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

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

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

Namun. ekonomi dan geometri. Definisi 1. Contoh 1. genetik. maka vektor x yang tidak nol di R n disebut vektor eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x.1 Nilai Eigen dan Vektor Eigen Apabila sebuah matriks A yang berukuran n x n dan sebuah vektor x pada Rn. Sekarang kita akan meninjau ulang beberapa konsep yang telah kita diskusikan dalam pembelajaran yang lalu untuk dikembangkan lebih lanjut. yaitu 5 . yaitu Ax = λx untuk suatu skalar λ. sistem elektris. 1a). 1 sebab Ax adalah kelipatan dari x. mekanika kuantum. tekanan mekanis. ada beberapa vektor x tak nol sehingga x dan Ax merupakan penggandaan satu sama lainnya (Gambar 11.1 Misalkan A adalah matriks n x n.1. maka biasanya secara umum tidak ada hubungan geometris antara vektor x dengan vektor Ax (Gambar 11. 1b). reaksi kimia.BAB II PEMBAHASAN 2. Skalar λ dinamakan nilai eigen (eigen value) dari A dan x disebut suatu vektor eigen (eigen vector) dari a yang berpadanan dengan λ.1 NILAI DAN RUANG EIGEN 2. Vektor-vektor tersebut muncul secara alami dalam telaah getaran.

Persamaan det (λ I . maka kita perlu memperhatikan kembali definisi vektor eigen dan nilai eigen. sebab Nilai-nilai eigen dari matriks P adalah λ1 = 2 dan λ2 = 1. Akar-akar atau skalar-skalar yang memenuhi persamaan ini 6 . 2. 2. maka persamaan (1) akan mempunyai penyelesaian tak nol (mempunyai penyelesaian non trivial) jika dan hanya jika: det (λ I .A) = 0 dengan λ sebagai variabel disebut persamaan karakteristik dari matriks A. 2 Diketahui matriks adalah vektor-vektor eigen dari matriks P. Contoh 1. maka harus ada penyelesaian yang tidak nol dari persamaan (1) ini. perhatikanlah uraian berikut dengan baik. yaitu Ax = λx. Bentuk ini dapat kita tulis sebagai berikut: Supaya λ menjadi nilai eigen.Dalam hal ini λ = 3 adalah nilai eigen dari matriks A. sehingga kita dapat dengan cepat dan tepat memberikan jawabannya.A) = 0 Definisi 1.1. Menurut teorema dalam bahasan sebelumnya. 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.2 Persamaan Karakteristik Untuk mencari nilai eigen dari matriks A yang berukuran n x n.

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

1) haruslah merupakan factor dari ruas kiri persamaan (2). 12 +11 . λ2 = 2..Penyelesaian: a) Persamaan karakteristik dari matriks A adalah atau det (A .. . 8 . Jadi. 1 . ...λ) = 0 (4 .….6 = 0 …………………….... 3.6 .6 = 0. Selanjutnya substitusikan nilai-nilai ini berturut-turut pada persamaan (2) sehingga kita dapatkan akar-akarnya.. sebab 13 . dan λ3 = 3 adalah nilai-nilai eigen dari matriks A. dan tentunya memerlukan bantuan teorema sisa atau metode horner untuk persamaan pangkat tinggi.λ)2 + 2(1 . kita perlu terlebih dahulu memahami persamaan pangkat tinggi dengan akar-akar bulat...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 . (2) Untuk menyelesaikan persamaan ini. 0)dari persamaan polinom dengan koefisien-koefisien bilangan .λ) (1 .. penyelesaian-penyelesaian bilangan bulat yang mungkin dari persamaan (2) adalah pembagipembagi dari 6.λ) (1 . yaitu 2..2λ + λ2) +(2 . sehingga akar dari persamaan (2).6λ2 + 11 λ .Sebagai akibatnya (λ . 6... yaitu λ2 = 2 dan λ3 = 3. yaitu λ1 = 1. yaitu membagi persamaan (2) oleh (x . Dalam hal ini λ = 1 memenuhi persamaan (2).2λ) = 0 λ3 .. Untuk itu tentunya kita masih ingat bahwa secara sederhana dapat memanfaatkan kenyataan tentang semua penyelesaian bilangan bulat (jika himpunan penyelesaian bulat. Dengan bantuan teorema sisa. ..λ I) = det (4 .harus atau pasti merupakan pembagi dari suku konstanta a0..1) kita dapatkan dua nilai λ lainnya. dan 1...6λ2 + 11 λ .

3) = 0 λ1 = 1. sedangkan menurut definisi λ adalah skalar atau bilangan real.. Teorema 1.1. 9 . 5 kita mendapatkan nilai-nilai eigen kompleks dari matriks yang real.2) (λ . Diskusi kita untuk ruang-ruang vektor kompleks dengan nilai-nilai eigen kompleks akan dijumpai dalam kesempatan lain.1) (λ2 . Jika A adalah suatu matriks n x n dan λ adalah suatu bilangan real. Dalam kesempatan sekarang akan dibatasi pada contoh-contoh dengan nilai eigen yang real.Untuk menyelesaikan persamaan (2) dapat pula dilakukan dengan bantuan metode Horner. dan λ3 = 3 adalah nilai-nilai eigen dari matriks A. λ2 = 2. maka persamaan karakteristik dari matrik T adalah det (A . 5 Carilah nilai-nilai eigen dari matriks Penyelesaian: Seperti kedua contoh di atas. yaitu ruangruang vektor dengan skalar-skalarnya nilai kompleks. Hal ini akan membawa kita untuk meninjau kemungkinan ruang-ruang vektor kompleks.1) (λ . Contoh 1. maka pernyataan-pernyataan berikut ini adalah ekuivalen (a) λ adalah nilai-nilai eigen dari matriks A. Maka matriks T tidak mempunyai nilai eigen. Catatan: Dari contoh 1.5λ + 6) = 0 (λ . dengan langkah pertama sema seperti di atas yaitu sampai mendapatkan λ1 = 1 dan langkah berikutnya sebagai berikut: (λ .λ I) = det (nilai-nilai eigennya adalah bilangan imajiner). Sekarang kita perhatikan teorema berikut yang merupakan ikhtisar dari hasil-hasil yang telah diperoleh melalui diskusi materi pembelajaran di atas. Karena nilai-nilai eigen dari matriks T adalah bilangan imajiner.

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

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

-2x1 = 0 x1 = 0 x2 = t x3 = 0 Vektor-vektor eigen A yang bersesuaian dengan λ1 = 1 adalah vektor tak nol yang berbentuk Jadi.x3 = 0 2x1 + x3 = 0 -x2 + x3 = 0 Jadi. vektor dengan λ1 = 1.x2 = 0 -2x1 . maka (3) menjadi 4x1 + x3 = 0 -2x1 . 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 .

2x2 = 0 -2x1 . 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 = 3.2x3 = 0 x1 + x3 = 0 x2 .x3 = 0 x1 = . maka (3) menjadi 2 = 2.Sehingga adalah basis untuk ruang eigen matriks A yang bersesuaian dengan λ Untuk λ 3 = 3.

4 Nilai Eigen. Vektor Eigen dan Transformasi Linear Definisi 1.2x2 = 4 . Nilai eigen λ dari T adalah nilai eigen matriks A 2. Carilah: a) nilai-nilai eigen T b) basis-basis untuk ruang eigen T. Dari definisi ini dapat diperlihatkan. 4.2x2 T(x) = 0 + x + 0x2 = x T(x2) = 1 + 0x + 1x2 = 1 + x2 2.2 DIAGONALISASI MATRIKS 2.1 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.2x .2. T(1) = 4 . Untuk lebih memahami penjelasan definisi di atas. kita perhatikan contoh berikut ini. maka Hal ini berarti: 1. Basis-basis ini dapat dipakai untuk menelaah sifat-sifat geometris dari matriks A dan 14 . x2}. 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. Penyelesaian: Basis standar (basis baku) untuk P2 adalah B = {1.2x . Vektor x dinamakan vektor eigen T yang bersesuaian dengan λ. Contoh 1. Skalar k dinamakan nilai eigen dari transformasi linear T: V → V jika ada vektor x yang tidak nol dalam V sehingga Tx = λx.2. x.1. 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. maka vektor eigen T yang bersesuaian dengan nilai eigen λ adalah vektor tak nol dalam ruang eigen T. Secaa ekuivalen. 7 Misalkan T: P2 → P2 yang didefinisikan (dirumuskan) oleh T(a0 + a1x + a2x2) = ( 4a0 + a2) + (-2a0 + a1)x + (-2a0 + a2)x2.

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

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful