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

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

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

ekonomi dan geometri. Contoh 1.1 Nilai Eigen dan Vektor Eigen Apabila sebuah matriks A yang berukuran n x n dan sebuah vektor x pada Rn. sistem elektris.BAB II PEMBAHASAN 2. maka biasanya secara umum tidak ada hubungan geometris antara vektor x dengan vektor Ax (Gambar 11. Vektor-vektor tersebut muncul secara alami dalam telaah getaran. yaitu Ax = λx untuk suatu skalar λ.1 Misalkan A adalah matriks n x n. 1 sebab Ax adalah kelipatan dari x.1. mekanika kuantum. Skalar λ dinamakan nilai eigen (eigen value) dari A dan x disebut suatu vektor eigen (eigen vector) dari a yang berpadanan dengan λ. Definisi 1. Sekarang kita akan meninjau ulang beberapa konsep yang telah kita diskusikan dalam pembelajaran yang lalu untuk dikembangkan lebih lanjut. 1a). tekanan mekanis. maka vektor x yang tidak nol di R n disebut vektor eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x. Namun. reaksi kimia. 1b). ada beberapa vektor x tak nol sehingga x dan Ax merupakan penggandaan satu sama lainnya (Gambar 11. genetik.1 NILAI DAN RUANG EIGEN 2. yaitu 5 .

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

Dari pemahaman definisi di atas. 4 Diketahui untuk Carilah: a) Persamaan karakteristik dari matriks A b) Nilai-nilai eigen dari matriks A 7 . Det (λ I .adalah nilai-nilai eigen (nilai-nilai karakteristik) dari matriks A.3λ + 2 = 0 Penyelesaian dari persamaan ini adalah λ1 = 1 dan λ2 = 2. Jadi. 2 di atas sehingga kita mendapatkan nilai-nilai eigen dari matriks 2 x 2 dengan menyelesaikan persamaan karakteristiknya. 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.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). 1 atau Contoh 11.3λ + 2 dan persamaan karakteristik dari matriks Q adalah λ2 . 3 Carilah nilai-nilai eigen dari matriks Penyelesaian: Polinom karakteristik dari matriks Q adalah = λ2 . jelas bahwa jika A adalah matriks n x n. tentunya para pembaca berharap untuk meninjau ulang Contoh 11.A) = f(λ) = a0 + a1x1 + a2x2 + … + an . Setelah kita memperhatikan uraian di atas. Contoh 1.1xn . 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 . Jadi.

2λ + λ2) +(2 . Untuk itu tentunya kita masih ingat bahwa secara sederhana dapat memanfaatkan kenyataan tentang semua penyelesaian bilangan bulat (jika himpunan penyelesaian bulat. yaitu 2.λ) (1 .. sehingga akar dari persamaan (2).. ....... ... (2) Untuk menyelesaikan persamaan ini. Dalam hal ini λ = 1 memenuhi persamaan (2).Penyelesaian: a) Persamaan karakteristik dari matriks A adalah atau det (A .6 .…. 0)dari persamaan polinom dengan koefisien-koefisien bilangan ..λ) = 0 (4 . yaitu λ2 = 2 dan λ3 = 3. 6.6 = 0 b) Untuk mencari nilai-nilai eigen dari matriks A harus mencari akar-akar atau nilai-nilai λ yang memenuhi persamaan pangkat tiga: λ3 .. Dengan bantuan teorema sisa.1) kita dapatkan dua nilai λ lainnya. dan tentunya memerlukan bantuan teorema sisa atau metode horner untuk persamaan pangkat tinggi. Selanjutnya substitusikan nilai-nilai ini berturut-turut pada persamaan (2) sehingga kita dapatkan akar-akarnya.2λ) = 0 λ3 .λ)2 + 2(1 . sebab 13 .. dan 1..λ I) = det (4 . penyelesaian-penyelesaian bilangan bulat yang mungkin dari persamaan (2) adalah pembagipembagi dari 6. 8 .6 = 0.6λ2 + 11 λ . dan λ3 = 3 adalah nilai-nilai eigen dari matriks A. yaitu λ1 = 1.. yaitu membagi persamaan (2) oleh (x .harus atau pasti merupakan pembagi dari suku konstanta a0.. Jadi.6 = 0 ……………………. 1 ..1) haruslah merupakan factor dari ruas kiri persamaan (2)..Sebagai akibatnya (λ . 12 +11 . 3..6λ2 + 11 λ . kita perlu terlebih dahulu memahami persamaan pangkat tinggi dengan akar-akar bulat. . λ2 = 2.λ) (1 .

maka persamaan karakteristik dari matrik T adalah det (A . λ2 = 2.3) = 0 λ1 = 1. yaitu ruangruang vektor dengan skalar-skalarnya nilai kompleks. maka pernyataan-pernyataan berikut ini adalah ekuivalen (a) λ adalah nilai-nilai eigen dari matriks A. Teorema 1. Catatan: Dari contoh 1. Contoh 1.1. 9 . Hal ini akan membawa kita untuk meninjau kemungkinan ruang-ruang vektor kompleks.Untuk menyelesaikan persamaan (2) dapat pula dilakukan dengan bantuan metode Horner. dengan langkah pertama sema seperti di atas yaitu sampai mendapatkan λ1 = 1 dan langkah berikutnya sebagai berikut: (λ . Diskusi kita untuk ruang-ruang vektor kompleks dengan nilai-nilai eigen kompleks akan dijumpai dalam kesempatan lain. 5 Carilah nilai-nilai eigen dari matriks Penyelesaian: Seperti kedua contoh di atas.. Sekarang kita perhatikan teorema berikut yang merupakan ikhtisar dari hasil-hasil yang telah diperoleh melalui diskusi materi pembelajaran di atas. Jika A adalah suatu matriks n x n dan λ adalah suatu bilangan real. dan λ3 = 3 adalah nilai-nilai eigen dari matriks A. Maka matriks T tidak mempunyai nilai eigen. Dalam kesempatan sekarang akan dibatasi pada contoh-contoh dengan nilai eigen yang real.1) (λ .1) (λ2 . 5 kita mendapatkan nilai-nilai eigen kompleks dari matriks yang real.5λ + 6) = 0 (λ .2) (λ . sedangkan menurut definisi λ adalah skalar atau bilangan real. Karena nilai-nilai eigen dari matriks T adalah bilangan imajiner.λ I) = det (nilai-nilai eigennya adalah bilangan imajiner).

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

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

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

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

kita perhatikan contoh berikut ini. Contoh 1. x. maka vektor eigen T yang bersesuaian dengan nilai eigen λ adalah vektor tak nol dalam ruang eigen T. Secaa ekuivalen.2 DIAGONALISASI MATRIKS 2. Vektor Eigen dan Transformasi Linear Definisi 1. Carilah: a) nilai-nilai eigen T b) basis-basis untuk ruang eigen T.2. Nilai eigen λ dari T adalah nilai eigen matriks A 2. Untuk lebih memahami penjelasan definisi di atas.2x . 4. T(1) = 4 .2x2 T(x) = 0 + x + 0x2 = x T(x2) = 1 + 0x + 1x2 = 1 + x2 2.4 Nilai Eigen. maka Hal ini berarti: 1. Dari definisi ini dapat diperlihatkan.2x .2x2 = 4 .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. 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. 7 Misalkan T: P2 → P2 yang didefinisikan (dirumuskan) oleh T(a0 + a1x + a2x2) = ( 4a0 + a2) + (-2a0 + a1)x + (-2a0 + a2)x2. x2}. Penyelesaian: Basis standar (basis baku) untuk P2 adalah B = {1.1. Basis-basis ini dapat dipakai untuk menelaah sifat-sifat geometris dari matriks A dan 14 . Vektor x dinamakan vektor eigen T yang bersesuaian dengan λ. 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. Skalar k dinamakan nilai eigen dari transformasi linear T: V → V jika ada vektor x yang tidak nol dalam V sehingga Tx = λx.

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

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

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

(yaitu A = At). Dari definisi dan dua permasalahan di atas ada dua pelajaran yang perlu mendapat perhatian kita. Masalah vektor eigen ortonormal Jika diketahui suatu matriks A yang berukuran n n. 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. dan matriks P dikatakan mendiagonalisasi A secara ortogonal. Untuk melihat mengapa hal tersebut demikian adanya. kecuali jika matriks A adalah matriks simetris. maka tentunya tidak ada harapan lagi bagi kita untuk mendiagonalisasi suatu matriks A. Bagaimana kita mencari suatu matriks ortogonal untuk melakukan diagonalisasi? Sehubungan dengan pertanyaan-pertanyaan di atas. apakah ada suatu basis ortonormal untuk Rn dengan hasil kali dalam (Euclid) yang terdiri dari vektorvektor eigen dari matriks A? 2.2 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.2.maka dengan mengubah urutan kolom-kolom matriks P hanyalah mengubah urutan nilai-nilai eigen pada diagonal untuk D = P-1AP. yaitu 1. misalkan 18 . Untuk lebih jelasnya kita perhatikan dua masalah berikut yang ekuivalen. 6. Matriks manakah yang dapat didiagonalisasi secara ortogonal? 2. Sedangkan untuk menunjang pembahasan materi ini adalah pemahaman tentang matriks-matriks simetris dan pengertian ortogonal yang telah kita pelajari dari modul sebelumnya. Matriks A yang berukuran n n dinamakan dapat didiagonalisasi secara ortogonal jika terdapat matriks P yang ortogonal. 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.

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

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

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

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

Sign up to vote on this title
UsefulNot useful