BAB 5 NILAI EIGEN DAN

VEKTOR EIGEN
Tim Dosen Aljabar Linear FTUI
SASARAN PEMBELAJARAN
1. Mahasiswa memahami konsep nilai dan vektor
eigen.
2. Jika diberikan sebuah matriks, maka mahasiswa
mampu mencari nilai dan vektor eigen.
3. Jika diberikan sebuah matriks, maka mahasiswa
mampu melakukan diagonalisasi dan
diagonalisasi secara orthogonal.
KERANGKA PEMBAHASAN
1. Nilai Eigen dan Vektor Eigen
2. Diagonalisasi
3. Aplikasi: Solusi Persamaan Diferensial
7.1 NILAI EIGEN DAN VEKTOR EIGEN
Definisi :

Misalkan Anxn matriks matriks bujur sangkar

� adalah vektor tak nol di Rn dan λ adalah skalar Rill
𝒗𝒗
sehingga memenuhi :
� = 𝝀𝝀𝒗𝒗
𝑨𝑨𝒗𝒗 �
maka λ dinamakan nilai eigen dari A,
sedangkan 𝒗𝒗
� dinamakan vektor eigen dari A
CONTOH
Nilai eigen
 1 2   1   5  = 5  1 
    =    2
 4 3  2  10   

Vektor eigen
Perhatikan !!!
Av = λ v
Av − λ v = 0
A v − λI v = 0
( A − λI ) v = 0
Ingat….
� merupakan vektor tak nol
𝒗𝒗

Ini Berarti Persamaan Karakteristik

det ( A − λI ) = 0
 𝐴𝐴 − 𝜆𝜆𝜆𝜆 = 0
𝑎𝑎11 … 𝑎𝑎1𝑛𝑛
𝐴𝐴 = ⋮ … ⋮
𝑎𝑎𝑛𝑛𝑛 … 𝑎𝑎𝑛𝑛𝑛𝑛

𝑎𝑎11 − 𝜆𝜆1 … −𝑎𝑎1𝑛𝑛

𝐴𝐴 − 𝜆𝜆𝜆𝜆 = ⋮ … ⋮
−𝑎𝑎𝑛𝑛𝑛 … 𝑎𝑎𝑛𝑛𝑛𝑛 − 𝜆𝜆𝑛𝑛

 Akan ada sejumlah matriks 𝐴𝐴 − 𝜆𝜆𝜆𝜆 tergantung harga 𝜆𝜆 karena dapat terjadi
harga 𝜆𝜆 ada sama.
 Akan tetapi, jumlah vektor solusinya akan sama dengan ukuran matriks A-nya
 Untuk mendapatkan vektor solusi (vektor eigen) sama seperti menyelesaikan
RUANG NOL untuk harga 𝜆𝜆 tertentu
CONTOH :  1 0 -2 
 
Tentukan nilai eigen dari matriks A =  0 1 2 
 -1 0 0 

Persamaan Karakteristik det (A – λI) = 0

 1 0 -2   1 0 0 
 0 1 2  −λ  0 1 0  =0
   
- 1 0 0   0 0 1 

1- λ 0 -2
0 1- λ 2 =0
-1 0 -λ
Dengan ekspansi kofaktor sepanjang kolom ke-2
(1− λ) ( (1−λ) (−λ) − 2 ) = 0
(1 − λ) ( λ² − λ − 2) = 0
(1 − λ) ( λ − 2) ( λ + 1) = 0

Jadi, matriks A memiliki tiga buah nilai eigen yaitu :

λ = −1, λ = 1, dan λ = 2.
CONTOH
0 0 −2
Tentukan basis ruang eigen dari: 𝐴𝐴 = 1 2 1
1 0 3
Jawab :
Nilai eigen dari A diperoleh saat det 𝐴𝐴 − 𝜆𝜆𝜆𝜆 = 0
𝜆𝜆 0 2
𝜆𝜆 − 2 −1 −1 𝜆𝜆 − 2
−1 𝜆𝜆 − 2 −1 = 𝜆𝜆 −2 =0
0 𝜆𝜆 − 3 −1 0
−1 0 𝜆𝜆 − 3 3
𝜆𝜆 − 5𝜆𝜆2 + 8𝜆𝜆 − 4 = 0
𝜆𝜆 − 1 𝜆𝜆 − 2 2 = 0
𝜆𝜆1 = 1 dan 𝜆𝜆2,3 = 2
𝜆𝜆 = 2
𝜆𝜆 = 1

−1 0 −2
Vektor-vektor eigen: 𝑃𝑃 = 0 1 1
1 0 1
5.2 DIAGONALISASI
DEFINISI
Suatu matriks kuadrat Anxn dikatakan dapat didiagonalkan (diagonalizable)
jika terdapat matriks P yang mempunyai invers sehingga
D = P–1AP
dengan D matriks diagonal.
Matriks P dinamakan matriks yang mendiagonalkan (pendiagonal) dari A.
Vektor-vektor kolom dari matriks P adalah vektor-vektor eigen dari A.
𝜆𝜆1 0 ⋯ 0
0 𝜆𝜆2 ⋯ 0
𝐷𝐷 =
⋮ 0 … ⋮
0 0 … 𝜆𝜆𝑛𝑛
TEOREMA
TEOREMA 5.2.1
Jika A adalah matriks n × n, pernyataan berikut ekuivalen.
(a) A dapat didiagonalisasi.
(b) A memiliki n vektor eigen bebas linier

TEOREMA 5.2.2
a) Jika 1, 2, . . . , 𝑘𝑘 adalah nilai eigen yang berbeda dari matriks 𝐴𝐴, dan jika
𝑣𝑣1 , 𝑣𝑣2 , . . . , 𝑣𝑣𝑘𝑘 adalah vektor eigen yang sesuai, maka {𝑣𝑣1 , 𝑣𝑣2 , . . . , 𝑣𝑣𝑘𝑘 } adalah
himpunan bebas linier.
b) Sebuah matriks n × n dengan n nilai eigen yang berbeda dapat
didiagonalisasi.
ALUR PENYELESAIAN
SPL Persamaan
Karakteristik Nilai-nilai Eigen
𝑨𝑨�
𝒗𝒗 = 𝝀𝝀�
𝒗𝒗 𝝀𝝀𝑰𝑰 − 𝑨𝑨 = 0 𝝀𝝀1 , 𝝀𝝀2 , ..., 𝝀𝝀𝑛𝑛

Matriks Ortonormal
GRAM-SCHMIDT (Q)

Matriks Diagonal Vektor-vektor

Matriks Eigen
𝐷𝐷 = 𝑃𝑃−1 𝐴𝐴𝐴𝐴 Pendiagonal P
𝑃𝑃1 , 𝑃𝑃2 , ..., 𝑃𝑃𝑛𝑛
CONTOH
Tentukan matriks yang mendiagonalkan
x1 = λx1  x1   1 0 0  x1  1 0 0
      
x2 + x3 = λx2 λ  x2  −  0 1 1  x2  = 0 A = 0 1 1
 
x2 + x3 = λx3  x   0 1 1  x 
 3   3  0 1 1
Jawab :
Persamaan karakteristik dari matriks A adalah : λ.I − A = 0

atau  λ 0 0  1 0 0 
    
det   0 λ 0  − 0 1 1  = 0
  0 0 λ  0 1 1 
    
  (λ − 1) 0 0 
 
det  0 (λ − 1) −1  = 0
 0 −1 (λ − 1)


Dengan menggunakan ekspansi kofaktor :

Pilih Baris I
det  {λ.I − A} = a11c11 + a12 c12 + a13 c13

= (λ − 1)  (λ )  (λ − 2 ) + 0 + 0

= (λ − 1)  (λ )  (λ − 2 )

Sehingga diperoleh nilai eigen

λ = 0   ;  λ = 1  ;  λ = 2
Untuk λ = 0
Dengan OBE maka
−1 0 0  1 0 0  1 0 0
(λ.I − A) ~  0 − 1 − 1 ~  0 1 1  ~  0 1 1

 0 − 1 − 1
 
 0 − 1 − 1 0 0 0 
  
 x1   0 
   
 x2  =  1  t , dimana t adalah parameter tak nol
 x   − 1
 3  
Jadi vektor eigen yang bersesuaian dengan λ = 0
adalah 0
 
P1 =  1 
 − 1
 
Untuk λ = 1
Dengan OBE maka
0 0 0  0 0 0 0 1 0
     
(λ.I − A) ~  0 0 − 1 ~  0 0 1  ~  0 0 1 
0 −1 0  0 1 0 0 0 0
     

 x1   1 
   
 x2  =  0  t , dimana t adalah parameter tak nol
 x   0
 3  

Jadi vektor eigen yang bersesuaian dengan λ = 1

adalah 1
 
P2 =  0 
0
 
Untuk λ=2
Dengan OBE maka
1 0 0  1 0 0 
   
(λ.I − A) ~  0 1 − 1 ~  0 1 − 1
0 −1 1  0 0 0 
   
 x1   0 
   
 x2  =  1  t , dimana t adalah parameter tak nol
 x  1
 3  

Jadi vektor eigen yang bersesuaian dengan λ = 2

adalah 0
 
P3 =  1 
1
 
Perhatikan
k1 P1 + k 2 P2 + k 3 P3 = 0

 0 1 0   k1   0 
    
 1 0 1     k 2  =  0 
 −1 0 1   k   0
   3  
Dengan OBE
 0 1 0  1 0 1 1 0 1 1 0 1 1 0 0
         
 1 0 1 ~
  0 1 0  ~ 0 1 0 ~  0 1 0 ~ 0 1 0
 −1 0 1  −1 0 1 0 0 2   
       0 0 1   0 0 1 

Jadi {P , P , P }
1 2 3

merupakan himpunan yang bebas linear

Jadi, Matriks yang mendiagonalkan A adalah :
 0 1 0
 
P =  1 0 1
 −1 0 1
 
𝟎𝟎 0 0
Matriks diagonal yang dihasilkan adalah : 𝐷𝐷 = 𝑃𝑃−1 𝐴𝐴𝐴𝐴 = 0 𝟏𝟏 0
0 0 𝟐𝟐
1 0 0
 
Hal yang perlu diperhatikan, matriks P = 0 1 1
 0 −1 1 
 
Juga mendiagonalkan A.
𝟏𝟏 0 0
Tapi matriks diagonal yang terbentuk adalah : 𝐷𝐷 = 𝑃𝑃−1 𝐴𝐴𝐴𝐴 = 0 𝟎𝟎 0
0 0 𝟐𝟐
NILAI EIGEN MATRIKS BERPANGKAT
Misalkan:
𝐴𝐴2 𝑥𝑥 = 𝐴𝐴 𝐴𝐴𝐴𝐴 = 𝐴𝐴 𝜆𝜆𝜆𝜆 = 𝜆𝜆 𝐴𝐴𝐴𝐴 = 𝜆𝜆 𝜆𝜆𝑥𝑥 = 𝜆𝜆2 𝑥𝑥
TEOREMA 5.2.3
Jika k adalah bilangan bulat positif, adalah nilai eigen dari
matriks 𝐴𝐴, dan 𝑥𝑥 adalah vektor eigen yang sesuai, maka 𝑘𝑘 adalah
nilai eigen dari 𝐴𝐴𝑘𝑘 dan 𝑥𝑥 adalah vektor eigen yang sesuai.
MENGHITUNG PANGKAT MATRIKS

−𝟏𝟏 𝟐𝟐
𝑷𝑷 𝑨𝑨𝑨𝑨 = 𝑷𝑷−𝟏𝟏 𝑨𝑨𝑨𝑨𝑷𝑷−𝟏𝟏 𝑨𝑨𝑨𝑨 = 𝑷𝑷−𝟏𝟏 𝑨𝑨𝑨𝑨𝑨𝑨𝑨𝑨 = 𝑷𝑷−𝟏𝟏 𝑨𝑨𝟐𝟐 𝑷𝑷
CONTOH
Hitung 𝐴𝐴13 dari matriks

Dari contoh sebelumnya didapatkan:

APLIKASI: SOLUSI PERSAMAAN DIFFERENSIAL
Ingat Kembali Pers. Diferensial
dy (t )
= a y (t ) y (t ) = ce at
dt
Jika sekumpulan PD orde 1 ditulis :
dr1 (t )
= 2 r1 (t )
dt  r1 '   2 0 0   r1 
dr2 (t )      
= −3 r2 (t )  r2 '  =  0 − 3 0   r2 
dt
 r '  0 0 1  r 
dr3 (t )
= r3 (t )
 3    3
dt
Jika harga awal (𝑐𝑐): 𝑟𝑟1 0 = 1, 𝑟𝑟2 0 = 2, dan 𝑟𝑟3 0 = 3, dengan mudah solusi
sistem PD tersebut adalah :
  e 
2t
 r1
   − 3t 
 r2  =  2e 
r   3et 
 3   
Masalahnya, sistem persamaan diferensial tidak selalu
memberikan matriks koefisien yang berbentuk matriks
diagonal.

Bentuk Umum SPD orde 1 :

 x1 '   a11 a12  an1   x1 
     
 x2 '   a21 a22  an 2   x2 
   =      
     
 x '  a  ann  x 
 n   n1 an 2  n

Langkah-langkah menyelesaikan SPD orde 1 linear :

1. Menentukan matriks P yang mendiagonalkan A.
2. Tulis SPD dummy dalam bentuk 𝑈𝑈 ′ = 𝐷𝐷𝐷𝐷 dengan 𝐷𝐷 = 𝑃𝑃−1 𝐴𝐴𝐴𝐴
3. Tentukan solusi SPD dummy: 𝑈𝑈 ′ = 𝐷𝐷𝐷𝐷
4. Solusi SPD adalah 𝑋𝑋 = 𝑃𝑃𝑈𝑈
CONTOH dx1
= 4 x1 − 2 x2
dt
Tentukan solusi dari sistem persamaan diferensial:
dx2
= x1 + x2
dt
Jawab :
 x1 '   4 − 2   x1 
Tulis SPD dalam bentuk :   =    
 x2 '   1 1   x2 

λ −4 2
Dengan PK =0
−1 λ −1

Nilai eigen dari matriks koefisien, λ = 2 dan λ = 3

BRE yang bersesuaian dengan λ = 3  2 
 
 1 
BRE yang bersesuaian dengan λ = 2 1
 
1
 2 1
Sehingga diperoleh P =  
 1 1
Karena −1 3 0
D = P AP =  
0 2
maka SPD dummy berbentuk :
 u1 '   3 0   u1 
  =    
 u2 '   0 2   u2 
Solusi SPD dummy adalah

u1 = c1e λ1t = c1e3t dan u 2 = c2 e λ2 t = c2 e 2 t

Solusi dari SPD

 x1   2 1  c1e3t 
X = PU   =    2t 
 x2   1 1  c2e 

atau
x1 = 2c1e3t + c2e 2t
x2 = c1e3t + c2e 2t
𝑐𝑐1 dan 𝑐𝑐2 didapatkan dari harga awal 𝑥𝑥1 dan 𝑥𝑥2
Jika 𝑥𝑥1 (0) = 1 dan 𝑥𝑥2 (0) = 2 serta 𝑒𝑒 3(0) = 𝑒𝑒 2(0) = 1
  x1   2 1  c1e3t 
  =    2t 
 x2   1 1  c2e 

1 2 1 𝑐𝑐1
=
2 1 1 𝑐𝑐2
𝑐𝑐1 = −1 dan 𝑐𝑐1 = 3
𝑥𝑥1 𝑡𝑡 = −2𝑒𝑒 3𝑡𝑡 + 3𝑒𝑒 2𝑡𝑡
𝑥𝑥2 𝑡𝑡 = −𝑒𝑒 3𝑡𝑡 + 3𝑒𝑒 2𝑡𝑡
CONTOH
Tentukan solusi dari masalah nilai awal
dp
= 2 p(t ) + q (t )
dt
dq
= p(t ) + 2q (t )
dt
dengan kondisi awal
. p(0 ) = 1 dan q(0 ) = 3
Jawab :
2 1
Kita punya A =  
1 2
Maka Persamaan Karakteristiknya adalah
(λ − 2) −1
det  {λ .I − A} = 0 ⇔ 0=
−1 (λ − 2)
⇔ 0 = (λ − 2 )(λ − 2 ) − 1

⇔ (
0 = λ2 − 4λ + 4 − 1 )
⇔ 0 = λ2 − 4λ + 3

⇔ 0 = (λ − 1)(λ − 3)
diperoleh λ = 1  ;  λ = 3
Untuk λ = 1
 − 1 − 1  1 1  x1 + x 2 = 0
(λ.I − A) ~   ~  
 − 1 − 1  0 0  x1 = − x 2
x2 = t
Jadi vektor eigen yang bersesuaian dengan λ = 1

adalah vektor tak nol yang berbentuk

 x1   − 1
  =   t , dimana t merupakan parameter.
 x2   1 
Jadi basis ruang eigen yang bersesuaian dengan λ = 1
adalah
 − 1
P1 =  
1
Untuk λ = 3
 1 − 1  1 − 1 x1 − x 2 = 0
(λ.I − A) ~   ~  
x1 = x 2
−1 1  0 0 
x2 = t
Jadi vektor eigen yang bersesuaian dengan λ = 3
adalah vektor tak nol yang berbentuk
 x1   1 
  =   t , dimana t merupakan parameter
 x2   1 
Jadi basis ruang eigen yang bersesuaian dengan λ = 3
adalah
 1
P2 =  
 1
 MATLAB elseif lambda(2)==lambda(3)
A1=[lambda(1)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(1)-A(2,2)
A=[0 0 -2;1 2 1;1 0 3] % CONTOH -A(2,3);-A(3,1) -A(3,2) lambda(1)-A(3,3)]
lambda=eig(A) A2=[lambda(2)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(2)-A(2,2)
if lambda(1)==lambda(2) -A(2,3);-A(3,1) -A(3,2) lambda(2)-A(3,3)]
A1=[lambda(1)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(1)- v1=null(A1,'r')
A(2,2) -A(2,3);-A(3,1) -A(3,2) lambda(1)-A(3,3)] v2=null(A2,'r')
A3=[lambda(3)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(3)- P=[v1 v2]
else
A(2,2) -A(2,3);-A(3,1) -A(3,2) lambda(3)-A(3,3)]
A1=[lambda(1)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(1)-A(2,2) -
v1=null(A1,'r') A(2,3);-A(3,1) -A(3,2) lambda(1)-A(3,3)]
v3=null(A3,'r') A2=[lambda(2)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(2)-A(2,2) -
P=[v1 v3] A(2,3);-A(3,1) -A(3,2) lambda(2)-A(3,3)]
elseif lambda(1)==lambda(3) A3=[lambda(3)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(3)-A(2,2) -
A1=[lambda(1)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(1)- A(2,3);-A(3,1) -A(3,2) lambda(3)-A(3,3)]
A(2,2) -A(2,3);-A(3,1) -A(3,2) lambda(1)-A(3,3)] v1=null(A1,'r')
A2=[lambda(2)-A(1,1) -A(1,2) -A(1,3);-A(2,1) lambda(2)- v2=null(A2,'r')
v3=null(A3,'r')
A(2,2) -A(2,3);-A(3,1) -A(3,2) lambda(2)-A(3,3)]
P=[v1 v2 v3]
v1=null(A1,'r') end
v2=null(A2,'r') D=inv(P)*A*P
P=[v1 v2]