∗) + (0, 0, 0, 0, t3 , ∗) = (0, 0, 0, 0, 0, 0)

hanya dipenuhi oleh t1 = t2 = t3 = 0 sehingga vektor baris dari R saling bebas linier. Kita simpulkan
bahwa R membentuk basis bagi ruang baris dari R.
Sekarang untuk kasus kedua, misalkan ~cj1 , ~cj2 , · · · , ~cjr vektor kolom ddari R yang mengandung 1 utama.
Maka S = {~cj1 , ~cj2 , · · · , ~cjr } bebas linier, karena posisi 1 utama di setiap vektor kolom tersebut berbeda,
jadi tidak mungkin salah satu vektor dapat ditulis menjadi kombinasi linier dari vektor lain di S. Misalkan
U subruang bagi setiap kolom di Rm dengan m − r elemen terakhir bernilai nol. Maka dim(U ) = r dan S
merupakan basis bagi U menurut teorema 3 di 4.5.1. Karena setiap ~cji berada dalam ruang kolom dari R,
maka U adalah ruang kolom dari R.
Contoh Soal 2. Misalkan R matriks eselon baris dengan
 
1 −2 5 0 3
0 1 3 0 0
R= 0 0 0 1 0

0 0 0 0 0
Tentukan basis bagi ruang baris dan ruang kolom dari R.

Solusi. Menurut teorema 5, vektor
~r1 = 1 −2 5 0 3

~r2 = 0 1 3 0 0

~r3 = 0 0 0 1 0
membentuk basis bagi ruang baris dari R, dan vektor
     
1 −2 0
0 1 0
~c1 = 
0 ~c2 =  0 
   ~c3 =  
1
0 0 0
membentuk basis bagi ruang kolom dari R.

Contoh Soal 3. Tentukan basis bagi ruang baris dari matriks
 
1 −3 4 −2 5 4
 2 −6 9 −1 8 2
A=
 2 −6 9 −1 9

7
−1 3 −4 2 −5 −4
Solusi. Karena OBE tidak mengubah ruang baris bagi A, maka basis bagi ruang baris dari A dan basis bagi
76 124
ruang baris dari matriks eselon baris dari A adalah sama. Matriks eselon barisnya adalah
 
1 −3 4 −2 5 4
0 0 1 3 −2 −6
 
0 0 0 0 1 5
0 0 0 0 0 0
Menurut teorema 5, basis bagi ruang baris dari A adalah

~r1 = 1 −3 4 −2 5 4

~r2 = 0 0 1 3 −2 −6

~r3 = 0 0 0 0 1 5

Sekarang kita berikan teorema yang membantu kita mencari basis bagi ruang kolom dari suatu matriks:
Teorema 6
Jika A dan B adalah matriks yang ekivalen baris, maka:
1. himpunan vektor kolom dari A bebas linier jika dan hanya jika vektor kolom dari B yang
berkorespondensi juga bebas linier.
2. himpunan vektor kolom dari A adalah basis bagi ruang kolom dari A jika dan hanya jika vektor
kolom dari B yang berkorespondensi juga basis bagi ruang kolom dari B.
Bukti. Misalkan A = [aij ]m×n dan w~ 1, w~ 2, · · · , wk vektor kolom dari A yang bergantung linier. Berarti
ada skalar c1 , c2 , · · · , ck yang semuanya tak nol secara bersama-sama, sehingga
c1 w
~ 1 + c2 w ~ k = ~0
~ 2 + · · · + ck w (4.5)
Jika kita kenai OBE pada A, maka vektor kolom ini akan berubah menjadi vektor kolom baru w ~ 10 , w
~ 20 , · · · , w
~ k0 .
Misalkan OBE itu adalah menukar ke 1 dengan baris ke 2 (kasus umum serupa), perhatikan bahwa
     
a21 a22 a2n
 a11   a12   a1n 
     
0 0 0 a a a
c1 w ~ 2 + · · · + ck w
~ 1 + c2 w ~ k = c1  31  + c2  32  + · · · + ck  3n 
     
 ..   ..   .. 
 .   .   . 
am1 am2 amn
yang jelas sama dengan ~0 karena serupa dengan menguraikan komponen vektor kolom di (1), hanya saja
berbeda urutan. Karena koefisiennya sama dengan (4.5), kita peroleh bawhwa vektor-vektor kolom dari B
juga bergantung linier. Untuk OBE yang lain dijadikan sebagai latihan. Akibatnya, Jika B adalah matriks
eselon baris dari A, dan k buah vektor kolomnya bergantung linier, maka sisanya merupakan vektor kolom
yang bebas linier (mengandung 1 utama) dan kita tahu bahwa OBE bisa dibalik, dengan kata lain OBE
mempertahankan sifat kebebasan linier. Poin 2 tidak dibuktikan.
Contoh Soal 4. Tentukan basis bagi ruang kolom dari matriks di contoh soal 3.
Solusi. Telah kita lihat bahwa matriks eselon baris dari A adalah
 
1 −3 4 −2 5 4
0 0 1 3 −2 −6
 
0 0 0 0 1 5
0 0 0 0 0 0
77 124
Perhatikan bahwa vektor dalam basis bagi ruang kolom dari matriks diatas adalah
     
1 4 5
~c01 = 
0 0 1 ~c03 = −2
     
0 ~
c 2 = 0 1
0 0 0
Berarti vektor dalam basis bagi ruang kolom dari A adalah

     
1 4 5
2 9 8
~c1 = 
 2  ~c2 =  9 
   ~c3 = 
9

−1 −4 −5

Sekarang kita akan fokus menyelesaikan masalah menentukan basis dengan menggunakan matriks.
Contoh Soal 5. Tentukan basis bagi subruang dari R5 yang dibangun oleh vektor
~v1 = (1, −2, 0, 0, 3), ~v2 = (2, −5, −3, −2, 6)
~v3 = (0, 5, 15, 10, 0), ~v4 = (2, 6, 18, 8, 6)

Solusi. Ruang yang dibangun oleh vektor-vektor ini adalah ruang baris dari matriks
 
1 −2 0 0 3
2 −5 −3 −2 6
 
0 5 15 10 0
2 6 18 8 6
Gunakan OBE sehingga diperoleh bentuk eselon baris

 
1 −2 0 0 3
0 1 3 2 0
 
0 0 1 1 0
0 0 0 0 0
Vektor baris tak nol dari matriks ini adalah
~r1 = (1, −2, 0, 0, 3) ~r2 = (0, 1, 3, 2, 0) ~r3 = (0, 0, 1, 1, 0)
yang membentuk basis bagi ruang baris dan bagi subruang dari R5 yang dibangun oleh vektor ~v1 , ~v2 , ~v3 , ~v4 .
4.7.3 Basis yang Dibentuk oleh Vektor Kolom dan Baris

Sekarang kita berikan permasalahan berbeda, tetapi dengan cara pengerjaan yang serupa dengan sebelum-
nya.
Contoh Soal 6. Tentukan basis bagi ruang baris dari matriks
 
1 −2 0 0 3
2 −5 −3 −2 6
A= 0 5 15 10 0

2 6 18 8 6
78 124
yang semua anggotanya adalah vektor baris dari A.

Solusi. Kita gunakan transpose matriks A sehingga ruang baris dari A menjadi ruang kolom dari AT ,
 
1 2 0 2
−2 −5 5 6 
T
 
A =  0 −3 15 18 

 0 −2 10 8 
3 6 0 6
Kita kenai OBE sedemikian sehingga diperoleh matriks eselon baris

 
1 2 0 2
0 1 −5 −10
 
0 0 0 1 
 
0 0 0 0 
0 0 0 0
Vektor kolom yang membentuk basis bagi ruang kolom dari matriks ini adalah vektor kolom ke 1, 2, dan 4
sehingga vektor kolom yang membentuk basis bagi ruang kolom dari A adalah
     
1 2 2
−2 −5 6
     
 0  ~c2 = −3 ~c4 = 18
~c1 =      
0 −2 8
3 6 6
Kenakan transpose vektor-vektor ini sehingga diperoleh vektor-vektor baris dari A yang membentuk basis
bagi ruang baris dari A,
~r1 = 1 −2 0 0 3

~r2 = 2 −5 −3 −2 6

~r4 = 2 6 18 8 6

Contoh Soal 7. Tentukan subhimpunan dari vektor-vektor
~v1 = (1, −2, 0, 3), ~v2 = (2, −5, −3, 6)
~v3 = (0, 1, 3, 0), ~v4 = (2, −1, 4, −7), ~v5 = (5, −8, 1, 2)
yang membentuk basis bagi ruang yang dibangun oleh vektor-vektor ini dan tuliskan vektor yang tidak
termasuk dalam basis sebagai kombinasi linier dari vektor-vektor dalam basis.
Solusi. Bentuk matriks dengan vektor-vektor di soal sebagai vektor kolomnya, yaitu
 
1 2 0 2 5
−2 −5 1 −1 −8
 
 0 −3 3 4 1
3 6 0 −7 2
kenakan OBE hingga diperoleh bentuk eselon baris

 
1 0 2 0 1
0 1 −1 0 1
 
0 0 0 1 1
0 0 0 0 0
79 124
Karena 1 utama terletak di kolom ke 1, 2, dan 4, maka vektor-vektor yang membentuk basis bagi ruang
kolom dari matriks awal adalah vektor kolom ke 1,2, dan 4.
Selanjutnya, kita tahu bahwa sifat bergantung linier pada OBE dipertahankan, sehingga agar lebih mudah
menentukan koefisien kombinasi linier dari vektor ~v3 dan ~v5 , kita mencari koefisien kombinasi linier dari
vektor kolom ke 3 dan 5 di matriks eselon barisnya. Misalkan vektor kolom dari matriks eselon baris
tereduksinya adalah w~ 1, w
~ 2, w
~ 3w
~ 4, w
~ 5 , maka
w
~ 3 = 2w
~1 + w
~2
w
~5 = w
~1 + w
~2 + w
~4
Kita sebut ini persamaan dependensi. Akibatnya kita peroleh
~v3 = 2~v1 + ~v2
~v5 = ~v1 + ~v2 + ~v4

4.7.4 Soal Latihan

1. Tentukan basis ruang baris, basis ruang kolom, dan basis ruang nol dari matriks berikut
 
1 4 5 6 9
 3 −2 1 4 −1
A= −1 0 −1 −2 −1

2 3 5 7 8
2. Tentukan semua matriks berukuran 2 × 2 yang ruang nol nya berbentuk garis 3x − 5y = 0.
4.8 Rank dan Nulitas

Setelah kita mengenal ruang baris, ruang kolom, dan ruang nol dari suatu matriks serta basisnya, maka
tidak aneh sekarang kita akan membahas mengenai dimensi dari ketiga ruang tersebut. Dari subbab kali ini
kita akan belajar lebih dalam hubungan antara sistem persamaan linier dengan koefisien matriksnya.
4.8.1 Rank dan Nulitas

Kita mulai dengan melihat sifat berikut:
Teorema 1
Ruang kolom dan ruang baris memiliki dimensi yang sama.
Bukti. Misalkan R adalah matriks eselon baris dari matriks A. Menurut teorema 4 dan 6 poin 2 di
4.7.1 kita peroleh bahwa dimensi dari ruang baris dari A sama dengan dimensi dari ruang baris dari R,
begitupula dengan ruang kolom. Perhatikan bahwa dimensi dari ruang baris dari R adalah jumlah vektor
baris tak nol di R dan menurut teorema 5 di 4.7.1 dimensi dari ruang kolom dari R adalah jumlah vektor
kolom yang mengandung 1 utama. Karena kedua jumlah ini bernilai sama, maka kita simpulkan bahwa
dimensi dari ruang baris dan ruang kolom dari suatu matriks adalah sama.
Sekarang kita akan berikan nama bagi dimensi ini:
Definisi 1 Rank dan Nulitas

Dimensi dari ruang baris dan ruang kolom dari suatu matriks A kita sebut sebagai rank dari A dan
dinotasikan rank(A), sedangkan dimensi dari ruang nol dari A kita sebut sebagai nulitas dari A dan
dinotasikan null(A).
80 124
Contoh Soal 1. Tentukan rank dan nulitas dari matriks

 
−1 2 0 4 5 −3
 3 −7 2 0 1 4
A=
 2 −5 2 4

6 1
4 −9 2 −4 −4 7
Solusi. Matriks eselon baris dari A adalah

 
1 0 −4 −28 −37 13
0
 1 −2 −12 −16 5 
0 0 0 0 0 0
0 0 0 0 0 0
Karena matriks ini memiliki dua buah 1 utama, maka rank(A) = 2. Untuk menentukan nulitas dari A, kita
perlu mencari dimensi dari ruang solusi dari A~x = ~0. Dengan memanfaatkan matriks eselon diatas, kita
peroleh SPL yang berkorespondensi,
(
x1 − 4x3 − 28x4 − 37x5 + 13x6 = 0
x2 − 2x3 − 12x4 − 16x5 + 5x6 = 0
Akibatnya kita peroleh (

x1 = 4x3 + 28x4 + 37x5 + 13x6
x2 = 2x3 + 12x4 + 16x5 + 5x6
Misalkan x3 = r, x4 = s, x5 = t, dan x6 = u kita peroleh solusi dari SPL diatas adalah
         
x1 4 28 37 −13
x2  2 12 16  −5 
         
x3 
  = r 1 + s  0  + t  0  + u  0 
       
x4  0 1 0  0 
         
x5  0 0 1  0 
x6 0 0 0 1
Karena terdapat empat buah vektor yang membangun ruang solusi, maka null(A) = 4.
Contoh Soal 2. Tentukan nilai maksimum yang mungkin untuk rank dari suatu matriks A beruku-
ran m × n.
Solusi. Karena vektor baris dari A anggota Rn dan vektor kolomnya anggota Rm , maka ruang baris dari A
maksimal berdimensi n dan ruang kolomnya maksimal berdimensi m. Karena rank dari A adalah dimensi
bagi ruang baris dan ruang kolom, maka haruslah rank dari A maksimal berdimensi antara m atau n, atau
rank(A) ≤ min(m, n), dengan min(m, n) menyatakan nilai minimum antara m dan n.
Teorema 2
Jika A matriks dengan n kolom, maka rank(A)+null(A) = n.
Bukti. Karena A memiliki n kolom, maka SPL A~x = ~0 memiliki n variabel. Akibatnya, jumlah dari
banyaknya variabel utama dan banyaknya variabel bebas adalah n. Tetapi banyaknya variabel utama sama
dengan banyaknya 1 utama atau rank(A), sedangkan banyaknya variabel bebas sama dengan banyaknya
parameter untuk solusi umum dari SPL homogen atau null(A). Jadi rank(A)+null(A) = n.
Bukti dari teorema diatas sekaligus membuktikan teorema berikut:
81 124
Teorema 3
Jika A matriks berukuran m × n, maka
1. rank(A) = banyaknya variabel utama pada solusi umum dari A~x = ~0.
2. null(A) = banyaknya parameter pada solusi umum dari A~x = ~0.
Sekarang kita rangkum apa yang telah kita pelajari:

Jika A matriks n × n, maka pernyataan berikut ekuivalen:
(a) A invertibel.
(b) A~x = ~0 hanya memiliki solusi trivial.
(c) matriks eselon baris tereduksi dari A adalah In .
(d) A dapat ditulis sebagai perkalian matriks-matriks elementer.
(e) A~x = ~b konsisten untuk setiap matriks ~b berukuran n × 1.
(f) A~x = ~b memiliki satu solusi untuk setiap matriks ~b berukuran n × 1.
(g) det(A) 6= 0
(h) vektor kolom dari A membentuk basis bagi Rn .
(i) vektor baris dari A membentuk basis bagi Rn .
(j) A memiliki rank n.
(k) A memiliki nulitas 0.
Bukti diserahkan sebagai latihan.

Sekarang kita mulai membahas lebih dalam mengenai sistem persamaan linier:
Teorema 5
Jika A~x = ~b SPL yang konsisten dengan m persamaan dan n variabel dan A memiliki rank r, maka
solusi umum dari SPL memiliki n − r parameter.
Bukti. Dengan memanfaatkan teorema 2, maka banyaknya parameter atau nulitas dari A adalah
n−rank(A) = n − r.
Teorema 6
Misalkan A matriks berukuran m × n,
1. Jika m > n, maka SPL A~x = ~b tak konsisten untuk setidaknya satu vektor ~b di Rn .
82 124
2. Jika m < n, maka untuk setiap vektor ~b di Rm , SPL A~x = ~b tak konsisten atau memiliki tak
hingga banyak solusi.
Bukti. (1) Jika m > n, maka vektor kolom dari A tak membangun Rm karena jumlah vektornya lebih
sedikit dari m. Akibatnya, ada setidaknya satu vektor ~b di Rm yang bukan anggota ruang kolom dari A,
sehingga A~x = ~b tak konsisten menurut teorema 1 di 4.7.1.
(2) Jika m < n, maka untuk setiap vektor ~b di Rn terdapat dua kemungkinan yaitu A~x = ~b konsisten atau
tidak. Jika tidak, selesai. Jika konsisten, maka menurut teorema 5, solusi umum memiliki n − r parameter,
dengan r lebih kecil dari m menurut contoh soal 2. Jadi, ada setidaknya satu parameter sehingga ada tak
hingga banyak solusi.
Sebagai contoh, sistem persamaan 

 x1 − 2x2 = b1

x 1 − x 2 = b 2



x 1 + x 2 = b3

x1 + 2x2 = b4





x + 3x = b
1 2 5
memiliki matriks koefisien dengan kasus m > n, sehingga tidak mungkin SPL konsisten untuk setiap
nilai bi , i = 1, 2, 3, 4, 5. Untuk menentukan nilai bi yang bagaimana agar SPL konsisten adalah dengan
melakukan OBE. Akan kita peroleh  
1 0 2b2 − b1
0 1
 b2 − b1 

0 0 b3 − 3b2 + 2b1 
 
0 0 b4 − 4b2 + 3b1 
0 0 b5 − 5b2 + 4b1
Jadi, agar SPL konsisten haruslah b3 = 3t − 2s, b4 = 4t − 3s, dan b5 = 5t − 4s dengan b1 = s dan b2 = t
dan s dan t skalar.
4.8.2 Soal Latihan

1. Tentukan rank dan nulitas dari matriks A pada nomor 1 subbab 4.7.
2. Tentukan semua kemungkinan rank(A) terhadap t.

 
1 1 t
A = 1 t 1
t 1 1
3. Berikan contoh matriks berukuran 3 × 4 bagi semua rank dan nulitas yang mungkin. Berikan
alasannya.
83 124
Bab 5
Ruang Hasil Kali Dalam
Dalam pembahasan kita sebelumnya mengenai ruang vektor Euclid kita membahas mengenai hasil kali titik
(dot product). Pada bab ini, kita akan memperumum bentuk hasil kali titik menjadi hasil kali dalam untuk
semua ruang vektor. Tentu saja kita juga akan memperumum semua bentuk sifat-sifat yang dibawa oleh
hasil kali dalam seperti sudut dan ortogonalitas. Terakhir, kita akan melihat kegunaan dari hasil kali dalam
untuk membuat vektor yang saling ortogonal melalui Proses Gram-Schmidt.
5.1 Hasil Kali Dalam

5.1.1 Hasil Kali Dalam yang Diperumum
Kita sudah mengetahui beberapa sifat dasar dari hasil kali titik seperti sifat simetris, aditivitas, dan lainnya.
Sifat-sifat tersebut menjadi syarat untuk hasil kali dalam di sebuah ruang vektor.
Definisi 1 Hasil Kali Dalam

Hasil kali dalam dari ruang vektor V adalah fungsi yang menghubungkan bilangan real h~u, ~v i dengan
sepasang vektor di V dengan aturan yang memenuhi aksioma berikut untuk semua ~u, ~v , dan w ~ di V
dan semua konstanta k.
(a) (Aksioma simetris) h~u, ~v i = h~v , ~ui
(b) (Aksioma aditivitas) h~u + ~v , wi

~ = h~u, wi
~ + h~v , wi
~
(c) (Aksioma homogenitas) hk~u, ~v i = k h~u, ~v i
(d) (Aksioma positivitas) h~v , ~v i ≥ 0 dan h~v , ~v i = 0 jika dan hanya jika ~v = ~0.
Ruang vektor yang dilengkapi dengan hasil kali dalam disebut juga ruang hasil kali dalam.
Contoh Soal 1. Buktikan bahwa h~u, ~vi = 3u1v1 + 2u2v2 merupakan suatu hasil kali dalam untuk
semua vektor di R2 .
Solusi.
Aksioma 1:
h~u, ~v i = 3u1 v1 + 2u2 v2

= 3v1 u1 + 2v2 u2
= h~v , ~ui
84 124
Aksioma 2:
h~u + ~v , wi
~ = 3(u1 + v1 )w1 + 2(u2 + v2 )w2
= 3(u1 w1 + v1 w1 ) + 2(u2 w2 + v2 w2 )
= (3u1 w1 + 2u2 w2 ) + (3v1 w1 + 2v2 w2 )
= h~u, wi
~ + h~v , wi
~
Aksioma 3:
hk~u, ~v i = 3(ku1 )v1 + 2(ku2 )v2

= k(3u1 v1 + 2u2 v2 )
= k h~u, ~v i
Aksioma 4:
h~v , ~v i = 3(v1 v1 ) + 2(v2 v2 )

= 3v12 + 2v22 ≥ 0
dan h~v , ~v i = 0 jika dan hanya jika v1 = v2 = 0.

Sifat-sifat aljabar dari hasil kali dalam merupakan perumuman dari hasil kali titik.
Teorema 1 Sifat Hasil Kali Dalam

Jika ~u, ~v , dan w
~ adalah vektor di dalam ruang hasil kali dalam V , dan jika k sebuah konstanta, maka:
D E D E
(a) ~0, ~v = ~v , ~0 = 0
(b) h~u, ~v + wi
~ = h~u, ~v i + h~u, wi
~
(c) h~u, ~v − wi
~ = h~u, ~v i − h~u, wi
~
(d) h~u − ~v , wi
~ = h~u, wi
~ − h~v , wi
~
(e) k h~u, ~v i = h~u, k~v i
5.1.2 Norm dan Jarak Vektor

Definisi selanjutnya yang akan kita lihat mengenai perumuman jarak dan panjang vektor.
Definisi 2 Panjang Vektor dan Jarak Vektor

Jika V ruang hasil kali dalam, maka panjang vektor ~v , dinotasikan k~v k adalah
p
k~v k = h~v , ~v i
Sifat-sifat yang dibawa oleh norm dan jarak vektor pada hasil kali titik pun masih sama untuk hasil kali
dalam.
85 124
Teorema 2 Sifat Panjang Vektor dan Jarak Vektor

Jika ~u dan ~v adalah vektor di dalam ruang hasil kali dalam V , dan jika k sebuah konstanta, maka:
(a) kk~v k = |k| k~v k
(b) d(~u, ~v ) = d(~v , ~u)
(c) d(~u, ~v ) ≥ 0 dan d(~u, ~v ) = 0 jika dan hanya jika ~u = ~v
5.1.3 Hasil Kali Euclid Berbobot

Bentuk hasil kali dalam pada vektor di ruang Euclid merupakan bentuk dasar dari hasil kali Euclid berbobot.
Hasil kali dalam Euclid berbobot merupakan hasil kali dalam yang mempunyai bentuk sebagai berikut.
h~u, ~v i = k1 u1 v1 + k2 u2 v2 + · · · + kn un vn
untuk ~u, ~v ∈ Rn dan k1 , k2 , · · · , kn ∈ R+ . konstanta k1 , k2 , · · · , kn . Sebelumnya, coba buktikan terlebih

dahulu bahwa hasil kali Euclid berbobot tersebut merupakan hasil kali dalam, dan hanya berlaku untuk
konstanta bilangan real positif. Sebagai contoh, contoh soal 1 merupakan hasil kali Euclid berbobot 2 dan
3.
Sekarang, mari kita coba cari semua vektor yang membuat panjangnya menjadi 1. Misal ~u = (x, y) ∈ R2 .
Misalkan hasil kali dalam yang kita gunakan adalah hasil kali titik, maka didapat
p
1 = x2 + y 2 ⇔ 1 = x2 + y 2
didapat bahwa semua titik ujung vektor yang memenuhi akan membentuk lingkaran berjari-jari 1 jika
ditempatkan pada titik pangkal di koordinat Cartesius. Kita definisikan lingkaran berikut terlebih dahulu.
Definisi 3 Lingkaran Satuan

Jika V adalah ruang hasil kali dalam, maka semua himpunan titik di V yang memuat
k~uk = 1
disebut lingkaran satuan (di R2 ) atau bola satuan (di R3 ) dalam V .
Bagaimana untuk hasil kali Euclid berbobot? Kita lihat contoh soal berikut.
Contoh Soal 2. Diberikan hasil kali dalam h~u, ~vi = 19 u1v1 + 41 u2v2. Tentukan bentuk lingkaran
satuan jika diberikan hasil kali dalam tersebut.
Solusi. Ambil sebarang vektor ~u = (x, y) maka
k~uk = h~u, ~ui1/2

x2 y 2
= + =1
9 4
Didapat bentuk lingkaran satuannya adalah elips dengan jari-jari mayor 3 dan jari-jari minor 2. Walaupun
terdengar rancu, namun elips ini merupakan lingkaran satuan dari sudut pandang hasil kali dalam yang
diberikan.
86 124
5.1.4 Ruang Hasil Kali Dalam untuk Matriks dan Fungsi

Selanjutnya kita akan lihat beberapa contoh bentuk hasil kali dalam standar untuk matriks dan polinom.
Contoh Soal 3. Jika ~u = U dan ~v = V adalah ruang vektor M22, tunjukkan bahwa h~u, ~vi =
tr(U T V ) merupakan hasil kali dalam.
Solusi. Misalkan
u1 u2 v1 v2
U= V =
u3 u4 v3 v4
Maka hasil kali dalam yang terbentuk adalah
h~u, ~v i = u1 v1 + u2 v2 + u3 v3 + u4 v4
yang tak lain merupakan hasil kali titik di R4 . Anda bisa membuktikan kembali bahwa hal tersebut
merupakan hasil kali dalam.
Contoh Soal 4. Misalkan f = f (x), ~g = g(x), dan h = h(x) adalah suatu fungsi yang kontinu di
~ ~
C[a, b], tunjukkan bahwa
D E Z b
~
f , ~g = f (x)g(x) dx
a
merupakan suatu hasil kali dalam.
Solusi.
Aksioma 1:
D E Z b
f~, ~g = f (x)g(x) dx
a
Z b
= g(x)f (x) dx
Da E
= ~g , f~
Aksioma 2:
D E Z b
~ ~
f + ~g , h = (f (x) + g(x))h(x) dx
a
Z b Z b
= f (x)h(x) dx + g(x)h(x) dx
Da E D E a
= f~, ~h + ~g , ~h
Aksioma 3:
D E Z b
k f~, ~g = kf (x)g(x) dx
a
Z b
=k f (x)g(x) dx
a
D E
= k f~, ~g
Aksioma 4:
D E Z b
~ ~
f, f = f 2 (x) dx
a
87 124
karena f 2 (x) ≥ 0 untuk semua nilai x di interval [a, b] maka nilai panjang f~ ≥ 0. Karena f (x)
fungsi yang kontinu di [a, b] maka persamaan panjang tersebut akan sama dengan nol jika dan
hanya jika f~ = ~0 (verifikasi).
5.1.5 Soal Latihan

1. Tunjukkan bahwa bentuk berikut bukan merupakan suatu hasil kali dalam untuk vektor ~u =
(u1 , u2 , u3 ) dan ~v = (v1 , v2 , v3 ) di R3 .
h~u, ~v i = u21 v12 + u22 v22 + u23 v32
2. Jika diketahui k~uk = 3, k~v k = 2, dan h~u, ~v i = 5, maka tentukan nilai dari
h5~u + 6~v , 4~v − 3~ui
3. Tunjukkan bahwa persamaan jajargenjang
k~u + ~v k2 + k~u − ~v k2 = 2 k~uk2 + 2 k~v k2
berlaku untuk ruang hasil kali dalam vektor apapun.
5.2 Sudut dan Ortogonalitas di Ruang Hasil Kali Dalam

5.2.1 Ketaksamaan Cauchy-Schwarz dan Ortogonalitas
Kita kembali lagi ke ketaksamaan Cauchy-Schwarz pada bab sebelumnya. Ketaksamaan tersebut dapat kita
perumum untuk ruang hasil kali dalam manapun.
Teorema 1 Ketaksamaan Cauchy-Schwarz

Jika ~u dan ~v vektor di ruang hasil kali dalam V maka
| h~u, ~v i | ≤ k~uk k~v k
Bukti. Kita coba bagi kasus terlebih dahulu. Untuk ~u = ~0 maka ketaksamaan menjadi sama karena
h~u, ~v i dan k~uk sama-sama bernilai nol.
Untuk ~u 6= 0 kita misalkan terlebih dahulu
h~u, ~ui = a 2 h~u, ~v i = b h~v , ~v i = c
dan misalkan juga t sebagai suatu bilangan real. Dengan menggunakan aksioma positivitas pada definisi
hasil kali dalam maka didapat
0 ≤ ht~u + ~v , t~u + ~v i = h~u, ~ui t2 + 2 h~u, ~v i t + h~v , ~v i

= at2 + bt + c
Ketaksamaan yang didapat menunjukkan bahwa persamaan kuadrat at2 + bt + c memenuhi salah satu di
antara kondisi berikut: persamaan kuadrat tidak mempunyai akar real atau persamaan kuadrat mempunyai
88 124
akar real berulang. Sehingga diskriminan dari persamaan kuadrat tersebut memenuhi b2 − 4ac ≤ 0. Dengan
kata lain
4 h~u, ~v i2 − 4 h~u, ~ui h~v , ~v i ≤ 0

h~u, ~v i2 ≤ h~u, ~ui h~v , ~v i
p
|h~u, ~v i| ≤ h~u, ~ui h~v , ~v i
|h~u, ~v i| ≤ k~uk k~v k

Dengan berlakunya ketaksamaan Cauchy-Schwarz, kita dapat menunjukkan bahwa:
h~u, ~v i
−1 < <1
k~uk k~v k
Sehingga, kita mendapatkan informasi bahwa terdapat θ dengan 0 ≤ θ ≤ π sehingga
h~u, ~v i
cos θ =
k~uk k~v k
Masih sama seperti pada bab sebelumnya, jika sudut yang terbentuk adalah θ = π2 , maka kita sebut kedua
vektor tersebut ortogonal.
Definisi 1 Ortogonal
Dua vektor ~u dan ~v dikatakan ortogonal jika h~u, ~v i = 0
5.2.2 Ortogonal Komplemen

Misalkan kita tinjau sebuah vektor ~v di R2 . Pertanyaan kita sekarang adalah vektor mana sajakah yang
ortogonal terhadap vektor ~v ? Karena vektor tersebut berada di R2 , maka vektor yang ortogonal dengan ~v
adalah semua vektor yang tegak lurus dengan ~v . Kita lihat definisi berikut.
Definisi 2 Ortogonal Komplemen

Jika W subruang dari ruang hasil kali dalam V , maka himpunan semua vektor di V yang ortogonal
~ disebut ortogonal komplemen dari W dan dinotasikan W ⊥ .
dengan semua vektor di W
Teorema-teorema berikut menjelaskan beberapa sifat terkait ortogonal komplemen.
Teorema 2 Sifat Ortogonal Komplemen

Jika W subruang dari ruang hasil kali dalam V dan W ⊥ adalah ortogonal komplemen dari W maka
(a) W ⊥ subruang dari V .
(b) W ∩ W ⊥ = {~0}
(c) (W ⊥ )⊥ = W
Kembali ke ilustrasi kita yang pertama. Kita dapatkan semua vektor yang tegak lurus dengan ~v = (v1 , v2 )
(misal ~u = (u1 , u2 )) akan memenuhi
u1 v1 + u2 v2 = 0
89 124
keterangan: hasil kali dalam yang digunakan adalah hasil kali titik
Hal tersebut dapat diperumum untuk dimensi yang lebih tinggi, seperti pada contoh soal berikut.
Contoh Soal 1. Misalkan W subruang dari R6 yang dibangun dari vektor berikut
w~1 = (1, 3, −2, 0, 2, 0) w~2 = (2, 6, −5, −2, 4, −3)
w~3 = (0, 0, 5, 10, 0, 15) w~4 = (2, 6, 0, 8, 4, 18)

Tentukan basis ortogonal komplemen dari W . Hasil kali dalam yang digunakan adalah hasil kali titik.
Solusi. Misalkan vektor yang ortogonal dengan vektor-vektor pembangunnya adalah ~a =
(a1 , a2 , a3 , a4 , a5 , a6 ), maka kasus berikut memenuhi persamaan


 ~a · w~1 = 0

~a · w~ = 0
2


 ~a · w~3 = 0
~a · w~4 = 0

dengan kata lain kita dapatkan SPL homogen berikut.


a1 + 3a2 − 2a3 + 2a5


=0
2a + 6a − 5a − 2a + 4a − 3a =0
1 2 3 4 5 6


 5a3 + 10a4 + 15a6 =0

2a1 + 6a2 + 8a4 + 4a5 + 18a6 =0
Perhatikan bahwa prosedur untuk mencari ortogonal komplemen sama saja dengan prosedur mencari basis
ruang nol dari subruang yang diberikan. Maka didapat vektor pembangun ortogonal komplemen W adalah
sebagai berikut (verifikasi).
v~1 = (−3, 1, 0, 0, 0, 0) v~2 = (−4, 0, −2, 1, 0, 0) v~3 = (−2, 0, 0, 0, 1, 0)
5.2.3 Soal Latihan

1. Tentukan basis dari ortogonal komplemen dari subruang Rn yang dibangun oleh vektor
v~1 = (1, 4, 5, 2) v~2 = (2, 1, 3, 0) v~3 = (−1, 3, 2, 2)
2. Misal C[0, π] mempunyai hasil kali dalam

D E Z π
~
f , ~g = f (x)g(x) dx
0
dan misalkan f~n = cos nx dengan n = 0, 1, 2, · · · . Tunjukkan bahwa jika k 6= l, maka f~k dan f~l akan
saling ortogonal.
3. Misal V adalah suatu ruang hasil kali dalam. Tunjukkan bahwa jika w ~ ortogonal dengan masing-
masing dari vektor u~1 , u~2 , · · · , u~n maka vektor tersebut juga akan ortogonal dengan masing-masing
dari vektor span{u~1 , u~2 , · · · , u~n }.
5.3 Proses Gram-Schmidt

Dalam ruang hasil kali dalam, terkadang kita perlu mencari basis dari ruang yang dimaksud. Basis tersebut
diperoleh dari vektor-vektor yang saling ortogonal.
90 124
5.3.1 Himpunan Ortogonal dan Ortonormal

Pertama-tama kita lihat definisi mengenai ortogonal dan ortonormal.
Definisi 1 Himpunan Ortogonal dan Ortonormal

Himpunan dari dua vektor atau lebih di dalam ruang hasil kali dalam disebut saling ortogonal jika
semua pasangan dari vektor yang berbeda dalam himpunan tersebut ortogonal. Himpunan ortogonal
yang berisikan vektor-vektor berpanjang 1 disebut himpunan ortonormal.
Misal diberikan vektor berikut:
v~1 = (0, 1, 0) v~2 = (1, 0, 1) v~3 = (1, 0, −1)
Dengan menggunakan hasil kali titik, kita dapat mengecek bahwa himpunan {v~1 , v~2 , v~3 } membentuk
himpunan ortonormal karena v~1 · v~2 = 0, v~2 · v~3 = 0, dan v~3 · v~1 = 0.
Selanjutnya dalam membentuk himpunan ortonormal dari kasus sebelumnya, kita cukup melakukan nor-
malisasi pada tiap vektor. Kita juga dapat mengecek kembali bahwa normalisasi vektor tidak mempengaruhi
keortogonalan tiap-tiap vektor.
Kita lakukan pengamatan kecil. Di R2 , misalkan vektor ~u dan ~v ortogonal, maka vektor ~u dan ~v bebas
linier karena vektor ~u bukan kelipatan dari ~v . Begitu pula di R~ 3 , misal vektor ~u, ~v , dan w
~ saling ortogonal,
maka ketiga vektor tersebut bebas linier karena ketiga vektor tersebut tidak berada dalam satu bidang. Kita
perumum fenomena tersebut dalam sebuah teorema.
Teorema 1 Kebebaslinieran Himpunan Ortogonal

Jika S = {v~1 , v~2 , ·, v~n } adalah himpunan vektor-vektor tak nol yang ortogonal dalam sebuah ruang
hasil kali dalam, maka S bebas linier.
Bukti dari teorema tersebut adalah dengan menggunakan definisi dari bebas linier dan menggunakan
fakta bahwa pasangan vektor (manapun) dalam himpunan S menghasilkan hasil kali dalam bernilai nol.
Dalam ruang hasil kali dalam, basis yang berisikan vektor ortonormal disebut dengan basis ortonormal,
sedangan basis yang berisikan vektor ortogonal disebut dengan basis ortogonal. Salah satu contoh basis
ortonormal yang sudah familiar adalah basis Rn dengan hasil kali titik.
5.3.2 Proses Gram-Schmidt

Sebelumnya perhatikan teorema berikut.
Teorema 2
Semua ruang hasil kali dalam berdimensi hingga mempunyai basis ortonormal.
Bukti dari teorema 2 ini yang menjadi pokok bahasan dalam subbab ini. Sebuah algoritma yang digunakan
untuk membentuk basis ortonormal dari suatu ruang hasil kali dalam ini dinamakan Proses Gram Schmidt.
Untuk mengubah basis {u~1 , u~2 , · · · , u~r } menjadi basis ortogonal, gunakan langkah-langkah berikut.
Langkah 1. Misal u~1 = v~1
hu~2 , v~1 i
Langkah 2. v~2 = u~2 − v~1
kv~1 k2
hu~3 , v~1 i hu~3 , v~2 i
Langkah 3. v~3 = u~3 − 2 v ~1 − v~2
kv~1 k kv~2 k2
91 124
hu~4 , v~1 i hu~4 , v~2 i hu~4 , v~3 i

Langkah 4. v~4 = u~4 − 2 v ~1 − 2 v ~2 − v~3
kv~1 k kv~2 k kv~3 k2
..
.
(lanjutkan hingga v~r )
Untuk membentuk basis ortonormal, normalisasi tiap vektor v~1 , v~2 , · · · , v~r .
Langkah-langkah tersebut diilustrasikan oleh gambar berikut
Gambar 6.1: Ilustrasi Proses Gram-Schmidt
Untuk membuat basis yang ortogonal, maka kita perlu "membuang" komponen-komponen yang membuat
suatu vektor menjadi tidak ortogonal, yaitu dengan memproyeksikan vektor satu dengan yang lainnya.
Maka dari itu, terdapat bentuk umum dari proyeksi vektor pada langkah dalam Proses Gram-Schmidt.
Contoh Soal 1. Diberikan ruang hasil kali dalam R3 dilengkapi dengan hasil kali titik. Gunakan
Proses Gram-Schmidt untuk membentuk basis ortogonal dari vektor
u~1 = (1, 1, 1) u~2 = (0, 1, 1) u~3 ) = (0, 0, 1)
Solusi. Misalkan basis ortogonalnya {v~1 , v~2 , v~3 } maka
Langkah 1.
v~1 = u~1 = (1, 1, 1)
Langkah 2.
hu~2 , v~1 i
v~2 = u~2 − v~1
kv~1 k2
2
= (0, 1, 1) − (1, 1, 1)
3
2 1 1
= − , ,
3 3 3
Langkah 3.
hu~3 , v~1 i hu~3 , v~2 i

v~3 = u~3 − 2 v ~1 − v~2
kv~1 k kv~2 k2

1 1/3 2 1 1
= (0, 0, 1) − (1, 1, 1) − − , ,
3 2/3 3 3 3

1 1
= 0, − ,
2 2
92 124
5.3.3 Soal Latihan

1. Diberikan R3 dengan hasil kali dalam
h~u, ~v i = u1 v1 + 2u2 v2 + 3u3 v3
Gunakan Proses Gram-Schmidt untuk membentuk u~1 = (1, 1, 1), u~2 = (1, 1, 0), dan u~3 = (1, 0, 0)
menjadi basis ortonormal.
2. Diketahui P2 adalah ruang suku banyak atas R yang dilengkapi dengan hasil kali dalam hp(x), q(x)i =
2a0 b0 + a1 b1 + a2 b2 untuk setiap p(x) = a0 + a1 x + a2 x2 dan q(x) = b0 + b1 x + b2 x2 . Gunakan Proses
Gram-Schmidt untuk mendapatkan suatu basis ortogonal pada {−1 + x + x2 , 1 + x2 , 1 + x + x2 }.
93 124
Bab 6
Nilai Eigen, Vektor Eigen, dan Diagonalisasi
Dalam bab ini kita akan melihat sebuah istilah baru yang disebut nilai eigen atau disebut juga nilai
karakteristik. Istilah tersebut dapat digunakan untuk berbagai macam hal, salah satunya merupakan
diagonalisasi, yang membantu kita untuk menghitung perpangkatan matriks.
6.1 Nilai Eigen dan Vektor Eigen

6.1.1 Definisi Nilai Eigen dan Vektor Eigen
Definisi 1 Nilai Eigen dan Vektor Eigen

Jika A matriks n × n maka vektor tak nol ~x di Rn disebut vektor eigen (atau vektor karakteristik) dari A
jika ada konstanta λ yang memenuhi
A~x = λ~x
Konstanta λ disebut nilai eigen dari A, dan ~x disebut vektor eigen yang berkorespondensi dengan λ.
Dalam interpretasi geometrinya, perkalian vektor ~x dengan matriks A tidak mengubah arah dari vektor
tersebut, namun hanya mengubah panjang atau besar dari vektor ~x saja (kecuali jika λ bernilai negatif,
vektor ~x menjadi berbalik arah).
Selanjutnya kita akan lihat bagaimana cara mencari nilai eigen dan vektor eigen dari matriks yang
diberikan. Dari persamaan pada definisi 1, kita bisa dapatkan A~x = λI~x. Pindah ruas ke satu sisi
menghasilkan
(λI − A)~x = ~0 atau (A − λI)~x = ~0
Persamaan tersebut tak lain merupakan SPL homogen dengan matriks koefisien A − λI (atau λI − A). Agar
SPL menghasilkan solusi tak nol (baca: solusi tidak trivial), maka determinan dari matriks koefisiennya
dibuat nol. Hal ini yang mendasari teorema berikut.
Teorema 1 Mencari Nilai Eigen

Jika A matriks n × n maka λ menjadi nilai eigen matriks A jika dan hanya jika
det(λI − A) atau det(A − λI) = 0
Persamaan tersebut disebut juga persamaan karakteristik dari A.

3 0
A=
−8 −1
94 124
Tentukan semua nilai eigen dari matriks A.

Solusi.
3−λ 0
=0
−8 −1 − λ
⇔(3 − λ)(−1 − λ) = 0
Didapat nilai λ yang memenuhi adalah λ = 3 dan λ = −1.

Perhatikan bahwa penjabaran dari persamaan det(A − λI) membentuk polinomial berderajat paling
tinggi n (untuk A matriks berukuran n × n) dengan koefisien λn adalah 1.
p(λ) = λn + c1 λn−1 + · · · + cn
Polinom tersebut disebut dengan polinom karakteristik dari A.

Mengingat perhitungan determinan untuk matriks segitiga relatif mudah, maka teorema berikut dapat
mempermudah kita menghitung nilai eigen untuk matriks segitiga.
Teorema 2 Nilai Eigen Matriks Segitiga

Jika A matriks segitiga berukuran n × n (segitiga atas, segitiga bawah, atau diagonal), maka nilai eigen
dari A adalah semua entri di diagonal utama matriks A.
Contoh soal 1 menunjukkan perhitungan nilai eigen dengan matriks segitiga bawah.
Dari penjabaran mengenai nilai eigen, kita ringkas dalam pernyataan bernilai ekuivalen berikut.

Jika A matriks berukuran n × n, maka pernyataan berikut bernilai ekuivalen.
(a) λ adalah nilai eigen dari A.
(b) λ adalah solusi dari persamaan karakteristik det(λI − A) = 0.
(c) Sistem persamaan (λI − A)~x = 0 memiliki solusi non trivial.
(d) Ada vektor tak nol ~x yang memenuhi A~x = λ~x.
6.1.2 Basis Ruang Eigen

Setelah kita bisa menentukan nilai eigen yang memenuhi dari sebuah matriks, selanjutnya kita lihat
bagaimana cara menentukan vektor eigen yang berpasangan dengan nilai eigen. Perhatikan kembali bahwa
nilai eigen λ dan vektor eigen ~x memenuhi persamaan
(λI − A)~x = ~0
Hal tersebut sama saja dengan mencari solusi SPL tak nol. Karena solusinya tak trivial, maka vektor eigen
yang memenuhi untuk satu nilai eigen jelas banyak. Maka dari itu, kita cari basis pembentuk himpunan
semua solusi yang memenuhi, yang ktia sebut sebagai basis ruang eigen. Ruang eigen sendiri dapat
dianalogikan sebagai ruang nol dalam matriks λI − A atau semua himpunan vektor yang memenuhi
A~x = λ~x.

−1 3
A=
2 0
95 124
Tentukan semua pasang eigen (nilai eigen dan vektor eigen yang bersangkutan) dari matriks A.
Solusi. Pertama-tama kita cari nilai eigen dari matriks A.
−1 − λ 3
=0
2 −λ
⇔(−1 − λ)(−λ) − 6 = 0
⇔(λ − 2)(λ + 3) = 0
Didapat nilai λ yang memenuhi adalah λ = 2 dan λ = −3. Maka terdapat dua ruang eigen untuk A,
masing-masing satu untuk setiap nilai eigen. Vektor eigen A berkorespondensi dengan nilai eigen A jika
dan hanya jika (λI − A)~x = ~0 (atau (A − λI)~x = ~0).

λ + 1 −3 x1 0
=
−2 λ x2 0
Untuk λ = 2 kita dapatkan SPL homogen

3 −3 x1 0
=
−2 2 x2 0
Solusi dari SPL tersebut adalah

x1 = t x2 = t
(verifikasi) sehingga ruang eigen yang terbentuk adalah

1
Eλ=2 = t ,t ∈ R
1

1
Basis dari ruang eigen tersebut adalah yang tak lain adalah vektor eigen untuk nilai eigen λ = 2.
1 3
−2
Dengan cara yang sama maka kita mendapatkan vektor eigen untuk λ = −3 adalah .
1
Terakhir kita lihat hubungan nilai eigen dengan matriks yang invertibel.
Teorema 4 Nilai Eigen Matriks Invertibel

A matriks invertibel jika dan hanya jika λ = 0 bukan nilai eigen dari A.
6.1.3 Soal Latihan

1. Tentukan pasang eigen dari matriks berikut.
     
3 0 0 4 0 −1 1 −3 3
A = −2 7 0 B = 0 3 0  C = 3 −5 3
4 8 1 1 0 2 6 −6 4
2. Diberikan polinom karakteristik untuk matriks A adalah p(λ) = (λ − 1)(λ − 3)2 (λ − 4)3 . Apakah A
invertibel? Berapa banyak ruang eigen matriks A? Jelaskan jawaban Anda.
3. Tentukan matriks A berukuran 3 × 3 yang mempunyai nilai eigen 1, −1, dan 0 serta vektor eigen
(1, −1, 1), (1, 1, 0), dan (1, −1, 0).
96 124
6.2 Diagonalisasi
6.2.1 Similaritas
Permasalahan kita dalam subbab ini menyangkut perkalian matriks P −1 AP dan kegunaannya. Hal ini
yang kita sebut dengan istilah similaritas.
Definisi 1 Similaritas
Jika A dan B matriks persegi, maka B disebut serupa dengan A jika ada matriks invertibel P sehingga
memenuhi B = P −1 AP .
Namun relatif cukup sulit untuk menentukan matriks P yang dimaksud. Sehingga, kita dapat menentukan
similaritas kedua matriks melalui ciri-cirinya seperti yang disajikan pada tabel.
Sifat Deskripsi
Determinan A dan P −1 AP mempunyai determinan yang sama.
Invertibilitas A invertibel jika dan hanya jika P −1 AP invertibel.
Rank A dan P −1 AP mempunyai rank yang sama.
Nulitas A dan P −1 AP mempunyai nulitas yang sama.
Polinom Karakteristik A dan P −1 AP mempunyai polinom karakteristik yang sama.
Nilai Eigen A dan P −1 AP mempunyai nilai eigen yang sama.
Dimensi Ruang Eigen Jika λ adalah nilai eigen dari A (dan P −1 AP ) maka ruang eigen dari
A terhadap λ dan ruang eigen dari P −1 AP terhadap λ mempunyai
dimensi yang sama.
6.2.2 Diagonalisasi
Agar mempermudah operasi-operasi yang dilakukan oleh sebuah matriks persegi, kita dapat memanfaatkan
sifat similaritas dengan mengubah sebuah matriks persegi menjadi matriks diagonal. Telah kita ketahui
sebelumnya bahwa sifat-sifat pada matriks diagonal mempermudah kita dalam perhitungan berbagai
operasi matriks. Proses ini yang kita namakan diagonalisasi.
Definisi 2 Diagonalisasi
Matriks persegi A dapat didiagonalkan apabila matriks A serupa dengan matriks diagonal D; jika ada
matriks invertibel P sehingga D = P −1 AP . Dalam kasus ini matriks P disebut mendiagonalkan matriks
A.
Selanjutnya kita lihat beberapa teorema terkait dengan diagonalisasi sebuah matriks.
Teorema 1
Matriks A berukuran n × n dapat didiagonalkan jika dan hanya jika A mempunyai vektor eigen yang
saling bebas.
Teorema 1 mengatakan bahwa matriks yang dapat didiagonalkan adalah matriks yang mempunyai n
buah vektor eigen yang saling bebas. Teorema selanjutnya menjelaskan kepada kita tentang prosedur
diagonalisasi.
97 124
Teorema 2
(a) Jika λ1 , λ2 , · · · , λn adalah nilai-nilai eigen yang berbeda dari matriks A dan jika v~1 , v~2 , · · · , v~n
adalah vektor eigennya, maka {v~1 , v~2 , · · · , v~n } bebas linier.
(b) Matriks n × n dengan n nilai eigen yang berbeda dapat didiagonalkan.
Ada beberapa istilah yang harus kita ketahui sebelum mempelajari bagaimana caranya mendiagonalkan
suatu matriks persegi. Jika λ0 adalah nilai eigen untuk matriks A berukuran n × n, maka dimensi dari
ruang eigen terhadap λ0 disebut multiplisitas geometri untuk λ0 . Sedangkan banyaknya λ − λ0 muncul
sebagai faktor di polinom karakteristik disebut multiplisitas aljabar.
Teorema selanjutnya adalah mengenai hubungan multiplisitas dengan diagonalisasi.
Teorema 3 Multiplisitas Geometri dan Aljabar

Jika A matriks persegi, maka
(a) untuk setiap nilai eigen matriks A, multiplisitas geometri akan lebih kecil sama dengan multiplisitas
aljabarnya.
(b) A dapat didiagonalkan jika dan hanya jika multiplisitas geometri untuk setiap nilai eigennya sama
dengan multiplisitas aljabarnya.
Prosedur untuk diagonalisasi matriks n × n adalah sebagai berikut:

Langkah 1. Periksa terlebih dahulu apakah matriks tersebut dapat didiagonalkan dengan mengecek multi-
plisitas geometri dan aljabar tiap nilai eigennya (gunakan teorema 3 poin b).

Langkah 2. Bentuk matriks P = p~1 p~2 · · · p~n .
Langkah 3. Bentuk matriks diagonal dengan entri diagonalnya adalah λ1 , λ2 , · · · , λn sesuai dengan urutan
vektor eigen yang bersesuaian pada matriks P.
Contoh Soal 1. Tentukan matriks P yang mendiagonalkan matriks

 
0 0 −2
A = 1 2 1 
1 0 3
Solusi. Persamaan karakteristik yang didapat melalui matriks A adalah
(λ − 1)(λ − 2)2 = 0
dengan vektor eigen yang bersesuaian adalah
     
−1 0 −2
λ=2 p~1 =  0  , p~2 = 1 λ=1 p~3 =  1 
1 0 1
Sehingga matirks P yang didapat adalah
 
−1 0 −2
P = 0 1 1 
1 0 1
98 124
dengan persamaan diagonalisasi

     
2 0 0 −1 0 −2 0 0 −2 −1 0 −2
D = P −1 AP ⇔ 0 2 0 =  0 1 1  1 2 1   0 1 1 
0 0 1 1 0 1 1 0 3 1 0 1

6.2.3 Aplikasi Diagonalisasi

Diagonalisasi dapat memudahkan kita dalam menghitung matriks berpangkat besar. Misalkan matriks
A dapat didiagonalisasi maka ada matriks diagonal D yang memenuhi D = P −1 AP . Jelas bahwa untuk
menghitung perpangkatan dari matriks diagonal kita hanya perlu memangkatkan semua entri di diagonal
utamanya saja. Hal tersebut yang menjadi alat kita untuk menghitung matriks A berpangkat tinggi.
Perhatikan bahwa
D2 = (P −1 AP )2 = P −1 AP P −1 AP = P −1 AIAP = P −1 A2 P
untuk k bilangan bulat positif kita dapatkan persamaan
Dk = P −1 Ak P ⇔ Ak = P Dk P −1
Contoh Soal 2. Tentukan A13 jika diberikan matriks A sebagai berikut.
 
0 0 −2
A = 1 2 1 
1 0 3
Solusi. Dengan persamaan diagonalisasi
     
2 0 0 −1 0 −2 0 0 −2 1 0 2
−1
D = P AP ⇔ 0 2  0 =  0 1 1  1 2 1   1 1 1 
0 0 1 1 0 1 1 0 3 −1 0 −1
yang sudah kita dapatkan pada contoh soal 1, maka kita gunakan persamaan yang sudah didapatkan
sebelumnya untuk menghitung A13 .
     
−1 0 −2 213 0 0 1 0 2 −8190 0 −16382
A13 = P D13 P −1 =  0 1 1   0 213 0   1 1 1  =  8191 8192 8191 
1 0 1 0 0 113 −1 0 −1 8191 0 16383

6.2.4 Soal Latihan

1. Tunjukkan bahwa matriks yang serupa memiliki trace yang sama.
2. Tentukan matriks P yang mendiagonalkan matriks A, lalu tentukan A10 .
 
−1 7 −1
A= 0 1 0 
0 15 −2
3. Misal A matriks n × n dan q(A) memenuhi

q(A) = an An + an−1 An−1 + · · · + a1 A + a0 In
a) Tunjukkan bahwa jika B = P −1 AP maka q(B) = P −1 q(A)P .
b) Tunjukkan bahwa jika A dapat didiagonalkan maka q(A) juga dapat didiagonalkan.
99 124
6.3 Diagonalisasi Ortogonal

6.3.1 Matriks Ortogonal
Pada subbab terakhir ini kita akan melihat kasus khusus dari suatu matriks beserta pendiagonalan matriks
tersebut. Pertama-tama kita mulai dengan definisi berikut.
Definisi 1 Matriks Ortogonal

Matriks persegi A disebut ortogonal jika transposenya adalah inversnya, atau
A−1 = AT
sehingga memenuhi
AAT = AT A = I
Teorema berikut menjelaskan beberapa sifat-sifat dasar dari matriks ortogonal.
Teorema 1 Sifat Matriks Ortogonal
(a) Transpose dari matriks ortogonal adalah matriks ortogonal.
(b) Invers dari matriks ortogonal adalah matriks ortogonal.
(c) Perkalian dari dua atau lebih matriks ortogonal adalah matriks ortogonal.
(d) Jika A ortogonal, maka det(A) = 1 atau det(A) = −1
Teorema selanjutnya adalah hubungan antara matriks ortogonal dengan ruang hasil kali dalam.

Pernyataan berikut bernilai ekuivalen untuk matriks A berukuran n × n.
(a) A ortogonal.
(b) Vektor baris dari A membentuk himpunan ortonormal di Rn menurut hasil kali dalam Euclid.
(c) Vektor kolom dari A membentuk himpunan ortonormal di Rn menurut hasil kali dalam Euclid.
6.3.2 Diagonalisasi Ortogonal

Sasaran utama kita adalah mendiagonalkan matriks namun secara ortogonal. Kita mulai dengan teorema
berikut:

Pernyataan berikut bernilai ekuivalen untuk matriks A berukuran n × n dengan semua entri bilangan
real.
(a) A dapat didiagonalkan secara ortogonal.
100 124
(b) A mempunyai himpunan ortonormal dengan n buah vektor eigen.
(c) A simetris.
Terlihat bahwa matriks yang dapat didiagonalkan secara ortogonal hanyalah matriks simetris. Kita akan
melihat lebih dalam mengenai nilai eigen dan vektor eigen bagi matriks simetris dari teorema berikut.
Teorema 4
Jika A metriks simetris dengan semua entrinya bilangan real, maka:
(a) Semua nilai eigen dari A adalah bilangan real.
(b) Vektor eigen dari ruang eigen yang berbeda akan ortogonal.
Dari teorema 4, maka kita dapat buat prosedur untuk mendiagonalkan sebuah matriks simetris A
berukuran n × n.
Langkah 1. Tentukan basis tiap ruang eigen dari A.
Langkah 2. Gunakan Proses Gram-Schmidt pada setiap basis untuk memperoleh basis ortonormal dari
setiap ruang eigen.
Langkah 3. Susun matriks P yang terdiri dari vektor-vektor basis yang didapat pada langkah 2, serta
matriks D yang berisi nilai-nilai eigen yang berkorespondensi dari tiap-tiap kolom matriks P .
6.3.3 Soal Latihan

1. Tentukan syarat bagi konstanta a dan b agar matriks berikut menjadi ortogonal

a+b b−a
a−b b+a
2. Tentukan matriks P yang mendiagonalisasi matriks berikut secara ortogonal.

 
2 −1 −1
3 1
A= B = −1 2 −1
1 3
−1 −1 2
Selanjutnya, tentukan P −1 AP dan P −1 BP .
3. Tunjukkan jika A matriks ortogonal yang simetris, maka nilai eigen yang mungkin hanya −1 dan 1
saja.
101 124
Bab 7
Transformasi Linier
Sekarang kita akan membahas fungsi yang memetakan vektor ~x di Rn sebagai variabel bebas ke vektor w ~
m
di R sebagai variabel terikat. Kita akan fokus dengan fungsi yang kita sebut sebagai transformasi matriks,
yang merupakan materi fundamental di aljabar linier.
7.1 Transformasi Linier dari Rn ke Rm

7.1.1 Fungsi dan Transformasi
Kita ingat kembali bahwa fungsi adalah aturan mengaitkan tepat satu elemen di suatu himpunan A pada
tepat satu elemen di suatu himpunan di B. Kita tulis f (a) = b dengan arti kita mengaitkan a anggota A (kita
sebut A sebagai domain) dengan b anggota B (kita sebut B sebagai kodomain, b sebagai bayangan dari a
oleh fungsi f , atau f (a) sebagai nilai dari f di a). Subhimpunan dari B yang memuat semua bayangan dari
anggota domain, kita sebut sebagai range dari f .
Sekarang kita akan membahas fungsi dengan domain dan kodomain ruang vektor:
Definisi 1 Transformasi
Jika V dan W adalah ruang vektor, dan f fungsi dengan domain V dan kodomain W , maka kita sebut
f sebagai transformasi dari V ke W atau f memetakan V ke W , yang kita notasikan
f :V →W
Jika V = W , maka f disebut operator pada V .
Pada subbab kali ini kita hanya membahas transformasi dari Rn ke Rm .

Misalkan f1 , f2 , · · · , fm fungsi bernilai real dari n variabel, atau
w1 = f1 (x1 , x2 , · · · , xn )
w2 = f2 (x1 , x2 , · · · , xn )
..
.
wm = fm (x1 , x2 , · · · , xn )
Persamaan di atas bisa dibentuk menjadi suatu transformasi T dari Rn ke Rm , dengan T : V → W dan
T (x1 , x2 , · · · , xn ) = (w1 , w2 , · · · , wm )
102 124
7.1.2 Matriks Transformasi

Sekarang misalkan m buah persamaan di atas linier, sehingga dapat kita tuliskan
w1 = a11 x1 + a12 x2 + · · · + a1n xn
w2 = a21 x1 + a22 x2 + · · · + a2n xn
..
.
wm = am1 x1 + am2 x2 + · · · + amn xn
yang jika kita tulis dalam bentuk matriks, diperoleh
    
w1 a11 a12 · · · a1n x1
 w2   a21 a22 · · · a2n   x2 
 ..  =  ..
    
.. . . ..   .. 
 .   . . . .  . 
wm am1 am2 · · · amn xn
Kita dapat bentuk di atas menjadi
w
~ = A~x (7.1)
Bentuk ini biasa kita sebut transformasi matriks (jika n = m kita sebut operator matriks) dan dinotasikan
TA : Rn → Rm . Akibatnya, (7.1) dapat kita tulis menjadi
w
~ = TA (~x)
Matriks transformasi TA disebut perkalian dengan A, dan A disebut matriks standar bagi transformasi.
Terkadang kita tidak memberi nama khusus pada matriks dan hanya menuliskan
T (~x) = [T ]~x
dengan [T ] matriks standar, untuk mempermudah.
Selanjutnya, kita akan lihat sifat-sifat dari matriks transformasi:
Teorema 1 Sifat Matriks Transformasi

Untuk setiap matriks A, transformasi matriks TA : Rn → Rm memiliki sifat untuk setiap vektor ~u dan
~v di Rn dan k skalar:
1. TA (~0) = ~0
2. TA (k~u) = kTA (~u)
3. TA (~u + ~v ) = TA (~u) + TA (~v )
4. TA (~u − ~v ) = TA (~u) − TA (~v )
Bukti. Keempat sifat tersebut mudah dibuktikan karena sifat di atas memanfaatkan sifat matriks yaitu
A~0 = ~0 A(k~u) = k(A~u) A(~u + ~v ) = A~u + A~v A(~u − ~v ) = A~u − A~v

Akibat teorema di atas, matriks transformasi memetakan kombinasi linier dari vektor di Rn ke kombinasi
linier dari vektor di Rm yang berkorespondensi, atau
TA (k1~u1 + k2~u2 + · · · + kr ~ur ) = k1 TA (~u1 ) + k2 TA (~u2 ) + · · · + kr TA (~ur )
103 124
Teorema 2
Jika TA : Rn → Rm dan TB : Rn → Rm adalah transformasi matriks, dan TA (~x) = TB (~x) untuk setiap
vektor ~x di Rn , maka A = B.
Bukti. TA(~x) = TB (~x) untuk setiap vektor ~x di Rn, berarti

A~x = B~x
Perhatikan bahwa ~x dapat ditulis sebagai kombinasi linier dari vektor dalam basis standar bagi Rn , yaitu
ê1 , ê2 , · · · , ên . Akibatnya cukup meninjau vektor-vektor tersebut. Tetapi ini jelas benar, karena
Aêi = Bêi
berarti kolom ke i dari A haruslah sama dengan kolom ke i dari B, untuk i = 1, 2, · · · , n. Jadi, haruslah
A = B.
Jika matriks standar dari suatu transformasi T0 adalah matriks nol 0 berukuran m × n, maka kita sebut
T0 sebagai Transformasi nol dan jika matriks standar dari suatu transformasi TI adalah matriks identitas
In , maka kita sebut TI sebagai operator identitas.
Sekarang akan diberikan metoda untuk mencari matriks standar.
Misalkan ê1 , ê2 , · · · , ên vektor dalam basis standar bagi Rn dan TA suatu transformasi dari Rn ke Rm
dengan TA (êi ) = Aêi , i = 1, 2, · · · , n untuk suatu matriks A berukuran m × n. Tetapi hasil kali Aêi
menghasilkan kolom ke i dari A sehingga kita peroleh bentuk dari A adalah

A = TA (ê1 ) TA (ê2 ) · · · TA (ên )
7.1.3 Aplikasi Matriks Standar di R2 dan R3

Setelah kita tahu bahwa setiap kolom dari matriks A merupakan hasil pemetaan vektor dalam basis standar
di Rn oleh transformasi TA : Rn → Rm , maka sekarang kita dapat melihat lebih dalam matriks transformasi
yang kita kenal di SMA, khususnya mengenai refleksi, proyeksi, rotasi, dilatasi, dan kontraksi. Tetapi
sekarang tak hanya membahas operator pada R2 melainkan juga operator pada R3 .
7.1.3.1 Operator Refleksi
Gambar 7.1: Tabel Refleksi di R2
104 124
Gambar 7.2: Tabel Refleksi di R3
7.1.3.2 Operator Proyeksi
Gambar 7.3: Tabel Proyeksi di R2
Gambar 7.4: Tabel Proyeksi di R3
Untuk kasus suatu vektor di R2 diproyeksikan pada suatu garis yang membentuk sudut θ terhadap sumbu
x, kita bisa cari matriks standarnya dengan terlebih dahulu memproyeksikan vektor dalam basis standar
105 124
bagi R2 , yaitu
1 0
î = dan ĵ =
0 1
pada garis tersebut. Misalkan vektor satuan yang membangun garis ini adalah ~a = (cos θ, sin θ), maka

î · ~a cos2 θ
proj~a î = ~a =
||~a||2 sin θ cos θ

ĵ · ~a sin θ cos θ
proj~a ĵ = ~a =
||~a||2 sin2 θ
Jadi kita peroleh matriks standarnya, sebutlah Pθ adalah
sin2 θ

cos2 θ cos2 θ sin θ cos θ
Pθ = T (î) T (ĵ) = =
sin θ cos θ sin2 θ cos θ sin θ cos θ sin2 θ
Dengan memanfaatkan identitas trigonometri sin 2θ = 2 sin θ cos θ, maka
sin2 θ cos2 θ 21 sin 2θ

cos2 θ
Pθ = = 1
sin θ cos θ sin2 θ cos θ 2
sin 2θ sin2 θ
7.1.3.3 Operator Rotasi
Gambar 7.5: Tabel Rotasi di R2
Gambar 7.6: Tabel Rotasi di R3

7.1.3.4 Dilatasi dan Kontraksi
106 124
Gambar 7.7: Tabel Dilatasi dan Kontraksi di R2
Gambar 7.8: Tabel Dilatasi dan Kontraksi di R3
7.1.3.5 Pencerminan Terhadap Suatu Garis

Sekarang akan diberikan pembuktian rumus untuk kasus suatu vektor dengan titik awal di titik asal dan
titik akhir di (a, b) dengan a dan b bilangan real di R2 yang dicerminkan terhadap suatu garis dengan sudut
terhadap sumbu x sebesar θ.
Misalkan S = {î, ĵ} merupakan basis standar bagi R2 dan S 0 = {~u1 , ~u2 } adalah basis dari sistem
koordinat yang diperoleh dengan merotasikan sumbu x dan y sebesar θ atau dengan kata lain, menurut
rumus pada tabel 5, matriks transisinya adalah

cos θ − sin θ
PS 0 →S =
sin θ cos θ
dan misalkan vektor sebelum rotasi adalah ~v dan vektor sesudah rotasi adalah w ~ dengan titik akhir (a0 ,b0 ).
Selanjutnya,
" # " 0 #
a0

cos θ − sin θ a
[w]
~S= 0 = PS 0 →S [w]
~ S0 = (7.2)
b sin θ cos θ b0
S S0
Tetapi kita tahu bahwa

" # " #
a0
0
a a a
0 = 0 dan = (7.3)
b b b b
S S
dan
" # " #
a0

1 0 a
= (7.4)
b0 0 −1 b
S0 S0
serta
" # −1 " #
a 1 0 cos θ − sin θ a
= (7.5)
b 0 −1 sin θ cos θ b
S0 S
Subtitusikan (7.3), (7.4), dan (7.5) ke (7.2) sehingga diperoleh

0 −1
a cos θ − sin θ 1 0 cos θ − sin θ a
=
b0 sin θ cos θ 0 −1 sin θ cos θ b
0
a cos 2θ sin 2θ a
=
b0 sin 2θ − cos 2θ b
Rumus yang biasa kita kenal di SMA.
107 124
7.1.4 Sifat-Sifat Transformasi Matriks

7.1.4.1 Komposisi Transformasi Matriks
Pada pembuktian rumus sebelumnya, telah kita lihat sifat yang serupa dengan yang kita kenal sebagai
komposisi pada fungsi bernilai real, hanya saja dalam wujud matriks. Sekarang mari kita definisikan dan
perumum sifat komposisi ini:
Definisi 2 Komposisi Transformasi

Misalkan TA transformasi matriks dari Rn ke Rk dan TB adalah matriks transformasi matriks dari Rk
ke Rm . Jika ~x vektor di Rn , maka TA memetakan vektor ~x ke vektor TA (~x) di Rk dan TB memetakan
vektor tersebut ke vektor TB (TA (~x)) di Rm . Proses ini membentuk transformasi dari Rn ke Rm yang
kita sebut sebagai komposisi dari TB dan TA yang dinotasikan TB ◦ TA . Jadi,
TB ◦ TA (~x) = TB (TA (~x)) = B(TA (~x)) = B(A~x) = (BA)~x
Komposisi ini bisa dikembangkan untuk tiga atau lebih komposisi. Dapat diuji bahwa sifat tak komutatif
pada fungsi bernilai real yang tak selalu berlaku pun dialami oleh transformasi matriks.
Sekarang kita akan melihat hubungan antara sifat invertibel dari matriks A dengan transformasi matriks
TA .
Definisi 3 Transformasi Satu-Satu

Transformasi matriks TA : Rn → Rm dikatakan satu-satu jika TA memetakan vektor-vektor yang
berbeda di Rn ke vektor-vektor yang berbeda juga di Rm .
Pendefinisian satu-satu pada transformasi ini sama dengan definisi satu-satu di fungsi bernilai real.
Sekarang akan diberikan teorema terkait sifat invertibel suatu matriks dengan sifat pemetaaan satu-satu:

Jika A matriks berukuran n × n dan TA operator pada Rn yang berkorespondensi. Maka pernyataan
berikut ekuivalen:
1. A invertibel.
2. range dari TA adalah Rn .
3. TA satu-satu.
Bukti. (1 → 2) Asumsikan A invertibel. Menurut poin (a) dan (e) dari teorema 4 di 4.8.1, SPL A~x = ~b
konsisten untuk setiap vektor kolom ~b di Rn . Akibatnya, selalu ada ~x untuk suatu ~b sebarang di Rn atau
dengan kata lain, range dari TA adalah Rn . (2 → 3) Asumsikan poin 2 benar. Menurut poin (e) dan (f)
teorema 4 di 4.8.1, A~x = ~b memiliki solusi unik untuk setiap vektor ~b di TA . Jadi, TA satu-satu.
(3 → 1) Asumsikan poin 3 benar. Maka untuk setiap vektor ~b yang dipilih di TA ada solusi unik ~x di Rn .
Akibatnya, jika  
x1
 x2 
~x =  .. 
 
 . 
xn
108 124
maka SPL A~x = ~b yang dihasilkan melalui serangkaian OBE adalah



 x1 = b01

 x2 = b02

 ...


x = b0


n n
dengan b0i adalah elemen dari ~b yang telah dikenai serangkaian OBE. Berarti matriks yang berkorespondensi
dengan SPL diatas adalah     
1 0 ··· 0 x1 b01
0 1 · · · 0  x2   b0 
    2
 .. .. . . ..   ..  =  .. 

. . . . .   . 
0 0 · · · 1 xn b0n
Kita simpulkan bahwa matriks A yang dikenai OBE haruslah memiliki bentuk eselon baris tereduksinya In .
Jadi, A invertibel.
Dari teorema di atas, kita bisa mendefinisikan operator pada Rn yang kita sebut invers dari TA atau
invers operator yang ditulis
TA−1 : Rn → Rn
dan kita peroleh sifat
TA (TA−1 (~x)) = AA−1~x = I~x = ~x
TA−1 (TA (~x)) = A−1 A~x = I~x = ~x
Akibatnya, TA−1 = (TA )−1 .
7.1.4.2 Sifat Kelinieran
Sekarang kita akan melihat sifat seperti apa sehingga suatu transformasi T : Rn → Rm dikatakan
transformasi matriks secara umum.
Teorema 4
T : Rn → Rm adalah transformasi matriks jika dan hanya jika sifat berikut ini berlaku untuk setiap
vektor ~u dan ~v di Rn dan k suatu skalar:
1. T (~u + ~v ) = T (~u) + T (~v )
2. T (k~u) = kT (~u)
Bukti. (⇒) Jika T transformasi matriks, maka sifat 1 dan 2 jelas menurut poin 2 dan 3 pada teorema 1
di 7.1.2.
(⇐) Asumsikan poin 1 dan 2 dipenuhi. Kita harus buktikan bahwa ada matriks A berukuran m × n sehingga
T (~x) = A~x untuk setiap vektor ~x di Rn .
Perhatikan bahwa
T (k1~u1 + k2~u2 + · · · + kr ~ur ) = k1 T (~u1 ) + k2 T (~u2 ) + · · · + kr T (~ur )
untuk setiap skalar k1 , k2 , · · · , kr dan ~u1 , ~u2 , · · · , ~ur di Rn . Pilih

A = T (ê1 ) T (ê2 · · · T (ên )
109 124
dan misalkan  
x1
 x2 
~x =  .. 
 
 . 
xn
Pandang:
T (~x) = T (x1 ê1 + x2 ê2 + · · · + xn ên )
= x1 T (ê1 ) + x2 T (ê2 ) + · · · + xn T (ên )
= A~x
menurut teorema 1 di 1.3.1.
Kedua sifat tersebut disebut sifat kelinieran dan transformasi yang memenuhi kedua sifat tersebut adalah
transformasi linier.
Sebagai penutup, kita berikan teorema berikut:

Jika A matriks berukuran n × n, maka pernyataan berikut ekuivalen:
(a) A invertibel.
(b) A~x = ~0 hanya memiliki solusi trivial.
(c) matriks eselon baris tereduksi dari A adalah In .
(d) A dapat ditulis sebagai perkalian matriks-matriks elementer.
(e) A~x = ~b konsisten untuk setiap matriks ~b berukuran n × 1.
(f) A~x = ~b memiliki satu solusi untuk setiap matriks ~b berukuran n × 1.
(g) det(A) 6= 0
(h) vektor kolom dari A membentuk basis bagi Rn .
(i) vektor baris dari A membentuk basis bagi Rn .
(j) A memiliki rank n.
(k) A memiliki nulitas 0.
(l) range dari TA adalah Rn
(m) TA satu-satu.
7.1.3 Soal Latihan

1. Tentukan matriks standar yang memetakan semua titik di R3 dengan aturan (x, y, z) 7→ (y, z, x).
2. Jelaskan interpretasi geometrik jika vektor ~x dikalikan dengan matriks pemetaan:
cos θ − sin2 θ −2 sin θ cos θ

2
A=
2 sin θ cos θ cos2 θ − sin2 θ
110 124
7.2 Transformasi Linier Umum

Setelah sebelumnya kita membahas tentang transformasi linier dari Rn ke Rm , sekarang kita akan membahas
transformasi linier yang lebih umum, yaitu dari suatu ruang vektor V ke suatu ruang vektor W .
7.2.1 Terminologi dan Definisi

Kita telah definisikan transformasi matriks TA : Rn → Rm memiliki bentuk TA (~x) = A~x dengan A
matriks berukuran m × n dan ~x di Rn . Teorema 4 di 7.1.4 menjelaskan bahwa transformasi matriks adalah
transformasi linier dengan sifat kelinieran
T (~u + ~v ) = T (~u) + T (~v )
dan
T (k~u) = kT (~u)
untuk setiap vektor ~u dan ~v di Rn dan k skalar.
Sekarang diberikan definisi untuk kasus yang lebih umum:
Definisi 1 Transformasi Linier

Jika T : V → W adalah fungsi dari suatu ruang vektor V ke suatu ruang vektor W , maka T dikatakan
transformasi linier dari V ke W jika dua sifat berikut dipenuhi oleh setiap vektor ~u dan ~v di V dan k
skalar:
1. T (~u + ~v ) = T (~u) + T (~v )
2. T (k~u) = kT (~u)
Jika V = W , maka T disebut operator linier pada ruang vektor V .
Selanjutnya kita peroleh teorema:
Teorema 1
Jika T : V → W adalah transformasi linier, maka:
1. T (~0) = ~0
2. T (~u − ~v ) = T (~u) − T (~v )
untuk setiap vektor ~u dan ~v di V .
Bukti. Misalkan ~u vektor di V . Dengan memanfaatkan sifat 0~u = ~0, maka

T (~0) = T (0~u) = 0T (~u) = ~0
Selanjutnya,
T (~u − ~v ) = T (~u + (−1~v )) = T (~u) + (−1)T (~v ) = T (~u) − T (~v )

Kita sebut transformasi linier T : V → W dengan V dan W ruang vektor dan T (~u) = ~0 untuk setiap
vektor ~u di V , sebagai transformasi nol dan I : V → V dengan V ruang vektor dan I(~v ) = ~v untuk setiap
vektor ~v di V , sebagai operator identitas pada V . (Bukti transformasi nol dan operator identitas bersifat
linier dijadikan sebagai latihan).
111 124
Sebelumnya juga kita telah melihat bahwa ada matriks A pada transformasi matriks TA : Rn → Rm
dengan
A = T (ê1 ) T (ê2 ) · · · T (ên )
dan S = {ê1 , ê2 , · · · , ên } adalah basis standar bagi Rn . Akibatnya, untuk setiap vektor ~v = (c1 , c2 , · · · , cn )
di Rn , maka
T (~u) = c1 T (ê1 ) + c2 T (ê2 ) + · · · + cn T (ên )
Dengan kata lain, dalam transformasi matriks, bayangan dari vektor di domain dapat ditulis sebagai
kombinasi linier dari bayangan dari vektor dalam basis standar. Berikut ini diberikan teorema yang lebih
umum:
Teorema 2
Misalkan T : V → W adalah transformasi linier dengan V berdimensi terbatas. Jika S =
{v1 , v2 , · · · , vn } adalah basis bagi V , maka bayangan dari vektor ~v di V dapat ditulis sebagai
T (~v ) = c1 T (~v1 ) + c2 T (~v2 ) + · · · + cn T (~vn )
dengan ci , i = 1, 2, · · · , n koefisien kombinasi linier dari ~v oleh vektor-vektor di S.
Bukti. Teorema dapat dengan mudah dibuktikan karena ~v dapat ditulis sebagai kombinasi linier dari
vektor-vektor di S atau
~v = c1~v1 + c2~v2 + · · · + cn~vn
lalu memetakannya pada T dan gunakan sifat kelinieran.
Contoh Soal 1. Misalkan S = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} basis bagi R dan T : R → R transfor-
3 3 2
masi linier dengan

T (~v1 ) = (1, 0) T (~v2 ) = (2, −1) T (~v3 ) = (4, 3)
Tentukan rumus dari T ((x1 , x2 , x3 )).
Solusi. Pertama kita cari kombinasi linier dari (x1 , x2 , x3 ) oleh vektor dalam S. Misalkan c1 , c2 , c3 koefisien
dari kombinasi linier, maka
(x1 , x2 , x3 ) = c1 (1, 1, 1) + c2 (1, 1, 0) + c3 (1, 0, 0)
Selanjutnya, SPL yang berkorespondensi dengan menyamakan setiap komponen adalah


c 1 + c 2 + c 3 = x 1

c1 + c2 = x2

c1 = x3

Diperoleh c1 = x3 , c2 = x2 − x3 , dan c3 = x1 − x2 . Jadi,
T (x1 , x2 , x3 ) = x3 T (~v1 ) + (x2 − x3 )T (~v2 ) + (x1 − x2 )T (~v3 )
= x3 (1, 0) + (x2 − x3 )(2, −1) + (x1 − x2 )(4, 3)

= (4x1 − 2x2 − x3 , 3x1 − 4x2 + x3 )

7.2.2 Inti dan Peta

Kita mulai dengan definisi:
112 124
Definisi 2 Peta dan Inti

Jika T : V → W adalah transformasi linier, maka himpunan vektor di V yang dipetakan oleh T ke
~0 disebut kernel atau inti dari T dan dinotasikan ker(T ) atau inti(T ). Selanjutnya, himpunan semua
vektor di W yang merupakan bayangan oleh T dari setidaknya satu vektor di V disebut range atau
peta dari T dan dinotasikan Im(T ) atau peta(T ).
Sebagai contoh, jika TA : Rn → Rm adalah multiplikasi oleh matriks A yang berukuran m × n, maka
ker(TA ) adalah ruang nol dari A dan Im(T ) adalah ruang kolom dari A.
Sekarang akan dibahas mengenai sifat dari peta dan inti:
Teorema 3 Sifat Peta dan Inti

Jika T : V → W adalah transformasi linier, maka:
1. ker(T ) subruang bagi dari V
2. Im(T ) subruang dari W
Bukti. (1) menurut poin 1 pada teorema 1, vektor nol ada dalam ker(T ), jadi ker(T ) tak kosong. Misalkan
~v1 dan ~v2 vektor di ker(T ) dan k skalar, maka perhatikan bahwa
T (~v1 + ~v2 ) = T (~v1 ) + T (~v2 ) = ~0 + ~0 = ~0
Jadi, ker(T ) tertutup terhadap operasi penjumlahan. Selanjutnya,
T (k~v1 ) = kT (~v1 ) = k~0 = ~0
Jadi, ker(T ) tertutup terhadap operasi perkalian dengan skalar. Kita simpulkan bahwa ker(T ) merupakan
subruang dari V .
(2) Menurut poin 1 pada teorema 1, vektor nol ada dalam Im(T ), jadi Im(T ) tak kosong. Misalkan w
~ 1 dan w
~2
vektor di Im(T ) dan k skalar, maka perhatikan bahwa kita perlu menunjukkan bahwa ada vektor a dan b di
V memenuhi
T (~a) = w ~ 2 dan T (~b) = k w
~1 + w ~1
Tetapi ada vektor ~u1 dan ~u2 di V dengan
T (~v1 ) = w
~ 1 dan T (~v2 ) = w
~2
Pilih ~a = ~v1 + ~v2 dan ~b = k~v1 , sehingga Im(T ) merupakan subruang dari W .
Sekarang akan kita berikan definisi yang lebih umum dari rank dan nulitas:
Definisi 3 Rank dan Nulitas

Misalkan T : V → W adalah transformasi linier. Jika range dari T berdimensi terbatas, maka
dimensinya kita sebut rank dari T (dinotasikan rank(T )) dan jika inti dari T berdimensi terbatas, maka
dimensinya kita sebut nulitas dari T (dinotasikan null(T )).
Teorema 4
Jika T : V → W adalah transformasi linier dari ruang vektor V berdimensi n ke suatu ruang vektor W ,
maka
rank(T ) + null(T ) = n
113 124
Bukti. Misalkan 1 ≤ dim(ker(T )) = r < n dan v1 , v2 , · · · , vr basis bagi inti dari T . Jelas
{v1 , v2 , · · · , vr } bebas linier, sehingga menurut poin 2 teorema 4 di 4.5.1, ada n − r vektor vr+1 , vr+2 , · · · , vn
yang jika ditambahkan pada himpunan tersebut menngakibatkan himpunan yang baru merupakan
basis bagi V , yaitu {v1 , v2 , · · · , vn }. Akibatnya, kita cukup buktikan bahwa vektor di himpunan
S = {T (~vr+1 ), T (~vr+2 ), · · · , T (~vn )} membentuk basis bagi peta dari T .
Pertama, kita harus buktikan S membangun peta dari T . Jika ~b vektor di Im(T ), maka ~b = T (~v ) untuk suatu
vektor ~v di V . Karena {v1 , v2 , · · · , vn } basis bagi V , maka
~v = c1~v1 + c2~v2 + · · · + cn~vn
Tetapi v1 , v2 , · · · , vr anggota dari ker(T ) sehingga T (~v1 ) = T (~v2 ) = · · · = ~0, jadi
~b = cr+1 T (~vr+1 ) + cr+2 T (~vr+2 ) + · · · + cn T (~vn )
atau S membangun peta dari T .

Sekarang akan dibuktikan S bebas linier. Perlu ditunjukkan bahwa
kr+1 T (~vr+1 ) + kr+2 T (~vr+2 ) + · · · + kn T (~vn ) = ~0
hanya dipenuhi oleh kr+1 = kr+2 = · · · = kn = 0. Selanjutnya, kita peroleh
T (kr+1~vr+1 + kr+2~vr+2 + · · · + kn~vn ) = ~0
atau kr+1~vr+1 + kr+2~vr+2 + · · · + kn~vn berada di inti dari T , sehingga
kr+1~vr+1 + kr+2~vr+2 + · · · + kn~vn = k1~v1 + k2~v2 + · · · + kr~vr
⇔ kr+1~vr+1 + kr+2~vr+2 + · · · + kn~vn − k1~v1 − k2~v2 − · · · − kr~vr = ~0

Karena {v1 , v2 , · · · , vn } bebas linier, maka setiap koefisien bernilai nol (berarti kr+1 = kr+2 = kn = 0). Jadi
S bebas linier dan kita simpulkan S basis bagi peta dari T .
Jika r = 0, cukup dibuktikan bahwa dim(Im(T )) = n. Misalkan {v1 , v2 , · · · , vn } basis bagi V , maka
T (c1~v1 + c2~v2 + · · · + cn~vn ) = c1 T (~v1 ) + c2 T (~v2 ) + · · · + cn T (~vn )
dengan kata lain, {T (~v1 ), T (~v2 ), · · · , T (~vn )} membangun peta dari T. Selanjutnya, karena r = 0, maka
T (~x) = ~0 hanya dipenuhi oleh ~x = ~0 anggota V , dan
~0 = k1~v1 + k2~v2 + · · · + kn~vn
hanya dipenuhi oleh k1 = k2 = · · · = kn = 0, maka persamaan

~0 = T (~0) = T (k1~v1 + k2~v2 + · · · + kn~vn )
= k1 T (~v1 ) + k2 T (~v2 ) + · · · + kn T (~vn )

mengakibatkan {T (~v1 ), T (~v2 ), · · · , T (~vn )} juga bebas linier. Jadi disimpulkan {T (~v1 ), T (~v2 ), · · · , T (~vn )}
basis bagi peta dari T dengan dimensi n.
Perhatikan bahwa jika A matriks berukuran m × n dan TA : Rn → Rm adalah multiplikasi oleh A, maka
inti dari TA adalah ruang nol dari A dan peta dari TA adalah ruang kolom dari A. menurut teorema diatas,
rank(TA ) + null(TA ) = n
114 124
7.2.3 Soal Latihan

1. Tentukan apakah transformasi T berikut linier atau tidak.
• T : R3 → R3 , T (x1 , x2 , x3 ) = (3x1 + 2x2 , x3 , |x2 |).
• T : Mn → Mn , T (A) = A + 3AT .
2. Diberikan pemetaan L : R3 → R3 dengan aturan pemetaan
    
x cos θ − sin θ 0 x
L y  =  sin θ cos θ 0 y 
z 0 0 1 z
a) Jelaskan mengapa L operator linier.
b) Buktikan bahwa L merotasi setiap vektor di R3 terhadap sumbu-z sebesar θ.
7.3 Sifat Transformasi Linier Umum

Sekarang kita akan melihat lebih jauh mengenai hubungan antara ruang vektor real berdimensi terbatas
dengan ruang Euclid Rn .
7.3.1 Pemetaan Satu-Satu dan Pada

Kita mulai dengan definisi yang lebih umum dari definisi 3 pada 7.1.4:
Definisi 1 Satu-Satu dan Pada
• Jika T : V → W adalah transformasi linier dari suatu ruang vektor V ke suatu ruang vektor W ,
maka T dikatakan satu-satu jika T memetakan vektor-vektor yang berbeda di V ke vektor-vektor
yang berbeda di W .
• Jika T : V → W adalah transformasi linier dari suatu ruang vektor V ke suatu ruang vektor W ,
maka T dikatakan pada jika setiap vektor di W merupakan bayangan dari setidaknya satu vektor
di V .
Teorema 1
Jika T : V → W adalah transformasi linier, maka T satu-satu jika dan hanya jika ker(T ) = {~0}.
Bukti. (⇒) Karena T linier, kita tahu bahwa T (~0) = ~0 menurut poin 1 teorema 1 di 7.2.1. Karena T
satu-satu, maka tidak ada vektor lain di V yang dipetakan ke ~0. Jadi, ker(T ) = {~0}.
(⇐) Misalkan ker(T ) = {~0}. Jika ~u dan ~v vektor berbeda, maka ~u − ~v 6= ~0 dan T (~u − ~v ) 6= ~0. Karena T
linier, maka
T (~u) − T (~v ) = T (~u − ~v ) 6= ~0
Jadi, T memetakan vektor-vektor berbeda di V ke vektor-vektor yang berbeda juga di W . Kita simpulkan T
satu-satu.

Jika V ruang vektor berdimensi terbatas dan T operator linier pada V , maka pernyataan berikut
ekuivalen:
115 124
(a) T satu-satu.
(b) ker(T ) = {~0}
(c) T pada (Im(T ) = V ).
Bukti. Kita tahu poin (a) dan (b) ekuivalen menurut teorema 1. Jadi cukup dibuktikan poin (b) dan (c)
ekuivalen.
(⇒) Misalkan ker(T ) = {~0} dan dimensi dari V adalah n. Maka menurut teorema 4 di 7.2.2, dimensi dari
Im(T )= n − dim(ker(T )) = n − 0 = n. Dengan kata lain, Im(T ) = V .
(⇐) Cara pembuktian serupa dengan pembuktian sebelumnya, hanya saja proses pengerjaannya terbalik.
Jadi pernyataan (b) dan (c) ekuivalen.
4 4
Dapat diuji bahwa transformasi linier T1 : P3 → R dan T2 : M22 → R yang didefinisikan dengan
T1 (a + bx + cx2 + dx3 ) = (a, b, c, d)
dan !
a b
T2 = (a, b, c, d)
c d
bersifat satu-satu dan pada.
Dengan menggunakan kontradiksi, kita dapat buktikan bahwa jika T : V → W transformasi linier dan
V dan W berdimensi terbatas, maka:
1. Jika dim(W ) < dim(V ), maka T tidak mungkin satu-satu.
2. Jika dim(V ) < dim(W ), maka T tidak mungkin pada.
7.3.2 Isomorfisma
Definisi 2 Isomorfisma
Jika transformasi linier T : V → W satu-satu dan pada, maka T dikatakan isomorf dan ruang vektor V
dan W dikatakan ismorfik.
Kita bisa lihat pada contoh sebelumnya, P3 isomorfik dengan R4 dan M22 isomorfik dengan R4 . Berikut ini
diberikan teorema yang membantu kita mengenali ruang vektor yang isomorfik dengan Rn :
Teorema 3
Setiap ruang vektor atas bilangan real yang berdimensi n isomorfik dengan Rn .
Bukti. Misalkan V ruang vektor atas bilangan real yang berdimensi n. Kita perlu mencari transformasi
linier T : V → Rn yang satu-satu dan pada. Misalkan {v1 , v2 , · · · , vn } basis bagi V dan
~u = k1~v1 + k2~v2 + · · · + kn~vn
kombinasi linier vektor ~u oleh vektor dalam basis bagi V serta definisikan T : V → Rn dengan
T (~u) = (k1 , k2 , · · · , kn )
116 124
Untuk membuktikan T linier, ambil sebarang vektor ~u dan ~v di V dan c suatu skalar, serta
~u = k1~v1 + k2~v2 + · · · + kn~vn dan ~v = p1~v1 + p2~v2 + · · · + pn~vn
Pandang:
T (c~u) = T (ck1~v1 + ck2~v2 + · · · + ckn~vn )
= (ck1 , ck2 , · · · , ckn )
= c(k1 , k2 , · · · , kn ) = cT (~u)
dan
T (~u + ~v ) = T ((k1 + p1 )~v1 + (k2 + p2 )~v2 + · · · + (kn + pn )~vn )
= (k1 + p1 , k2 + p2 , · · · , kn + pn )
= (k1 , k2 , · · · , kn ) + (p1 , p2 , · · · , pn ) = T (~u) + T (~v )
Jadi, T linier. Selanjutnya, untuk vektor ~u dan ~v yang berbeda di V , ki 6= pi untuk setidaknya satu i,
sehingga
T (~u) = (k1 , k2 , · · · , kn ) 6= (p1 , p2 , · · · , pn ) = T (~v )
Jadi, T satu-satu. Terakhir, untuk sebarang vektor w
~ di V dengan
~ = (k1 , k2 , · · · , kn )
w
ada vektor ~u dengan

~u = k1~v1 + k2~v2 + · · · + kn~vn
~ Jadi, T pada dan disimpulkan T isomorfik dengan Rn .
sebagai prapeta, atau T (~u) = w.
7.3.3 Komposisi Transformasi Linier

Sekarang kita akan memperumum definisi mengenai komposisi dari transformasi linier.
Definisi 3 Komposisi Transformasi Linier

Jika T1 : V → V dan T2 : V → W adalah transformasi linier, maka komposisi dari T2 dengan T1
(ditulis T2 ◦ T1 ) merupakan fungsi yang didefinisikan sebagai
T2 ◦ T1 (~x) = T2 (T1 (~x))
dengan ~x ada di V .
Teorema 4
Jika T1 : V → V dan T2 : V → W adalah transformasi linier (T2 ◦ T1 ) : U → W juga transformasi
linier.
Bukti. Jika ~u dan ~v vektor di U dan c skalar, maka

(T2 ◦ T1 )(~u + ~v ) = T2 (T1 (~u + ~v ))
= T2 (T1 (~u) + T1 (~v ))

= T2 (T1 (~u)) + T2 (T1 (~v ))
= (T2 ◦ T1 )(~u) + (T2 ◦ T1 )(~v )
117 124
dan
(T2 ◦ T1 )(c~u) = T2 (T1 (c~u))
= T2 (cT1 (~u))
= cT2 (T1 (~u))
= c(T2 ◦ T1 )(~u)
Jadi, T2 ◦ T1 linier.
Untuk komposisi tiga tranformasi linier serupa.
7.3.4 Invers Transformasi Linier

Kita telah membahas di teorema 3 di 7.1.4 bahwa operator linier TA pada Rn satu-satu jika dan hanya jika
matriks A invertibel, sehingga terdapat invers operator TA−1 . Berikutnya, kita akan memperumum definisi
invers dari transformasi linier.
Jika T : V → W adalah transformasi linier, maka peta dari T merupakan subruang dari W yang memuat
semua bayangan dari vektor di V oleh T . Jika T satu-satu, maka untuk setiap vektor w ~ di Im(T ) bayangan
dari vektor tunggal ~v di V . Akibatnya, kita bisa mendefinisikan fungsi baru yang disebut invers dari T
(dinotasikan T −1 ), yang memetakan w~ ke ~v .
Dapat dibuktikan bahwa transformasi T −1 : Im(T ) → V merupakan transformasi linier.
Teorema 5
Jika T1 : U → V dan T2 : V → W adalah transformasi linier yang satu-satu, maka
1. T2 ◦ T1 satu-satu
2. (T2 ◦ T1 )−1 = (T1 )−1 ◦ (T2 )−1
Bukti. (1) Karena T1 satu-satu, maka untuk setiap vektor berbeda ~u dan ~v, T1(~u) dan T1(~v) berbeda.
Karena T2 juga berbeda, maka T2 (T1 (~u)) dan T2 (T1 (~v )) juga berbeda. Jadi, T2 ◦ T1 satu-satu.
(2) Misalkan ~u = (T2 ◦ T1 )−1 (w)
~ dengan w ~ di Im(T2 ◦ T1 ). Akibatnya, (T2 ◦ T1 )(~u) = T2 (T1 (~u)) = w.
~
−1
Selanjutnya, karena T2 ◦ T1 satu-satu, maka jika kita petakan kedua ruas oleh T2 lalu petakan lagi oleh
T1−1 , sehingga diperoleh
~u = T1−1 (T2−1 (w))
~ = (T1−1 ◦ T2−1 )(w)~
Dengan kata lain,
(T2 ◦ T1 )−1 (w)
~ = (T1−1 ◦ T2−1 )(w)
~

Teorema ini juga dapat dikembangkan untuk lebih banyak transformasi linier.
7.3.5 Soal Latihan

1. Buktikan bahwa operator linier L pada soal nomor 2 subbab 7.2 bersifat satu-satu dan pada. Setelah
itu tentukan L−1 .
2. Misalkan T : V → W suatu transformasi linier yang bersifat satu-satu. Buktikan:
a) jika {T (x1 ), ..., T (xn )} membangun W maka {x1 , ..., xn } membangun V.
b) jika {x1 , ..., xn } bebas linier maka {T (x1 ), ..., T (xn )} bebas linier.
7.4 Matriks untuk Tranformasi Linier Umum

Sekarang kita akan membahas matriks pada transformasi linier umum dengan domain ruang vektor V
berdimensi n dan kodomain ruang vektor W berdimensi m.
118 124
7.4.1 Matriks untuk Transformasi Linier

Misalkan terdapat transformasi linier T : V → W dengan V ruang vektor berdimensi n dan W ruang
vektor berdimensi m, dan S basis bagi V serta S 0 basis bagi W . Maka untuk setiap vektor ~x di V , kita
punya matriks koordinat untuk ~x dan T (~x) adalah [~x]S dan [T (~x)]S 0 .
Sekarang akan diberikan metode untuk mencari matriks A sehingga kita bisa memperoleh T (~x) secara
tidak langsung:
Langkah 1. cari vektor koordinat [~x]S
Langkah 2. kalikan disebelah kiri [~x]S dengan A sehingga diperoleh [T (~x)]S 0
Langkah 3. Bentuk T (~x) melalui [T (~x)]S 0
Gambar 7.9: Skema Langkah Mencari T (~x) Secara Tidak Langsung
Misalkan S = {~u1 , ~u2 , · · · , ~un } dan S 0 = {~v1 , ~v2 , · · · , ~vm }. Kita peroleh
A[~ui ]S = [T (~ui )]S 0
dengan i = 1, 2, · · · , n. Tetapi kita tahu bahwa

     
1 0 0
0 1 0
     
[~u1 ]S = 0 [~u2 ]S = 0 ··· [~un ]S = 0
     
 ..   ..   .. 
. . .
0 0 1
Akibatnya, jika  
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A =  ..
 
.. .. .. 
 . . . . 
maka A[~ui ]S menghasilkan vektor kolom ke i dari A, yang berarti bahwa

A = [T (~u1 )]S 0 | [T (~u2 )]S 0 | · · · | [T (~un )]S 0
Kita sebut matriks ini sebagai matriks dari T relatif terhadap basis S dan S 0 dan dinotasikan [T ]SS 0 . Jadi,

[T ]SS 0 = [T (~u1 )]S 0 | [T (~u2 )]S 0 | · · · | [T (~un )]S 0
Perhatikan jika TA : Rn → Rm multiplikasi oleh A dengan S dan S 0 basis standar bagi domain dan
kodomain, maka
[T ]SS 0 = A
119 124
Contoh Soal 1. Misalkan T : P1 → P2 transformasi linier dengan

T (p(x)) = xp(x)
Tentukan matriks bagi T dengan basis standar
S = {1, x} S 0 = {1, x, x2 }
Solusi. Perhatikan bahwa

T (1) = x dan T (x) = x2
Selanjutnya,    
0 0
[T (1)]S 0 = 1 dan [T (x)]S 0 = 0
  
0 1
Jadi  
0 0
[T ]SS 0 = 1 0
0 1

7.4.2 Matriks untuk Operator Linier

Jika V = W dan pilih S = S 0 , kita sebut matriks untuk T sebagai matriks untuk T relatif terhadap basis
S dan dinotasikan [T ]S . Jika S = {~u1 , ~u2 , · · · , ~un }, maka

[T ]S = [T (~u1 )]S | [T (~u2 )]S | · · · | [T (~un )]S
dan [T ]S [~x]S = [T (~x)]S . Jika T operator linier pada Rn yang dimultiplikasi oleh matriks A dengan S basis
standar bagi Rn , maka [T ]S = A.
Untuk kasus T merupakan operator identitas dan S basis bagi ruang vektor V berdimensi n, akan diperoleh
[T ]S = In .
7.4.3 Matriks untuk Komposisi dan Invers Transformasi
Teorema 1
Jika T1 : U → V dan T2 : V → W transformasi linier dengan S, S”, dan S 0 berturut-turut merupakan
basis bagi U , V , dan W , maka
[T2 ◦ T1 ]SS 0 = [T2 ]S”S 0 [T1 ]SS”
Bukti. Misalkan U berdimensi n dan S = {~u1, ~u2, · · · , ~un}. Ambil sebarang vektor ~u di U , maka
[T2 ]S”S 0 [T1 ]S”S [~u]S = [T2 ]S”S 0 [T1 (~u)]S” = [T2 (T1 (~u))]S 0 = [(T2 ◦ T1 )(~u)]S 0 · · · (1)
Tetapi perhatikan bahwa transformasi T2 ◦ T1 : U → W memiliki matriks [T2 ◦ T1 ]SS 0 dengan

[T2 ◦ T1 ]SS 0 = [(T2 ◦ T1 )(~u1 )]S 0 | [(T2 ◦ T1 )(~u2 )]S 0 | · · · | [(T2 ◦ T1 )(~un )]S 0
Dengan mensubtitusikan (1) pada persamaan diatas dan memanfaatkan sifat perkalian matriks dengan
vektor kolom, maka akan diperoleh bentuk yang kita inginkan.
Teorema di atas dapat juga dikembangkan untuk komposisi tiga transformasi linier.
Contoh Soal 2. Misalkan T1 : P1 → P2 dan T2 : P2 → P2 transformasi linier dengan
T1 (p(x)) = xp(x) dan T2 (p(x)) = p(3x − 5)
120 124
Tentukan matriks bagi (T2 ◦ T1 ).

Solusi. Komposisi (T2 ◦ T1 ) : P1 → P2 menghasilkan
(T2 ◦ T1 )(p(x)) = T2 (T1 (p(x))) = T2 (xp(x)) = (3x − 5)p(3x − 5)
sehingga untuk p(x) = a + bx, berlaku
(T2 ◦ T1 )(a + bx) = (3x − 5)(a + b(3x − 5))
= a(3x − 5) + b(3x − 5)2

Dengan cara tak langsung, menurut teorema 1 pilih S 0 = S” = {1, x, x2 } dan S = {1, x} sehingga
[T2 ◦ T1 ]SS 0 = [T2 ]S 0 [T1 ]SS 0
Menurut contoh soal 1, diperoleh

   
0 0 1 −5 25
[T1 ]SS 0 = 1 0 dan [T2 ]S 0 = 0 3 −30
0 1 0 0 9
Akibatnya, dapat diuji bahwa  

−5 25
[T2 ◦ T1 ]SS 0 =  3 −30
0 9
Sebagai penguji, perhatikan bahwa

[T2 ◦ T1 ]SS 0 = [(T2 ◦ T1 )(1)]S 0 | [(T2 ◦ T1 )(x)]S 0
dengan (T2 ◦ T1 )(1) = 3x − 5 dan (T2 ◦ T1 )(x) = (3x − 5)2 = 9x2 − 30x + 25. Diperoleh
   
−5 25
[(T2 ◦ T1 )(1)]S 0 =  3  dan [(T2 ◦ T1 )(x)]S 0 = −30
0 9
Jadi,  
−5 25
[T2 ◦ T1 ]SS 0 =  3 −30
0 9

Teorema 2
Jika T : V → V operator linier dan S basis bagi V , maka T satu-satu jika dan hanya jika [T ]S invertibel.
Bukti. (⇒) Misalkan V berdimensi n dan S basis bagi V . Karena T satu-satu, maka menurut teorema
2 di 7.3.1 T pada. Akibatnya, T isomorf dan ada invers transformasi T −1 . Selanjutnya, menurut teorema 1,
[T −1 ]S [T ]S = [T −1 ◦ T ]S = [IV ]S = In
Begitu pula untuk [T ]S [T −1 ]S . Akibatnya, kita simpulkan [T ]S invertibel.

(⇐) Misalkan [T ]S invertibel dan A = [T ]S . Menurut teorema 3 di 7.3.2, V isomorfik dengan Rn dan
menurut teorema 5 di 7.1.4 operator linier TA isomorf. Akibatnya, haruslah T juga isomorf, sehingga T
bersifat satu-satu.
121 124
7.4.4 Soal Latihan

1. Tentukan matriks baku untuk komposisi dari transformasi linier di R2 berikut:
a) Proyeksi ortogonal pada sumbu y diikuti dengan dilatasi dengan faktor k = 3.
b) Rotasi sebesar θ diikuti proyeksi ortogonal pada sumbu x.
2. Misalkan T1 dan T2 adalah transformasi linier di mana T1 ◦ T2 = 0 tetapi T1 6= 0 atau T2 6= 0
a) Berikan contoh T1 dan T2 yang memenuhi pernyataan tersebut dan jelaskan.
b) Berdasarkan contoh yang Anda berikan pada bagian (a), apa yang bisa Anda katakan tentang
kaitan antara Inti(T1 ) dan Peta(T2 )?
7.5 Similaritas
Sekarang kita berfokus pada operator linier T : V → V dengan V suatu ruang vektor. Karena matriks
untuk operator T bergantung pada basis yang dipilih bagi V , maka tujuan kita adalah mencari basis yang
mengakibatkan matriks yang berkorespondensi menjadi sesederhana mungkin.
7.5.1 Similaritas untuk Operator Linier

Dapat diuji bahwa basis standar tidak selalu menghasilkan matriks yang sederhana. Diharapkan kita bisa
memperoleh matriks dalam bentuk matriks diagonal atau setidaknya matriks segitiga.
Ingat kembali jika S = {~u1 , ~u2 , · · · , ~un } dan S 0 = {~u01 , ~u02 , · · · , ~u0n } basis bagi ruang vektor V , maka

PS→S 0 = [~u1 ]S 0 | [~u2 ]S 0 | · · · | [~un ]S 0
dan
PS 0 →S = [~u1 ]S 0 | [~u2 ]S 0 | · · · | [~un ]S 0
dengan matriks PS→S 0 dan PS 0 →S saling invers. Ingat juga jika ~v vektor sebarang di V , maka
PS→S 0 [~v ]S = [~v ]S 0
PS 0 →S [~v ]S 0 = [~v ]S
Sekarang diberikan teorema mengenai matriks transisi dengan sudut pandang yang berbeda:
Teorema 1
Jika S dan S 0 basis bagi suatu ruang vektor V berdimensi terbatas dan I : V → V operator identitas
pada V , maka
PS→S 0 = [I]SS 0 dan PS 0 →S = [I]S 0 S
Bukti. Misalkan S = {~u1 , ~u2 , · · · , ~un } dan S 0 = {~u01 , ~u02 , · · · , ~u0n } basis bagi V . Karena I(~v ) = ~v
untuk setiap vektor ~v di V , maka

[I]SS 0 = [I(~u1 )]S 0 | [I(~u2 )]S 0 | · · · | [I(~un )]S 0
= [~u1 ]S 0 | [~u2 ]0S | · · · | [~un ]S 0

= PS→S 0
Bukti serupa untuk [I]S 0 S = PS 0 →S .
Sekarang kita akan membahas kaitan antara matriks [T ]S dengan [T ]S 0 pada operator linier T : V → V
dengan V ruang vektor berdimensi terbatas dan basis S dan S 0 .
122 124
Teorema 2
Misalkan T : V → V operator linier pada ruang vektor berdimensi terbatas V , dengan S dan S 0 basis
bagi V , maka
[T ]S 0 = PS→S 0 [T ]S PS 0 →S
Bukti. Perhatikan bahwa T = I ◦ T ◦ I. Akibatnya,

[T ]S 0 = [I ◦ T ◦ I]S 0 = [I]SS 0 [T ]S [I]S 0 S
atau dengan kata lain,

[T ]S 0 = PS→S 0 [T ]S PS 0 →S

Dengan memanfaatkan definisi 1 di 6.2, maka teorema diatas dapat ditulis menjadi:
Teorema 3
Matriks A dan B dikatakan serupa jika dan hanya jika kedua matriks tersebut berkorespondensi dengan
operator linier yang sama. Selanjutnya, jika B = P −1 AP , maka P merupakan matriks transisi dari
basis yang relatif terhadap B ke basis yang relatif terhadap A.
Contoh Soal 1. Dapat diuji bahwa matriks

1 1 2 0
A= dan B =
−2 4 0 3
berkorespondensi dengan operator linier yang sama, yaitu T : R2 → R2 , dengan S = {ê1 , ê2 } basis standar
yang terkait matriks A dan S 0 = {~u01 , ~u02 } basis terkait matriks B, dengan

0 1 0 1
~u1 = dan ~u2 =
1 2
Ujilah apakah kedua matriks ini serupa atau tidak.

Solusi. Perhatikan bahwa
~u01 = ê1 + ê2
~u02 = ê1 + 2ê2
sehingga
1 1
[~u01 ]S = 0
dan [~u2 ]S =
1 2
Jadi,
1 1
P = PS 0 →S =
1 2
Dapat diuji bahwa
B = P −1 AP

Tabel yang diberikan pada 6.2.1 juga berlaku untuk similaritas di subbab ini. Perhatikan juga bahwa
teorema 3 memberikan arti bahwa setiap sifat similaritas yang ada pada matriks [T ]S juga berlaku pada
matriks [T ]S 0 dengan T operator linier pada V , dan S dan S 0 basis bagi V .
123 124
Contoh Soal 2. Tentukan nilai eigen dan basis bagi ruang eigen dari operator linier T : P2 → P2
dengan definisi
T (a + bx + cx2 ) = −2c + (a + 2b + c)x + (a + 3c)x2
Solusi. Dapat diuji bahwa matriks untuk T terkait basis standar S = {1, x, x2 } adalah
 
0 0 −2
[T ]S = 1 2 1 
1 0 3
Menurut contoh soal 1 di 6.2.2 nilai eigen dari [T ]S adalah λ = 1 dan λ = 2 dan ruang eigen dari [T ]S
terkait lambda = 2 memiliki basis {~u1 , ~u2 }, dengan
   
−1 0
~u1 = 0 dan ~u2 = 1
  
1 0
serta ruang eigen dari [T ]S terkait λ = 1 memiliki basis {~u3 } dengan

 
−2
~u3 = 1 

1
Karena ~u1 , ~u2 , ~u3 terkait dengan polinom
p~1 = −1 + x2 p~2 = x p~3 = −2 + x + x2
Maka ruang eigen dari T terkait λ = 2 memiliki basis {~p1 , p~2 } dan ruang eigen dari T terkait λ = 1
memiliki basis {~p3 }. Perhatikan bahwa T (~p1 ) = 2~p1 , T (~p2 ) = 2~p2 , dan T (~p3 ) = p~3 .
7.5.2 Soal Latihan

1. Diberikan transformasi linier T : P2 → P2 , di mana
T (p(x)) = (4a0 + a2 ) + (2a0 + 3a1 + 2a2 )x + (a0 + 4a2 )x2
untuk setiap p(x) = a0 + a1 x + a2 x2 di P2 .
a) Tentukan matriks untuk transformasi T relatif terhadap basis baku.

b) Tentukan himpunan maksimal vektor-vektor karakteristik T yang bebas linier.
c) Tentukan suatu basis bagi P2 sehingga matriks untuk T terhadap basis tersebut diagonal.
124 124
Daftar Pustaka
Anton, Howard, Chris Rorres. 2014. Elementary Linear Algebra Applications Version, 11th edition. Wiley.
Nicholson, Keith. Linear Algebra with Applications 7th edition. Mc-Graw Hill.
125 124

Catatan Kuliah Aljabar Linier Elementer

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Catatan Kuliah Aljabar Linier Elementer

Diunggah oleh

Hak Cipta:

Format Tersedia

Catatan Kuliah Aljabar Linier Elementer

Special thanks to:

Buku ini gratis, boleh disebarkan, tidak untuk diperjualbelikan.

1 Sistem Persamaan Linier dan Matriks 4

3 Ruang Vektor Euclid 39

4 Ruang Vektor Umum 50

5 Ruang Hasil Kali Dalam 83

6 Nilai Eigen, Vektor Eigen, dan Diagonalisasi 93

7 Transformasi Linier 101

Daftar Pustaka 124

Bandung, Agustus 2015

Sistem Persamaan Linier dan Matriks

1.1 Pengantar Sistem Persamaan Linier

dan di dimensi tiga, kita kenali persamaan bidang:

Definisi 1 Persamaan Linier

Perhatikan kembali bahwa

1.1.2 Solusi Sistem Persamaan Linier dan Jenisnya

Definisi 2 Sistem Persamaan Linier

Gambar 1.1: Interpretasi Geometri SPL 2 Variabel

Gambar 1.2: Interpretasi Geometri SPL 3 Variabel

1.1.3 Operasi Baris Elementer

1. Mengalikan satu baris dengan konstanta tak nol.

2. Menukarkan dua baris.

3. Menambahkan kelipatan tak nol dari satu baris ke baris lainnya.

dengan menggunakan operasi baris elementer.

 SPL Matriks Diperbesar OBE

Sehingga didapat solusi SPL yang diberikan adalah (1, 2, 3).

1.1.4 Soal Latihan

dengan menggunakan OBE.

1.2 Eliminasi Gauss

merupakan matriks eselon baris dan  

1.2.2 Metode Eliminasi

1.2.3 Sistem Persamaan Linier Homogen

1.2.4 Soal Latihan

3. Selesaikan SPL berikut menggunakan metode eliminasi Gauss-Jordan.

1.3.1 Definisi Matriks

Beberapa contoh matriks adalah sebagai berikut.

1.3.2 Operasi Matriks

Definisi 2 Kesamaan Matriks

Contoh Soal 1. Diberikan matriks

Tentukan nilai x agar A = B.

Definisi 3 Penjumlahan dan Pengurangan Matriks

Contoh Soal 2. Diberikan matriks

Definisi 4 Perkalian Skalar Matriks

Contoh Soal 3. Diberikan matriks  

Definisi 5 Perkalian Matriks

(AB)ij = ai1 b1j + ai2 b2j + · · · + air brj

Contoh Soal 4. Diberikan matriks

dan seterusnya, sehingga menghasilkan matriks AB:

Definisi 6 Kombinasi Linier

1.3.2.6 Transpose Matriks

Definisi 7 Transpose Matriks

Contoh Soal 5. Diberikan matriks  

Definisi 8 Trace Matriks

Contoh Soal 6. Diberikan matriks

1.3.3 Matriks dan SPL

dapat direpresentasikan menjadi matriks

yang tak lain adalah perkalian matriks dengan vektor:

1.3.4 Soal Latihan

1.4 Sifat, Operasi, dan Invers Matriks

Teorema 1 Sifat Aljabar Matriks

1. A + B = B + A (hukum komutatif penjumlahan)

2. A + (B + C) = (A + B) + C (hukum asosiatif penjumlahan)

3. A(BC) = (AB)C (hukum asosiatif perkalian)

Contoh Soal 3. Diberikan matriks

Pembaca dapat menguji bahwa