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

....................................................... .. 3 BAB I PENDAHULUAN ....................................................... ...................................................................................2 Persamaan Karakteristik ................ ............................... 22 3 ........ 20 DAFTAR PUSTAKA ........................... ................................... ........................................................... 5 2.2...........4 Nilai Eigen. ........................................ ..............................................................................1 Diagonalisasi ........ 20 3. Rangkuman .......1...............................................................................................1..................... 5 2.................. .................................................................................... 10 2........................ ............ 14 2......... 4 BAB II PEMBAHASAN ............................................ ..............................3 Ruang Eigen ............. ........................... 6 2.......1 NILAI DAN RUANG EIGEN ......... ................... ............................... Vektor Eigen dan Transformasi Linear .................................. ....2................................................................ ........... ...1 Nilai Eigen dan Vektor Eigen ..................................................................... ................................1.......................................... 5 2............. 14 2.....2 Diagonalisasi Ortogonal ...... .....................1...................................................................................... ..... 2 DAFTAR ISI ...................... .............DAFTAR ISI KATA PENGANTAR .......1......................... 14 2..................................................................................................2 DIAGONALISASI MATRIKS ............................................... ........................ ................. 18 BAB III PENUTUP ......

menentukan hasil diagonalisasi sebuah matriks. menentukan nilai eigen dan vektor eigen dari suatu matriks/ transformasi linear. mekanika kuantum. genetik. Cakupan materi pembelajaran dalam makalah ini meliputi nilai eigen (eigen value). b. Sebagai tujuan instruksional umum setelah mempelajari materi dalam makalah ini diharapkan dapat memahami nilai eigen. diharapkan dapat: a. Adapun susunan materi dalam makalah ini terbagi menjadi dua kegiatan belajar sebagai berikut. geometri dan ekonomi.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). geometri. termasuk diagonalisasi ortogonal dan matriks simetrik. reaksi kimia. tekanan mekanis. Kegiatan Belajar 1 : Nilai eigen. dan vektor-vektor tersebut muncul secara alami dalam sebuah getaran. vektor eigen. sistem elektrik. diagonalisasi ortogonal dan diagonalisasi matriks -matriks simetris. dan polinom karakteristik dari suatu matriks. Kegiatan Belajar 2: Diagonalisasi. vektor eigen (eigen vector) dan diagonalisasi sebuah matriks. persamaan karakteristik. Selain itu akan sangat bermanfaat pula bagi bagi kita ketika mempelajari materi-materi matematika lanjut dan penerapan-penerapan matematika dalam sain dan teknologi. Kesemua materi bahasan ini akan terkait dengan vektor. reaksi kimia. Sedangkan sebagai tujuan instruksional khususnya. vektor eigen dan permasalahan diagonalisasi dari sebuah matriks. 4 .

mekanika kuantum. 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. Contoh 1.1 NILAI DAN RUANG EIGEN 2. Skalar λ dinamakan nilai eigen (eigen value) dari A dan x disebut suatu vektor eigen (eigen vector) dari a yang berpadanan dengan λ. Namun. maka vektor x yang tidak nol di R n disebut vektor eigen (eigen vector) dari A jika Ax adalah kelipatan skalar dari x. 1a). tekanan mekanis. genetik. reaksi kimia. yaitu 5 . maka biasanya secara umum tidak ada hubungan geometris antara vektor x dengan vektor Ax (Gambar 11.1 Nilai Eigen dan Vektor Eigen Apabila sebuah matriks A yang berukuran n x n dan sebuah vektor x pada Rn. yaitu Ax = λx untuk suatu skalar λ. Definisi 1.BAB II PEMBAHASAN 2. Vektor-vektor tersebut muncul secara alami dalam telaah getaran. 1b).1. Sekarang kita akan meninjau ulang beberapa konsep yang telah kita diskusikan dalam pembelajaran yang lalu untuk dikembangkan lebih lanjut. 1 sebab Ax adalah kelipatan dari x. sistem elektris. ekonomi dan geometri.

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

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

6 = 0.λ I) = det (4 . Jadi.. Dengan bantuan teorema sisa.. 0)dari persamaan polinom dengan koefisien-koefisien bilangan .λ) (1 . dan tentunya memerlukan bantuan teorema sisa atau metode horner untuk persamaan pangkat tinggi.6λ2 + 11 λ ... (2) Untuk menyelesaikan persamaan ini.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 . yaitu membagi persamaan (2) oleh (x . yaitu 2.λ)2 + 2(1 .. yaitu λ2 = 2 dan λ3 = 3.. Dalam hal ini λ = 1 memenuhi persamaan (2).6 = 0 …………………….. . . kita perlu terlebih dahulu memahami persamaan pangkat tinggi dengan akar-akar bulat. penyelesaian-penyelesaian bilangan bulat yang mungkin dari persamaan (2) adalah pembagipembagi dari 6.2λ) = 0 λ3 ..λ) (1 .. . 1 ..1) kita dapatkan dua nilai λ lainnya..6 .λ) = 0 (4 .... Selanjutnya substitusikan nilai-nilai ini berturut-turut pada persamaan (2) sehingga kita dapatkan akar-akarnya.….2λ + λ2) +(2 .harus atau pasti merupakan pembagi dari suku konstanta a0. sehingga akar dari persamaan (2). yaitu λ1 = 1.1) haruslah merupakan factor dari ruas kiri persamaan (2).. 12 +11 .. Untuk itu tentunya kita masih ingat bahwa secara sederhana dapat memanfaatkan kenyataan tentang semua penyelesaian bilangan bulat (jika himpunan penyelesaian bulat. 6. dan λ3 = 3 adalah nilai-nilai eigen dari matriks A. sebab 13 .. λ2 = 2.6λ2 + 11 λ . dan 1.Sebagai akibatnya (λ . 3.. 8 ..Penyelesaian: a) Persamaan karakteristik dari matriks A adalah atau det (A .

Jika A adalah suatu matriks n x n dan λ adalah suatu bilangan real. maka pernyataan-pernyataan berikut ini adalah ekuivalen (a) λ adalah nilai-nilai eigen dari matriks A. Contoh 1.. Sekarang kita perhatikan teorema berikut yang merupakan ikhtisar dari hasil-hasil yang telah diperoleh melalui diskusi materi pembelajaran di atas. Dalam kesempatan sekarang akan dibatasi pada contoh-contoh dengan nilai eigen yang real. Catatan: Dari contoh 1. Maka matriks T tidak mempunyai nilai eigen. Karena nilai-nilai eigen dari matriks T adalah bilangan imajiner. Teorema 1. Hal ini akan membawa kita untuk meninjau kemungkinan ruang-ruang vektor kompleks.2) (λ . yaitu ruangruang vektor dengan skalar-skalarnya nilai kompleks. 5 kita mendapatkan nilai-nilai eigen kompleks dari matriks yang real. dengan langkah pertama sema seperti di atas yaitu sampai mendapatkan λ1 = 1 dan langkah berikutnya sebagai berikut: (λ .3) = 0 λ1 = 1.Untuk menyelesaikan persamaan (2) dapat pula dilakukan dengan bantuan metode Horner. sedangkan menurut definisi λ adalah skalar atau bilangan real.λ I) = det (nilai-nilai eigennya adalah bilangan imajiner). 5 Carilah nilai-nilai eigen dari matriks Penyelesaian: Seperti kedua contoh di atas.1) (λ2 . maka persamaan karakteristik dari matrik T adalah det (A .1. 9 . λ2 = 2.5λ + 6) = 0 (λ . Diskusi kita untuk ruang-ruang vektor kompleks dengan nilai-nilai eigen kompleks akan dijumpai dalam kesempatan lain.1) (λ . dan λ3 = 3 adalah nilai-nilai eigen dari matriks A.

λ I x .Ax = 0 (λ I .A) = 0. (b). maka λ adalah (b) (c) (d) (a). (d) (a). secara ekuivalen tentunya vektor eigen yang bersesuaian dengan nilai eigen λ adalah vektor yang tak nol dalam ruang penyelesaian (λ I . 2.3 Ruang Eigen Setelah kita memahami bagaimana mencari nilai-nilai eigen hubungannya dengan persamaan karakteristik. Karena λ adalah penyelesaian real dari persamaan det (λ I .A) x = 0 Karena ada x tidak nol.1. (b) (c).A)x = 0 Karena x tak nol maka sistem persamaan linear homogen (λ I . Dengan kata lain.A)x = 0 Harus mempunyai penyelesaian non-trivial. (c) Ada vektor x yang tidak nol dalam Rn sedemikian sehingga Ax = λx. Karena (λ I . (d) λ adalah suatu penyelesaian real dari persamaan karakteristik det (λ I . dan (d) ekuivalen satu sama lainnya dengan membuktikan urutan implikasi (a) (a) berlaku: Ax = λx dengan x tak nol.A) = 0 atau dengan kata lain λ adalah nilai eigen dari matriks A.A) x = 0. (c). maka sistem persamaan linear homogen (λ I . Ruang penyelesaian ini kita namakan sebagai ruang eigen (eigen space) dari matriks A yang bersesuaian dengan nilai eigen λ.A) = 0 Bukti: Kita akan memperlihatkan bahwa (a).A)x = 0 mempunyai penyelesaian tak trivial (non trivial). maka menurut definisi nilai eigen penyelesaian dari persamaan karakteristik det (λ I . 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.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. 10 . maka sekarang akan beralih ke masalah untuk mencari vektor eigen. (b). Karena Ax = λ x Ax = λ I x (λ I . Apakah ruang eigen ini membentuk basis?. Karena λ adalah nilai-nilai eigen dari matriks A.

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

maka (3) menjadi 4x1 + x3 = 0 -2x1 . vektor dengan λ1 = 1. 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.x2 = 0 -2x1 . vektor-vektor eigen yang bersesuaian dengan λ berbentuk 2 = 2 adalah vektor-vektor tak nol yang 12 .

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

2x2 = 4 . Vektor x dinamakan vektor eigen T yang bersesuaian dengan λ.2x . 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.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. maka vektor eigen T yang bersesuaian dengan nilai eigen λ adalah vektor tak nol dalam ruang eigen T. x2}.4 Nilai Eigen. 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. Carilah: a) nilai-nilai eigen T b) basis-basis untuk ruang eigen T. x. Penyelesaian: Basis standar (basis baku) untuk P2 adalah B = {1. Dari definisi ini dapat diperlihatkan. kita perhatikan contoh berikut ini. Nilai eigen λ dari T adalah nilai eigen matriks A 2. maka Hal ini berarti: 1. Secaa ekuivalen. Untuk lebih memahami penjelasan definisi di atas.2x2 T(x) = 0 + x + 0x2 = x T(x2) = 1 + 0x + 1x2 = 1 + x2 2. Basis-basis ini dapat dipakai untuk menelaah sifat-sifat geometris dari matriks A dan 14 .2. 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. 7 Misalkan T: P2 → P2 yang didefinisikan (dirumuskan) oleh T(a0 + a1x + a2x2) = ( 4a0 + a2) + (-2a0 + a1)x + (-2a0 + a2)x2.2 DIAGONALISASI MATRIKS 2. Vektor Eigen dan Transformasi Linear Definisi 1. 4.1.2.2x . T(1) = 4 .

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

3. 2. λ2. p2. 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?”. 5.1)( λ + 1) = 0 16 . .A) = 0 (λ ... . a) Persamaan karakteristik matriks A Penyelesaian: det (λ I . n. Tahap 2. b) matriks diagonal D = P-1 A P. Contoh 1. pn. matriks P dikatakan mendiagonalkan A (mendiagonalisasi) matriks A. Bentuklah matriks P yang mempunyai p1. pn sebagai vektor-vektor kolomnya.. Keadaan ini dinamakan A dapat didiagonalkan (diagonalizable).Dengan demikian jika suatu matriks A yang berukuran n x n mempunyai n vektor eigen yang bebas linear. Dengan kata lain prosedur berikut adalah tahapan untuk mendiagonalkan matriks yang berukuran n x n. . . . Misalnya p1.. Tahap 3. p2. maka terdapat matriks P yang inverstibel dan matriks diagonal D sehingga D dapat difaktorkan dalam bentuk persamaan (3).. . 8 Diketahui matriks Carilah: a) matriks P yang mendiagonalisasi A. λn sebagai unsur-unsur diagonal yang berurutannya dan λi adalah nilai-nilai eigen yang bersesuaian dengan pi untuk I = 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. Definisi 1. Prosedur berikut menunjukkan bahwa masalah vektor-vektor eigen dan masalah diagonalisasi adalah setara.. Matriks D = P-1 A P adalah matriks diagonal dengan λ1. …. Dari penjelasan dan definisi di atas. Tahap 1. Carilah n vektor eigen yang bebas linear dari matriks A yang berukuran n n.

Catatan: Dalam contoh ini tidak ada urutan yang diistimewakan untuk kolomkolom P. p2) adalah bebas linear.A )x = O -6x1 + 2x2 = 0 Jadi.λ1 = 1 dan λ2 = -1 (nilai-nilai eigen A) Untuk λ1 = 1. Karena unsurunsur diagonal ke-i dan D = P-1A P adalah nilai-nilai eigen untuk vektor kolom dari matriks P. 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. sistem persamaan linear homogennya (λ I .

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful