modul penunjang praktikum ilab matematika lanjut...
TRANSCRIPT
Modul Penunjang Praktikum ILAB
Matematika lanjut 1
Penyusun :
Dewi Putrie Lestari
Iffatul Mardhiyah
Ilmiyati Sari
Kuwat Setiyanto
R Andhika Prihestira
LABORATORIUM
SISTEM INFORMASI
2018
i
KATA PENGANTAR
Puji syukur kehadirat Allah SWT, yang telah memberikan rahmat
dan karunia-Nya, sehingga Modul Penunjang Praktikum ILAB Matematika
Lanjut 1 untuk Jurusan Sistem Informasi Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Gunadarma dapat diselesaikan dengan
sebaik-baiknya. Modul Penunjang ini dibuat sebagai pedoman
pembelajaran dalam melakukan kegiatan Praktikum Matematika Lanjut 1
di Laboratorium ILAB Sistem Informasi.
Modul Penunjang ini diharapkan dapat membantu mahasiswa
dalam mempelajari, memahami dan mempraktekkan materi-materi yang
terdapat pada Modul Praktikum ILAB Matematika Lanjut 1 secara mudah.
Pada setiap topik dalam Modul Penunjang ini disertakan teori singkat,
contoh soal dan penyelesaian serta tuntunan latihan untuk memperdalam
pemahaman mahasiswa mengenai materi yang dibahas.
Penyusun mengucapkan terima kasih kepada semua pihak yang
telah membantu baik secara langsung maupun tidak langsung, sehingga
Modul Penunjang Praktikum ILAB ini dapat diselesaikan terutama kepada:
1. Dr. Setia Wirawan, SKom., MMSI., selaku Ketua Jurusan
Sistem Informasi Universitas Gunadarma.
2. Dr. Ana Kurniawati, ST., MMSI., selaku Sekretaris Jurusan
Sistem Informasi Universitas Gunadarma.
3. Dr. Kemal Ade Sekarwati, SKom., MMSI., selaku Koordinator
Laboratorium Sistem Informasi Universitas Gunadarma.
Penyusun menyadari bahwa dalam pembuatan modul ini masih
jauh dari sempurna. Oleh karena itu, Penyusun mengharapkan kritik dan
saran yang membangun guna penyempurnaan modul ini dimasa yang
akan datang. Semoga Modul Penunjang Praktikum ILAB Matematika
Lanjut 1 ini dapat bermanfaat bagi semua kalangan pembaca, khususnya
bagi mahasiswa Jurusan Sistem Informasi Universitas Gunadarma.
Penyusun
ii
DAFTAR ISI
Halaman
KATA PENGANTAR ......................................................................... i
DAFTAR ISI ....................................................................................... ii
P1. DEFINISI MATRIKS, PENJUMLAHAN MATRIKS,
PENGURANGAN MATRIKS ....................................................... 1
PENDAHULUAN .......................................................................... 1
1.1 DEFINISI MATRIKS ............................................................... 3
1.2 PENJUMLAHAN MATRIKS ................................................... 3
1.3 PENGURANGAN MATRIKS .................................................. 4
RANGKUMAN ............................................................................. 4
TUNTUNAN LATIHAN ................................................................. 5
L A T I H A N ................................................................................ 6
P2. PERKALIAN SKALAR MATRIKS, PERKALIAN DUA BUAH
MATRIKS, TRANSPOSE MATRIKS ........................................... 7
PENDAHULUAN .......................................................................... 7
2.1 PERKALIAN SKALAR PADA MATRIKS ................................ 8
2.2 PERKALIAN DUA BUAH MATRIKS ...................................... 9
2.3 TRANSPOSE MATRIKS ........................................................ 9
RANGKUMAN ............................................................................. 11
TUNTUNAN LATIHAN ................................................................. 11
L A T I H A N ................................................................................ 12
P3. DETERMINAN MATRIKS ORDO 2X2, MINOR DAN
KOFAKTOR ............................................................................... 13
PENDAHULUAN .......................................................................... 13
3.1 DETERMINAN MATRIKS ORDO 2X2 ................................... 14
3.1.1 Definisi Determinan ..................................................... 14
3.1.2 Perhitungan Determinan Matriks Ordo 2x2 ................. 14
3.2 MINOR DAN KOFAKTOR ...................................................... 15
RANGKUMAN ............................................................................. 17
TUNTUNAN LATIHAN ................................................................. 17
iii
L A T I H A N ................................................................................ 20
P4. DETERMINAN MATRIKS ORDO 3X3 ........................................ 21
PENDAHULUAN .......................................................................... 21
4.1 PERHITUNGAN DETERMINAN MATRIKS ORDO 3X3 ........ 21
4.2 SIFAT-SIFAT DETERMINAN MATRIKS ................................ 23
RANGKUMAN ............................................................................. 24
TUNTUNAN LATIHAN ................................................................. 25
L A T I H A N ................................................................................ 27
P5. MATRIKS INVERS ORDO 2X2 ................................................... 28
PENDAHULUAN ......................................................................... 28
5.1 DEFINISI MATRIKS INVERS................................................ 29
5.2 PERHITUNGAN MATRIKS INVERS ORDO 2X2 .................. 29
RANGKUMAN ............................................................................. 30
TUNTUNAN LATIHAN ................................................................. 30
L A T I H A N ............................................................................... 30
P6. MATRIKS INVERS ORDO 3X3 ................................................... 31
PENDAHULUAN ......................................................................... 31
6.1 PERHITUNGAN MATRIKS INVERS ORDO 3X3 .................. 31
6.2 SIFAT-SIFAT MATRIKS INVERS ......................................... 32
RANGKUMAN ............................................................................. 33
TUNTUNAN LATIHAN ................................................................. 34
L A T I H A N ............................................................................... 36
P7. NILAI EIGEN DAN VEKTOR EIGEN .......................................... 37
PENDAHULUAN .......................................................................... 37
7.1 DEFINISI NILAI EIGEN DAN VEKTOR EIGEN ..................... 38
7.2 NILAI EIGEN DAN VEKTOR EIGEN PADA SCILAB ............. 43
RANGKUMAN ............................................................................. 44
TUNTUNAN LATIHAN ................................................................. 44
L A T I H A N ............................................................................... 48
P8. UJIAN .......................................................................................... 49
DAFTAR PUSTAKA .......................................................................... 50
1
DEFINISI MATRIKS, PENJUMLAHAN MATRIKS,
PENGURANGAN MATRIKS
OBJEKTIF :
1. Mahasiswa Mampu Melakukan Perhitungan Penjumlahan dan
Pengurangan Matriks.
2. Mahasiswa Mampu Menggunakan Software Scilab dalam
Penjumlahan dan Pengurangan Matriks.
PENDAHULUAN
Pada kehidupan sehari-hari dan dalam mempelajari matematika
kita sering dihadapkan pada sekumpulan objek yang harus disusun
berdasarkan penggolongan terhadap dua sifat. Penggolongan dari dua
jenis sifat berbeda inilah yang memunculkan istilah baris dan kolom.
Berdasarkan permasalahan ini, maka terciptalah suatu konsep
matematika yang disebut matriks.
Contoh berikut memberikan gambaran mengenai apa yang disebut
dengan matriks. Misalkan terdapat daftar harian pada Toko Minuman XYZ
yang berisi mengenai banyaknya botol minuman sari buah yang tersedia
di toko tersebut.
Jumlah Botol Minuman Sari Buah Pada Toko XYZ
Sari Apel Sari Jeruk Sari Nanas
Botol Besar 15 25 8
Botol Kecil 14 18 10
Pada daftar harian Toko XYZ yang menjadi perhatian adalah
jumlah botol (isi baris) sebagai objek yang diteliti, sedangkan subjeknya
adalah jenis sari buah (isi kolom). Jika kita hanya memperhatikan jumlah
1
2
botol pada ketiga jenis sari buah, maka secara matematika daftar tersebut
dapat kita susun dalam bentuk yang lebih sederhana, yaitu :
[15 25 814 18 10
]
Bentuk seperti ini merupakan cara yang paling praktis sehingga
hemat untuk ditulis dan mudah untuk diingat, karena tiap isi baris dan
kolom mempunyai arti khusus dan tersendiri. Kumpulan bilangan yang
disusun dalam aturan baris dan kolom ini dinamakan dengan matriks.
Matriks memegang peranan penting dalam dunia statistika dan
matematika. Penulisan persamaan matematika menjadi lebih singkat dan
efektif dengan adanya matriks. Selain itu, matriks juga banyak digunakan
dalam berbagai macam bidang ilmu. Contoh penggunaan matriks pada
beberapa bidang ilmu antara lain :
1. Pada bidang Rekonstruksi Objek 3D Mesh; pengurangan matriks
digunakan dalam membangun matriks Laplacian Embedding.
Matriks Laplacian Embedding digunakan untuk mengaproksimasi
rekonstruksi objek 3D mesh [Mardhiyah, I., Madenda, S., Salim,
R.A., & Wiryana, I.M., 2016].
2. Pada bidang Ilmu Genetika; Ilmu Genetika yaitu ilmu yang
mempelajari tentang gen dan penurunan sifat makhluk hidup
(hereditas). Operasi matriks digunakan untuk memprediksi hasil
dari persilangan dan sifat yang akan muncul dalam setiap individu
yang baru [Naim, M., 2016].
Selain dua contoh di atas, masih banyak kegunaan matriks maupun
operasi dasar matriks. Oleh karena itu, hal ini diharapkan dapat
menumbuhkan minat mahasiswa untuk mempelajari materi matriks yang
ada dalam Modul Penunjang Praktikum ILAB Matematika Lanjut 1.
3
1.1 DEFINISI MATRIKS
Matriks adalah susunan bilangan yang berbentuk segi empat yang
disusun atau dijajarkan menurut baris dan kolom. Bilangan-bilangan
dalam susunan tersebut dinamakan entri (elemen) matriks. Nama matriks
biasanya dinyatakan dengan huruf kapital, sedangkan elemen matriks
dinyatakan dengan huruf kecil. Matriks dinotasikan dengan menggunakan
tanda kurung. Tanda kurung yang digunakan dapat berupa tanda kurung
biasa ( ) atau tanda kurung siku [ ]. Ukuran (ordo) suatu
matriks dinyatakan sebagai banyaknya baris dan banyaknya kolom yang
terdapat dalam matriks tersebut.
Bentuk umum sebuah matriks 𝐴 dengan m baris dan n kolom,
sehingga ukuran (ordo) matriks tersebut adalah (𝑚 × 𝑛) dapat ditulis :
𝐴 = [
𝑎11 𝑎12 ⋯𝑎21 𝑎22 ⋯⋮ ⋮ ⋮
𝑎1𝑛 𝑎2𝑛
⋮𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛
] (1.1)
Penulisan matriks dalam persamaan (1.1) dapat disederhanakan menjadi
𝐴𝑚×𝑛 = [𝑎𝑖𝑗]𝑚×𝑛dengan 𝑖 = 1,2, … ,𝑚 dan 𝑗 = 1,2, … , 𝑛. Indeks pertama (𝑖)
menyatakan baris ke-𝑖 dan indeks kedua (𝑗) menyatakan kolom ke-𝑗.
1.2 PENJUMLAHAN MATRIKS
Penjumlahan matriks hanya terdefinisi pada matriks yang
ukurannya sama (jumlah baris dan jumlah kolom sama). Misalkan terdapat
matriks 𝐴 dan 𝐵 keduanya berukuran 𝑚 × 𝑛, dengan hasil penjumlahan
keduanya disebut sebagai matriks 𝐶𝑚×𝑛. Elemen matriks 𝐶𝑚×𝑛 diperoleh
dengan menjumlahkan elemen yang bersesuaian pada matriks 𝐴𝑚×𝑛 dan
𝐵𝑚×𝑛 yang didefinisikan dalam persamaan (1.2).
𝑐𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗 𝑖 = 1,2, … ,𝑚 𝑗 = 1,2, … , 𝑛 (1.2)
4
1.3 PENGURANGAN MATRIKS
Sama halnya dengan penjumlahan matriks, dalam pengurangan
matriks hanya terdefinisi pada matriks yang ukurannya sama. Misalkan
terdapat matriks 𝐴 dan 𝐵 keduanya berukuran 𝑚 × 𝑛, dengan hasil
pengurangan keduanya disebut sebagai matriks 𝐷𝑚×𝑛 . Elemen matriks
𝐷 = 𝐴 − 𝐵 = 𝐴 + (−1)𝐵 diperoleh dengan mengurangkan elemen yang
bersesuaian pada matriks 𝐴𝑚×𝑛 dan 𝐵𝑚×𝑛 yang didefinisikan dalam
persamaan (1.3).
𝑑𝑖𝑗 = 𝑎𝑖𝑗 − 𝑏𝑖𝑗 𝑖 = 1,2, … ,𝑚 𝑗 = 1,2, … , 𝑛 (1.3)
Contoh 1.1 :
Diketahui matriks 𝐴3×2 = [4 −10 25 3
] dan matriks 𝐵3×2 = [−3 49 −71 2
]
Tentukan: (a) 𝐴 + 𝐵
(b) 𝐴 – 𝐵
Penyelesaian :
(a) Hasil penjumlahan 𝐴 + 𝐵 adalah
𝐴 + 𝐵 = [4 −10 25 3
] + [−3 49 −71 2
] = [4 + (−3) (−1) + 4
0 + 9 2 + (−7)5 + 1 3 + 2
] = [1 39 −56 5
]
(b) Hasil pengurangan 𝐴 – 𝐵 adalah
𝐴 − 𝐵 = [4 −10 25 3
] − [−3 49 −71 2
] = [4 − (−3) (−1) − 4
0 − 9 2 − (−7)5 − 1 3 − 2
] = [7 −5
−9 94 1
]
RANGKUMAN
1. Menentukan penjumlahan matriks menggunakan rumus :
𝐴𝑚×𝑛 + 𝐵𝑚×𝑛 = 𝐶𝑚×𝑛 dimana 𝑐𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗
2. Menentukan pengurangan matriks menggunakan rumus :
𝐴𝑚×𝑛 − 𝐵𝑚×𝑛 = 𝐷𝑚×𝑛 dimana 𝑑𝑖𝑗 = 𝑎𝑖𝑗 − 𝑏𝑖𝑗
5
TUNTUNAN LATIHAN
Berikut ini diberikan perhitungan operasi dasar matriks pada software
Scilab dalam penyelesaian Contoh 1.1, dimana diketahui :
matriks 𝐴 = [4 −10 25 3
] dan matriks 𝐵 = [−3 49 −71 2
]
(a) Mendefinisikan matriks 𝐴 dan B ke dalam Scilab. Caranya
mengetikkan langsung pada lembar kerja (console), yaitu :
A=[4 -1;0 2;5 3] lalu tekan enter
B=[-3 4;9 -7;1 2] lalu tekan enter
(b) Operasi penjumlahan dan pengurangan matriks diselesaikan
dengan langsung menggunakan operator yang ada pada Scilab
dimana :
“ + ” untuk operasi penjumlahan
“ - “ untuk operasi pengurangan
6
L A T I H AN
1. Diketahui matriks 𝐴3×2 = [2 −7
−1 20 3
] dan 𝐵3×2 = [−6 53 02 2
]
Tentukan : (a) 𝐵 − 𝐴
(b) 𝐵 + 𝐴
2. Tentukan pengurangan matriks 𝐴 = [2 1 5
−2 7 30 −1 −2
] dengan matriks
𝐵 = [2 1 5
−2 7 30 −1 −2
] !
7
PERKALIAN SKALAR MATRIKS, PERKALIAN
DUA BUAH MATRIKS, TRANSPOSE MATRIKS
OBJEKTIF :
1. Mahasiswa Mampu Melakukan Perhitungan Perkalian Skalar
Matriks, Perkalian Dua Buah Matriks dan Transpose Matriks.
2. Mahasiswa Mampu Menggunakan Software Scilab dalam Perkalian
Skalar Matriks, Perkalian Dua Buah Matriks dan Transpose Matriks.
PENDAHULUAN
Perkalian skalar matriks yaitu satu buah matriks yang dikalikan
dengan suatu skalar. Pada perkalian ini tidak memiliki syarat atau kondisi
tertentu. Hasil perkalian skalar matriks adalah matriks yang berukuran
sama dengan matriks asal. Misalnya matriks asal berukuran 𝑚 × 𝑛 maka
hasil perkalian skalar matriks tersebut juga berukuran 𝑚 × 𝑛.
Perkalian dua matriks yaitu satu buah matriks yang dikalikan
dengan satu buah matriks lainnya. Pada perkalian ini memiliki syarat atau
kondisi tertentu yaitu banyak kolom pada matriks pertama sama dengan
banyak baris matriks kedua. Hasil perkalian dua buah matriks bernilai
skalar dan tunggal. Contoh penggunaan operasi perkalian matriks antara
lain :
1. Pada bidang Kriptografi; Kriptografi adalah ilmu mengenai tehnik
enkripsi dimana “naskah asli” (plaintext) diacak menggunakan
suatu kunci enkripsi menjadi “naskah yang sulit di baca” (ciphertext)
oleh seseorang yang tidak memiliki kunci deskripsi. Hill Cipher
merupakan salah satu algoritma kriptografi yang memanfaatkan
matriks untuk melakukan enkripsi dan deskripsi. Enkripsi dilakukan
2
8
dengan mengalikan matriks kunci dengan matriks plaintext,
sedangkan deskripsi dilakukan dengan mengalikan invers matriks
kunci dengan matriks ciphertext [Hidayat, A. & Alawiyah, T., 2013].
2. Pada bidang Rekonstruksi Objek 3D Mesh; perkalian matriks
digunakan dalam membangun matriks Laplacian Embedding.
Matriks Laplacian Embedding digunakan untuk mengaproksimasi
rekonstruksi objek 3D mesh [Mardhiyah, I., Madenda, S., Salim,
R.A., & Wiryana, I.M., 2016].
Transpose suatu matriks yaitu matriks yang diperoleh dengan cara
menukar setiap elemen baris matriks asal menjadi elemen kolom matriks
transposenya. Baris pertama matriks asal menjadi kolom pertama dari
matriks transposenya, baris kedua matriks asal menjadi kolom kedua dari
matriks transposenya, dst. Ukuran transpose matriks berkebalikan dengan
ukuran matriks asalnya. Misalnya matriks asal berukuran 𝑚 × 𝑛 maka
transpose matriksnya berukuran 𝑛 × 𝑚.
2.1 PERKALIAN SKALAR PADA MATRIKS
Hasil kali sebuah matriks 𝐴𝑚×𝑛 oleh suatu skalar 𝜆 adalah sebuah
matriks 𝜆𝐴 berukuran 𝑚 × 𝑛, dimana elemen-elemen dari matriks 𝐴
dikalikan oleh 𝜆 seperti pada persamaan (2.1).
𝜆𝐴 = [𝜆𝑎𝑖𝑗] (2.1)
Catatan :
Beberapa hukum pada penjumlahan dan perkalian skalar. Jika 𝐴, 𝐵, 𝐶
matriks-matriks berukuran sama, dan 𝜆 scalar, maka berlaku :
a. 𝐴 + 𝐵 = 𝐵 + 𝐴 (Sifat Komutatif)
b. (𝐴 + 𝐵) + 𝐶 = 𝐴 + (𝐵 + 𝐶) (Sifat Asosiatif)
c. 𝜆(𝐴 + 𝐵) = 𝜆𝐴 + 𝜆𝐵 (Sifat Distributif)
d. 𝐴 + (−1)𝐴 = 0
9
e. Selalu ada matriks 𝐷 , sedemikian sehingga 𝐴 + 𝐷 = 𝐵
2.2 PERKALIAN DUA BUAH MATRIKS
Perkalian matriks dengan matriks hanya dapat terjadi apabila
jumlah kolom pada matriks pertama sama dengan jumlah baris matriks
kedua. Misalkan matriks 𝐴 berukuran 𝑚 × 𝑛 dan 𝐵 berukuran 𝑛 × 𝑝, maka
hasil perkalian keduanya 𝐸 = 𝐴𝐵 dari matriks 𝐴 = [𝑎𝑖𝑗] dan 𝐵 = [𝑏𝑖𝑗]
adalah matriks 𝐸 berukuran 𝑚 × 𝑝, dimana elemen pada matriks 𝐸
dihitung menggunakan persamaan (2.2).
𝑒𝑖𝑗 = 𝑎𝑖1𝑏1𝑗 + 𝑎𝑖2𝑏2𝑗 + ⋯+ 𝑎𝑖𝑛𝑏𝑛𝑗 (2.2)
𝑖 = 1,2,… ,𝑚 ; 𝑗 = 1,2,… , 𝑝
Catatan :
Beberapa hukum pada perkalian matriks. Jika 𝐴, 𝐵, 𝐶 matriks-matriks yang
memenuhi syarat-syarat perkalian matriks, maka berlaku :
a. 𝐴(𝐵 + 𝐶) = 𝐴𝐵 + 𝐴𝐶 ; (𝐵 + 𝐶)𝐴 = 𝐵𝐴 + 𝐶𝐴 (Sifat Distributif)
b. 𝐴(𝐵𝐶) = (𝐴𝐵)𝐶 (Sifat Asosiatif)
c. 𝐴𝐵 ≠ 𝐵𝐴 (Tidak Komutatif)
d. Jika 𝐴𝐵 = 𝐴𝐶 belum tentu 𝐵 = 𝐶
2.3 TRANSPOSE MATRIKS
Transpose dari matriks 𝐴 yang dinotasikan dengan 𝐴′ atau 𝐴𝑇
merupakan matriks yang diperoleh dengan mengubah letak elemen pada
setiap baris menjadi elemen kolom matriks. Baris pertama matriks 𝐴
menjadi kolom pertama dari matriks 𝐴′ dan baris kedua matriks 𝐴 menjadi
kolom kedua dari matriks 𝐴′. Misalkan 𝐴 = ija berukuran (𝑚 × 𝑛) maka
transpose dari 𝐴 adalah matriks 𝐴′ berukuran (𝑛 × 𝑚) dengan 𝐴′ = jia .
10
Catatan :
Beberapa sifat pada matriks transpose yaitu :
a. (A + B)T = AT + BT
b. (AT )T = A
c. ( AT) = (A)T
d. (AB)T = BT AT
Contoh 2.1 :
Diketahui matriks 𝐴3×2 = [4 −10 25 3
] dan matriks 𝐵3×2 = [−3 49 −71 2
]
Tentukan: (a) 𝐴 − 2𝐵
(b) 𝐴𝐵′
Penyelesaian :
(a) Nilai 2𝐵 adalah
2𝐵 = 2 [−3 49 −71 2
] = [2.−3 2.42.9 2.−72.1 2.2
] = [−6 818 −142 4
]
sehingga diperoleh 𝐴 − 2𝐵 adalah
𝐴 − 2𝐵 = [4 −10 25 3
] − [−6 818 −142 4
] = [10 −9
−18 163 −1
]
(b) Nilai 𝐵′ adalah
𝐵′ = [−3 49 −71 2
]
′
= [−3 9 14 −7 2
]
sehingga diperoleh 𝐴𝐵′ adalah
𝐴𝐵′ = [4 −10 25 3
] [−3 9 14 −7 2
]
𝐴𝐵′ = [
(4 . −3) + (−1 . 4) (4 . 9) + (−1 . −7) (4 . 1) + (−1 . 2)(0 . −3) + (2 . 4) (0 . 9) + (2 . −7) (0 . 1) + (2 . 2)(5. −3) + (3 . 4) (5. 9) + (3 . −7) (5. 1) + (3 . 2)
]
𝐴𝐵′ = [−16 43 28 −14 4
−3 24 11]
11
RANGKUMAN
1. Menentukan perkalian skalar matriks menggunakan rumus :
𝜆𝐴𝑚×𝑛 = [𝜆𝑎𝑖𝑗] dimana 𝜆 adalah skalar
2. Menentukan perkalian matriks menggunakan rumus :
𝐴𝑚×𝑛𝐵𝑛×𝑝 = 𝐸𝑚×𝑝 ; 𝑒𝑖𝑗 = 𝑎𝑖1𝑏1𝑗 + 𝑎𝑖2𝑏2𝑗 + ⋯+ 𝑎𝑖𝑛𝑏𝑛𝑗
3. Transpose matriks 𝐴 = ija didefinisikan dengan bentuk :
𝐴′ = 𝐴𝑇 = jia
dengan mengubah letak elemen pada setiap baris 𝐴 menjadi elemen
pada kolom matriks 𝐴′.
TUNTUNAN LATIHAN
A. Berikut ini diberikan perhitungan operasi dasar matriks pada software
Scilab dalam penyelesaian Contoh 2.1, dimana diketahui :
matriks 𝐴 = [4 −10 25 3
] dan matriks 𝐵 = [−3 49 −71 2
]
(a) Mendefinisikan matriks 𝐴 dan B ke dalam lembar kerja Scilab.
(b) Operasi perkalian matriks dan transpose matriks diselesaikan
dengan langsung menggunakan operator yang ada pada Scilab
dimana :
“ * ” untuk operasi perkalian
12
“ ‘ “ untuk transpose matriks
L A T I H AN
Diketahui matriks 𝐴3×2 = [2 −7
−1 20 3
] dan 𝐵3×2 = [−6 53 02 2
]
Tentukan : (a) 𝐵 + (−2)𝐴
(b) 3𝐴 – 2𝐵
(c) 𝐵′𝐴
13
DETERMINAN MATRIKS ORDO 2X2,
MINOR DAN KOFAKTOR
OBJEKTIF :
1. Mahasiswa Mampu Melakukan Perhitungan Determinan Matriks
Ordo 2x2, Minor dan Kofaktor Matriks.
2. Mahasiswa Mampu Menggunakan Software Scilab dalam
Penentuan Nilai Determinan Matriks Ordo 2x2, Minor dan Kofaktor
Matriks.
PENDAHULUAN
Determinan suatu matriks adalah suatu fungsi tertentu yang
menghubungkan matriks bujur sangkar dengan suatu bilangan real.
Dengan kata lain, nilai determinan dari suatu matriks adalah skalar.
Determinan suatu matriks sering digunakan dalam menganalisa suatu
matriks, yaitu untuk memeriksa keberadaan invers matriks, menentukan
nilai eigen dan vektor eigen, menentukan solusi sistem persamaan linier
dengan aturan cramer, pemeriksaan basis suatu ruang vektor, dan lain-
lain. Perhitungan determinan pada dasarnya menggunakan minor dan
kofaktor. Akan tetapi untuk matriks ordo 2x2 istilah yang umum dalam
penentuan nilai determinannya adalah diagonal utama dikurang diagonal
samping.
Minor dari setiap elemen matriks adalah determinan dari submatriks
yang tersisa setelah elemen-elemen pada 1 baris dan 1 kolom matriks
asal dihilangkan. Submatriks yang terbentuk ini mempunyai ukuran selisih
satu dari matriks asal. Kofaktor dari satu elemen matriks akan sama
dengan nilai minor jika jumlah baris dan kolom pada elemen matriks
3
14
tersebut bernilai genap dan jika jumlah baris dan kolom pada elemen
matriks tersebut bernilai ganjil maka nilai kofaktornya adalah nilai minor
dikali (-1). Matriks yang berisi seluruh nilai kofaktor setiap elemen pada
matriks disebut sebagai matriks kofaktor. Minor dan kofaktor digunakan
untuk penentuan nilai determinan matriks dan matriks invers. Secara lebih
rinci dibahas pada subbab berikutnya.
3.1 DETERMINAN MATRIKS ORDO 2X2
3.1.1 Definisi Determinan
Misalkan 𝐴 adalah matriks bujur sangkar (persegi). Determinan
dari matriks 𝐴 didefinisikan sebagai suatu fungsi tertentu yang
menghubungkan matriks bujur sangkar 𝐴 dengan suatu bilangan real.
Oleh karena itu, dapat dikatakan bahwa nilai determinan dari suatu
matriks adalah skalar.
Notasi :
Determinan dari matriks 𝐴 dinotasikan dengan det (A) = | 𝐴 |
3.1.2 Perhitungan Determinan Matriks Ordo 2x2
Misalkan 𝐴 adalah matriks bujur sangkar (persegi) berordo 2x2
dengan bentuk :
𝐴 = [𝑎 𝑏𝑐 𝑑
]
Determinan matriks 𝐴2×2 dapat dinyatakan sebagai selisih antara
perkalian elemen-elemen pada diagonal utama dengan perkalian elemen-
elemen pada diagonal samping, seperti pada persamaan (3.1).
det(𝐴) = |𝐴| = |𝑎 𝑏𝑐 𝑑
| = 𝑎. 𝑑 − 𝑏. 𝑐 = 𝑎𝑑 − 𝑏𝑐 (3.1)
Contoh 3.1 :
Diketahui matriks 𝐴 = [−1 −24 3
] tentukan nilai determinan dari matriks !
Penyelesaian :
det(𝐴) = |𝐴| = |−1 −24 3
| = (−1). 3 − (−2). 4 = −3 − (−8) = 5
15
3.2 MINOR DAN KOFAKTOR
Misalkan 𝐴 = [𝑎𝑖𝑗 ] sebarang matriks berordo 𝑛𝑥𝑛. Minor dari
elemen 𝑎𝑖𝑗 yang dinotasikan dengan 𝑀𝑖𝑗 adalah determinan dari
submatriks 𝐴 yang tersisa setelah elemen-elemen pada baris ke-𝑖 dan
kolom ke-𝑗 matriks 𝐴 dihilangkan. Submatriks yang terbentuk ini
mempunyai ukuran selisih satu dari matriks 𝐴, misalnya untuk matriks 𝐴
yang berordo 3𝑥3 akan didapatkan submatriks yang berordo 2𝑥2.
Banyaknya minor pada suatu matriks sama dengan banyaknya elemen
matriks tersebut.
Notasi kofaktor dari elemen 𝑎𝑖𝑗 suatu matriks 𝐴 = [𝑎𝑖𝑗 ] adalah 𝐶𝑖𝑗.
Banyaknya kofaktor suatu matriks sama dengan banyaknya minor.
Kofaktor elemen baris ke-𝑖 dan kolom ke-𝑗 dari matriks 𝐴 = [𝑎𝑖𝑗 ]
didefinisikan dalam persamaan (3.2).
𝐶𝑖𝑗 = (−1)𝑖+𝑗. 𝑀𝑖𝑗 𝑖 = 1,2, … , 𝑛 𝑗 = 1,2, … , 𝑛 (3.2)
Misalkan 𝐴 adalah matriks bujur sangkar (persegi) berordo 3 × 3
dengan bentuk :
𝐴 = [
𝑎11 𝑎12 𝑎13
𝑎21 𝑎22 𝑎23
𝑎31 𝑎32 𝑎33
]
Matriks yang berisi seluruh nilai kofaktor setiap elemen pada matriks 𝐴
tersebut disebut sebagai matriks kofaktor yang didefinisikan dalam
persamaan (3.3).
𝐶 = [
𝐶11 𝐶12 𝐶13
𝐶21 𝐶22 𝐶23
𝐶31 𝐶32 𝐶33
] (3.3)
Contoh 3.2 :
Diketahui matriks bujur sangkar berukuran 3 × 3 (𝐴3×3) dengan bentuk :
𝐴 = [2 8 01 5 34 6 7
]
Tentukan matriks kofaktor dari matriks 𝐴 !
16
Penyelesaian :
Elemen Matriks & Minor Kofaktor
baris ke-1, kolom ke-1 𝑎11 = 2
𝐴 = [2 8 01 5 34 6 7
] 𝑀11 = |
5 36 7
| = 17 𝐶11 = (−1)1+1. 17
𝐶11 = 17
baris ke-1, kolom ke-2 𝑎12 = 8
𝐴 = [2 8 01 5 34 6 7
] 𝑀12 = |
1 34 7
| = −5 𝐶12 = (−1)1+2. (−5)
𝐶12 = 5
baris ke-1, kolom ke-3 𝑎13 = 0
𝐴 = [2 8 01 5 34 6 7
] 𝑀13 = |
1 54 6
| = −14 𝐶13 = (−1)1+3. (−14)
𝐶13 = −14
baris ke-2, kolom ke-1 𝑎21 = 2
𝐴 = [2 8 01 5 34 6 7
] 𝑀21 = |
8 06 7
| = 56 𝐶21 = (−1)2+1. 56
𝐶21 = −56
baris ke-2, kolom ke-2 𝑎22 = 2
𝐴 = [2 8 01 5 34 6 7
] 𝑀22 = |
2 04 7
| = 14 𝐶22 = (−1)2+2. 14
𝐶22 = 14
baris ke-2, kolom ke-3 𝑎23 = 2
𝐴 = [2 8 01 5 34 6 7
] 𝑀23 = |
2 84 6
| = −20 𝐶23 = (−1)2+3. (−20)
𝐶23 = 20
baris ke-3, kolom ke-1 𝑎31 = 2
𝐴 = [2 8 01 5 34 6 7
] 𝑀31 = |
8 05 3
| = 24 𝐶31 = (−1)3+1. 24
𝐶31 = 24
baris ke-3, kolom ke-2 𝑎32 = 2
17
𝐴 = [2 8 01 5 34 6 7
] 𝑀32 = |
2 01 3
| = 6 𝐶32 = (−1)3+2. 6
𝐶32 = −6
baris ke-3, kolom ke-3 𝑎33 = 2
𝐴 = [2 8 01 5 34 6 7
] 𝑀33 = |
2 81 5
| = −2 𝐶33 = (−1)3+3. (−2)
𝐶33 = −2
Matriks kofaktor dari matriks 𝐴 adalah :
𝐶 = [
𝐶11 𝐶12 𝐶13
𝐶21 𝐶22 𝐶23
𝐶31 𝐶32 𝐶33
] = [17 5 −14
−56 14 2024 −6 −2
]
RANGKUMAN
1. Menentukan determinan matriks 𝐴2×2 Menggunakan rumus :
det(𝐴) = |𝐴| = |𝑎 𝑏𝑐 𝑑
| = 𝑎. 𝑑 − 𝑏. 𝑐 = 𝑎𝑑 − 𝑏𝑐
2. Minor dari elemen 𝑎𝑖𝑗 suatu matriks 𝐴𝑛×𝑛 = [𝑎𝑖𝑗 ] yang dinotasikan
dengan 𝑀𝑖𝑗 adalah determinan dari submatriks 𝐴 yang tersisa setelah
elemen-elemen pada baris ke-𝑖 dan kolom ke-𝑗 matriks 𝐴 dihilangkan.
3. Kofaktor elemen 𝑎𝑖𝑗 dari matriks 𝐴𝑛×𝑛 didefinisikan dengan rumus :
𝐶𝑖𝑗 = (−1)𝑖+𝑗. 𝑀𝑖𝑗
untuk setiap 𝑖 = 1,2, … , 𝑛 dan 𝑗 = 1,2, … , 𝑛
TUNTUNAN LATIHAN
A. Berikut ini diberikan implementasi rumus determinan pada software
Scilab dalam penyelesaian Contoh 3.1 dimana bentuk matriks :
𝐴 = [−1 −24 3
]
(a) Mendefinisikan matriks 𝐴 pada Scilab.
(b) Menggunakan fungsi det(A) yang terdapat pada Scilab.
18
B. Berikut ini diberikan penentuan minor dan kofaktor baris 1 dari matriks
A pada Contoh 3.2 dengan software Scilab dimana bentuk matriks :
𝐴 = [2 8 01 5 34 6 7
]
(a) Mendefinisikan matriks 𝐴 pada Scilab
(b) Mendefinisikan submatriks berordo 2x2 pada baris 1 dengan
menghilangkan baris ke-1.
A11 : berarti menghilangkan baris 1 dan kolom 1
A12 : berarti menghilangkan baris 1 dan kolom 2
A13 : berarti menghilangkan baris 1 dan kolom 3
19
(c) Mendefinisikan Minor pada baris 1 dengan menggunakan fungsi
“det “ pada Scilab.
20
(d) Mendefinisikan Kofaktor pada baris 1 dengan menuliskan rumus
dalam persamaan (3.2) dengan menggunakan operator “ ^ “ untuk
pangkat dan operator “ * “ pada Scilab.
L A T I H AN
1. Diketahui matriks 𝐴 = [−1 −24 3
] dan matriks 𝐵 = [−4 −2−8 5
]
Tentukan : (a) |𝐵 + (−2)𝐴|
(b) |3𝐴 – 2𝐵|
(c) |𝐵′𝐴|
2. Tentukan matriks kofaktor dari matriks 𝐴 = [2 1 5
−2 7 30 −1 −2
] !
21
DETERMINAN MATRIKS ORDO 3X3
OBJEKTIF :
1. Mahasiswa Mampu Melakukan Perhitungan Determinan Matriks
Ordo 3x3 Menggunakan Minor dan Kofaktor.
2. Mahasiswa Mampu Menggunakan Software Scilab dalam
Penentuan Nilai Determinan Matriks Ordo 3x3 dengan Minor dan
Kofaktor Matriks.
PENDAHULUAN
Bab ini membahas bagaimana menentukan determinan matriks dan
matriks invers pada suatu matriks bujur sangkar (persegi) berordo 3x3
menggunakan minor dan kofaktor. Perhitungan untuk mendapatkan
determinan matriks dilakukan secara manual serta melalui penerapan
rumus ke dalam software Scilab.
Perhitungan determinan matriks ordo 3x3 yaitu dengan memilih 1
baris atau 1 kolom kemudian menentukan nilai kofaktor setiap elemen dari
baris atau kolom yang dipilih. Contoh penggunaan determinan matriks
yaitu : Pada bidang Pengolahan Citra Digital; determinan matriks
digunakan untuk menormalisasi RGB dalam pengolahan citra digital untuk
mendeteksi obyek menggunakan pengolahan warna model normalisasi
RGB [Kusumanto, R.D. & Tompunu, A.N., 2011].
4.1 PERHITUNGAN DETERMINAN MATRIKS ORDO 3X3
Misalkan 𝐴 adalah matriks bujur sangkar (persegi) berordo 3x3
dengan bentuk :
𝐴 = [
𝑎11 𝑎12 𝑎13
𝑎21 𝑎22 𝑎23
𝑎31 𝑎32 𝑎33
]
4
22
Matriks Kofaktor dari matriks 𝐴3×3 tersebut dinotasikan dengan bentuk :
𝐶 = [
𝐶11 𝐶12 𝐶13
𝐶21 𝐶22 𝐶23
𝐶31 𝐶32 𝐶33
]
Determinan matriks 𝐴3×3 dapat dihitung dengan metode penguraian
(ekspansi) secara baris/kolom menggunakan minor dan kofaktor. Rumus
umumnya didefinisikan dalam persamaan (4.1) untuk ekspansi secara
baris dan persamaan (4.2) untuk ekspansi secara kolom.
Rumus :
Determinan dari suatu matriks = jumlah perkalian elemen-elemen dari
sebarang baris/kolom dengan kofaktor-kofaktornya.
Cara 1 : Uraian Baris ke-𝑖, dengan 𝑖 sebarang
|𝐴| = 𝑎𝑖1𝐶𝑖1 + 𝑎𝑖2𝐶𝑖2 + ⋯+ 𝑎𝑖𝑛𝐶𝑖𝑛 = ∑ 𝑎𝑖𝑗𝐶𝑖𝑗𝑛𝑗=1 (4.1)
Cara 2 : Uraian Kolom ke-𝑗, dengan 𝑗 sebarang
|𝐴| = 𝑎1𝑗𝐶1𝑗 + 𝑎2𝑗𝐶2𝑗 + ⋯+ 𝑎𝑛𝑗𝐶𝑛𝑗 = ∑ 𝑎𝑖𝑗𝐶𝑖𝑗𝑛𝑖=1 (4.2)
Adapun langkah-langkah yang harus dilakukan untuk mencari
determinan matriks berordo 3x3 dengan metode penguraian (ekspansi)
secara baris/kolom sebagai berikut :
1. Pilih sebarang 1 baris atau 1 kolom.
2. Tentukan kofaktor-kofaktor pada baris/kolom yang dipilih.
3. Kalikan elemen-elemen dari baris/kolom yang dipilih dengan
kofaktor-kofaktornya.
4. Jumlahkan hasil perkalian nomor (3).
Contoh 4.1 :
Diketahui matriks 𝐴 = [1 3 −1
−1 2 22 4 3
] tentukan nilai determinan matriks !
Penyelesaian :
Cara 1 Misalkan dipilih baris ke-1 (ekspansi baris 1)
23
𝐶11 = (−1)1+1 |2 24 3
| = (1)(2.3 − 2.4) = −2
𝐶12 = (−1)1+2 |−1 22 3
| = (−1)((−1). 3 − 2.2) = 7
𝐶13 = (−1)1+3 |−1 22 4
| = (1)((−1). 4 − 2.2) = −8
𝑑𝑒𝑡(𝐴) = |𝐴| = 𝑎11𝐶11 + 𝑎12𝐶12 + 𝑎13𝐶13 = 1. (−2) + 3.7 + (−1)(−8) = 27
Cara 2
Misalkan dipilih kolom ke-2 (ekspansi kolom 2)
𝐶12 = (−1)1+2 |−1 22 3
| = (−1)((−1). 3 − 2.2) = 7
𝐶22 = (−1)2+2 |1 −12 3
| = (1)(1.3 − (−1). 2) = 5
𝐶32 = (−1)3+2 |1 −1
−1 2| = (−1)(1.2 − (−1)(−1)) = −1
𝑑𝑒𝑡(𝐴) = |𝐴| = 𝑎12𝐶12 + 𝑎22𝐶22 + 𝑎32𝐶32 = 3.7 + 2.5 + 4(−1) = 27
Secara singkat dapat ditulis :
1 3 1
1 2 2
2 4 3
1 2 1 1 1 13 2 4
2 3 2 3 1 2
3( 3 4) 2(3 2) 4(2 1)
21 10 4 27
A
4.2 SIFAT-SIFAT DETERMINAN MATRIKS
1) Nilai determinan tidak berubah apabila baris dan kolomnya
dipertukarkan, maka
det(𝐴) = 𝑑𝑒𝑡(𝐴𝑇)
2) Jika semua elemen dari suatu baris/kolom adalah nol, maka
det(𝐴) = 0
3) Jika terdapat dua baris atau dua kolom sama atau berkelipatan, maka
det(𝐴) = 0
+
-
-
24
4) Pertukaran dua baris atau dua kolom sembarang akan mengubah
tanda determinan.
5) Jika semua elemen dalam suatu baris/kolom dikalikan dengan sebuah
bilangan, determinannya juga dikalikan dengan bilangan itu.
6) Jika mengalikan elemen-elemen suatu baris/kolom dengan sebuah
bilangan kemudian dijumlahkan dengan elemen-elemen yang
bersesuaian dengan suatu baris/kolom yang lain, nilai determinannya
tetap.
7) Jika A dan B dua matriks bujur sangkar yang berukuran sama, maka
det(𝐴𝐵) = 𝑑𝑒𝑡(𝐴)𝑑𝑒𝑡(𝐵)
8) det(𝐴 + 𝐵) ≠ 𝑑𝑒𝑡(𝐴) + 𝑑𝑒𝑡(𝐵)
9) det(𝑘𝐴) = 𝑘𝑛 𝑑𝑒𝑡(𝐴)
10) Determinan dari matriks segitiga atas atau segitiga bawah
diselesaikan
dengan cara berikut :
|−1 0 09 2 09 8 3
| = −1.2.3 ; |−1 9 80 2 90 0 3
| = −1.2.3
RANGKUMAN
Menentukan determinan matriks berordo 3x3 dapat digunakan 2 cara
sebagai berikut :
(a) Cara 1 : Penguraian (ekspansi) baris
|𝐴| = 𝑎𝑖1𝐶𝑖1 + 𝑎𝑖2𝐶𝑖2 + ⋯+ 𝑎𝑖𝑛𝐶𝑖𝑛 = ∑𝑎𝑖𝑗𝐶𝑖𝑗
𝑛
𝑗=1
(b) Cara 2 : Penguraian (ekspansi) kolom
|𝐴| = 𝑎1𝑗𝐶1𝑗 + 𝑎2𝑗𝐶2𝑗 + ⋯+ 𝑎𝑛𝑗𝐶𝑛𝑗 = ∑𝑎𝑖𝑗𝐶𝑖𝑗
𝑛
𝑖=1
dengan 𝑎𝑖𝑗 adalah elemen matriks
𝐶𝑖𝑗 adalah kofaktor elemen matriks
25
TUNTUNAN LATIHAN
Berikut ini diberikan implementasi rumus determinan pada software Scilab
dalam penyelesaian Contoh 4.1 dimana bentuk matriks :
𝐴 = [1 3 −1
−1 2 22 4 3
]
Cara 1 : Penguraian (ekspansi) baris 1
(a) Mendefinisikan submatriks berordo 2x2 dengan menghilangkan
baris ke-1.
A11 : berarti menghilangkan baris 1 dan kolom 1
(b) Menghitung semua nilai kofaktor pada baris ke-1.
C11 : berarti nilai kofaktor baris 1 dan kolom 1
26
(c) Perhitungan determinan menggunakan persamaan (4.1).
A(1,1) menyatakan elemen matriks A pada baris 1 kolom 1
A(1,2) menyatakan elemen matriks A pada baris 1 kolom 2
A(1,3) menyatakan elemen matriks A pada baris 1 kolom 3
Cara 2 : Penguraian (ekspansi) kolom 2
(a) Mendefinisikan submatriks berordo 2x2 dengan menghilangkan
kolom ke-2.
A22 : berarti menghilangkan baris 2 dan kolom 2
27
(b) Menghitung semua nilai kofaktor pada kolom ke-2.
C22 : berarti nilai kofaktor baris 2 dan kolom 2
(c) Perhitungan determinan menggunakan persamaan (4.2).
L A T I H AN
Diketahui matriks 𝐴 = [−4 −82 9
]
1. Tentukan determinan matriks 𝐴 secara manual !
2. Tentukan determinan matriks 𝐴 menggunakan Software Scilab !
28
MATRIKS INVERS ORDO 2X2
OBJEKTIF :
1. Mahasiswa Mampu Melakukan Perhitungan Matriks Invers Ordo
2x2 Secara Manual.
2. Mahasiswa Mampu Menggunakan Software Scilab dalam
Penentuan Matriks Invers Ordo 2x2.
PENDAHULUAN
Suatu matriks bujur sangkar jika nilai determinannya tidak sama
dengan nol, maka matriks tersebut mempunyai suatu matriks invers.
Sesuai dengan namanya, bentuk dari matriks invers ini adalah suatu
matriks dimana jika dikalikan dengan matriks bujur sangkarnya akan
menghasilkan matriks identitas. Beberapa contoh penggunaan matriks
invers dalam kehidupan sehari-hari antara lain :
1. Pada bidang Kriptografi; invers dari suatu matriks digunakan dalam
pembentukan pesan rahasia, dimana pesan rahasia yang
dikirimkan ke orang lain berupa abjad/huruf, tanpa spasi, tanpa
tanda baca dan simbol-simbol lainnya. Pesan rahasia tersebut
diubah dalam bentuk matriks, sehingga peranan invers dalam hal
ini sangat penting karena digunakan untuk mengetahui pesan yang
dimaksud oleh pengirim pesan [Side, S. & Syahrana, 2015].
2. Pada bidang Biologi; invers matriks berguna dalam hal
pembentukan diagonalisasi matriks yang digunakan untuk
penyelidikan pewarisan genotip yaitu untuk mengetahui sifat yang
muncul pada individu di dalam suatu generasi [Nurmia, Abdy, M., &
Side, S., 2017].
5
29
5.1 DEFINISI MATRIKS INVERS
Matriks bujur sangkar 𝐴 mempunyai invers, jika ada matriks B
sedemikian sehingga = 𝐵𝐴 = 𝐼 , dengan 𝐼 adalah matriks identitas. Pada
persamaan 𝐴𝐵 = 𝐵𝐴 = 𝐼, 𝐴 dan 𝐵 disebut saling invers. Rumus umum
matriks invers didefinisikan dalam persamaan (5.1).
Syarat :
Suatu matriks 𝐴 mempunyai invers jika det(𝐴) ≠ 0
Notasi :
Matriks invers dari matriks 𝐴 dinotasikan dengan 𝐴−1
Rumus Umum :
𝐴−1 =1
𝑑𝑒𝑡(𝐴)× 𝐴𝑑𝑗(𝐴) (5.1)
dengan 𝐴𝑑𝑗(𝐴) adalah matriks adjoin dari matriks 𝐴
5.2 PERHITUNGAN MATRIKS INVERS ORDO 2X2
Misalkan 𝐴 adalah matriks bujur sangkar (persegi) berordo 2x2
dengan bentuk :
𝐴 = [𝑎 𝑏𝑐 𝑑
]
Matriks adjoin dari matriks 𝐴 yang berordo 2x2 dapat dinyatakan sebagai
𝐴𝑑𝑗(𝐴) = [𝑑 −𝑏−𝑐 𝑎
], sehingga diperoleh rumus matriks invers untuk
matriks 𝐴2×2 dalam persamaan (5.2).
Rumus :
𝐴−1 =1
𝑎.𝑑−𝑏.𝑐× [
𝑑 −𝑏−𝑐 𝑎
] (5.2)
Contoh 5.1 :
Diketahui matriks 𝐴 = [−1 −24 3
] tentukan matriks invers dari matriks !
Penyelesaian :
𝐴−1 =1
−1.3 − (−2). 4× [
3 2−4 −1
] =1
5[
3 2−4 −1
] = [
3
5
2
5−4
5
−1
5
]
30
RANGKUMAN
Menentukan matriks invers berordo 2x2 pada matriks 𝐴 = [𝑎 𝑏𝑐 𝑑
] dengan
menggunakan rumus :
𝐴−1 =1
𝑎. 𝑑 − 𝑏. 𝑐× [
𝑑 −𝑏−𝑐 𝑎
]
TUNTUNAN LATIHAN
Berikut ini diberikan implementasi rumus determinan pada software Scilab
dalam penyelesaian Contoh 5.1 dimana bentuk matriks :
𝐴 = [−1 −24 3
]
(a) Mendefinisikan matriks 𝐴 pada Scilab.
(b) Menggunakan fungsi inv(A) yang terdapat pada Scilab.
L A T I H AN
Diketahui matriks 𝐴 = [−4 −82 9
]
1. Tentukan matriks invers dari matriks 𝐴 secara manual !
2. Tentukan matriks invers dari matriks 𝐴 menggunakan Software Scilab !
31
MATRIKS INVERS ORDO 3X3
OBJEKTIF :
1. Mahasiswa Mampu Melakukan Perhitungan Matriks Invers Ordo
3x3 Menggunakan Minor dan Kofaktor Secara Manual.
2. Mahasiswa Mampu Melakukan Perhitungan Matriks Invers Ordo
3x3 dengan Minor dan Kofaktor Menggunakan Software Scilab.
PENDAHULUAN
Bab ini membahas bagaimana menentukan matriks invers pada
suatu matriks bujur sangkar (persegi) berordo 3x3. Perhitungan untuk
mendapatkan matriks invers berordo 3x3 yaitu dengan menggunakan
minor dan kofaktor yang dilakukan secara manual serta melalui penerapan
rumus ke dalam software Scilab.
Penentuan matriks invers memerlukan perhitungan nilai determinan
matriks dan matriks adjoin. Matriks adjoin diperoleh dari transpose matriks
kofaktor. Oleh karena itu, perhitungan matriks invers terlebih dahulu
dilakukan penentuan nilai kofaktor pada setiap elemen matriks.
6.1 PERHITUNGAN MATRIKS INVERS ORDO 3X3
Misalkan 𝐴 matriks bujur sangkar (persegi) berordo 3x3 dengan
bentuk :
𝐴 = [
𝑎11 𝑎12 𝑎13
𝑎21 𝑎22 𝑎23
𝑎31 𝑎32 𝑎33
]
Martriks Kofaktor dari Matriks 𝐴3×3 tersebut dinotasikan dengan bentuk :
𝐶 = [
𝐶11 𝐶12 𝐶13
𝐶21 𝐶22 𝐶23
𝐶31 𝐶32 𝐶33
]
6
32
Matriks adjoin dari matriks 𝐴 yang berordo 3x3 didefinsikan sebagai
Transpose Matriks Kofaktor, yaitu :
𝑎𝑑𝑗(𝐴) = 𝐶𝑇 = [
𝐶11 𝐶21 𝐶31
𝐶12 𝐶22 𝐶32
𝐶13 𝐶23 𝐶33
]
Adapun langkah-langkah yang harus dilakukan untuk mencari matriks
invers berordo 3x3 dengan metode minor dan kofaktor sebagai berikut :
1. Tentukan kofaktor dari semua elemen pada matriks.
2. Tuliskan matriks kofaktor.
3. Tuliskan matriks adjoin (transpose dari matriks kofaktor).
4. Tentukan nilai determinan dengan ekspansi baris/kolom.
5. Masukkan ke rumus matriks invers
𝐴−1 =1
𝑑𝑒𝑡(𝐴)× 𝐴𝑑𝑗(𝐴)
Contoh 6.1 :
Diketahui matriks 𝐴 = [1 3 −1
−1 2 22 4 3
] , tentukan matriks invers dari 𝐴 !
Penyelesaian :
(a) Menentukan Matriks Adjoin
Kofaktor dari kesembilan elemen dari matriks 𝐴 adalah sebagai berikut :
𝐶11 = (−1)1+1 |2 24 3
| = (1)(2.3 − 2.4) = −2
𝐶12 = (−1)1+2 |−1 22 3
| = (−1)((−1). 3 − 2.2) = 7
𝐶13 = (−1)1+3 |−1 22 4
| = (1)((−1). 4 − 2.2) = −8
𝐶21 = (−1)2+1 |3 −14 3
| = (−1)(3.3 − (−1). 4) = −13
𝐶22 = (−1)2+2 |1 −12 3
| = (1)(1.3 − (−1). 2) = 5
𝐶23 = (−1)2+3 |1 32 4
| = (−1)(1.4 − 3.2) = 2
𝐶31 = (−1)3+1 |3 −12 2
| = (1)(3.2 − (−1). 2) = 8
𝐶32 = (−1)3+2 |1 −1
−1 2| = (−1)(1.2 − (−1)(−1)) = −1
33
𝐶33 = (−1)3+3 |1 3
−1 2| = (1)(1.2 − 3. (−1)) = 5
Jadi matrik kofaktor dari matriks 𝐴 yaitu
𝐶 = [
𝐶11 𝐶12 𝐶13
𝐶21 𝐶22 𝐶23
𝐶31 𝐶32 𝐶33
] = [−2 7 −8−13 5 28 −1 5
]
Sehingga diperoleh matriks adjoin 𝐴 adalah
𝐴𝑑𝑗(𝐴) = 𝐶𝑇 = [−2 −13 87 5 −1
−8 2 5]
(b) Menentukan Nilai Determinan
Misalkan dipilih baris ke-1 (ekspansi baris 1)
𝑑𝑒𝑡(𝐴) = |𝐴| = 𝑎11𝐶11 + 𝑎12𝐶12 + 𝑎13𝐶13 = 1. (−2) + 3.7 + (−1)(−8) = 27 Maka diperoleh matriks invers 𝐴 adalah
𝐴−1 =1
27× [
−2 −13 87 5 −1
−8 2 5] =
[ −2
27
−13
27
8
277
27
5
27
−1
27−8
27
2
27
5
27]
6.2 SIFAT-SIFAT MATRIKS INVERS
1) (𝐴−1)−1 = 𝐴
2) (𝐴−1)′ = (𝐴′)−1
3) (𝐴𝐵)−1 = 𝐵−1𝐴−1
4) Jika matriks 𝐴 invertible maka 𝑑𝑒𝑡(𝐴−1) =1
𝑑𝑒𝑡(𝐴)
RANGKUMAN
Menentukan matriks invers berordo 3x3 dengan menggunakan rumus :
𝐴−1 =1
𝑑𝑒𝑡(𝐴)× 𝐴𝑑𝑗(𝐴)
dimana 𝐴𝑑𝑗(𝐴) = 𝐶𝑇 = [
𝐶11 𝐶21 𝐶31
𝐶12 𝐶22 𝐶32
𝐶13 𝐶23 𝐶33
]
34
TUNTUNAN LATIHAN
Berikut ini diberikan implementasi rumus perhitungan matriks invers pada
software Scilab dalam penyelesaian Contoh 6.1 dimana bentuk matriks :
𝐴 = [1 3 −1
−1 2 22 4 3
]
(a) Mendefinisikan semua sub matriks berordo 2x2 dengan
menghilangkan 1 baris dan 1 kolom.
(b) Menghitung semua nilai kofaktor.
35
(c) Mendefinisikan matriks kofaktor.
(d) Mendefinisikan matriks adjoin.
(e) Menentukan nilai determinan.
36
(f) Perhitungan matriks invers menggunakan persamaan (5.1).
L A T I H AN
Diketahui matriks 𝐴 = [−3 1 1−2 3 24 −1 −2
]
1. Tentukan matriks invers dari matriks 𝐴 secara manual !
2. Tentukan matriks invers dari matriks 𝐴 menggunakan Software Scilab !
37
NILAI EIGEN DAN VEKTOR EIGEN
OBJEKTIF:
1. Mahasiswa Mampu Melakukan Perhitungan Nilai Eigen dan Vektor
Eigen.
2. Mahasiswa Mampu Menggunakan Software Scilab dalam
Menentukan Nilai Eigen dan Vektor Eigen.
PENDAHULUAN
Pada bab ini, untuk membedakan antara skalar atau bilangan,
vektor dan matriks digunakan ketentuan sebagai berikut :
1. Skalar atau bilangan menggunakan huruf kecil seperti: 𝑎, 𝑏, 𝑐,
… , 𝑧.
2. Vektor menggunakan huruf kecil yang dicetak tebal, seperti: 𝒂,
𝒃, 𝒄, … , 𝒛.
3. Matriks menggunakan huruf kapital, seperti: 𝐴, 𝐵, 𝐶, … , 𝑍.
Bab ini membahas bagaimana mencari vektor eigen dan nilai eigen
sebuah matriks. Definisi dan cara mendapatkan nilai eigen dan vektor
eigen dari sebuah matriks akan dibahas secara lebih rinci pada subbab
berikutnya. Beberapa contoh penggunaan vektor eigen dan nilai eigen
antara lain :
1. Pada bidang Pengolahan Video; vektor eigen dominan (vektor
eigen dari nilai eigen terbesar) dari matriks kovariansi yang
dibangun dari sebuah video yang dinyatakan dalam bentuk matriks
dapat menghasilkan sebuah video yang hanya mengandung objek-
7
38
objek latar belakang [Sari, I., Juarna, A., Harmanto, S., & kerami, D,
2018].
2. Pada bidang Pengolahan Citra; vektor eigen digunakan untuk
pengenalan wajah [Turk, M. & Pentland, A., 1991].
3. Pada bidang Pengambilan Keputusan; salah satu metode
pengambilan keputusan yaitu Analytical Hierarchy Process (AHP)
dapat menggunakan nilai dan vektor eigen dalam menentukan
vektor prioritas [Hafiyusoleh, M., Asyhar, A. H., Komaria, R., 2015].
4. Palam bidang Fisika; Tegangan-tegangan utama yang bekerja
pada sebuah sistem tegangan, nilainya sama dengan nilai-nilai
eigen dari matrik tegangannya [Arief, S. 2015].
Selain empat contoh di atas, masih banyak kegunaan nilai eigen dan
vektor eigen. Oleh karena itu, sangat penting bagi mahasiswa untuk
mempelajari nilai eigen dan vektor eigen.
7.1 DEFINISI NILAI EIGEN DAN VEKTOR EIGEN
Nilai eigen dan vektor eigen merupakan karakteristik dari sebuah
matriks. Hal ini karena vektor eigen dapat mewakili matriks yang
bersangkutan. Jika 𝐴 adalah matriks bujur sangkar berdimensi 𝑛, maka
vektor tak nol 𝒖 di ℝ𝑛 disebut vektor eigen dari 𝐴 jika 𝐴𝒖 adalah kelipatan
skalar dari 𝒖 atau dapat ditulis dengan bentuk :
𝐴𝒖 = 𝜆𝒖, (7.1)
untuk suatu skalar 𝜆. Skalar 𝜆 disebut nilai eigen dari 𝐴 dan 𝒖 adalah
vektor eigen dari 𝐴 yang bersesuaian dengan 𝜆 [Anton, 1994].
Nilai eigen dari matriks 𝐴 dapat ditentukan dengan menuliskan
persamaan (7.1) dalam bentuk :
𝐴𝒖 = 𝜆𝐼𝒖,
𝐴𝒖 − 𝜆𝐼𝒖 = 𝟎,
(𝐴 − 𝜆𝐼)𝒖 = 𝟎. (7.2)
39
Persamaan (7.2) membentuk sistem persamaan linier homogen.
Persamaan ini akan mempunyai solusi tidak nol jika dan hanya jika :
𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = 0 (7.3)
Persamaan (7.3) disebut persamaan karakteristik dari 𝐴. Nilai skalar 𝜆
yang memenuhi persamaan (7.3) disebut nilai eigen dari 𝐴. Untuk nilai 𝜆
tertentu, solusi dari persamaan (7.3), yaitu vektor 𝒖, dapat dicari dan
vektor 𝒖 yang diperoleh disebut vektor eigen yang bersesuaian dengan
nilai 𝜆 tertentu.
Contoh 7.1 :
Tentukan nilai eigen dan vektor eigen dari matriks 𝐴 = [3 08 −1
] !
Penyelesaian :
(a) Menentukan Nilai Eigen
Persamaan (7.3) digunakan untuk mendapatkan persamaan karakteristik,
dengan matriks identitas untuk matriks bujur sangkar berdimensi 2 adalah
𝐼 = [1 00 1
], sehingga persamaan (7.3) untuk contoh ini adalah
𝑑𝑒𝑡 ([3 08 −1
] − 𝜆 [1 00 1
]) = 0
𝑑𝑒𝑡 ([3 08 −1
] − [𝜆 00 𝜆
]) = 0
𝑑𝑒𝑡 ([3 − 𝜆 0
8 −1 − 𝜆]) = 0
(3 − 𝜆) ∙ (−1 − 𝜆) = 0
Penjabaran dari persamaan (3 − 𝜆) ∙ (−1 − 𝜆) = 0 yaitu 𝜆2 − 2𝜆 − 3 = 0
disebut persamaan karakteristik dari matriks 𝐴. Nilai 𝜆 yang memenuhi
persamaan karakteristik atau nilai akar persamaan adalah nilai eigen dari
matriks 𝐴.
(3 − 𝜆) = 0 atau (−1 − 𝜆) = 0
𝜆1 = 3 atau 𝜆2 = −1
Jadi, nilai eigen dari matriks 𝐴 adalah 3 dan -1.
40
(b) Menentukan Vektor Eigen Berdasarkan Nilai Eigen
Vektor eigen dapat ditentukan dengan mensubstitusi masing-masing nilai
eigen ke dalam persamaan (7.2) seperti berikut ini :
Untuk nilai eigen, 𝜆1 = 3, persamaan (7.2) menjadi
[3 − 3 0
8 −1 − 3]𝒖𝟏 = 𝟎.
[0 08 −4
]𝒖𝟏 = 𝟎.
Ini adalah sistem persamaan linier (SPL) homogen. Solusi dari SPL
tersebut dapat ditentukan dengan
8𝑢1 − 4𝑢2 = 0,
𝑢2 = 2𝑢1.
SPL ini mempunyai banyak solusi, dengan memisalkan 𝑢1 = 𝑡 adalah
sembarang bilangan, maka solusi SPL tersebut adalah
𝑢1 = 𝑡,
𝑢2 = 2𝑡,
atau dapat ditulis sebagai 𝒖𝟏 = [𝑡2𝑡
] = [12] 𝑡. Jadi diperoleh vektor eigen
untuk matriks 𝐴 untuk nilai eigen 𝜆1 = 3 adalah 𝒖𝟏 = [12].
Untuk nilai eigen, 𝜆2 = −1, persamaan (7.2) menjadi
[3 − (−1) 0
8 −1 − (−1)]𝒖𝟐 = 𝟎.
[4 08 0
] 𝒖𝟐 = 𝟎.
Ini adalah sistem persamaan linier (SPL) homogen. Karena baris 1
merupakan kelipatan baris 2, maka dapat dipilih salah satu baris untu
mendapatkan solusi SPL tersebut. Solusi dari SPL tersebut dapat
ditentukan dengan
4𝑢1 = 0,
𝑢1 = 0.
SPL ini mempunyai banyak solusi, dengan memisalkan 𝑢2 = 𝑡 adalah
sembarang bilangan, maka solusi SPL tersebut adalah
41
𝑢1 = 0,
𝑢2 = 𝑡,
atau dapat ditulis sebagai 𝒖𝟐 = [0𝑡] = [
01] 𝑡. Jadi diperoleh vektor eigen
untuk matriks 𝐴 untuk nilai eigen 𝜆2 = −1 adalah 𝒖𝟐 = [01].
Contoh 7.2 :
Tentukan nilai eigen dan vektor eigen dari matriks 𝐴 = [0 0 −21 2 11 0 3
] !
Penyelesaian :
(a) Menentukan Nilai Eigen
Persamaan (7.3) digunakan untuk mendapatkan persamaan karakteristik,
dengan matriks identitas untuk matriks bujur sangkar berdimensi 3 adalah
𝐼 = [1 0 00 1 00 0 1
], sehingga persamaan (7.3) untuk contoh ini adalah
𝑑𝑒𝑡 ([0 0 −21 2 11 0 3
] − 𝜆 [1 0 00 1 00 0 1
]) = 0
𝑑𝑒𝑡 ([0 0 −21 2 11 0 3
] − [𝜆 0 00 𝜆 00 0 𝜆
]) = 0
𝑑𝑒𝑡 ([− 𝜆 0 −21 2 − 𝜆 11 0 3 − 𝜆
]) = 0
dengan menggunakan ekspansi baris pertama untuk mencari determinan,
maka persamaan di atas menjadi
1. |0 −2
2 − 𝜆 1| + 0. |
−𝜆 −21 1
| + (3 − 𝜆). |−𝜆 01 2 − 𝜆
| = 0
1. (0 − (−4 + 2𝜆)) + 0 + (3 − 𝜆).−𝜆(2 − 𝜆)=0
4 − 2𝜆 + (3 − 𝜆)(−2𝜆 + 𝜆2) = 0
4 − 2𝜆 − 6𝜆 + 5𝜆2 − 𝜆3 = 0
−𝜆3 + 5𝜆2 − 8𝜆 + 4 = 0, atau
𝜆3 − 5𝜆2 + 7𝜆 − 4 = 0.
42
Persamaan di atas adalah persamaan karakteristik dari matriks 𝐴. Nilai 𝜆
yang memenuhi persamaan karakteristik atau nilai akar persamaan adalah
nilai eigen dari matriks 𝐴. Karena konstanta pada persamaan di atasa
adalah −4, maka nilai akar persamaan yang mungkin adalah faktor-faktor
dari −4 yaitu ±1,±2, dan ±4. Persamaan diatas dapat diperoleh dengan
mensubstitusi faktor-fakor dari −4 yang memenuhi persamaannya atau
dapat juga dilakukan pemfaktoran.Faktorisasi dari persamaan di atas
adalah
(𝜆 − 1)(𝜆 − 2)(𝜆 − 2) = 0
𝜆 − 1 = 0, atau 𝜆 − 2 = 0
𝜆1 = 1 atau 𝜆2 = 2
Jadi, nilai eigen dari matriks 𝐴 adalah 1 dan 2.
(b) Menentukan Vektor Eigen Berdasarkan Nilai Eigen
Vektor eigen dapat ditentukan dengan mensubstitusi masing-masing nilai
eigen ke dalam persamaan (7.2) seperti berikut ini :
Untuk nilai eigen, 𝜆1 = 1, persamaan (7.2) menjadi
[−1 0 −21 1 11 0 2
] 𝒖𝟏 = 𝟎.
Ini adalah sistem persamaan linier (SPL) homogen. Karena baris ketiga
merupakan kelipatan dari baris pertama, maka beris ketiga tidak
digunakan dalam penentuan solusi SPL di atas. Solusi dari SPL tersebut
dapat ditentukan dengan
−𝑢1 − 2𝑢3 = 0,
𝑢1 + 𝑢2 + 𝑢3 = 0.
SPL ini mempunyai banyak solusi, dengan memisalkan 𝑢3 = 𝑡 adalah
sembarang bilangan, maka solusi SPL tersebut adalah
𝑢1 = −2𝑡,
𝑢2 = −𝑢1 − 𝑢3 = 2𝑡 − 𝑡 = 𝑡,
43
atau dapat ditulis sebagai 𝒖𝟏 = [−2𝑡𝑡𝑡
] = [−211
] 𝑡. Jadi diperoleh vektor eigen
untuk matriks 𝐴 untuk nilai eigen 𝜆1 = 1 adalah 𝒖𝟏 = [−211
].
Untuk nilai eigen, 𝜆2 = 2, persamaan (7.2) menjadi
[−2 0 −21 0 11 0 1
] 𝒖𝟐 = 𝟎.
Ini adalah sistem persamaan linier (SPL) homogen. Karena baris kesatu
merupakan kelipatan baris ke dua atau ke tiga dan baris ke dua sama
dengan baris ke tiga, maka dipilih satu baris untuk mendapatkan solusi
SPL di atas. Solusi dari SPL tersebut dapat ditentukan dengan
−2𝑢1 − 2𝑢3 = 0,
SPL ini mempunyai banyak solusi, dengan memisalkan 𝑢2 = 𝑡 dan 𝑢3 = 𝑠
adalah sembarang bilangan, maka solusi SPL tersebut adalah
𝑢1 = −𝑢3 = −𝑠,
𝑢2 = 𝑡,
𝑢3 = 𝑠
atau dapat ditulis sebagai 𝒖𝟐 = [−𝑠𝑡𝑠
] = [010] 𝑡 + [
−101
] 𝑠. Jadi diperoleh vektor
eigen untuk matriks 𝐴 untuk nilai eigen 𝜆2 = 2 adalah [010] dan [
−101
].
7.2 NILAI EIGEN DAN VEKTOR EIGEN PADA SCILAB
Nilai eigen dan vektor eigen dari matriks 𝐴 dapat dihitung dengan
fungsi “spec” yang mempunyai sintaks sebagai berikut :
lambda = spec(A),
[U, lambda] = spec(A),
dengan lambda adalah nilai-nilai eigen dari matrik 𝐴 dan U adalah suatu
matrik dimana vektor-vektor kolomnya merupakan vektor eigen untuk
setiap nilai eigen lambda yang bersesuain.
44
RANGKUMAN
1. Nilai eigen dan vektor eigen dari matriks A dapat dihitung dengan
menggunakan persamaan karakteristik dari matriks A, yaitu :
𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = 0
Nilai skalar 𝜆 yang memenuhi persamaan karakteristik disebut nilai
eigen dari 𝐴. Untuk nilai 𝜆 tertentu, solusi dari persamaan karakteristik
yaitu vektor 𝒖, dapat dicari dan vektor 𝒖 yang diperoleh disebut vektor
eigen yang bersesuaian dengan nilai 𝜆 tertentu.
2. Pada software Scilab, nilai eigen dan vektor eigen dari matriks 𝐴 dapat
dihitung dengan fungsi “spec” yang mempunyai sintaks sebagai
berikut :
lambda = spec(A),
[U, lambda] = spec(A),
TUNTUNAN LATIHAN
A. Berikut ini diberikan cara penentuan nilai eigen dan vektor eigen
menggunakan software Scilab dalam penyelesaian Contoh 7.1 dimana
matriks 𝑨 berordo 2x2 dengan bentuk :
𝐴 = [3 08 −1
]
Nilai eigen dan vektor eigen dari matrik di atas dapat dihitung dengan
tahapan-tahapan sebagai berikut :
(a) Mendefinisikan matriks 𝐴 ke dalam Scilab.
45
(b) Menerapkan fungsi “spec” yang ada dalam Scilab terhadap
matriks 𝐴.
spec(A) adalah fungsi pada Scilab untuk mendapatkan nilai eigen
dan vektor eigen dari matriks 𝐴.
[U,L]= spec(A) maksudnya adalah vektor eigen dari matriks 𝐴
disimpan dalam matriks U, sedangkan nilai eigen dari matriks A
disimpan dalam matriks L yang merupakan matriks diagonal,
dengan elemen-elemen diagonalnya adalah nilai-nilai eigen dari
matriks 𝐴.
46
(c) Berdasarkan hasil output Scilab diperoleh vektor eigen untuk nilai
eigen 𝜆1 = −1 adalah 𝒖𝟏 = [01] dan vektor eigen untuk nilai eigen
𝜆2 = 3 adalah 𝒖𝟐 = [0.44721360.8944272
] atau dapat dinyatakan juga 𝒖𝟐 =
[12] karena [
0.44721360.8944272
] = [12] 0.4472136.
B. Berikut ini diberikan cara penentuan nilai eigen dan vektor eigen
menggunakan software Scilab dalam penyelesaian Contoh 7.2 dimana
matriks 𝑨 berordo 3x3 dengan bentuk :
𝐴 = [0 0 −21 2 11 0 3
]
Nilai eigen dan vektor eigen dari matrik di atas dapat dihitung dengan
tahapan-tahapan sebagai berikut :
(a) Mendefinisikan matriks 𝐴 ke dalam Scilab.
(b) Menerapkan fungsi “spec” yang ada dalam Scilab terhadap
matriks 𝐴.
47
(c) Berdasarkan output di atas diperoleh nilai-nilai eigen matriks 𝐴
adalah 𝜆1 = 2, 𝜆2 = 1, dan 𝜆3 = 2, kemudian vektor-vektor eigen
dari matriks 𝐴 adalah vektor-vektor kolom matriks U yang
bersesuaian dengan nilai eigen pada matriks L. Jadi, vektor eigen
untuk nilai eigen 𝜆1 = 2 adalah 𝒖𝟏 = [010
], vektor eigen untuk nilai
eigen 𝜆2 = 1 adalah 𝒖𝟐 = [−0.8164966 0.40824830.4082483
], dan vektor eigen untuk
nilai eigen 𝜆3 = 2 adalah 𝒖𝟑 = [0.706555 0.0394976−0.706555
].
Scilab atau aplikasi yang lain seperti Matlab cenderung
memberikan hasil elemen-elemen vektor eigen berupa desimal,
sedangkan jika dilakukan perhitungan secara analitik elemen-
elemen vektor eigen lebih umum menghasilkan bilangan bulat. Jika
setiap elemen pada vektor eigen merupakan kelipatan maka vektor
eigen tersebut dapat dinyatakan dalam bentuk lain. Perhatikan
elemen-elemen vektor eigen yang dihasilkan pada contoh ini.
48
Elemen-elemen vektornya saling berkelipatan sehingga vektor-
vektor eigennya dapat dinyatakan sebagai berikut :
𝒖𝟏 = [010
],
𝒖𝟐 = [−0.8164966 0.40824830.4082483
] = [−211
] 0.4082483,
𝒖𝟑 = [0.706555 0.0394976−0.706555
] = [1
0.06−1
] 0.706555 ,
sehingga dapat juga disimpulkan bahwa vektor eigen untuk nilai
eigen 𝜆1 = 2 adalah 𝒖𝟏 = [010], vektor eigen untuk nilai eigen 𝜆2 = 1
adalah 𝒖𝟐 = [−2 11
], dan vektor eigen untuk nilai eigen 𝜆3 = 2 adalah
𝒖𝟑 = [1
0.06−1
] .
L A T I H AN
Perhatikan matriks berikut :
𝐴 = [1 3 −1
−1 2 22 4 3
]
1. Tentukan nilai eigen dan vektor eigen dari matriks 𝐴 secara manual !
2. Tentukan nilai eigen dan vektor eigen dari matriks 𝐴 menggunakan
Scilab !
3. Bandingkan hasil yang Anda peroleh dari soal 1 dan soal 2 ! Jelaskan
jawaban Anda !
49
UJIAN OBJEKTIF :
1. Mahasiswa Mampu Melakukan Perhitungan Secara Manual dalam
Penyelesaian Soal Ujian.
2. Mahasiswa Mampu Menggunakan Software Scilad dalam
Penyelesaian Soal Ujian.
3. Mahasiswa Mampu Menyelesaikan Soal Ujian Secara Tepat Waktu.
1. Tentukan matriks invers dari matriks 𝐴 = [−8 −1 24 −3 −2
−2 −2 1] secara
manual !
2. Tentukan matriks invers dari matriks 𝐴 = [−8 −1 24 −3 −2
−2 −2 1]
menggunakan Scilab !
3. Tentukan nilai eigen dan vektor eigen dari matrik 𝐵 = [−2 0 12 1 02 0 1
]
secara manual !
4. Tentukan nilai eigen dan vektor eigen dari matrik 𝐵 = [−2 0 12 1 02 0 1
]
menggunakan Scilab !
5. Apakah vektor eigen dari matriks B yang dihasilkan secara manual
sama dengan hasil menggunakan Scilab ? Jelaskan !
8
50
DAFTAR PUSTAKA
1. Anton, H. (1994). Elementary Linear Algebra. New York: John Wiley &
Sons, Inc.
2. Arief, S. (2015). Pengenalan Scilab: Perangkat Lunak Gratis untuk
Komputasi Numerik dan Visualisasi Data.
3. Hafiyusholeh, M., Asyhar, A.H., & Komaria, R. (2015). Aplikasi Metode
Nilai Eigen dalam Analytical Hierarchy Process untuk Memilih Tempat
Kerja. Jurnal Matematika “Mantik”, Vol. 1, No. 1, pp. 6-16.
4. Hidayat, A. & Alawiyah, T. (2013). Enkripsi dan Dekripsi Teks
Menggunakan Algoritma Hill Cipher dengan Kunci Matriks Persegi
Panjang. Jurnal Matematika Integratif, Vol. 9, No. 1, pp. 39-51.
5. Kusumanto, R.D. & Tompunu, A.N. (2011). Pengolahan Citra Digital
Untuk Mendeteksi Obyek Menggunakan Pengolahan Warna Model
Normalisasi RGB. Semantik.
6. Mardhiyah, I., Madenda, S., Salim, R.A., & Wiryana, I.M. (2016).
Dimensionality Reduction for 3D Mesh Reconstruction. Journal of
Physics: Conference Series 725.
7. Naim, M. (2016). Aplikasi Aljabar Matriks dalam Pewarisan Gen
Tunggal. Skripsi. Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas Halu Oleo, Kendari.
8. Nurmia, Abdy, M., & Side, S. (2017). Penerapan Diagonalisasi Matriks
untuk Menyelidiki Pewarisan Genotip pada Generasi ke-n dalam
Genetika.
9. Sari, I., Juarna, A., Harmanto, S., & Kerami, D. (2018). Background
Estimation Using Principal Component Analysis Based on Limited
Memory Block Krylov Subspace Optimization. International Journal of
Electrical and Computer Engineering (IJECE), Vol. 8, No. 5.
51
10. Side, S. & Syahrana. (2015). Aplikasi Invers Matriks dalam
Pembentukan Pesan Rahasia. Journal Teknosains, Vol. 9, No. 1, pp.
27-39.
11. Turk, M. & Pentland, A. (1991). Eigenfaces for Recognition. Journal of
Cognitive Neuroscience, Vol. 3, No. 1, pp. 71-86.
12. Yahya, Y., Harmanto, S., & Sumin, A. (2011). Matematika Dasar
Perguruan Tinggi. Bogor: Ghalia Indonesia.