MAKALAH ALJABAR LINIER DAN MATRIKS

OLEH :

IKHBAL WAHYU PURNAMA
NPM : 1060100241.P

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH BENGKULU 2013

KATA PENGANTAR
Puji syukur kehadirat Allah SWT, rahmat, hidayah serta inayahnya penulis dapat menyelesaikan Makalah ”Nilai Eigen dan Vektor Eigen”. Sholawat serta semoga akan selalu tercurahkan kepada Rasulullah SAW, yang telah membawa kita dari jalan kegelapan menuju jalan yang terang benderang, dan yang kita nantikan syafa’atnya di dunia dan akhirat. Penulis sadar bahwa dirinya hanyalah manusia biasanya yang pastinya mempunyai banyak kesalahan, tentunya dalam makalah ini terdapat banyak kesalahan. Untuk itu penulis mengharap kritik dan saran yang membangun demi kesempurnaan pengembangan berikutnya. Semoga makalah ini dapat bermanfaat bagi mahasiswa Teknik Informatika khususnya dan untuk mata kuliah Aljabar Linear dan Matriks.

Bengkulu,

Februari 2013

Penulis

2

......... 5 2..... ................... ..................................................... ................. .......4 Nilai Eigen............... 20 DAFTAR PUSTAKA ............................................. 2 DAFTAR ISI .. ..... 14 2............ .............2 Persamaan Karakteristik ...... ................................2............................................. 14 2...............1..................................... 14 2...............................................................3 Ruang Eigen ........ 22 3 .....................................2 Diagonalisasi Ortogonal ........ ......................................................................................1................................................................. .2......................1...... .................. .........1 Diagonalisasi ..1........ ...... 5 2.....................1 Nilai Eigen dan Vektor Eigen ............................................. ............................. ........................................ Vektor Eigen dan Transformasi Linear ..1.. ..................................... Rangkuman .......................................................................................................... 6 2................. 5 2...............1 NILAI DAN RUANG EIGEN ....................................... .................................................. ................ .......................................................... 3 BAB I PENDAHULUAN .......................................................... ......................... 18 BAB III PENUTUP . ........................ 20 3..................................................... 4 BAB II PEMBAHASAN .... ... ....................................................................................................................................DAFTAR ISI KATA PENGANTAR ......................................2 DIAGONALISASI MATRIKS .................................................................................... 10 2........................................

Cakupan materi pembelajaran dalam makalah ini meliputi nilai eigen (eigen value). Sebagai tujuan instruksional umum setelah mempelajari materi dalam makalah ini diharapkan dapat memahami nilai eigen. Kegiatan Belajar 2: Diagonalisasi. sistem elektrik. vektor eigen. Selain itu akan sangat bermanfaat pula bagi bagi kita ketika mempelajari materi-materi matematika lanjut dan penerapan-penerapan matematika dalam sain dan teknologi. dan vektor-vektor tersebut muncul secara alami dalam sebuah getaran. genetik. dan polinom karakteristik dari suatu matriks. Sedangkan bahasan secara khusus tentang konsep vektor baik di ruang dua (R2) maupun di ruang tiga (R3) dan ruang (Rn). reaksi kimia. geometri dan ekonomi. termasuk diagonalisasi ortogonal dan matriks simetrik. Kegiatan Belajar 1 : Nilai eigen. Sedangkan sebagai tujuan instruksional khususnya. diharapkan dapat: a. Adapun susunan materi dalam makalah ini terbagi menjadi dua kegiatan belajar sebagai berikut. mekanika kuantum. menentukan hasil diagonalisasi sebuah matriks. diagonalisasi ortogonal dan diagonalisasi matriks -matriks simetris. Kesemua materi bahasan ini akan terkait dengan vektor. geometri.BAB I PENDAHULUAN Mata kuliah Aljabar Linear ini akan mendiskusikan beberapa konsep yang berguna bagi kita sebagai bahan pengetahuan teknik. tekanan mekanis. persamaan karakteristik. vektor eigen (eigen vector) dan diagonalisasi sebuah matriks. reaksi kimia. 4 . b. vektor eigen dan permasalahan diagonalisasi dari sebuah matriks. menentukan nilai eigen dan vektor eigen dari suatu matriks/ transformasi linear.

Vektor-vektor tersebut muncul secara alami dalam telaah getaran. maka biasanya secara umum tidak ada hubungan geometris antara vektor x dengan vektor Ax (Gambar 11. Skalar λ dinamakan nilai eigen (eigen value) dari A dan x disebut suatu vektor eigen (eigen vector) dari a yang berpadanan dengan λ.BAB II PEMBAHASAN 2.1 NILAI DAN RUANG EIGEN 2. Namun. Sekarang kita akan meninjau ulang beberapa konsep yang telah kita diskusikan dalam pembelajaran yang lalu untuk dikembangkan lebih lanjut.1. 1b). mekanika kuantum. ekonomi dan geometri. sistem elektris.1 Nilai Eigen dan Vektor Eigen Apabila sebuah matriks A yang berukuran n x n dan sebuah vektor x pada Rn. maka vektor x yang tidak nol di R n disebut vektor eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x. Contoh 1. 1a). yaitu Ax = λx untuk suatu skalar λ. 1 sebab Ax adalah kelipatan dari x. genetik. yaitu 5 .1 Misalkan A adalah matriks n x n. reaksi kimia. ada beberapa vektor x tak nol sehingga x dan Ax merupakan penggandaan satu sama lainnya (Gambar 11. Definisi 1. tekanan mekanis.

2. Persamaan det (λ I . Akar-akar atau skalar-skalar yang memenuhi persamaan ini 6 . Menurut teorema dalam bahasan sebelumnya. 2. Apakah setiap matriks A yang berukuran n x n selalu mempunyai vektor eigen dan nilai eigen? Berapa banyak vektor eigen dan nilai eigen yang dimiliki oleh sebuah matriks A yang berukuran n x n? Untuk menjawab pertanyaan-pertanyaan ini sekaligus memberikan penjelasan lebih lanjut dari dua contoh di atas. maka kita perlu memperhatikan kembali definisi vektor eigen dan nilai eigen. 2 Diketahui matriks adalah vektor-vektor eigen dari matriks P.2 Persamaan Karakteristik Untuk mencari nilai eigen dari matriks A yang berukuran n x n. sehingga kita dapat dengan cepat dan tepat memberikan jawabannya.A) = 0 dengan λ sebagai variabel disebut persamaan karakteristik dari matriks A. maka harus ada penyelesaian yang tidak nol dari persamaan (1) ini. maka persamaan (1) akan mempunyai penyelesaian tak nol (mempunyai penyelesaian non trivial) jika dan hanya jika: det (λ I .1.A) = 0 Definisi 1.Dalam hal ini λ = 3 adalah nilai eigen dari matriks A. yaitu Ax = λx. Contoh 1. sebab Nilai-nilai eigen dari matriks P adalah λ1 = 2 dan λ2 = 1. perhatikanlah uraian berikut dengan baik. Bentuk ini dapat kita tulis sebagai berikut: Supaya λ menjadi nilai eigen.

Setelah kita memperhatikan uraian di atas. maka persamaan karakteristik dari matriks A mempunyai derajat n dengan bentuk det (λ I .1xn . jelas bahwa jika A adalah matriks n x n.A) = f(λ) = a0 + a1x1 + a2x2 + … + an . Jadi. Dari pemahaman definisi di atas.1 + anxn = 0 Menurut teorema dasar aljabar kita dapatkan bahwa persamaan karakteristik tersebut mempunyai paling banyak n penyelesaian yang berbeda (Ingat metode Horner dan persamaan pangkat tinggi). Det (λ I . 4 Diketahui untuk Carilah: a) Persamaan karakteristik dari matriks A b) Nilai-nilai eigen dari matriks A 7 . tentunya para pembaca berharap untuk meninjau ulang Contoh 11. 3 Carilah nilai-nilai eigen dari matriks Penyelesaian: Polinom karakteristik dari matriks Q adalah = λ2 . nilai-nilai eigen dari matriks Q adalah 1 dan 2 Contoh 1. 1 atau Contoh 11.3λ + 2 dan persamaan karakteristik dari matriks Q adalah λ2 . 2 di atas sehingga kita mendapatkan nilai-nilai eigen dari matriks 2 x 2 dengan menyelesaikan persamaan karakteristiknya.A) ≡ f(λ) yaitu berupa polinom dalam λ yang dinamakan polinom karakteristik.3λ + 2 = 0 Penyelesaian dari persamaan ini adalah λ1 = 1 dan λ2 = 2. suatu matriks yang berukuran n x n paling banyak mempunyai n-nilai eigen yang berbeda. Jadi.adalah nilai-nilai eigen (nilai-nilai karakteristik) dari matriks A. Contoh 1.

6 .λ) (1 ..λ) = 0 (4 .6 = 0 ……………………. (2) Untuk menyelesaikan persamaan ini. sehingga akar dari persamaan (2). Dengan bantuan teorema sisa... yaitu λ2 = 2 dan λ3 = 3.. Dalam hal ini λ = 1 memenuhi persamaan (2).... Selanjutnya substitusikan nilai-nilai ini berturut-turut pada persamaan (2) sehingga kita dapatkan akar-akarnya. yaitu 2...λ I) = det (4 . penyelesaian-penyelesaian bilangan bulat yang mungkin dari persamaan (2) adalah pembagipembagi dari 6.…. kita perlu terlebih dahulu memahami persamaan pangkat tinggi dengan akar-akar bulat.1) kita dapatkan dua nilai λ lainnya.λ)2 + 2(1 ..Penyelesaian: a) Persamaan karakteristik dari matriks A adalah atau det (A . Untuk itu tentunya kita masih ingat bahwa secara sederhana dapat memanfaatkan kenyataan tentang semua penyelesaian bilangan bulat (jika himpunan penyelesaian bulat. λ2 = 2..harus atau pasti merupakan pembagi dari suku konstanta a0. yaitu membagi persamaan (2) oleh (x ... 8 . 12 +11 .6 = 0. .6λ2 + 11 λ ..2λ + λ2) +(2 ....2λ) = 0 λ3 .λ) (1 . dan 1.. 0)dari persamaan polinom dengan koefisien-koefisien bilangan . yaitu λ1 = 1.6 = 0 b) Untuk mencari nilai-nilai eigen dari matriks A harus mencari akar-akar atau nilai-nilai λ yang memenuhi persamaan pangkat tiga: λ3 . Jadi. 6. . . 3. dan tentunya memerlukan bantuan teorema sisa atau metode horner untuk persamaan pangkat tinggi. sebab 13 . 1 .. dan λ3 = 3 adalah nilai-nilai eigen dari matriks A.6λ2 + 11 λ .1) haruslah merupakan factor dari ruas kiri persamaan (2).Sebagai akibatnya (λ .

Teorema 1. Hal ini akan membawa kita untuk meninjau kemungkinan ruang-ruang vektor kompleks. dengan langkah pertama sema seperti di atas yaitu sampai mendapatkan λ1 = 1 dan langkah berikutnya sebagai berikut: (λ . maka pernyataan-pernyataan berikut ini adalah ekuivalen (a) λ adalah nilai-nilai eigen dari matriks A. yaitu ruangruang vektor dengan skalar-skalarnya nilai kompleks. Karena nilai-nilai eigen dari matriks T adalah bilangan imajiner.1) (λ ..5λ + 6) = 0 (λ . 5 kita mendapatkan nilai-nilai eigen kompleks dari matriks yang real.Untuk menyelesaikan persamaan (2) dapat pula dilakukan dengan bantuan metode Horner.3) = 0 λ1 = 1. 5 Carilah nilai-nilai eigen dari matriks Penyelesaian: Seperti kedua contoh di atas.1. 9 . Dalam kesempatan sekarang akan dibatasi pada contoh-contoh dengan nilai eigen yang real. dan λ3 = 3 adalah nilai-nilai eigen dari matriks A.1) (λ2 . sedangkan menurut definisi λ adalah skalar atau bilangan real.λ I) = det (nilai-nilai eigennya adalah bilangan imajiner). maka persamaan karakteristik dari matrik T adalah det (A . Contoh 1. Jika A adalah suatu matriks n x n dan λ adalah suatu bilangan real. Diskusi kita untuk ruang-ruang vektor kompleks dengan nilai-nilai eigen kompleks akan dijumpai dalam kesempatan lain. Catatan: Dari contoh 1. λ2 = 2. Sekarang kita perhatikan teorema berikut yang merupakan ikhtisar dari hasil-hasil yang telah diperoleh melalui diskusi materi pembelajaran di atas.2) (λ . Maka matriks T tidak mempunyai nilai eigen.

maka λ adalah (b) (c) (d) (a).3 Ruang Eigen Setelah kita memahami bagaimana mencari nilai-nilai eigen hubungannya dengan persamaan karakteristik. dan (d) ekuivalen satu sama lainnya dengan membuktikan urutan implikasi (a) (a) berlaku: Ax = λx dengan x tak nol. Menurut definisi terdahulu bahwa vektor eigen dari matriks A yang bersesuaian dengan nilai eigen λ adalah vektor x yang tidak nol dan haruslah memenuhi Ax = λ x. (b) (c).A) x = 0.Ax = 0 (λ I . (b). Dengan kata lain.A) = 0 atau dengan kata lain λ adalah nilai eigen dari matriks A. secara ekuivalen tentunya vektor eigen yang bersesuaian dengan nilai eigen λ adalah vektor yang tak nol dalam ruang penyelesaian (λ I . Karena (λ I . λ I x . Karena λ adalah penyelesaian real dari persamaan det (λ I .A)x = 0 mempunyai penyelesaian tak trivial (non trivial).A) x = 0 Karena ada x tidak nol. maka sekarang akan beralih ke masalah untuk mencari vektor eigen. 10 . (d) λ adalah suatu penyelesaian real dari persamaan karakteristik det (λ I . Ruang penyelesaian ini kita namakan sebagai ruang eigen (eigen space) dari matriks A yang bersesuaian dengan nilai eigen λ. Apakah ruang eigen ini membentuk basis?. (b).A) = 0 Bukti: Kita akan memperlihatkan bahwa (a).A) x = 0 haruslah det (λ I A) = 0 dengan λ adalah suatu penyelesaian realnya. maka menurut definisi nilai eigen penyelesaian dari persamaan karakteristik det (λ I . (d) (a).A)x = 0 Karena x tak nol maka sistem persamaan linear homogen (λ I .(b) Sistem persamaan (λ I .A) = 0. Karena λ adalah nilai-nilai eigen dari matriks A.1. (c). maka sistem persamaan linear homogen (λ I . (c) Ada vektor x yang tidak nol dalam Rn sedemikian sehingga Ax = λx. 2.A)x = 0 maka Ax = λ I x Ax = λ x (c) (d).A)x = 0 Harus mempunyai penyelesaian non-trivial. Karena Ax = λ x Ax = λ I x (λ I .

λ I) = λ3 .λ I) x = 0 Untuk λ1 = 1. Sekarang kita perhatikan beberapa contoh. λ2 = 2.λ I) x = 0 dinamakan ruang eigen dari matriks A yang berukuran n x n. Penyelesaian: Telah diselesaiakn dalam Contoh 11. Ruang penyelesaian dari sistem persamaan linear (λ I . bahwa vektor-vektor eigen suatu matriks akan membentuk suatu basis untuk ruang eigen yang bersesuaian dengan nilai eigen dari matriks tersebut. Sebagai konsekwensinya akan kita dapatkan tiga buah ruang eigen dari matriks A. Contoh 1.A) x = 0 atau (A . Menurut definisi. 3. yaitu λ1 = 1. Diketahui matriks seperti dalam contoh 11. bahwa dari persamaan karakteristik det (A . 4. yaitu Carilah basis untuk ruang eigen dari matriks A. maka (3) menjadi: 3x1 + x3 = 0 -2x1 = 0 11 . dan λ3 = 3. 6.6λ2 + 11 λ .6 = 0 didapat tiga buah nilai eigen matriks A.Definisi 1. adalah vektor eigen dari matriks A yang bersesuaian dengan λ jika dan hanya jika x adalah suatu penyelesaian non trivial dari sistem persamaan linear homogen: (λ I . 4 di atas.A) x = 0 atau (A .

vektor dengan λ1 = 1. maka (3) menjadi 4x1 + x3 = 0 -2x1 .-2x1 = 0 x1 = 0 x2 = t x3 = 0 Vektor-vektor eigen A yang bersesuaian dengan λ1 = 1 adalah vektor tak nol yang berbentuk Jadi.x2 = 0 -2x1 .x3 = 0 2x1 + x3 = 0 -x2 + x3 = 0 Jadi. merupakan suatu basis untuk ruang eigen dari matriks A yang bersesuaian Untuk λ 2 = 2. vektor-vektor eigen yang bersesuaian dengan λ berbentuk 2 = 2 adalah vektor-vektor tak nol yang 12 .

maka (3) menjadi 2 = 2.2x3 = 0 x1 + x3 = 0 x2 .2x2 = 0 -2x1 .x3 = 0 x1 = . 13 . x1 + x3 = 0 -2x1 .x3 = -t x2 = x3 = t x3 = t R Vektor eigen untuk λ 3 = 3 adalah Jadi vektor adalah basis untuk ruang eigen matriks A yang bersesuaian dengan λ 3 = 3.Sehingga adalah basis untuk ruang eigen matriks A yang bersesuaian dengan λ Untuk λ 3 = 3.

Vektor x dinamakan vektor eigen T yang bersesuaian dengan λ. Carilah: a) nilai-nilai eigen T b) basis-basis untuk ruang eigen T. Vektor x adalah vektor eigen T yang bersesuaian dengan λ jika dan hanya jika matriks koordinat-koordinatnya [x]B adalah vektor eigen A yang bersesuaian dengan λ.2x .2x .1.2 DIAGONALISASI MATRIKS 2. maka Hal ini berarti: 1.2x2 T(x) = 0 + x + 0x2 = x T(x2) = 1 + 0x + 1x2 = 1 + x2 2. 7 Misalkan T: P2 → P2 yang didefinisikan (dirumuskan) oleh T(a0 + a1x + a2x2) = ( 4a0 + a2) + (-2a0 + a1)x + (-2a0 + a2)x2. T(1) = 4 .2.4 Nilai Eigen. Dari definisi ini dapat diperlihatkan.2x2 = 4 . x. Nilai eigen λ dari T adalah nilai eigen matriks A 2.2. Skalar k dinamakan nilai eigen dari transformasi linear T: V → V jika ada vektor x yang tidak nol dalam V sehingga Tx = λx.1 Diagonalisasi Bahasan pembelajaran berikut kita akan mendiskusikan masalah mencari suatu baris untuk Rn yang terdiri dari vektor-vektor eigen dari suatu matriks A yang diketahui berukuran n x n. Basis-basis ini dapat dipakai untuk menelaah sifat-sifat geometris dari matriks A dan 14 . Untuk lebih memahami penjelasan definisi di atas. Penyelesaian: Basis standar (basis baku) untuk P2 adalah B = {1. x2}. Secaa ekuivalen. Vektor Eigen dan Transformasi Linear Definisi 1. Contoh 1. kita perhatikan contoh berikut ini. maka vektor eigen T yang bersesuaian dengan nilai eigen λ adalah vektor tak nol dalam ruang eigen T. bahwa jika V adalah ruang vektor yang berdimensi berhingga dan λ adalah nilai eigen dari matriks T untuk transformasi linear T: V → V terhadap sebarang basis B. 4.

.............. dan beberapa diantaranya akan kita diskusikan dalam bahasan pembelajaran berikutnya..... Cara penulisan sistem persamaan linear yang terdiri dari m persamaan dengan n variabel menjadi sebuah persamaan matriks telah kita pelajari dalam Sistem Persamaan Linear........... maka dalam bagian ini kita akan pengkombinasikan persamaan nilai eigen untuk beberapa vektor eigen yang berlainan ke dalam persamaan matriks yang tunggal....... Auk) = (u1 u2 .. sehingga terjadi pengkombinasian A-1AX = A-1b atau X = A-1b........... Selanjutnya persamaan (1) dapat ditulis menjadi bentuk: AP = (Au1 Au2 ... λk..... yang ditulis sebagai matriks partisi P = (u1 u2 ........ (2) Bentuk ini merupakan bentuk yang ringkas dari persamaan nilai eigen untuk k vektor eigen. 2. ...... ....... ... uk) Dengan ui adalah kolom ke-i dari P.. sehingga k = n..... ... .sekaligus dipakai untuk menyederhanakan berbagai perhitungan numerik yang melibatkan matriks A.. . dan P tentunya invertibel......... Pandang matriks A berukuran n x n dengan vektor-vektor eigen (yang bebas linear) u1. .. .. Seperti telah kita ketahui dalam bahasan sebelumnya tentang matriks.. dengan kolom-kolomnya vektor-vektor eigen (yang bebas linear).. λ2.... Sebagai akibatnya maka Au1 = λ1u1.. ....... λ2.. Sedangkan cara menyelesaikan sistem persamaan linear AX = b dengan A matriks berukuran n x n yang invertibel dapat dilakukan dengan bantuan matriks A-1..... Selanjutnya dengan mengalikan persamaan (2) oleh P-1 dari sebelah kiri kita dapatkan: D = P-1A P .. λk. Jadi kita dapatkan AP = PD atau PD = AP ... Basis-basis sangat penting dalam berbagai penerapan aljabar linear....... uk yang bersesuaian dengan nilai-nilai eigen λ1...... uk) D dengan D adalah matriks diagonal k k dengan unsur-unsurnya λ1.............. u2. Sekarang misalkan matriks A yang berukuran n x n mempunyai n vektor eigen.. Untuk lebih jelasnya kita perhatikan penjelasan berikut ini.. Au2 = λ2u2. ........ bahwa salah satu teoremanya adalah pengkombinasian banyak persamaan menjadi satu.... ... .. (3) 15 . Auk = λkuk atau Aur = λrur dengan r = 1.. ....... ... ......... Akibatnya matriks P menjadi berukuran n x n. Berdasarkan ide yang sama seperti di atas... k. (1) Vektor-vektor ui dapat dikelompokkan menjadi bentuk matriks n x k....

b) matriks diagonal D = P-1 A P. 5. p2. Tahap 1. Prosedur berikut menunjukkan bahwa masalah vektor-vektor eigen dan masalah diagonalisasi adalah setara. 2.. Keadaan ini dinamakan A dapat didiagonalkan (diagonalizable). Carilah n vektor eigen yang bebas linear dari matriks A yang berukuran n n. a) Persamaan karakteristik matriks A Penyelesaian: det (λ I . . Tahap 3. Misalnya p1. Definisi 1. jelaskah bahwa masalah diagonalisasi dari suatu vektor A yang berukuran n x n adalah ekuivalen dengan pertanyaan: ”Apakah ada matriks P yang invertibel sehingga P-1 A P adalah matriks diagonal D?”.1)( λ + 1) = 0 16 . Bentuklah matriks P yang mempunyai p1. . Tahap 2. 3. . . 8 Diketahui matriks Carilah: a) matriks P yang mendiagonalisasi A.. pn. Contoh 1.. n. Dari penjelasan dan definisi di atas.. λn sebagai unsur-unsur diagonal yang berurutannya dan λi adalah nilai-nilai eigen yang bersesuaian dengan pi untuk I = 1.. p2. .Dengan demikian jika suatu matriks A yang berukuran n x n mempunyai n vektor eigen yang bebas linear. λ2. . Dengan kata lain prosedur berikut adalah tahapan untuk mendiagonalkan matriks yang berukuran n x n.. …. maka terdapat matriks P yang inverstibel dan matriks diagonal D sehingga D dapat difaktorkan dalam bentuk persamaan (3). Matriks D = P-1 A P adalah matriks diagonal dengan λ1. Suatu matriks persegi (matriks bujursangkar) A dinamakan dapat didiaginalkan (dapat didiagonalisasi) jika ada suatu matriks P yang invertibel sedemikian rupa sehingga P-1 A P adalah suatu matriks diagonal.A) = 0 (λ . pn sebagai vektor-vektor kolomnya. matriks P dikatakan mendiagonalkan A (mendiagonalisasi) matriks A.

Karena unsurunsur diagonal ke-i dan D = P-1A P adalah nilai-nilai eigen untuk vektor kolom dari matriks P. 17 . basis untuk ruang eigen yang bersesuaian dengan λ1 = 1 adalah Dengan demikian kita dapatkan bahwa (p1. p2) adalah bebas linear. sehingga akan mendiagonalkan matriks A.A )x = O -6x1 + 2x2 = 0 Jadi. Catatan: Dalam contoh ini tidak ada urutan yang diistimewakan untuk kolomkolom P.λ1 = 1 dan λ2 = -1 (nilai-nilai eigen A) Untuk λ1 = 1. c) Mencari matriks diagonal sekaligus sebagai pemeriksaan bahwa D = P-1A P. sistem persamaan linear homogennya (λ I .

maka tentunya tidak ada harapan lagi bagi kita untuk mendiagonalisasi suatu matriks A. Masalah vektor eigen ortonormal Jika diketahui suatu matriks A yang berukuran n n. Bagaimana kita mencari suatu matriks ortogonal untuk melakukan diagonalisasi? Sehubungan dengan pertanyaan-pertanyaan di atas. Sedangkan untuk menunjang pembahasan materi ini adalah pemahaman tentang matriks-matriks simetris dan pengertian ortogonal yang telah kita pelajari dari modul sebelumnya.2. kecuali jika matriks A adalah matriks simetris. (yaitu A = At).maka dengan mengubah urutan kolom-kolom matriks P hanyalah mengubah urutan nilai-nilai eigen pada diagonal untuk D = P-1AP. Matriks A yang berukuran n n dinamakan dapat didiagonalisasi secara ortogonal jika terdapat matriks P yang ortogonal. yaitu 1. misalkan 18 .2 Diagonalisasi Ortogonal Sekarang kita akan mendiskusikan bagaimana mencari suatu basis ortonormal dengan hasil kali dalam Euclid yang terdiri dari vektor-vektor eigen dari suatu matriks A yang berukuran n x n. dan matriks P dikatakan mendiagonalisasi A secara ortogonal. apakah ada suatu basis ortonormal untuk Rn dengan hasil kali dalam (Euclid) yang terdiri dari vektorvektor eigen dari matriks A? 2. Definisi 1. 6. Dari definisi dan dua permasalahan di atas ada dua pelajaran yang perlu mendapat perhatian kita. 1. Jadi seandainya matriks Pnya ditulis seperti berikut: Maka kita akan memperoleh matriks diagonal D = P-1AP = 2. Untuk melihat mengapa hal tersebut demikian adanya. Matriks manakah yang dapat didiagonalisasi secara ortogonal? 2. apakah ada suatu matriks diagonal P sedemikian sehingga matriks D = P-1 A P = Pt A P adalah matriks diagonal? Sebagai akibat dari permasalahan ini mendorong kita untuk membuat definisi berikut. Masalah diagonalisasi ortogonal Jika diketahui suatu matriks A yang berukuran n n. Untuk lebih jelasnya kita perhatikan dua masalah berikut yang ekuivalen.

....... maka Pt P = Pt P = I sehingga persamaan (1) bisa kita tulis dalam bentuk: A = P D Pt . maka pernyataan berikut adalah ekuivalen.... Teorema 1. 5 memastikan bahwa vektor eigen dari ruang eigen yang berbeda adalah ortogonal..... maka D = Dt........... Teorema berikut juga menunjukkan bahwa setiap matriks simetris... 5 ini.... sedangkan penerapan proses Gram-Schmidt memastikan bahwa vektor-vektor eigen yang didapatkan dalam ruang eigen yang sama adalah ortonormal........... (a) A dapat didiagonalisasi secara ortogonal..... Sekarang kita perhatikan teorema berikut merupakan alat utama untuk menentukan apakah sebuah matriks dapat didiagonalisasi secara ortogonal... (b) A merupakan suatu himpunan n vector eigen yang ortonormal (c) A adalah matriks simetrik. Jika A adalah suatu matriks simetris............. 5. (1) Dengan P adalah matriks ortogonal dan D adalah matriks diagonal..... .Pt A P = D . Jadi keseluruhan himpunan vektor eigen yang didapat melalui prosedur ini adalah ortonormal. sehingga dengan mentranspos kedua ruas dari persamaan (2) didapatkan At = (P D Pt)t = (Pt)t Dt Pt = P D Pt = A sehingga A pastilah merupakan matriks simetris... pada kenyataannya dapat didiagonalisasi secara ortogonal. Bentuklah matriks P yang kolom-kolomnya adalah vektor-vektor basis yang disusun pada tahap 2................. maka kita dapatkan prosedur berikut untuk mendiagonalisasi suatu matriks simetris secara ortogonal...... (Euclidean inner product).... . 19 ... .. dan matriks inilah yang mendiagonalisasi A secara ortogonal.... Sebagai implikasi dari Teorema 11. Tahap 2........... Jika A adalah suatu matriks n n..... Tahap 3.. Teorema 1. Karena P ortogonal...Terapkan proses Gran-Schmidt pada setiap basis-basis ini untuk mendapatkan suatu basis ortonormal untuk setiap ruang eigen. (2) Karena D matriks diagonal. Prosedur ini dan Teorema 11..... 4... Carilah suatu basis untuk setiap ruang eigen dari matriks A.. Perlu pula diketahui bahwa pada teorema ini dan teorema berikutnya dari bahasan ini.. pengertian ortogonal akan berarti ortogonalberkenaan dengan hasil kali dalam Euclid.. maka vektor-vektor eigen dari ruang eigen yang berbeda akan ortogonal............ Tahap 1....... ....

λ2... Det(λ I . Misalnya p1. Untuk memeriksa bahwa P adalah matriks yang mendiagonalisasi matriks A dapat dilakukan dengan menentukan matriks diagonal D = P-1AP dengan unsur-unsur diagonal 20 . Tahap 1. (b) Sistem persamaan (λ I . Carilah n vektor eigen yang bebas linear dari matriks A yang berukuran n x n..λ I) x = 0 dinamakan ruang eigen dari matriks A yang berukuran n n. maka vektor x yang tidak nol di Rn disebut vektor eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x. maka vektor eigen T yang bersesuaian dengan nilai eigen λ adalah vektor tak nol dalam ruang eigen T. Secaa ekuivalen. Vektor x dinamakan vektor eigen T yang bersesuaian dengan λ. Persamaan det (λ I . (d) λ adalah suatu penyelesaian real dari persamaan karakteristik det (λ I . Bentuklah matriks P yang mempunyai p1. 3.A) = 0 4. (c) Ada vektor x yang tidak nol dalam Rn sedemikian sehingga Ax = λx. maka pernyataanpernyataan berikut ini adalah ekuivalen (a) λ adalah nilai-nilai eigen dari matriks A. . Ruang penyelesaian dari sistem persamaan linear (λ I . pn.A) = 0 dengan λ sebagai variabel disebut persamaan karakteristik dari matriks A. 7.. …. p2. 2. Jika A adalah suatu matriks n n dan λ adalah suatu bilangan real. Rangkuman 1.1. Jika A matriks m n. Matriks D = P-1 A P adalah matriks diagonal dengan λ1. . .BAB III PENUTUP 3. Tahap 3. . 3. 2. Akar-akar atau skalar-skalar yang memenuhi persamaan ini adalah nilai-nilai eigen (nilai-nilai karakteristik) dari matriks A.A) ≡ f(λ) yaitu berupa polinom dalam λ yang dinamakan polinom karakteristik.A) x = 0 atau (A . Tahap 2. 5. yaitu Ax = λ x untuk suatu skalar λ. pn sebagai vektor-vektor kolomnya. 6. . . 3.A)x = 0 mempunyai penyelesaian tak trivial (non trivial). n. λn sebagai unsurunsur diagonal yang berurutannya dan λi adalah nilai-nilai eigen yang bersesuaian dengan pi untuk I = 1. Suatu matriks persegi (matriks bujursangkar) A dinamakan dapat didiagonalkan (dapat didiagonalisasi) jika ada suatu matriks P yang invertibel sedemikian rupa sehingga P-1 A P adalah suatu matriks diagonal. matriks P dikatakan mendiagonalkan A (mendiagonalisasi) matriks A.. Tahapan untuk mendiagonalkan matriks yang berukuran n x n.. Skalar k dinamakan nilai eigen dari transformasi linear T: V → V jika ada vektor x yang tidak nol dalam V sehingga Tx = λx. p2. Skalar λ dinamakan nilai eigen (eigen value) dari A.

21 . maka vektor-vektor eigen dari ruang eigen yang berbeda akan ortogonal. v3. 6. Jika A adalah suatu matriks n x n.. ..utamanya adalah nilai-nilai eigen dari matriks A yang urutannya adalah nilai-nilai eigen dari matriks A yang urutannya sesuai urutan vektor-vektor kolom matriks P 4. v3. Prosedur untuk mendiagonalisasi suatu matriks simetris secara ortogonal... vk adalah vektor-vektor eigen dari matriks A yang bersesuaian dengan nilai-nilai eigen λ1. (b) A merupakan suatu himpunan n vektor eigen yang ortonormal (c) A adalah matriks simetrik. Jika A adalah suatu matriks simetris. vk} adalah himpunan yang bebas linear. Tahap 2. v2. Tahap 1. 5. maka pernyataan berikut adalah ekuivalen. Terapkan proses Gran-Schmidt pada setiap basis-basis ini untuk mendapatkan suatu basis ortonormal untuk setiap ruang eigen. maka {v1. λ2. λk yang berbeda. . . dan matriks inilah yang mendiagonalisasi A secara ortogonal. .. Jika v1. maka A dapat didiagonalisasi . Jika suatu matriks A berukuran n x n mempunyai nilai-nilai eigen yang berbeda-beda. 9. Matriks A yang berukuran n x n dikatakan dapat didiagonalisasi secara ortogonal jika terdapat matriks P yang ortogonal. Tahap 3. Bentuklah matriks P yang kolom-kolomnya adalah vektor-vektor basis yang disusun pada tahap 2. λ3. 7. v2. . (a) A dapat didiagonalisasi secara ortogonal. Carilah suatu basis untuk setiap ruang eigen dari matriks A. dan matriks P dikatakan mendiagonalisasi A secara ortogonal. 8.. .

Interaksara. SE (1980): Metafisika Persia. Ph. Raisinghania & Aggarwal. M. I Nyoman Susila.DAFTAR PUSTAKA Howard Anton (2000): Elementary Linear Algebra. Barcelona. Herdelberg. Matrices. Jakarta Seymour Lipschutz. 22 . R. Dasar-dasar Aljabar Linear. Aljabar Linear. Advanced Linear Algebra. (1980). Sofjan Assauri.Graw Hill Book Company.SC. London. Budapest: Springer-Velag.S. D dan Drs. Batam Howard Anton dan Chris Rorres (1987): Elementary Linear Algebra with Applications. Linear Algebra. (1981). Singapore: Schaum’s Outline. Silabun. Hari Suminto. Linear Algebra. Paris. Jilid 2. terj: P. (1998). Hongkong. Tokyo. Mc. Penerapan Aljabar Linear. New York. New Delhi: S. Erlangga.Chan & Company Ltd. Jakarta Larry Smith. Dasar-dasar Ekonometri Edisi Kedua. Gottingen: Springer. Roman Steven (1992). terj: Ir. Berlin. Rajawali.