BAB 2 LANDASAN TEORI 2.1 Transpose, Invers dan Determinan Matriks Definisi 2.1.1 Apabila terdapat suatu matriks - Analisis Perubahan Bentuk Permukaan Kuadrat Menggunakan Diagonalisasi Matriks
BAB 2 LANDASAN TEORI
2.1 Transpose, Invers dan Determinan Matriks
m n
Definisi 2.1.1 Apabila terdapat suatu matriks A [ a ] berordo , maka
T ijA n m
transpose dari matriks adalah A berordo yang dihasilkan dengan T
A
mempertukarkan baris dan kolom matriks ; yaitu, kolom pertama dari A adalah T
A
baris pertama dari A, kolom kedua dari A adalah baris kedua dari , dan seterusnya.
Beberapa sifat matriks transpose: T T T (i). ( A ) B A B T T
(ii). ( A ) A T T (iii). k ( A ) ( kA ) , k suatu skalar. T T T (iv). ( AB ) B A
A A
Definisi 2.1.2
Suatu matriks disebut simetris apabila transpose matriks T
A A sama dengan matriks atau matriks simetris bila A A .
Contoh 2.1 1
2
4 1
2
4 T A
2
7 dan A
2
7
4
6
4 6 T A disebut matriks simetris, A A .
A
Definisi 2.1.3 Misalkan adalah matriks bujursangkar, jika terdapat matriks B
AB BA
I A
yang ukurannya sama sedemikian hingga , maka disebut
1 A invertibel (dapat dibalik) dan B disebut sebagai invers dari , ditulis A .
Contoh 2.2 Misal
2
5
3
5
A dan B
1
3
1
2 maka
2
5
3
5
1
AB
I
1
3
1
2
1
3
5
2
5
1
BA
I
1 2
1
3
1
A
Definisi 2.1.4 Jika adalah matriks bujursangkar, maka minor dari entri a
ijdinyatakan sebagai M dan didefinisikan sebagai determinan dari submatriks ij
A .
yang tersisa setelah baris ke-i dan kolom ke-j dihilangkan dari Nilai i j
M
( ) 1 dinyatakan sebagai C dan disebut sebagai kofaktor dari entri a . ij ij ij
A Determinan dapat dinotasikan a C a C ... a C . 11 11 12 12 1 n n 1 Contoh 2.3 Misalkan 3 1
4
A
2
5
6
1
4
8 ADeterminan dari matriks adalah
5
6
2
6
2
5 A = a C a C a C 11 11 12 12 13 13 3 1 ( 4 )
4
8
1
8
1
4
3 ( 16 ) 1 ( 10 ) 4 ( 3 )
48
10
12
46
2.2 Sistem Persamaan Linier Homogen
Definisi 2.2.1 Suatu sistem persamaan linier disebut homogen jika semua bentuk
konstantanya adalah 0; yaitu, sistem ini memiliki bentuk
a x a x ... a x 11 1 12 2 1 n n
a x a x ... a x
21 1 22 2 2 n n
a x a x ... a x
m m mn n 1 1 2 2 Setiap sistem persamaan linier homogen adalah konsisten karena semua sistem x xmemiliki solusi , , ... , x . Solusi ini disebut solusi trivial; jika 1 2 n terdapat solusi lain, maka solusi-solusi tersebut disebut solusi nontrivial.
Contoh 2.4 Suatu sistem persamaan linier sebagai berikut
2 x 1 2 x x x = 0 2 − 3 5
- x x
2x 3x + + x = 0 − 1 2 3 − 4 5 1 + x x 2x x = 0 2 − 3 − 5 3 4 + + x x x = 0 5 Matriks yang diperbesar untuk sistem tersebut adalah
2 2
1
1
1
1 2
3
1
1 1 2 1
1
1
1
Dengan mereduksi matriks tersebut menjadi bentuk eselon baris, kita memperoleh
1
1 1
1 1
1
Sistem persamaan yang bersesuaian adalah 1 2 + + x x x = 0 5 3 + x x = 0 5
x 4 = 0
Dengan menyelesaikan variabel-variabel utama diperoleh
x x x
1 2 5 x x 3 5x 4 Jadi, solusi umumnya adalah x s t x s x 1 , , x t , , x t 2 3 4 5 s Perhatikan bahwa solusi trivial diperoleh bila t .
2.3 Ruang Vektor dengan Ruang Hasil Kali Dalam
V Definisi 2.3.1 Hasil kali dalam (inner product) pada sebuah ruang vektor real
adalah sebuah fungsi yang mengasosiasikan sebuah bilangan real <u,v> dengan
V
sepasang vektor u dan v di dalam sedemikan hingga aksioma-aksioma berikut
V
ini terpenuhi bagi semua vektor u, v dan w di dalam dan semua bilangan skalar k .
(i).
(Aksioma kesimetrian) < u, v > = < v, u > (ii).
(Aksioma penjumlahan) < u + v, w > = < u, w > + < v, w > (iii).
(Aksioma homogenitas) < ku, v > = k< u, v > (iv).
(Aksioma positivitas) < v, v > ≥ 0
v . dan < v, v > = 0 jika dan hanya jika
Sebuah ruang vektor real yang memiliki sebuah hasil kali dalam disebut ruang hasil kali dalam real (real inner product space).
V Definisi 2.3.2 Jika adalah sebuah ruang hasil kali dalam, maka norma (norm)
V
atau panjang (length) sebuah vektor u di dalam dinotasikan dengan ||u|| dan didefinisikan sebagai
1/2
||u|| = < u, u > Jarak (distance) antara dua buah titik (vektor) u dan v dinotasikan dengan d(u, v) dan didefinisikan sebagai
d
(u, v) = || u - v || 2 Contoh 2.5 Misalkan u = (u
1 , u 2 ) dan v = (v 1 , v 2 ) adalah vektor-vektor pada R .
Hasil kali dalam Euclidean berbobot <u, v> = 3u
1 v
1 + 2u 2 v2
(i).
Aksioma kesimetrian;
v v u u
< u, v > = 3u
1 1 + 2u
2
2 = 3v
1 1 + 2v
2 2 = < v, u > yang membuktikan terpenuhinya aksioma pertama.
(ii).
Aksioma penjumlahan; Jika w = (w
1 , w 2 ), maka
< u +v, w > = 3(u
1 + v
1 )w 1 + 2(u 2 + v 2 )w2
= (3u
1 w 1 + 2u 2 w 2 ) + (3v 1 w 1 + 2v 2 w 2 )
= <u, w> + <v, w> yang membuktikan terpenuhinya aksioma kedua. (iii).
Aksioma homogenitas; Selanjutnya, 2 v v 2
< ku, v > = 3(ku
1 )v 1 + 2(ku 2 )v = k(3u
1 1 + 2u
2
) = k< u, v > yang membuktikan terpenuhinya aksioma ketiga. (iv).
Aksioma positivitas; Akhirnya,
2
2 1 v 1 2 v
2
1
2
<v, v> = 3v + 2v = 3v + 2v
2
2
2
2 Jelaslah, <v, v> = 3v 1 + 2v
2 1 + 2v 2 = 0
≥ 0. Lebih jauh lagi, <v, v> = 3v jika dan hanya jika v
1 = v 2 . Dengan demikian, semua aksioma memenuhi syarat.
2.4 Basis Ortonormal dan Matriks Ortogonal
2.4.1 Basis Ortonormal
n Definisi 2.4.1 k i j
Himpunan S = {u
1 , u 2 , ..., u } pada R adalah himpunan ortogonal jika <u , u > = 0, untuk setiap i j . n Definisi 2.4.2 Himpunan S = {u 1 , u 2 , ..., u k } pada R adalah ortonormal jika : (i).
S adalah ortogonal i i (ii).
|| = 1, untuk setiap . Setiap vektor dalam S adalah vektor satuan, yaitu ||u
Contoh 2.6 Himpunan S = {u 1 , u
2 }, dengan u
1 = [0, 1, 0] dan u 2 = [1, 0, 1] adalahortogonal, karena : <u
1 , u 2 > = 0(1) + 1(0) + 0(1) = 0
Karena ||u
1 || = 1 dan ||u 2 || = 2 maka S bukan himpunan ortonormal.
Dengan menormalisasikan masing-masing vektor dari S , diperoleh :
1 1 1 v 1 = u 1 /|| u 1 || = 1[0, 1, 0] = [0, 1, 0], v 2 = u 2 /|| u 2 || = [1, 0, 1] = , ,
2
2
2
{v
1 , v 2 }adalah himpunan yang ortonormal, karena :
1
1 (i). 1 , u 2 > . 1 . .
<u
2
2 (ii). 1 || = 1 dan ||v 2 || = 1
||v
Teorema 2.4.1 n
Jika S = {v
1 , v 2 , ..., v } adalah suatu himpunan ortogonal vektor- vektor taknol pada sebuah ruang hasil kali dalam, maka S bebas linier.
Bukti
. Asumsikan bahwa
k 1 v 1 + k 2 v 2 +...+ k n v n = 0
Akan ditunjukkan bahwa S = {v
1 , v 2 , ..., v n } adalah bebas linier, yakni dengan membuktikan k k ... k . i 1 2 n
Untuk setiap v dalam S, berdasarkan asumsi diperoleh < k
1 v 1 + k 2 v 2 +...+ k n v n , v i > = < 0, v i
> = 0 atau secara ekuivalen i i n n i
k 1 < v 1 ,v > + k 2 < v 2 ,v > +...+ k < v ,v > = 0 j i
Dari ortogonalitas S kita memperoleh <v ,v > = 0 untuk j i , sehingga persamaan ini dapat disederhanakan menjadi
k i < v i ,v i > k v , v i i i
Karena vektor-vektor di dalam S diasumsikan sebagai vektor-vektor taknol <v i ,v i >
≠ 0 berdasarkan aksioma positivitas untuk hasil kali dalam. Dengan
i
demikian, k . Karena indeks adalah sebarang, kita memperoleh i k k ... k yang mengakibatkan S bebas linier. 1 2 n
n n Teorema 2.4.2 Misalkan {v 1 , v 2 ,..., v } adalah basis ortonormal pada R dan n
misal u sembarang vektor pada R maka memenuhi : n n
u = <u,v 1 > v 1 + <u,v i . 2 > v 2 +...+ <u,v > v
dengan <u,v
1 > adalah koefisien dari v n Bukti. Misalkan S = {v 1 , v n 2 ,..., v n } adalah basis ortonormal pada R dan misal u
sembarang vektor pada R , maka memenuhi :
u = k 1 v 1 + k
2 v
2 +...+ k n v n k , k ,..., kdengan adalah skalar. Karena S adalah ortonormal maka ortogonal 1 2 n i j sedemikian hingga <v , v > = 0 untuk i j . Selebihnya, jika S adalah ortonormal,
2 v i i i
maka setiap vektor pada S adalah vektor satuan, yaitu <v , v > = ||v || = 1. Misal i
i
1 i n memenuhi , maka : i i n n <v , u> = <v , k
1 v 1 + k
2 v
2 +...+ k v >= k
1 <v i , v 1 > + k 2 <v i , v 2 > +...+ k i <v i , v i > +...+ k n <v i , v n > k . k . ... k .
1 ... k . k 1 2 i n i
v
Jadi terbukti koefisien dari adalah i
k i i i
i i <v , u> = v .u = u.v Contoh 2.7 Misalkan4
3
3
4
v 1 = [0, 1, 0], v
2 = , , , v
3 = , ,5
5
5
5 3 Maka V = {v
1 , v 2 , v 3 } adalah basis ortonormal untuk R .
V Akan diperlihatkan bahwa u = [1, 1, 1] adalah kombinasi linier vektor-vektor .
Sesuai teorema 2.4.2 didapatkan :
1
7
<u,v
1 > = 1; <u,v 2 > ; <u,v 3 >
5
5
dan
u = <u,v 1 > v 1 + <u,v 2 > v 2 + <u,v 3 > v
3
1
4
3
7
3
4
, , , + [1, 1, 1] = 1 [0, 1, 0] + ,
5
5
5
5
5
5
4
3
21
28
= [0, 1, 0] + + , , , , = [1, 1, 1]
25
25
25
25
Teorema 2.4.3
(Proses Gram-Schmidt) Setiap ruang hasil kali dalam taknol berdimensi terhingga memiliki sebuah basis ortonormal.
Bukti . Misalkan V adalah suatu ruang hasil kali dalam taknol berdimensi terhingga
nV
sebarang dan misalkan {u
1 ,u 2 ,...,u } adalah basis sebarang untuk . Akan
ditunjukkan bahwa V memiliki sebuah basis ortogonal, karena vektor-vektor di dalam basis ortogonal itu dapat dinormalisasikan untuk menghasilkan sebuah
V
basis ortonormal untuk . Urutan langkah berikut ini akan menghasilkan sebuah
V
basis ortogonal {v
1 ,v 2 ,...,v n } untuk .
Langkah 1. Misalkan
v 1 = u 1 / || u 1 ||
Langkah 2. Terdapat sebuah vektor v
2 yang ortogonal terhadap v 1 dengan
menghitung komponen v
1 yang direntang oleh v 1 . v 1 = (u
2 2 , v 1 >v 1 ) / || u
2 2 , v 1 >v 1 ||
- – <u – <u Langkah 3. Selanjutnya
v
3
3
3
1
1
3
2
2
3
3
1
1
3
2
2
= (u – <u , v >v – <u , v >v ) / || u – <u , v >v – <u , v >v || dan seterusnya sampai v n . Setelah langkah ke-n akan diperoleh himpunan vektor- n
V
vektor ortogonal {v
1 ,v 2 ,...,v }. Karena berdimensi n dan setiap himpunan n
ortogonal bersifat bebas linier, maka himpunan {v
1 ,v 2 ,...,v } adalah sebuah basis ortogonal bagi V. 3 Contoh 2.8 Diberikan R beserta perkalian dalam Euclid dengan mempergunakan proses ortonormalisasi Gram-Schmidt transformasikan vektor-vektor basis u 1 = (1, 1, 1), u 2 = (0, 1, 1) u 3 = (0, 0, 1) menjadi basis yang ortonormal.
Vektor v
1 yang ortonormal
1
1
1 1
v 1 = u 1 / ||u 1 ||
1 , 1 , 1 , ,
3
3
3
3
Vektor v
2 yang ortonormal v 1 = (u
2 2 , v 1 >v 1 ) / || u
2 2 , v 1 >v 1 ||
- – <u – <u 2
1
1 1
2
1 1
u
2 2 , v 1 >v 1 ,
1 , 1 , , , ,
- – <u
3
3
3
3
3
3
3 maka
3
2
1
1
2
1
1
v 1 = (u
2 2 , v 1 >v 1 ) / || u
2 2 , v 1 >v 1 || , , , ,
- – <u – <u
6
3
3
3
6
6
6
Vektor v
3 yang ortonormal v 3 = (u 3 – <u 3 , v 1 >v 1 – <u 3 , v 2 >v 2 ) / || u 3 – <u 3 , v 1 >v 1 – <u 3 , v 2 >v 2 ||
1
1
1 1 1
2
1 1
u 3 – <u 3 , v 1 >v 1 – <u 3 , v 2 >v 2 , ,
1 , , , ,
3
3
3
3
6
6
6
6
1
1
, ,2
2
maka
v 3 = (u
3 3 , v 1 >v
1 3 , v 2 >v 2 ) / || u
3 3 , v 1 >v
1 3 , v 2 >v 2 ||
- – <u – <u – <u – <u
1
1
1
1
2 , , , ,
2
2
2
2
1
1 1
2
1 1
1 1 , , , , , ,
Jadi, v
1 , v
2 , v
3
3
3
3
6
6
6
2
2 3 Membentuk basis ortonormal untuk R .
2.4.2. Matriks Ortogonal
A Definisi 2.4.3 Matriks berordo n adalah matriks ortogonal jika kolom- n
A kolom dari matriks adalah himpunan vektor kolom yang ortonormal.
A Definisi 2.4.4
Sebuah matriks bujursangkar yang memiliki sifat T
1
A A
disebut sebagai matriks ortogonal.A Teorema 2.6.4 Jika matiks adalah matiks ortogonal, maka A 1 .
A Bukti. Matriks ortogonal jika dan hanya jika
T
1 T 1A A
A A A A T kemudian T
A A T
I A A 2
1 A
1 A
1
2 1
1 2
, , , ,
Contoh 2.9
Vektor-vektor u = [1, 0, 0], v = dan w =
5
5
5
5 adalah vektor-vektor ortonormal. Sedemikian hingga matriks :
1
A
2
5
1
5
1
5
2
5
Adalah ortogonal, maka didapatkan :
1 1 T
A A
2
5
1
5
1
5
2
5 T
1
1 A A
2
5
1
5
2
5
1
5
1
5
2
5
1
5
2
5 1
1
1
2.5 Ekuivalensi Bentuk Kuadrat Sebelumnya akan didefinisikan suatu operasi elementer pada matriks.
Definisi 2.5.1 Operasi elementer pada matriks A adalah: (i).
Penukaran tempat antara dua baris atau dua kolom, yakni baris ke-i dengan baris ke-j atau kolom ke-i dengan kolom ke-j. (ii).
(iii).
B b b
b b b b A b b
1
2
3
2
1
3
3
2
3 2 ~
2
By
dan y T
Ax
Dua bentuk kuadrat x T
Definisi 2.5.3
ke-3.
B A ~ . Di mana 1 b yaitu baris ke-1, 2 b yaitu baris ke-2 dan 3 b yaitu baris
ditulis
1 2 3
3
1
1
1
1
2
1
~2
3
1
1
1
1
Menambah baris ke-i dengan kali baris ke-j atau menambah kolom ke-i dengan konstanta kali kolom ke-j.
B A ~ dan
3
2
1
Contoh 2.10
C A ~
C B ~ maka
~ (iii).
1
~ maka A B
A (ii). B A
A A ~ untuk setiap matriks
ekuivalen dengan B . Relasi ekuivalen, yaitu : (i).
A
B A ~ memiliki arti
Untuk relasi ekuivalensi ini diberikan simbol ‘ ~ ‘.
salah satu matriks tersebut dapat diperoleh dari matriks yang lain dengan menggunakan operasi elementer. Atau dengan kata lain, dua matriks A dan B yang berordo sama disebut ekuivalen jika B = PAQ untuk suatu matriks P dan Q yang tak singular atau matriks elementer.
Definisi 2.5.2 Dua matriks A dan B yang berordo sama dikatakan ekuivalen bila
3
2
2
3 2
1
31
23
3
3
4
8
1 ~
3
1
4
maka
3
1 B
2
3
1
1
1
1 A
2
disebut ekuivalen jika dan hanya jika terdapat matriks tak singular P yang memenuhi x = Py dan T
T T T T T T T
x Ax = (Py) A (Py) = y P A Py = y (P AP ) y = y By
2.6 Nilai Eigen, Vektor Eigen dan Ruang Eigen
A Definisi 2.8.1 Misalkan adalah sebuah matriks n . Skalar disebut nilai n
A
eigen dari ketika sebuah vektor x sedemikian hingga Ax =
λx. Vektor x disebut A
A
vektor eigen dari yang bersesuaian terhadap terhadap
λ. Vektor eigen λ yang didapat merupakan vektor tak nol di dalam ruang solusi pada sistem linier.
Ruang solusi ini disebut ruang eigen yang tersusun atas basis ruang eigen. Dari persamaan Ax =
λx didapatkan:
a a a x 11 12 1 n 1
a a a x
21 22 2 n 2
λx – Ax = (λI – A) x
a a a x n n nn n 1 2
Sistem persamaan homogen di atas mempunyai solusi tak trivial jika dan
A
hanya jika
I . Penguraian determinan ini akan menghasilkan suatu polinomial P berderajat n yang biasa disebut sebagai persamaan karakteristik.
Metode pencarian akarnya dapat dicari dengan pemfaktoran, rumus ABC (jika persamaan kuadrat) dan pembagian sintetis (aturan horner).
Contoh 2.11
4
2 2
A
2
4
2
2
2
4
Karena
4
2 2
4
2
I A
2
2 2
4 A
maka persamaan karakteristik matriks adalah
4
48
12
16
64
48
12 2 3
32
36
12 2 3
8
48
2 2
Jadi, nilai-nilai eigen dari matriks
A
adalah 2 dan
8 . Untuk 2 , maka:
2
z y x
I dan misal x
2
12 2 3
64
2
2
2
4
2
2
2
4
A
8
I Dijabarkan sebagai berikut
4 ) 2 ( 4 ) 2 (
4 ) ) 2 (
) 2 ( 2 (
4 2 2 2 3 3 3
4
12
8
2
2 A
2
Persamaan tunggal yang didapat adalah z y x . Misalkan t z ,
x
adalah
dan t s z y x . sehingga vektor eigen yang bersesuaian dengan 2
s y
b b b b b
2 2 3 1 2 1
2
2
2
2
2
2
2
1
adalah basis pada ruang eigen yang bersesuaian dengan
1
1
dan
1
maka
1 t s t s t s z y x
1
1
1
2
1
2
I
2 x = 0, yaitu:
adalah penyelesaian tak trivial dari A
2
2
2
2
2
2
2
1
1
1
2
akan diselesaikan dengan operasi baris elementer sebagai berikut
2 z y x
2
2
2
2
2
2 . Untuk
8 A
4 3
1
32
21
1
6
1
1
1
1
b b b b b b
2
1 3
2
32
31
b b b b b b2
2
4
2
2
2
4
1
2
1
2
6
Persamaan yang didapat adalah z x dan
6
1
A .
dapat didiagonalisasi jika terdapat matriks P yang mempunyai invers sehingga AP P 1 merupakan matriks diagonal. Matriks P disebut mendiagonalisasi matriks
Definisi 2.7.1 Sebuah matriks bujursangkar A
adalah basis pada ruang eigen yang bersesuaian dengan 8 .
1
1
1
maka
1 u u u u z y x
1
z y . Misalkan
x
sehingga vektor eigen yang bersesuaian dengan 8 adalah
u z x .
dan
, u z u z y
1
1
8
I dan misal x
8 x = 0, yaitu:
A
I adalah penyelesaian tak trivial dari
z y x
4
4
2
2
2
4
2
2
2
4