RAHMAT HIDAYAT

1912003
TEKNIK ELEKTRO S-1
Linier algebra:
Matriks, Vektor,
Determinan.
Sistem linier
 7.1Matrik, vektor:
Penjumlahan dan perkalian skalar
matriks adalah array persegi panjang dari angka atau fungsi yang akan kita
masukkan dalam tanda kurung

 0 , 3 1 −5 ,   ,
| 0 − 0,2 16 |
(1)

 ,
 𝑒 − 𝑥 2 𝑥2
|𝑒6 𝑥 4𝑥 |,   ,

angka (atau fungsi) disebut entri atau elemen matriks.

matriks pertama di (1) memiliki dua baris, yang merupakan garis horizontal enries
Selain itu, ia memiliki tiga kolom, yang merupakan baris entri vertikal.
Matriks kedua dan ketiga adalah matriks persegi, yang berarti bahwa
masing-masing memiliki baris sebanyak kolom — masing-masing 3 dan 2.
Entri matriks kedua memiliki dua indeks, yang menandakan lokasinya di
dalam matriks. Indeks pertama adalah nomor baris dan yang kedua adalah
nomor kolom, sehingga posisi entri diidentifikasi secara unik. Misalnya, a23
(baca dua tiga) ada di Baris 2 dan Kolom 3, dll. Notasinya standar dan
berlaku untuk semua matriks, termasuk yang tidak persegi.

Matriks yang hanya memiliki satu baris atau kolom disebut vektor.
Jadi, matriks keempat pada (1) hanya memiliki satu baris dan disebut vektor baris.
Matriks terakhir pada (1) hanya memiliki satu kolom dan disebut vektor kolom.
Karena tujuan pengindeksan entri adalah untuk secara unik mengidentifikasi
posisi elemen dalam matriks, satu indeks cukup untuk vektor, apakah itu vektor
baris atau kolom. Jadi, entri ketiga dari vektor baris di (1) dilambangkan dengan
a3.
sistem linier, aplikasi utama dari matriks
4  𝑥 1+6𝑥 2+9 𝑥3=6
6  𝑥1 −2
  𝑥 3=20
5  𝑥1− 8 𝑥2+𝑥3=10

dimana x1, x2, x3 adalah yang tidak diketahui. kita

membentuk matriks koefisien, sebut saja A, dengan
mendaftar koefisien hal-hal yang tidak diketahui di posisi di
mana mereka muncul dalam persamaan linier. Pada
persamaan kedua, tidak ada x2 yang tidak diketahui, yang
berarti bahwa koefisien x2 adalah 0 dan karenanya dalam
matriks A, a22 = 0, jadi,
 Konsep dan Notasi Umum

Kita harus menunjukkan matriks dengan huruf kapital tebal A, B,

C,…, atau dengan menulis entri umum dalam tanda kurung; jadi A =
[ajk], dan seterusnya.
Yang kami maksud dengan matriks m × n (dibaca matriks m kali n) adalah matriks
dengan m baris dan n kolom — baris selalu didahulukan! m × n
disebut ukuran matriks. Jadi matriks m × n adalah dari
bentuk

  𝑎 11 𝑎 12 … 𝑎1𝑛
(2)
[
A=[ 𝑎 𝑗𝑘 ] =
𝑎 21
.
𝑎 𝑚1
𝑎 22
.
𝑎𝑚2
…
…
…
𝑎2𝑛
.
𝑎 𝑚𝑛
]
matriks persegi sangat penting, seperti yang akan kita lihat.
matriks dengan ukuran m x n disebut matriks persegi panjang
 vektor
Vektor adalah matriks dengan hanya satu baris atau kolom.
Entri ini disebut komponen vektor.

Kita akan menunjukkan vektor dengan huruf kecil tebal a, b,…

atau dengan komponen umumnya dalam tanda kurung, a =
[aj], dan seterusnya.

Vektor baris

𝒂=
  [𝑎1 𝑎2 … 𝑎𝑛] Contoh: 𝒂=
  [ −2 5 0 1 ]

Vektor kolom

𝑏1 4
 

[ ]
𝐛= 𝑏 2
…
𝑏𝑚
Contoh:  
𝐛= 0
−7[ ]
penjumlahan dan perkalian skalar matriks dan vektor

kesetaraan matriks
Dua matriks A = [ajk] dan B = [bjk] sama, ditulis A = B, jika
dan hanya jika mereka memiliki ukuran yang sama dan file
entri terkait adalah sama, yaitu, a11 = b11, a12 = b12, dan
begitu seterusnya. matriks yang tidak sama disebut different. dengan
demikian, matriks dengan ukuran berbeda selalu berbeda
 Penjumlahan matriks

Jumlah dari dua matriks A = [ajk] dan B = [bjk] dengan ukuran yang
sama ditulis A + B dan memiliki entri ajk + bjk yang diperoleh dengan
menambahkan entri yang sesuai dari A dan B. Matriks dengan
ukuran berbeda tidak dapat dijumlahkan.

Sebagai kasus khusus, penjumlahan a + b dari dua vektor baris

atau dua vektor kolom, yang harus memiliki jumlah komponen
yang sama, diperoleh dengan menjumlahkan komponen yang
sesuai
Perkalian Skalar (Perkalian dengan Angka)

Produk dari setiap matriks m × n A = [ajk] dan setiap

skalar c (bilangan c) ditulis cA dan merupakan matriks
m × n cA = [cajk] yang diperoleh dengan mengalikan
setiap entri A dengan c.

di sini (-1) A hanya ditulis -A dan disebut negatif dari A, demikian

pula, (-k) A ditulis -kA. juga, A + (-B) ditulis A - B dan disebut selisih
A dan B (yang harus memiliki ukuran yang sama)
Aturan untuk penjumlahan Matriks dan Perkalian Skalar.

Dari hukum yang sudah dikenal untuk penambahan bilangan kita

dapatkan hukum serupa untuk penjumlahan matriks yang sama
ukuran m × n, yaitu,

a) A+B=B+A
(3) b) (A + B) + C = A + (B + C) (ditulis A + B + C)
c) A+0=A
d) A + (-A) = 0

Di sini 0 menunjukkan matriks nol (dengan ukuran

m × n), yaitu matriks m × n dengan semua entri nol.
 Oleh karena itu, penambahan matriks bersifat komutatif dan
asosiatif. Demikian pula, untuk perkalian skalar kita
mendapatkan
aturan

a) c(A + B) = cA + cB
b) (c + k)A = cA + k A
(4) c) c(kA) = (ckA) (ditulis ckA)
d) 1A = A
 7.2 Perkalian Matriks
Perkalian Matriks dengan Matriks

Hasil kali C = AB (dalam urutan ini) dari m × n matriks A = [ajk]

kali r × p matriks B = [bjk] didefinisikan jika dan hanya jika r = n dan kemudian
adalah m × p matriks C = [cjk] dengan entri

  𝑛  𝑗=1 , …,𝑚
𝑐 𝑗𝑘=∑ 𝑎 𝑗𝑙 𝑏𝑙𝑘 =𝑎𝑗1𝑏1𝑘+𝑎𝑗 2𝑏2𝑘+…+¿𝑎 𝑗𝑛𝑏𝑛𝑘 ¿
𝑙=1 𝑘  =1 , …, 𝑝
Kondisi r = n berarti faktor kedua, B, harus ada
baris sebanyak faktor pertama memiliki kolom, yaitu n. sebuah diagram
ukuran yang menunjukkan saat perkalian matriks kemungkinan adalah
sebagai berikut:
 Entri cjk di (1) diperoleh dengan mengalikan setiap entri di
baris ke-j dari A dengan entri yang sesuai di kolom k dari
B dan kemudian menambahkan produk n ini. Misalnya, c21 = a21b11 +
a22b21 +… + a2nbn1, dan seterusnya. Ini disebut secara singkat
perkalian baris menjadi kolom. Untuk n = 3, berikut gambarannya

n =3 p =2 p =2

 𝑎 11 𝑎12 𝑎 13  𝑏 11 𝑏 12  𝑐 11 𝑐 12
m=4
[ 𝑎 21
𝑎 31
𝑎 41
𝑎 22
𝑎32
𝑎 𝑚2
𝑎 23
𝑎 33
𝑎 43
][ 𝑏 21 𝑏 22
𝑏31 𝑏 32 ] [
= 𝑐𝑐 21 𝑐 22
31 𝑐 32
𝑐 41 𝑐 42
] m=4
 Contoh 1
Perkalian Matriks

3 5 −1 2 −2 3 1 22 −2 4 3 42
 
𝐀𝐁= 5
−6 [ 0
−3
2 5
2 9][ 0
−4
7
1 1 ][
8 = 26
−9
−16
4
14 6
−37 − 28 ]
Di sini c11 = 3 · 2 + 5 · 5 + (−1) · 9 = 22, dan seterusnya. Entri masuk
kotaknya adalah c23 = 4 · 3 + 0 · 7 + 2 · 1 = 14. Produk BA adalah
tidak terdefinisikan.
Contoh perkalian matriks dengan vektor

 4 2 3 4 .3+ 2.5 22  3 4 2
[1 ][ ] [
8 5
=
1.3+8.5
=
][ ]
43
dimana [ ][
5 1 8 ] Tak terdefinisi

Contoh produk dari baris dan kolom vektor

 1 3 6 1
  1
[]
[ 3 6 1 ] 2 =[ 19 ]
4
[] 2 [3 6
4 [
1 ]= 6
12
12
24
2
4 ]
 Jika perkalian matriks memenuhi aturan yang mirip dengan
untuk angka, yaitu.

a) (kA)B = k(AB) = A(kB) Ditulis kAB atau AkB

(2) b) A(BC) = (AB)C Ditulis ABC
c) (A + B)C = AC + BC
d) C(A + B) = CA + CB

asalkan A, B, dan C sedemikian rupa sehingga ekspresi pada kiri ditentukan; di sini, k
adalah skalar apa saja. (2b) disebut hukum asosiatif. (2c) dan (2d) disebut distributif
hukum.
karena perkalian matriks baris menjadi kolom, kita dapat
menulis rumus pendefinisian (1) lebih kompak sebagai

𝑐  𝑗𝑘=𝑎𝑗𝑏𝑘

dimana aj adalah baris ke j dari vektor A dan B adalah

vektor kolom ke-k dari B, sehingga sesuai dengan (1),
Proses paralel produk di komputer
difasilitasi oleh varian (3) untuk menghitung C = AB, yang
digunakan oleh algoritma standar (seperti di Lapack). Di dalam
metode, A digunakan seperti yang diberikan, B diambil dalam
istilahnya
vektor kolom, dan produk dihitung
berbentuk kolom; jadi,

(5) AB = A [b1 b2… bp] = [Ab1 Ab2… Abp].

Kolom B kemudian ditetapkan ke prosesor yang berbeda

(satu per satu atau beberapa untuk setiap prosesor), yang
secara bersamaan menghitung kolom produk
matriks Ab1, Ab2, dll.
 Transposisi
kita mendapatkan transpos dari matriks dengan menulis barisnya sebagai
kolom (atau setara dengan kolom sebagai baris). Ini juga
berlaku untuk transpos vektor. Jadi, vektor baris
menjadi vektor kolom dan sebaliknya.
Selain itu, untuk matriks persegi, kita juga dapat "mencerminkan"
elemen di sepanjang diagonal utama, yaitu pertukaran
entri yang diposisikan secara simetris sehubungan dengan
diagonal utama untuk mendapatkan transpos. Oleh karena itu a12
menjadi a21, a31 menjadi a13, dan seterusnya.
Perhatikan juga bahwa, jika A adalah matriks yang diberikan, maka kami
menyatakannya
transpose oleh AT.

*Transpose dari vektor baris adalah vektor kolom, begitu juga sebaliknya
Transposisi Matrik Dan Vektor

Transpos dari matriks m × n A = [ajk] adalah matriks n × m

AT (baca A transpose) yang memiliki baris pertama A sebagai baris pertama
kolom, baris kedua A sebagai kolom kedua, dan seterusnya.
Jadi transpos dari A dalam (2) adalah AT = [akj], dituliskan

  𝑎 11 𝑎 21 … 𝑎 𝑚1

[
𝐴 𝑇 =[ 𝑎 𝑗𝑘 ] =
𝑎 12
.
𝑎 1𝑛
𝑎 22
.
𝑎2𝑛
… 𝑎𝑚2
… .
… 𝑎 𝑚𝑛
]
Sebagai kasus khusus, transposisi mengubah vektor baris menjadi
vektor kolom dan sebaliknya.
 transposisi memberi kita pilihan bahwa kita dapat bekerja dengan matriks
atau transposisinya, mana saja yang lebih nyaman

aturan untuk transposisi adalah

a) (AT)T = A
b) (A + B)T = AT + BT
(10)
c) (cA)T = CAT
d) (AB)T = BTAT

PERINGATAN! Perhatikan bahwa dalam (10d) matriks yang dialihkan

adalah dalam urutan terbalik.
Spesial matriks

Matriks Simetris dan Skew-Symmetric.

Transposisi memunculkan dua kelas matriks yang berguna.
Matriks simetris adalah matriks persegi yang transposnya
sama dengan matriks itu sendiri. Matriks simetris miring
adalah matriks persegi yang transposnya sama dengan minus
matriks.
 Contoh 8
Matriks Simetris dan Skew-Symmetric

20 120 200 0 1 −3
 
𝐴= 120
200[ 10
150
150
30 ]  

3[
𝐵= − 1 0
2
−2
0 ]
simetris Skew simetris

Misalnya, jika sebuah perusahaan memiliki tiga pusat pemasok

bangunan C1, C2, C3, lalu A bisa menunjukkan biaya, katakanlah, ajj
untuk penanganan 1000 kantong semen di pusat Cj, dan ajk (j ≠ k)
biaya pengiriman 1000 tas dari Cj ke Ck. Jelas ajk = akj kalau kita
asumsikan pengiriman ke arah yang berlawanan akan dikenakan
biaya yang sama.
Matriks Segitiga.
Matriks segitiga atas adalah matriks bujur sangkar yang dapat memiliki
entri bukan nol hanya di atas dan di atas diagonal utama,
sedangkan entri apa pun di bawah diagonal harus nol.
Demikian pula, matriks segitiga bawah dapat memiliki angka nol
entri hanya di dan di bawah diagonal utama. Entri apa pun tentang
diagonal utama matriks segitiga mungkin nol atau tidak.
Matriks Diagonal.
Ini adalah matriks persegi yang hanya dapat memiliki entri bukan nol
di diagonal utama. Entri apa pun di atas atau di bawah utama
diagonal harus nol.

Jika semua entri diagonal dari matriks diagonal S sama,

katakanlah, c, kita sebut S sebagai matriks skalar karena perkalian
matriks bujursangkar A yang berukuran sama dengan S memiliki
efek yang sama dengan perkalian skalar, yaitu,

12) AS = SA = cA.
 Secara khusus, matriks skalar,
yang semua entri pada diagonal
utama adalah 1, disebut matriks
satuan (atau matriks identitas)
dan dilambangkan dengan In atau
hanya dengan I. Untuk I, rumus
(12) menjadi

(13) AI = IA = A.

Diagonal matriks D, Matriks skalar S, Matriks unit I

7.3 Sistem
Persamaan Linear.
Eliminasi Gauss
 Sistem Linier, Matriks Koefisien, Matriks
Tertambah

Sistem linear persamaan m di n yang tidak diketahui x1,…, xn adalah

satu set persamaan bentuk

(1)

Sistem disebut linier karena setiap variabel xj muncul

pada pangkat pertama saja, seperti pada persamaan garis lurus
baris. a11,…, amn diberi angka, disebut koefisien
dari sistem. b1,…, bm di sebelah kanan juga diberikan
angka. Jika semua bj adalah nol, maka (1) disebut a
sistem homogen. Jika setidaknya satu bj bukan nol, maka (1)
disebut sistem nonhomogeneous.
Bentuk Matriks Sistem Linear (1).
Dari definisi perkalian matriks kita melihat bahwa
persamaan m dari (1) dapat ditulis sebagai vektor tunggal
persamaan

dimana koefisien matriks A = [ajk] adaah

matriks m x n
Kita asumsikan bahwa koefisien ajk tidak semuanya nol, sehingga A
bukan matriks nol. Perhatikan bahwa x memiliki n komponen,
sedangkan
b memiliki m komponen. Matriks

disebut matriks augmented dari sistem (1). Itu

garis vertikal putus-putus bisa dihilangkan, seperti yang akan kita
lakukan nanti.
Ini hanyalah pengingat bahwa kolom terakhir à tidak
berasal dari matriks A tetapi berasal dari vektor b. Jadi, kami
menambah matriks A.
 Eleminasi Gauss dan back subtation

metode eliminasi gauss dapat dimotivasi sebagai berikut. pertimbangkan sistem

linier yang berbentuk segitiga (dalam bentuk penuh, segitiga atas) seperti

2  𝑥 +5 𝑥2=2
13
  𝑥 2=−26

yaitu, kita menyelesaikan persamaan terakhir untuk variabel, x2=-26/13=-2

dan kemudian bekerja mundur, mengganti x2 =-2ke dalam persamaan
pertama dan menyelesaikannya untuk x1.mendapatkan x1 = 6
hukum arus kirchoff (KCL), di setiap titik sirkuit, jumlah arus masuk
sama dengan jumlah arus keluar

hukum tegangan kirchhoff (KVL). Dalam hukum loop tertutup,

jumlah semua penurunan tegangan sama dengan gaya gerak listrik
yang terkesan
 operasi baris dasar. sistem baris Setara

operasi baris dasar untuk matriks:

pertukaran dua baris.
penambahan kelipatan konstan dari satu baris ke baris lain
perkalian baris dengan konstanta bukan nol c

operasi dasar untuk persamaan:

pertukaran dua persamaan

penambahan kelipatan konstan dari satu persamaan ke
persamaan lain
perkalian persamaan dengan konstanta bukan nol c
Theorem 1

baris sistem yang setara

baris sistem linier setara memiliki set solusi yang sama
7.4 Linear Bebas.
Peringkat Matriks. Ruang Vektor
 Linier bebas dan vektor bantu
Diberikan himpunan m vektor a (1),…, a(m) (dengan jumlah komponen
yang sama), kombinasi linier dari vektor-vektor ini adalah ekspresi
bentuk

di mana c1, c2,…, cm adalah salah satu skalar. Sekarang perhatikan persamaannya

(1)

Jelas, persamaan vektor ini (1) berlaku jika kita memilih semua cj nol, karena
kemudian menjadi 0 = 0.
Jika ini adalah satu-satunya m-tupel skalar yang (1) dipegang, maka vektor kita a(1),
…, a(m) dikatakan membentuk himpunan bebas linier atau, lebih singkatnya, kita
menyebutnya bebas linier.
Sebaliknya, jika (1) juga berlaku dengan skalar tidak semuanya nol, kita menyebut
vektor ini dependen linier.
 Rank of a Matrix

Definisi
Pangkat matriks A adalah jumlah maksimum vektor baris bebas linier dari A. Ini
dilambangkan dengan peringkat A.

Teorema 1
baris setara matriks
matriks ekuivalen baris memiliki peringkat yang sama
Determinan dari Rank

matriks terakhir berbentuk eselon baris dan memiliki

dua baris bukan nol. maka peringkat A = 2
 TEOREMA 2

Kemerdekaan Linier Dan Ketergantungan Vektor

Perhatikan vektor p yang masing-masing memiliki n komponen. maka vektor-
vektor ini bebas linear jika matriks yang terbentuk, dengan vektor-vektor
tersebut sebagai vektor baris, memiliki pangkat p. Namun, vektor-vektor ini
bergantung secara linier jika matriks tersebut memiliki peringkat kurang dari
p
 teorema 3
peringkat dalam hal vektor kolom
pangkat r matriks A sama dengan jumlah maksimum vektor kolom bebas linier dari A

Dengan menggabungkan teorema 2 dan teorema 3 kita mendapatkan

Teorema 4
dependen linier dari vektor
pertimbangkan vektor p masing-masing memiliki n komponen. jika
n <p, maka vektor-vektor ini bergantung secara linier
 Ruang Vektor

Ruang vector Rn
ruang vektor Rn yang terdiri dari semua vektor dengan n
komponen (n bilangan real) berdimensi n

untuk matriks A, kita menyebut vektor bentang baris sebagai ruang baris A.
demikian pula, bentang vektor kolom A disebut ruang kolom A

Ruang baris dan ruang kolom

Ruang baris dan ruang kolom dari matriks A memiliki
dimensi yang sam, setara dengan matriks A