baris

kolom

Matriks memiliki m
baris dan n kolom
disebut matriks
m x n  matriks
yang memiliki orde
mxn
 Mengapa membahas MATRIKS?

• Pengolahan data dengan Matriks lebih

efisien.
• Software statistika menggunakan
teknik operasi matriks untuk
pengolahan datanya.
• Secara natural data biasanya sudah
tertata berdasarkan kolom dan
baris.
Jenis-jenis matriks
Berdasarkan ordonya:
1. Matriks bujursangkar/persegi
 matriks berordo n x n atau banyaknya baris =
kolom (disebut juga matriks berordo n
contoh:
Definisi: trace dan diagonal matriks
dari square matrix
1 3 10
0 2 9
A 


Diagonal A adalah: 1, 2, dan 3. Trace

matriks A adalah 1+2+3=6
2. Matriks baris
 matriks berordo 1 x n atau hanya memiliki satu
baris.
contoh: Matriks dg satu
baris saja atau
satu kolom saja
3. Matriks kolom disebuk vektor.
 matriks yang hanya memiliki satu kolom Sebuah angka
contoh: disebut skalar.
4. Matriks tegak
 matriks berordo m x n dengan m > n
contoh:

5. Matriks datar
 matriks berordo m x n dengan m < n
contoh:
Berdasarkan elemen-elemen penyusunnya:
1. Matriks nol Zero Matrix
 matriks yang semua elemen penyusunnya adalah
nol dan dinotasikan sebagai O
contoh:
Zero Matrix
2. Matriks diagonal
 matriks persegi yang semua elemen di atas dan
di bawahnya diagonal adalah nol dan dinotasikan
sebagai D.
contoh:
3. Matriks skalar
 matriks diagonal yang semua elemen pada
diagonalnya sama.
contoh:

4. Matriks simetri
 matriks persegi, yang setiap elemennya, selain
elemen diagonal, adalah simetri terhadap diagonal
utama
contoh:
5. Matriks simetri miring
 matriks simetri yang elemen-elemennya, selain
elemen diagonal, saling berlawanan.
contoh:

6. Matriks identitas/satuan (identity matrix)

 matriks diagonal yang semua elemen pada
diagonal utamanya adalah 1 dan dinotasikan sebagai
I.
contoh:
7. Matriks segitiga atas
 matriks persegi yang elemen-elemen di bawah
diagonal utamanya adalah nol.
contoh:

8. Matriks segitiga bawah

 matriks persegi yang elemen-elemen di atas
diagonal utamanya adalah nol.
contoh:
9. Matriks transpose
 matriks yang diperoleh dari memindahkan elemen-
elemen baris menjadi elemen pada kolom atau
sebaliknya.
transpose matriks A dilambangkan dengan AT
contoh:

ordo dari AT adalah 2 x 3

Ortogonal Matrix
• Matrix U disebut Ortogonal,jika:
• UU’ = U’U=I, yaitu jika
• U’=U-1
Involutory Matrix
OPERASI MATRIKS
PENJUMLAHAN
Contoh:

Jika A + B = C  maka elemen-elemen C diperoleh dari

penjumlahan elemen-elemen A dan B yang seletak, yaitu
Cij = aij + bij untuk elemen C pada baris ke-i dan kolom ke-j.
Akibatnya, matriks A dan B dapat dijumlahkan apabila kedua
matriks memiliki ordo yang sama
Sifat-sifat penjumlahan matriks:
 PENGURANGAN

Contoh:

Jika A – B = C  maka elemen-elemen C diperoleh dari

pengurangan elemen-elemen A dan B yang seletak, yaitu
Cij = aij - bij atau pengurangan dua matriks ini dapat
dipandang
sebagai penjumlahan : A + (-B)
PERKALIAN
1. Perkalian matriks dengan bilangan real (skalar)
contoh:

Sifat-sifat perkalian matriks dengan skalar

2. Perkalian dua matriks

dua matriks AB dapat dikalikan apabila jumlah kolom

matriks A sama dengan jumlah baris matriks B.
jadi Amxn Bnxp bisa didefinisikan, tapi BnxpAmxn tidak dapat
didefinisikan.

hasil kali dari matrik AB berordo mxp

Contoh:
1.

2.

Hasil kalinya merupakan suatu matriks berordo 3 x 3

3
.
Operasi Matrix: Invers
Matriks
Matriks B merupakan invers matriks A jika
A.B=B.A=I.

=A-1
Teknik membuat matriks invers
(matriks 2x2)

a b d  b
A A 
2
c d  c a 

1
1
A1  determinan * A2  A * 2

A
Teknik membuat matriks
invers (matriks 2x2)

1  1 
1
A 
 
(1* 2)  (3* 4)3  2
4 
Tidak setiap matriks punya invers, yg tdk punya
invers disebut matrik singular.
Dot product untuk vektor

1 
A  2
3 Hasil perkalian dot
product
A.B =1(3)+2(2)+3(1) = 10
 
3
B  2
 1

Eigen value & Eigen vector
Matriks square A dikatakan memiliki
eigen value λ dengan eigen vector x (≠
0) yg terkait jika: A x = λ x

Teknik Industri - Universitas Sebelas Maret

Matriks untuk Statistika: menghitung
“Sum” dan “Mean”
Matriks untuk Statistika:
Sum of square and cross product SSCP (∑)
dan Covar (S) matrix
k
n
 X j )2
SSCP  
j 1
( X ij

i1

1
Covar  S  df (SSCP)
Matriks untuk
Statistika : SSCP
(∑)
Matriks untuk Statistika:
Analisis regresi sederhana
Vektor dan Analisis Geometris
A = [2 3]
A(2,3)
Vektor 3D
Penjumlahan Vektor
Konsep Jarak
Konsep Jarak
• “Jarak” merupakan hal yg penting,
karena menjadi pertanda apakah dua
hal (obyek) berbeda atau tidak.
• Ada beberapa konsep jarak
– Euclidean distance
– Statistical distance
– Mahalanobis distance
Euclidean Distance
jarak  D AB (x  x ) 2   y1 )
2
(y
 2 1
2
Stastitical Distance

where si is the standard deviation

of the xi and yi over the sample set.

Teknik Industri - Universitas Sebelas Maret

Mahalanobis Distance
The Mahalanobis distance of an observation

from a group of observations with mean

and covariance matrix ( S )

Pekan Depan
• Deteksi missing value dan cara
mengatasi
• Deteksi outlier
• Pengujian normalitas data
multivariate
– Untuk satu populasi
– Untuk dua populasi

Ref # 1 , hal 47 - 161