You are on page 1of 73

Eigenvector dan eigenvalues

• Pengertian
Sebuah matriks bujur sangkar dengan orde n x n misalkan A, dan sebuah vektor
kolom X. Vektor X adalah vektor dalam ruang Euklidian
n
R yang dihubungkan
dengan sebuah persamaan:
X AX λ = (7.1)
Dimana λ adalah suatu skalar dan X adalah vektor yang tidak nol Skalar λ
dinamakan nilai Eigen dari matriks A. Nilai eigen adalah nilai karakteristik dari suatu
matriks bujur sangkar. Vektor X dalam persamaan (7.1) adalah suatu vektor yang
tidak nol yang memenuhi persamaan (7.1) untuk nilai eigen yang sesuai dan disebut
dengan vektor eigen. J adi vektor X mempunyai nilai tertentu untuk nilai eigen
tertentu.
• Perhitungan eigenvalues
Kita tinjau perkalian matriks A dan X dalam persamaan (7.1) apabila kedua sisi
dalam persamaan tersebut dikalikan dengan matriks identitas didapatkan:
IAX = X Iλ
AX = IX λ
[ ] 0 = − X A I λ (7.2)
Persamaan (7.2) terpenuhi jika dan hanya jika:
det [ ] A I − λ (7.3)
Dengan menyelesaikan persamaan (7.3) dapat ditentukan nilai eigen ( ) λ dari sebuah
matriks bujur sangkar A tersebut.

• Perhitungan eigenvector
Kita tinjau kembali persamaan X AX λ = dimana A adalah matriks bujur
sangkar dan X adalah vektor bukan nol yang memenuhi persamaan tersebut. Dalam
subbab 7.1 telah dibahas tentang perhitungan nilai eigen dari matriks A(λ ), pada
subbab ini kita bahas vektor yang memenuhi persamaan tersebut yang disebut vektor
eigen(vektor karakteristik) yang sesuai untuk nilai eigennya.
Kita tinjau sebuah matriks bujur sangkar orde 2 x 2 berikut:
A =






22 21
12 11
a a
a a

Persamaan X AX λ = dapat dituliskan:






22 21
12 11
a a
a a







=






2
1
2
1
x
x
x
x
λ (7.4)
Persamaan (7.4) dikalikan dengan identitas didapatkan:







1 0
0 1







22 21
12 11
a a
a a







2
1
x
x
=






1 0
0 1
λ






2
1
x
x








22 21
12 11
a a
a a







2
1
x
x
=






λ
λ
0
0







2
1
x
x










λ
λ
22 21
12 11
a a
a a






2
1
x
x
=0 (7.5)
Persamaan (7.5) dalam bentuk sistem persamaan linier dituliskan:

0 ) (
0 ) (
2 22 1 21
2 12 1 11
= − +
= + −
x a x a
x a x a
λ
λ
(7.6)
Persamaan (7.6) adalah sistem persamaan linier homogen, vektor dalam ruang R
n

yang tidak nol didapatkan jika dan hanya jika persamaan tersebut mempunyai solusi
non trivial untuk nilai eigen yang sesuai.



Contoh soal:
1. Misalkan Sebuah vektor






=
2
1
X dan sebuah matriks bujur sangkar orde 2 x 2






=
2 4
0 4
A , Apabila matriks A dikalikan dengan X maka:
AX =






2 4
0 4







2
1
=






+
+
4 4
0 4
=






8
4

Dimana:







8
4
=






2
1
4 = X λ
Dengan konstanta 4 = λ dan






2 4
0 4







2
1
=






2
1
4
Memenuhi persamaan (7.1). Konstanta 4 = λ dikatakan nilai eigen dari matriks
bujur sangkar






=
2 4
0 4
A
2. Dapatkan nilai eigen dari matriks A =






2 3
1 2

J awab:
Dari persamaan (7.3) maka:
det








2 3
1 2
λ
λ
=0
0 3 ) 2 )( 2 ( = − − − λ λ
0 3 4 4
2
= − + − λ λ
0 1 4
2
= + − λ λ
Dengan menggunakan rumus abc didapatkan:
2 , 1
λ =
2
1 . 1 . 4 ) 4 ( 4
2
− − ±

=
2
4 16 4 − ±

=
2
12 4±

=
=2 3 ±
Maka penyelesaian adalah: 3 2
1
+ = λ dan 3 2
2
− = λ .
Nilai eigen matriks A =






2 3
1 2
adalah:
3 2
1
+ = λ dan 3 2
3
− = λ
3. Dapatkan nilai eigen dari matriks A =






5 1
1 4

J awab:
Nilai eigen ditentukan dengan persamaan:
det








5 1
1 4
λ
λ
=0
maka:
0 1 ) 5 )( 4 ( = − − − λ λ
0 1 20 9
2
= − + − λ λ
0 19 9
2
= + − λ λ
2
3 2 4±
Dengan rumus abc didapatkan:

2
19 . 1 . 4 ) 9 ( 9
2
2 , 1
− − ±
= λ

2
76 81 9
2 , 1
− ±
= λ

2
5 9
2 , 1
±
= λ
Didapatkan 5
2
1
5 , 4
1
+ = λ dan 5
2
1
5 , 4
2
− = λ , jadi nilai eigen matriks
A =






5 1
1 4
adalah 5
2
1
5 , 4 ± = λ

4. Tentukan vector eigen dari matriks berikut:
= �
3 2
−1 0

J awab:
• Nilai eigen dari matriks A adalah
A x = λ x

3 2
−1 0
� x = λ x

3 2
−1 0
� x =�
λ 0
0 λ
� x

λ 0
0 λ
� x - �
3 2
−1 0
� x =0

λ − 3 −2
1 λ
� x =0

Maka polynomial karakteristik A adalah :
Det (λI – A) =0
{( λ-3) . λ} – (- 2.1) =0
λ
2
- 3 λ + 2 = 0
(λ – 1) (λ – 2) =0
λ = 1 dan λ = 2 (nilai eigen valuenya)
• Sekarang tentukan nilai vektornya yaitu : sebuah vector tak 0 yang memenuhi
persamaan Ax = λx.
- Untuk nilai eigen λ = 1
Ax = λx

3 2
−1 0
� x = λ x

3 2
−1 0
� �

1

2
� =1. �

1

2


3
1
+ 2
2

1
� =�

1

2


3
1
+ 2
2

1

1

2
� =0
Maka di dapat persamaan :
3x
1
+2x
2
– x
1
=0
-x
1
– x
2
=0
Dan jika diselesaikan maka :
2x
1
+2x
2
=0 artinya x
1
=- x
2

-x
1
– x
2
=0 artinya x
1
=- x
2

J ika x
2
=k (merupakan konstanta sembarang)
Maka di dapat
X = �

1

2
� =�



- Untuk nilai eigen λ = 2
Ax = λx

3 2
−1 0
� x = λ x

3 2
−1 0
� �

1

2
� =2. �

1

2


3
1
+ 2
2

1
� =�
2
1
2
2


3
1
+ 2
2
− 2
1

1
− 2
2
� =0
Maka di dapat persamaan :
3x
1
+2x
2
– 2x
1
=0
-x
1
– 2x
2
=0
Dan jika diselesaikan maka :
x
1
+2x
2
=0 artinya x
1
=- 2x
2

-x
1
– 2x
2
=0 artinya x
1
=- 2x
2

J ika x
2
=k (merupakan konstanta sembarang)
Maka di dapat
X = �

1

2
� =�
−2










Linear Algebra
Generalized Inverses

Misalkan matriks A =(aij) Cnxm. Sebuah matriks X =(xij) Cnxmdikatakan sebagai
generalized atau pseudo invers dari matriks A jika X memenuhi satu atau lebih dari
sifat-sifat berikut:
(i) AXA =A
(ii) XAX =X
(iii) (AX)H =AX (6.10)
(iv) (XA)H =XA
Disini AH =(A)T ! conjugate transpose dari matriks A. J ika elemen-elemen dari
matriks A maka AH =AT (AH dibaca A- Hermitian)
J ika X memenuhi persamaan (6.10) maka X disebut sebagai satu-invers (one invers )
yang secara umum tidak tunggal.
J ika X adalah satu-invers , maka seluruh satu-invers yang lain dari matriks A adalah :
Satu-invers X adalah tunggal jika dan hanya jika matriks A adalah matriks bujur
sangkar
nonsingular.

Matriks X dikatakan sebagi Moore-Penrose Generalized Invers dari matriks A jika
dan
hanya jika matriks X memenuhi keempat sifat yang diberikan pada persamaan (6.10)
dan
dinotasikan dengan A+

Contoh matriks A* (A
H
)
If

then



Teorema 1 pada generalized inverse pada matriks mempunyai 4 persamaan:
1. BAB =B
2. ABA =A
3. (BA)
H
=BA
4. (AB)
H
=AB
Matriks B disebut pseudo-invers atau invers matriks tergeneralisasi dari A.

Contoh:
Teorema 1
Diberikan A sembarang matriks berukuran mxn, maka terdapat invers matriks tunggal
tergeneralisasi dari A berukuran nxm.
Bukti:
J ika X,Y adalah invers matrik tergenerasliasi dari A, maka X, Y memenuhi keempat
sifat pada teorema 1. Sehingga berlaku:
AY =(AXA)Y=(AX)(AY)
Karena AX dan AY matriks Hermitian dengan sifar nomer 4, di peroleh:
AY =((AX(AY))
H

=(AY)
H
(AX)
H

=(AY)(AX)
=(AYA)X
=AX
Dengan cara yang sama didapatkan YA=XA. Berikutnya AY=AX dikalikan dengan
Y dari kiri, didapatkan Y =YAY =YAX
Selanjutnya YA =XA dikalikan matriks X dari kanan, didapatkan :
YAX =XAX =X
J adi Y =YAX =X
Terbukti vahwa X=Y, artinya invers A tunggal.

TEORI
SUBSPACE
Di dalam matematika, sebuah subspace merupakan vector space yang berada di dalam
vector space lain. Jadi, setiap subspace adalah vector space yang berada dalam subspace
itu sendiri atau bisa juga merupakan vector space yang ada di dalam vector space lain
(yang lebih besar).
Dimisalkan ada dua buah vector space, yaitu V dan W yang keduanya memiliki bagian
vector dan bagian skalar. Dimisalkan bahwa W merupakan subspace dari V, dengan W ⊆
V. Apabila V adalah vector space yang didefinisikan C
4
, melalui sebuah matriks
berbentuk 4x4, maka sudah jelas bahwa W ⊆ V apabila objek dari W adalah vektor
kolom yang berjumlah 4.
INVARIANT SUBSPACE
Invariant subspace merupakan suatu istilah yang ditujukan pada sebuah subspace, yang
apabila ada transformasi linier
T : V → V
Kemudian W ≤ V, λ adalah eigenvalue dari sebuah transformasi T, v adalah eigenvector
yang koresponden / sesuai dengan λ tsb, kemudian Tv=λv, sehingga T(w) terletak di
dalam subspace W. Atau dengan kata lain, W merupakan sebuah subspace yang
memiliki sifat invariant terhadap transformasi T. Atau bisa disebut juga bahwa W adalah
T-invariant subspace.
Perhatian :
T : transformasi linier, contoh T(x)=Ax.
V : vektor space yang mengalami transformasi T, bisa berbentuk himpunan
ataupun matriks
W : subspace dari V, bisa berbentuk himpunan atau matriks
X : eigenvector dari sebuah matriks persegi, biasanya berbentuk matriks
λ : eigenvalue dari sebuah matriks persegi, biasanya berbentuk konstanta

Contoh soal:
1. Transformasi linear dari T: C
4
―> C
4
didefinisikan sebagai T(x)=Ax.
Dimana A=

Dan w1 dan w2:

Dan himpunan W={w1,w2}. Kita akan periksa apakah W merupakan invariant subspace
dari C
4
dengan T. Dari definisi W, setiap vector yang dipilih dari W dapat ditulis sebagai
kombinasi linear dari w1 dan w2. Anggap w W, berikut penjelasan untuk
pemeriksaannya.
T(w) = T(a1*w1+a2*w2)
= a1* T(w1)+ a2*T(w2)
=a1* + a2*
=a1*w2+a2*((-1)w1++2w2)
=(-a2)*w1+(a1+2a2)*w2 W

Oleh karena itu berdasarkan definisi dari invariant subspace maka W merupakan
invariant subspace dari C
4
dengan T.

2. Dan x1 dan x2:

Dan himpunan X={x1,x2}. Kita akan periksa apakah X merupakan invariant subspace dari
C
4
dengan T. Dari definisi X, setiap vector yang dipilih dari X dapat ditulis sebagai
kombinasi linear dari x1 dan x2. Berikut penjelasan untuk pemeriksaan apakah X
merupakan invariant subspace dari C
4
atau tidak.
T(w) = T(b1*x1+b2*x2)
= b1* T(x1)+ b2*T(x2)
=b1* + b2*
=a1*(-11,7*x1+8,1*x2)+a2*(-28,57*x1+22,98*x2)
=-(11,7*a1+28,57*a2)*x1+(8,1*a1+22,98*a2)*x2 X
*
Oleh karena itu berdasarkan definisi dari invariant subspace maka X merupakan
invariant subspace dari C
4
dengan T.


Linear Subspaces (Sub Ruang Linier)

1. Pembuka
Dalam tulisan ini sedikit menyinggung tentang beberapa istilah dalam aljabar linier yang perlu
dimengerti sebelum belajar kontrol robust. Beberapa istilah lain ada di tulisan lain untuk
melengkapi tulisan ini. Selain belajar dari tulisan ini, diharapkan peserta kuliah juga aktif
menelusuri lebih dalam tentang aljabar linier di beberapa referensi buku yang disodorkan agar
peserta bisa lebih memahami tentang istilah-istilah yang di tulis disini yang nantinya akan
mempengaruhi pemahaman kita saat belajar kontrol robust.
Dalam tulisan ini akan di jelaskan seperti apa sub ruang vektor (Subspace), kombinasi linier suatu
vektor, span, kebebasan linier, basis dan dimensi yang mana seluruhnya saling berhubungan.
Selain itu juga akan disinggung mengenai vektor yang ortogonal, ortonormal, kernel, image, dan
trace.

2. Subruang
Jika diketahui V adalah ruang vektor dan U adalah sub himpunan V, maka U dikatakan sub ruang
dari V jika memenuhi dua syarat:
• Jika ̅, � ϵ U maka ̅ + � ϵ U (syarat penjumlahan)
• Jika ̅ ϵ U maka untuk skalar k berlaku k̅ ϵ U (syarat perkalian)

Untuk lebih memahami pernyataan di atas kita bisa perhatikan contoh di bawah ini:
2.1. jika U= �

0
� adalah sub himpunan R
2
maka tunjukanlah apakah U subruang R
2
?
Kita uji U dengan 2 syarat diatas:
#Syarat penjumlahan
misal ̅ = �
2
0
� dan � = �
3
0
� dimana kita tahu bahwa ̅, � ϵ U maka
̅ + � = �
2
0
� +�
3
0
�= �
5
0

̅ + �= �
5
0
� ϵ U, berapapun nilai x pada ̅, � ϵ U akan tetap mengakibatkan ̅ + � sebagai anggota
U (Syarat penjumlahan terpenuhi)

#Syarat perkalian
misal ̅ = �
2
0
�, maka k̅ ϵ U dengan k skalar. Berapapun nilai k dan berapapun nilai x yang ada
pada ̅, k̅ tetap akan berada dalam himpunan U (syarat perkalian terpenuhi)
karena dua syarat di atas terpenuhi maka U adalah subruang dari R
2

2.2. jika U= �

� dan x ≥0 , dan U adalah sub himpunan R
2
maka tunjukanlah apakah U subruang
R
2
?
Kembali kita uji U dengan 2 syarat diatas:
#Syarat penjumlahan
misal ̅ = �
2
4
� dan � = �
3
6
� dimana kita tahu bahwa ̅, � ϵ U maka
̅ + � = �
2
4
� +�
3
6
�= �
5
10

̅ + �= �
5
10
� ϵ U, berapapun nilai x asalkan x≥0 dan berapapun nilai y pada ̅, � ϵ U akan tetap
mengakibatkan ̅ + � sebagai anggota U (Syarat penjumlahan terpenuhi)

#Syarat perkalian
misal ̅ = �
2
4
�, maka ada nilai k yang tidak dapat memenuhi syarat k̅ ϵ U yaitu ketika k ≤ 0 .
misalkan k = -1 maka k̅ = �
−2
−4
� , padahal nilai x harus ≥0 agar tetap berada di dalam anggota U.
(syarat perkalian tidak terpenuhi)
karena ada syarat yang tidak terpenuhi maka U bukanlah subruang dari R
2



3. Kombinasi Linier dan Span
• Jika U= {
1
���,
2
���, . . . . . .

��� } maka � = k
1
.
1
��� +k
2
.
2
���+. . . k
n
.

��� bisa disebut kombinasi linier
dari U
• Jika U= {
1
���,
2
���, . . . . . .

��� }, maka Span{U} adalah semua kombinasi linier yang mungkin
terjadi dari U
• jika V adalah ruang Vektor dan U adalah Sub himpunan dari V maka Span{U} bisa
dikatakan sebagai subruang dari V, atau secara matematis Span{U}= Subruang V jika U
adalah subruang V
berikut ini adalah contoh soal untuk memperjelas pernyataan di atas:
3.1. jika U={̅, �} = {�

1

1
� , �

2

2
�} dan U adalah sub himpunan R
2
maka tunjukanlah , tunjukanlah
bahwa span{U} adalah subruang R
2
?
misal ̅=�
1
2
� �=�
4
3
�, maka span{̅, �} adalah:
span{̅, �} adalah kombinasi linier yang mungkin terjadi dari {̅, �} , maka katakanlah
� = span{̅, �}
� = k
1
.̅ +k
2
. �=k
1
.�
1
2
� +k
2
. �
4
3
� = �

1
+4
2
2
1
+3
2

Untuk mengujinya dengan 2 syarat sub ruang, maka kita definisikan lagi ̅ sebagai kombinasi linier
yang lain dari U, maka
̅ = span{̅, �}
̅ = m
1
.̅ +m
2
. �=m
1
.�
1
2
� +m
2
. �
4
3
� = �

1
+4
2
2
1
+3
2

Jika kita masukan nilai k
1
, k
2
, m
1
, dan m
2
ke dalam � dan ̅ maka � dan ̅ akan tetap menjadi
anggota himpunan U, selanjutnya adalah pengujian terhadap syarat subruang :
#syarat penjumlahan
� + ̅ = �

1
+4
2
2
1
+3
2
� +�

1
+4
2
2
1
+3
2
� = �

1
+4
2
+
1
+4
2
2
1
+3
2
+2
1
+3
2

Berapapun nilai k
1
, k
2
, m
1
, dan m
2,
� + ̅ tetap anggota himpunan U (syarat penjumlahan)
#Syarat perkalian
� = �

1
+4
2
2
1
+3
2
�, maka c� ϵ U dengan C skalar. Berapapun nilai c serta berapapun nilai k
1
dan k
2

yang ada pada �, c� tetap akan berada dalam himpunan U (syarat perkalian terpenuhi)
karena dua syarat di atas terpenuhi maka span{U}=span{̅, �} adalah subruang dari R
2
4. Kebebasan Linier, Basis, dan Dimensi
U = {
1
���,
2
���, . . . . . .

��� } dikatakan bebas linier (Linearly independent) jika :
• {U} = k
1.

1
��� +k
2
.
2
���+. . . k
n
.

��� =0 dan hanya memiliki penyelesaian k
1
= k
2
= k
n
=
0 ,
• Jika ada penyelesaian lain maka dikatakan bergantung linier (Linearly Dependent)
• Misalkan V ruang vektor dan U= {
1
���,
2
���, . . . . . .

��� }. U disebut basis dari V bila U bebas
linier
• Dimensi Ruang Vektor didefinisikan sebagai banyaknya unsur basis ruang vektor, misal
dim (R
3
)=3

berikut ini adalah contoh soal untuk memperjelas pernyataan di atas:
4.1. misal U={̅, �}, ̅=�
1
2
� �=�
4
3
�, apakah U basis dari R
2
?
Cek kebebasan liniernya, maka
Span{U} = span{̅, �}= k
1
.̅ +k
2
. � = �
0
0

Span{U} =k
1
.�
1
2
� +k
2
. �
4
3
� = �

1
+4
2
2
1
+3
2
� = �
0
0

Atau bisa kita tulis dalam bentuk

1 4
2 3
� �
k
1
k
2
� = �
0
0


k
1
k
2
� = �
1 4
2 3

−1

0
0


k
1
k
2
� = �
0
0

karena k
1
=k
2
=0, maka U bebas linier, karena U bebas linier maka U adalah basis dari R
2
. Dapat
diliat secara langsung juga bahwa U memiliki 2 vektor dan dim (R
2
) adalah 2 maka U adalah basis
dari R
2
.



4.2. misal U={̅, �, ̅ }, ̅=�
1
2
� �=�
4
3
� ̅=�
5
1
�, apakah U basis dari R
2
:
Cek kebebasan liniernya, maka
Span{U} = span{̅, �, ̅ }= k
1
.̅ +k
2
. � +k
3
. ̅ = �
0
0

Span{U} =k
1
.�
1
2
� +k
2
. �
4
3
� +k
3
. �
5
1
� = �

1
+4
2
+5
3
2
1
+3
2
+
3
� = �
0
0


1 4 5
2 3 1
� �
k
1
k
2
� = �
0
0


Invers dari suatu matriks A adalah A
-1
=

det

Matriks �
1 4 5
2 3 1
� tidak memiliki determinan, maka matriks tersebut tidak bisa di inverskan, oleh
karena itu

k
1
k
2
� ≠ �
0
0

karena k
1
≠ k
2
≠ 0, maka U bergantung linier, karena U bergantung linier maka U bukanlah basis
dari R
2
. Dapat diliat secara langsung juga bahwa U memiliki 3 vektor dan dim (R
2
) adalah 2 maka U
bukanlah basis dari R
2
.
5.1 Kernell atau Null space
Didefinisikan dengan
Ker A = N(A) := {⃑ ∈ R
n
| A ⃑ = 0
�⃑
},
Adalah semua nilai vektor x (⃑) yang memenuhi persamaan, dimana ⃑ adalah anggota R
n

dan matriks A jika dikali ⃑ akan menghasilkan vektor 0 (0
�⃑
).
5.2 misal A=�
1 1 1 1
1 2 3 4
4 3 2 1
�, maka berapakah Null A (N(A))?
A=�
1 1 1 1
1 2 3 4
4 3 2 1
� �

1

2

3

4
�=�
0
0
0
0
� N(A) := {⃑ ∈ R
n
| A ⃑ = 0
�⃑
}
Matriks di atas bisa diwaki denagn persamaan linear sebagai berikut
X
1
+ X
2
+ X
3
+X
4
=0
X
1
+2X
2
+3X
3
+4X
4
=0
4X
1
+3X
2
+2X
3
+X
4
=0
Persamaan diatas bisa diwakili dengan sebuah matriks buatan yaitu

1 1 1 1
1 2 3 4
4 3 2 1

0
0
0

kemudian : baris ke 2 diganti dengan : baris ke 2 dikurangi baris ke 1 dan
baris ke 4 diganti dengan : 4 x baris ke 1 dikurangi baris ke 4
sehingga matriks tersebut menjadi :

1 1 1 1
0 1 2 3
0 1 2 3

0
0
0

kemudian : baris ke 1 diganti dengan : baris ke 1 dikurangi baris ke 2 dan
baris ke 4 diganti dengan : baris ke 4 dikurangi baris ke 3
sehingga matriks tersebut menjadi :

1 0 −1 −2
0 1 2 3
0 0 0 0

0
0
0

Matriks di atas bisa dituliskan menjadi persamaan :
X
1
– X
3
– 2X
4
=0 maka X
1
= X
3
+ 2X
4



X
2
+2X
3
+3X
4
=0 maka X
2
= –2X
3
– 3X
4

Sehingga

1

2

3

4
�= X
3

1
−2
1
0
� +

X
4

2
−3
0
1



Jadi N(A) = Span��
1
−2
1
0
� +�
2
−3
0
1
��
Sebagai catatan tambahan jika kolom – kolom pada Matriks A merupakan bebas linear(linieary
independent) maka ⃑ yang memungkinkan ⃑ = 0
�⃑







Dan gambaran atau range dari A adalah
ImA = R(A) := {y ∈ F
m
: y = Ax, x ∈ F
n
}.
Biarkan a
i
, i = 1 , 2,...,n menyatakan colom dari matriks A ∈ F
m x n
; maka
Im A = span{a
1
,a
2
,...,a
n
}.
Sebuah pesegi matriks U ∈ F
n x n

yang kolomnya membentuk basis orthonormal untuk F
n
disebut
kesatuan matriks ( atau matriks orthogonal jika F = R), dan itu membuktikan U*U = I = UU*.
6.1 Trace
Trace dari matriks persegi ordo n x n didefinisikan sebagai jumlah elemen pada diagonal
utama, yaitu diagonal dari kiri atas ke kanan bawah dinotasikan dengan Tr(A), yaitu
a
11
+a
22
+a
33
+...a
nn
=∑ a
ii
n
i=1

atau bisa juga dituliskan :
Trace(A): = �a
ii
n
i=1

Sebagai contoh :
matriks A=�
−1 2 0
1 2 −2
−1 1 3
� hitung trace dari A?
Dapat dituliskan tr(A)= a
11
+a
22
+a
33

= (-1) + 2 +3 = 4
6. Referensi
1. Anton, Howard dan Rorres, Chris. Elementary Linear Algebra-Ninth Edition. John
Wiley and Sons, Inc. 2005
2. Sibaroni, Yuliant. Buku Ajar Aljabar Linier. STT Telkom Bandung. 2002
3. www.Youtube.com (channel: khan academy, bagian Lenear Algebra)

Definisi inverse
JIka A dan B matriks bujur sangkar sedemikian rupa sehingga A B = B A = I , maka B disebut
balikan atau invers dari A dan dapat dituliskan ( B sama dengan invers A). Matriks B
juga mempunyai invers yaitu A maka dapat dituliskan .
Metode penentuan inverse :
Ada beberapa metode untuk menetukan invers dari suatu matriks ,antara lain :
1. subtitusi
2. matriks adjoint
3. eliminasi guass-jordan
4. dekomposisi
5. perkalian matriks inverse elementer
6. dan lain lain
Pada pembahasan kali ini kami hanya kan membahas 2 metode saja yaitu menggunakan
matriks adjoint dan partisi matriks-dekomposisi, karena erat kaitannya dengan mata kuliah yang
sedang kami ambil yaitu teknik control robust terutama metode dekomposisi.
Penjelasan matriks adjoint
Misalkan A suatu matriks kuadrat dengan baris dan kolomnya masing masing sebesar n.
Jadi A = (ai j) ; i,j = 1,2,….n. Dan setiap element dari matriks mempunyai kofaktor, yaitu elemen
ai j mempunyai kofaktor k i j .Apabila semua kofaktor itu dihitung untuk semua elemen matriks
A, kemudian dibentuk suatu matriks K dengan kofaktor dari semua elemen matriks A
sebagai elemennya, maka:

Yang disebut adjoint matriks A ialah suatu matriks yang elemen elemennya terdiri dari
transpose semua kofaktor dari elemen-elemen matriks A, yaitu apabila: k=( k i j ), dimana k i j
ialah kofaktor dari elemen ai j , maka adjoint matriks A yaitu :

Jadi, jelasnya Adj (A) ialah transpose dari matriks kofaktor K, yaitu:


Matriks orde 2 x 2 :

=
= Invers Matriks A
Adj (A) = Matriks adjoint dari matriks A
Det (A) = Determinan matriks A
Untuk matriks berordo 2X2 dimana matriks A =
A =
Untuk nilai invers dari matriks :
=
=

=

=

=


Matriks orde 3 x 3 :


Contoh soal :
Carilah invers matriks dibawah ini :
Penyelesaian :
• Mencari determinan matriks A =
Untuk matriks berukuran 3x3, maka determinan matriks dapat dicari dengan aturan
Sarrus

Det (A) = a
11
a
22
a
33
+ a
12
a
23
a
31
+ a
13
a
21
a
32
– a
31
a
22
a
13
– a
32
a
23
a
11
– a
33
a
21
a
12

Jadi untuk mencari determinan dari soal matriks A adalah,
Det (A) = 3(1)(1) + (-1)(4)(2) + 2(0)(-2) – 2(1)(2) – (-2)(4)(3) – 1(0)(-1)
3 – 7 – 0 – 4 + 24 + 0 =16

• Mencari Adjoint A


A
11 =

Det (A
11)
=(1)(1) – (-2)(4) = 1 + 8 = 9


A
21 =


Det (A
11)
=(-1)(1) – (-2)(2) = -1 + 4 = 3


A
31 =


Det (A
31)
=(-1)(4) – (1)(2) = -4 - 2 = -6


A
12 =


Det (A
12)
=(0)(1) – (2)(4) = 0 - 8 = -8


A
22 =


Det (A
22)
=(3)(1) – (2)(2) = 3 - 4 = -1


A
32 =



Det (A
22)
=(3)(4) – (0)(2) = 12 - 0 =12


A
13 =


Det (A
13)
=(0)(-2) – (2)(1) = 0 - 2 =-2



A
23 =


Det (A
23)
=(3)(-2) – (2)(-1) = -6 + 2 =-4


A
33 =


Det (A
33)
=(3)(1) – (-1)(0) = 3 + 0 = 3


A =

Matriks kofaktor yang terbentuk adalah :



Adjoint matriks didapat dari transpose matriks kofaktor, didapat:











Penyelesaian inverse dengan metode dekomposisi

Dekomposisi adalah menuliskan suatu matriks sebagai jumlah atau perkalian dua
matriks , yang masing-masing bentuknya tertentu. Cara menentukan invers dari
matriks A berukuran nxn dengan metode dekomposisi dimulai dengan teknik partisi.
Partisi matriks adalah membagi matriks menjadi submatriks-submatriks. Ada 2
macam teknik partisi , yaitu partisi simetri dan partisi tak simetri. Partisi simetri
adalah apabila matriks asal dibagi menjadi empat buah submatriks yang ukurannya
sama. Partisi tak simetri adalah apabila matriks asal dibagi menjadi empat buah
submatriks yang ukurannya berbeda, dalam hal ini blok diagonal harus merupakan
matriks bujur sangkar dan dua blok lainnya adalah matriks garis dan matris kolom.
Penggunaan matriks dekomposisi bertujuan untuk menyelesaikan suatu invers
dari matriks yang berukuran besar, karena apabila kita menggunakan metode yang
biasa digunakan seperti matriks adjoint atau operasi baris elementer (OBE) rentan
terjadi kesalahan dalam proses perhitungannya dan relative lebih sulit, namun apabila
kita menggunakan metode dekomposisi maka matriks yang besar tersebut kemudian
akan dibagi menjadi submatriks –submatriks yang berukuran lebih kecil sehingga
akan lebih teliti dalam perhitungan menentukan invers dari suatu matriks.
Untuk lebih memahami bagaimana penyelesaian inverse dengan metode
dekomposisi, kita bisa membuat formula atau rumus umumnya .
Dimisalkan matriks Z adalah matriks bujur sangkar hasil partisi dari suatu matriks
besar ,dimana A11 dan A22 adalah juga merupakan sebuah matriks bujur sangkar.

Z = A11 A12
A21 A22

Misal A11 = A ; A12 = B ; A21 = C ; A22 = D
Maka ;
Z = A B
C D

Anggapan A adalah matriks nonsingular (formula 1)
Kemudian pada matriks Z dilakukan dekompoisi, sehingga didapat :

Z = A B = Im 0 A 0 Im A’B
C D CA’ In 0 ∆ 0 Iq

A 0 = Im 0 A B Im A’B
0 ∆ CA’ In C D 0 Iq

Dengan ∆ disebut schur complement dari A;
∆ = D – CA’B

Kronologi didapatkannya formula umum diatas adalah sebagai berikut :
Persamaan 1 :

Untuk membuat diagonal blok menjadi 0 , maka C + RA = 0. Sehingga
R= - CA’ dan menyebabkan nilai D + RB = D – CA’B .
Sehingga persamaan 1 menjadi
<=>
Persamaan 2 :

Kemudian untuk membuat diagonal blok menjadi 0, maka B +AQ = 0 ,
sehingga nilai Q = - A’ B dan menyebabkan nilai D+CQ = D – CA’B.
Sehingga persamaan 2 menjadi
<=>
persamaan 3 :

=
Dengan melakukan subtitusi nilai R dan Q dari persamaan 1 dan 2 didapat





Tujuan dari penjabaran ketiga persamaan diatas adalah untuk pembuktian
penjabaran dari formula umum dekomposisi matriks .
Yaitu (dari persmaan 3) ,kita dapat melakukan dekomposisi dari matriks Z.


-1

Berdasarkan teori ,bahwa :
Im C
-1
= Im 0 Im B
-1
= Im -B
0 In -C In dan 0 In 0 In
Sehingga untuk persamaan 3 menjadi :
Z = =
Kemudian dikembalikan lagi kedalam permisalan: A
11
= A ; A
12
= B ; A
21
= C ;
A
22
= D, sehingga didapat kembali formula umum dari dekomposisi matriks dengan
Anggapan A
11
adalah matriks nonsingular dan ∆ = A22 – A21 A11’ A12 (∆ adalah schur
complement dari A
11
).




Z = A11 A12 = I 0 A11 0 I A11
-1
A12
A21 A22 A21A11
-1
I 0 ∆ 0 I


Anggapan permisalan D = A
22
adalah matriks nonsingular (formula 2)

Z = A11 A12
A21 A22

Misal A11 = A ; A12 = B ; A21 = C ; A22 = D
Maka ;
Z = A B
C D

Maka berlaku juga pada permisalan A= A
22
adalah matriks nonsingular, sehingga
didapat
Z = A B = Im BD’ ∆ 0 Im 0
C D 0 In 0 D D’C Iq

Dengan ∆ disebut schur complement dari D;
∆ = A – BD’C atau ∆ = A
11
–A
12
A
22
‘ A
21


Kronologi didapatkannya formula umum diatas adalah sebagai berikut :
persamaan 1

persamaan 2


dari persamaan 1 dan 2 didapat persamaan 3
dari persamaan 3 didapat bahwa
A B = Im -BD’
- 1
∆ 0 Im 0
-1

C D 0 In 0 D -D’C Iq

Berdasarkan teori ,bahwa :
Im C
-1
= Im 0 Im B
-1
= Im -B
0 In -C In dan 0 In 0 In
Sehingga untuk persamaan 3 menjadi

A B = Im BD’ ∆ 0 Im 0
C D 0 In 0 D D’C Iq


Selanjutnya perhitungan matriks dari formula 1 dan 2 :

Misal A11 = A ; A12 = B ; A21 = C ; A22 = D dan A11 adalah matriks
nonsingular
Formula 1 ;

Z = A B = I 0 A 0 I A’B
C D CA’ I 0 ∆ 0 I




Dari Persamaan 1 :

x y V
Dari matriks diatas
Dan = ∆
Y = V X
-1

Y
-1
= V
-1
X , sehingga :


Dari teori

Maka dapat dipersamakan dengan persamaan 1


Misal A11 = A ; A12 = B ; A21 = C ; A22 = D dan A22 adalah matriks
nonsingular
Formula 2 ;

A B = Im BD’ ∆ 0 Im 0
C D 0 In 0 D D’C Iq


Kronologi mendapatkan rumusnya adalah sebagai berikut ;
Dengan F adalah ∆ (schum complement dari D) =
Dianalogikan bahwa

Lalu didapat
persamaan 1
persamaan 2

Dari persamaan 1 didapat
lalu

Berarti : dan

Dari persamaan 2 didapat
S = D
-1
- D
-1
CQ
Dan f = sehingga

Lalu didapat
Dan
Jadi sudah didapat semua komponen (P Q R S)
=



Contoh soal penyelesaian matriks dengan metode dekomposisi :



• Langkah yang pertama mempartisi matriks diatas menjadi 2 x 2 sesuai dengan
bentuk umum dibawah ini :


A
=




A11 =
A12 =
A21 =
A22 = [2]
Maka kita dapat menggunakan rumus karena A11 merpakan matriks Non singular
sehingga kita menggunakan rumus :

A11 A12 = A11
-1 +
A11
-1
A12 ∆
-1
A21 A11
-1
- A11
-1
A12 ∆
-1

A21 A22 -∆
-1
A21 A11
-1

-1


Berdasarkan rumus diatas kita cari nilai – nilai dari setiap matriks diatas :

A11
-1
=

∆ = A22 – A21 A11
-1
A12

∆ = [2] – *
∆ = -2

-1
= - 0.5

A11
-1 +
A11
-1
A12 ∆
-1
A21 A11
-1
=

- A11
-1
A12 ∆
-1
= =

-∆
-1
A21 A11
-1
= -0.5 * =
Sehingga invers matriks B dengan metode dekomposisi adalah ,
B
-1
= A11 A12 = 0 -0.5 0.5
A21 A22 -0.5 0 0.5
0.5 0.5 -0.5

Mencari invers matriks dengan menggunakan matlab :
>> A = [2 5; 1 3]
A =

2 5
1 3
>> inv(A)

ans =

3 -5
-1 2
SEMIDEFINIT MATRICES
Suatu matriks Hermitian A∈Mn dikatakan definit positif jika x*Ax > 0, untuk semua x ∈Cn.
Jika ketaksamaan di atas diperlemah menjadi x * Ax ≥ 0 maka A dikatakan semidefinit
positif. Secara implicit, ruas kiri pada ketaksamaan di atas menyatakan suatu bilangan
real.
• Matrik Hessian
Beberapa konsep dalam matriks dan aljabar seperti matriks Hessian dapat kita gunakan sebagai
salah satu metode untuk menentukan jenis matriks seperti matriks definite positive, semidefinite positif,
definite negative atau indefinite dan definit negative.
Diberikan f(x
1,
x
2, …,
x
n
) adalah sebuah fungsi dengan n variable, (x
1,
x
2, …,
x
n
). Matriks Hessian
adalah matriks yang merupakan turunan parsial dari fungsi tersebut dengan susunan seperti berikut :
(H) =



11

12

1

21

22

2
. . .
. . .

1

2





11
=

2

(
2
)
2

1
=

2

1


2
=

2

2

=

2

(

)
2

Contoh :
Tentukan matriks hessian dari suatu fungsi dengan tiga variabel berikut :
f(x) = x
1
2
+ 2x
2
2
- 3x
3
2
+ 4x
1
x
2
- 5x
1
x
3
+ 6x
2
x
3
turunan parsial I :

1
= 2x
1
+ 4x
2
- 5x
3

2
= 4x
2
+ 4x
1
+ 6x
3

3
= - 6x
3
- 5x
1
+ 6x
2
turunan parsial II :

11
=

2

(
1
)
2
= 2
12
=

2

1

2
= 4
13
=

2

1

3
= -5

21
=

2

2

1
= 4
22
=

2

(
2
)
2
= 4
23
=

2

2

3
= 6

31
=

2

3

1
= -5
32
=

2

3

2
= 6
33
=

2

(
3
)
2
= -6

Maka akan diperoleh matriks hessian :
() = �
2 4 −5
4 4 6
−5 6 −6


• Bagian-bagian matriks hessian
Jika terdapat suatu matriks berukuran (n x n), maka principal minor ke k (k≤n) adalah suatu sub matriks
dengan ukuran (k x k) yang diperoleh dengan menghapus (n-k) baris dan kolom yang bersesuaian dari
matriks tersebut.
Contoh :
() = �
1 2 3
4 5 6
7 8 9

Principal minor ke-1 adalah elemen-elemen yang diagonal yaitu 1,5,9.
Principal minor ke-2 adlah matriks-matriks (2 x 2) berikut :

1 2
4 5
� �
1 3
7 9
� �
5 6
8 9

Principal minor ke-3 adalah matriks Q itu sendiri.
Determinan dari suatu principal minor dinamakan principal determinan.
Leading principal minor ke k dari suatu matriks n x n diperoleh dengan menghapus (n - k) baris
terakhir dan kolom yang bersesuaian. Dengan matriks Q diatas leading minor ke-1 adalah 1 (hapus dua
baris terakhir dan dua kolom terakhir). Leading principal minor ke-2 adalah :

1 2
4 5

Sementara yang ke-3 adalah matriks Q itu sendiri.
Banyaknya leading Principle determinan dari suatu matriks (n x n) adalah n. Determinan dari leading
principal minor dinamakan leading principal determinan.
• Menentukan jenis matriks hessian
Cara pengujian sederhana untuk menentukan apakah suatu matriks adalah definit positif, semidefinit
positif, definit negative, semidefinit negative atau indefinite. Semua pengujian ini berlaku hanya jika
matriksnya simetris.


Ketentuan uji bagi matriks definit positif adlah :
1. Semua elemen diagonal harus positif
2. Semua leading principal determinan harus positif ( > 0 )
Ketentuan uji untuk matriks semidefinit positif adalah :
1. Semua elemen diagonal positif
2. Semua leading principal determinan non negative ( ≥ 0)

Untuk membuktikan bahwa suatu matriks definit negative (semidefinit negatif), uji negative dari
matriks itu untuk definit positif (semidefinit positif). Suatu uji cukup bagi suatu matriks menjadi indefinite
adalah bahwa sekurang-kurangnya dua elemen diagonalnya memiliki tanda berlawanan.

• Sifat-sifat penting berkaitan dengan matriks definit positif
Beberapa sifat penting berkaitan dengan matriks definit positif adalah:
a. Penjumlahan sebarang dua buah matriks definit positif menghasilkan matriks definit positif juga.
Secara umum berlaku sebarang kombinasi linear nonnegative dari matriks-matriks semidefinit
positif menghasilkan matriks semidefinit positif

Bukti:
Misalkan A dan B keduanya semidefinit positif, dan a,b ≥ Ο .
Perhatikan bahwa x∗(aA + bB)x = a(x∗ Ax)+ b(x∗Bx)≥ Ο untuk semua x ∈Cn.

b. Setiap nilai eigen dari matriks definit positif adalah bilangan real positif

Bukti:
Misalkan A definit positif dan λ ∈σ (A), yaitu suatu nilai eigen dari A dan x adalah vektor eigen
yang bersesuaian dengan λ .
Perhatikan,
x∗ Ax = x∗λx = λx∗x

Oleh karena itu kita peroleh λ =
(∗)

dimana pembilang dan penyebut keduanya positif.

c. Sebagai akibat dari bagian (b), trace dan determinan dari matriks definit positif adalah positif

• Karakterisasi Matriks Definit Positif
Pada bagian ini kita akan melihat syarat cukup yang harus dipenuhi oleh matriks definit dan semidefinit
positif yang dinyatakan dalam teorema berikut.

Teorema 2
1. Suatu matriks Hermitian A∈Mn adalah semidefinit positif jika dan hanya jika semua nilai
eigennya nonnegative.
2. Suatu matriks Hermitian n A∈M adalah definit positif jika dan hanya jika semua nilai eigennya
positif.


Bukti:
Jika setiap nilai eigen dari A adalah positif maka untuk sebarang vektor tak nol x ∈Cn
Berlaku

x
*
Ax = x
*
U
*
DUx = y* Dy =∑ ′ >

=
∑ | || | >

=
0

Dimana D adalah matriks diagonal dengan entri-entri diagonal adalah nilai-nilai eigen dari A, y = Ux dan
U uniter.

Dengan menggunakan teorema di atas kita dapat memperoleh akibat berikut

Akibat 3
Jika n A∈M suatu matriks semidefinit positif maka demikian juga matriks Ak, k = 1,2,…

Bukti:
Jika λ adalah suatu nilai eigen dari A maka λk adalah nilai eigen untuk Ak. Berdasarkan Teorema di atas
maka Ak semidefinit positif.

Contoh Soal :
Contoh 1 :
f(x) = 7x
1
2
+ 10x
2
2
+ 7x
3
2
– 4x
1
x
2
+ 2x
1
x
3
– 4x
2
x
3

maka
() = �
14 −4 2
−4 20 −4
2 −4 −14

dengan leading principal determinan H
1
= 14, H
2
= 264, H
3
= 3456
sehingga (H) definit positif.

Contoh 2 :
f(x) = – x
1
2
– x
2
2
– x
3
2
+ 3x
1
x
2
– 3x
1
x
3
+ 4x
2
x
3

maka
() = �
−2 3 −3
3 −2 4
−3 4 −2

dengan leading principal determinant H
1
= -2, H
2
= -5, H
3
= -12
sehingga (H) definit negatif.

Contoh 3 :
f(x) = 2x
1
2
+ 2x
2
2
+ 2x
3
2
+ 4x
1
x
2
+ 1x
1
x
3
+ 4x
2
x
3

maka
() = �
2 4 1
4 8 4
1 4 2

dengan leading principal determinan H
1
= 2, H
2
=0 , H
3
= 24
sehingga (H) semidefinit positif


Ulinnuha L (L2F009030)
Susdarminasari T (L2F009034)
Achmad ulul Azmy (L2F009091)


Singular Value Decomposition
A. Pengertian
Singular Value Decomposition ( SVD ) adalah suatu cara memfaktorkan matrik A dengan cara
menguraikan matrik kedalam dua matrik P dan Q. Jika terdapat matrik berukuran m x n dengan rank
r > 0, maka penguraian matrik dapa dinyatakan sebagai
A = P Δ Q
T


Rank ( r ) menyatakan banyaknya jumlah baris atau kolom yang saling independent antara baris atau
kolom lainnya dalam suatu matrik. Matrik P merupakan matrik orthogonal berukuran m x r
sedangkan matrik Q merupakan matrik orthogonal berukuran n x r. Matrik Δ adalah matrik diagonal
berukuran r x r yang elemen diagonalnya merupakan akar positif dari eigenvalue matrik A.
Terbentuknya matrik Δ tergantung kondisi matrik A, yaitu :
a. Δ, bila r = m = n
b. �
Δ
(0)
� bila r = n dan r < m
c. [Δ (0)] bila r = m dan r < n
d. �
Δ (0)
(0) (0)
� bila r < m dan r < n
Matrik P dapat diperoleh melalui perkalian antara A, Q, dan Δ
-1
sehingga dapat dinyatakan P = AQΔ
-1


CONTOH
Contoh 1 :
Menghitung SVD matrik non singular
X = �
2 1
2 3
� Hitung SVD dari matrik X
Jawab :
Pertama mencari nilai eigenvalue dari X X
T
A = X X
T
= �
2 1
2 3
� �
2 2
1 3
� = �
5 7
7 13

�XX
T
− λI� = 0,, ��
5 7
7 13
� − �
λ 0
0
� � = 0

5 − λ 7
7 13 − λ
� = 0

( 5-λ)(13-λ) – (7)(7) = 0
65 - 5λ - 13λ + λ
2
– 49 = 0
λ
2
- 18λ + 16 = 0
λ
1,2
=
− ± √
2
− 4
2
=
− (−18)± �(−18)
2
−4(1)(16)
2(1)
= 9 ±√65
• eigenvalue yang didapat adalah λ
1
= 9 - √65 = 0.9377 dan λ
2
= 9 + √65 = 17.0623

kedua mencari eigenvektor dari masing masing λ
• λ
1
= 0.9377
( XX
T
– λI)x = 0
( �
5 7
7 13
� - �
0.9377 0
0 0.9377
� ) �

1

2
� = �
0
0


4.0623 7
7 12.0623
� �

1

2
� = �
0
0

4.0623x
1
+ 7 x
2
= 0 ; 7 x
1
+ 12.0623 x
2
= 0
x
1
=-
7
4.0623
x
2
= - 1.7232 x
2
Proses normalisai

1

=

1

1


1

1/2
=

1

2

�(

1

2) �

1

2
��
1/2
=

−1.7232
2

2

�(−1.7232
2

2
) �
−1.7232
2

2
��
1/2


=

−1.7232
1

2
�2.9693
2
2
+
2
2

1/2
=

−1.7232
1

2

2
√3.9693
= �
−0.8649
0.5019

• λ
2
= 17.0623
( XX
T
– λI)x = 0
( �
5 7
7 13
� - �
17.0623 0
0 17.0623
� ) �

1

2
� = �
0
0



−12.0623 7
7 −4.0623
� �

1

2
� = �
0
0

-12,0623x
1
+ 7 x
2
= 0 ; 7 x
1
– 4.0623 x
2
= 0
x
1
=
7
12.0623
x
2
= 0.5803 X
2

Proses normalisai

2

=

1

1


1

1/2
=

1

2

�(

1

2) �

1

2
��
1/2
=

0.5803 X
2

2

�(0.5803 X
2

2
) �
0.5803
2

2
��
1/2


=

0.5803
1

2
�0.3367
2
2
+
2
2

1/2
=

0.5803
1

2

2
√1.3367
= �
0.5019
0.8649


Sehingga eigenvektor yang didapat dari
1


2

adalah P = �
−0,8649 0,5019
0,5019 0,8649


Ketiga mencari nilai eigenvalue dari X
T
X
B = X
T
X = �
2 2
1 3
� �
2 1
2 3
� = �
8 8
8 10

�X
T
X − λI� = 0,, ��
8 8
8 10
� − �
λ 0
0
� � = 0

8 − λ 8
8 10 − λ
� = 0
( 8-λ)(10-λ) – (8)(8) = 0
80 - 8λ - 10λ + λ
2
– 64 = 0
λ
2
- 18λ + 16 = 0
λ
1,2
=
− ± √
2
− 4
2
=
− (−18)± �(−18)
2
−4(1)(16)
2(1)
= 9 ±√65
• eigenvalue yang didapat adalah λ
1
= 9 - √65 = 0.9377 dan λ
2
= 9 + √65 = 17.0623

Keempat mencari nilai eigenvektor dari masing masing λ pada X
T
X
• λ
1
= 0.9377
( X
T
X – λI)x = 0
( �
8 8
8 10
� - �
0.9377 0
0 0.9377
� ) �

1

2
� = �
0
0


7.0623 8
8 9.0623
� �

1

2
� = �
0
0

7.0623x
1
+ 8 x
2
= 0 ; 8 x
1
+ 9.0623 x
2
= 0
x
1
=-
8
7.0623
x
2
= - 1.1328 x
2
Proses normalisai

1

=

1

1


1

1/2
=

1

2

�(

1

2) �

1

2
��
1/2
=

−1.1328
2

2

�(−1.1328
2

2
) �
−1.1328
2

2
��
1/2


=

−1.1328
1

2
�1,2832
2
2
+
2
2

1/2
=

−1.1328
1

2

2
√2.2832
= �
−0.7497
0.6618

• λ
2
= 17.0623
( X
T
X– λI)x = 0
( �
8 8
8 10
� - �
17.0623 0
0 17.0623
� ) �

1

2
� = �
0
0




−9.0623 8
8 −7.0623
� �

1

2
� = �
0
0

-9,0623x
1
+ 8 x
2
= 0 ; 8 x
1
– 7.0623 x
2
= 0
x
1
=
8
9.0623
x
2
= 0.8828 X
2

Proses normalisai

2

=

1

1


1

1/2
=

1

2

�(

1

2) �

1

2
��
1/2
=

0.8828 X
2

2

�(0.8828 X
2

2
) �
0.8828
2

2
��
1/2


=

0.8828
1

2
�0.7793
2
2
+
2
2

1/2
=

0.8828
1

2

2
√1.7793
= �
0.6618
0.7497


Sehingga eigenvektor yang didapat dari
1


2

adalah Q = �
−0,7497 0,6618
0,6618 0,7497

Sedangkan matrik Δ adalah Δ = �

1
0
0 �
2
� diambil dari eigenvalue matrik A atau B, pilih salah satu.
Δ = �
√0,9377 0
0 √17,0623
� = �
0,9684 0
0 4,1307

Matrik SVD adalah bila P Δ Q = X
P Δ Q =�
−0,8649 0,5019
0,5019 0,8649
� �
0,9684 0
0 4,1307
� �
−0,7497 0,6618
0,6618 0,7497

=�
−0,8376 2,0733
0,4861 3,5727
� �
−0,7497 0,6618
0,6618 0,7497

= �
2 1
2 3

Terbukti bahwa P Δ Q = X = �
2 1
2 3


Contoh 2 :
Menghitung SVD matrik simetri non singular, bedanya ini langsung mencari eigenvalue tanpa
harus mengalikannya dengan transposenya.
1. Diketahui A = �
5 2
2 2

2. Mencari nilai eigenvalue matrik A
|A − λI| = 0,, ��
5 2
2 2
� − �
λ 0
0
� � = 0

5 − λ 2
2 2 − λ
� = 0
( 5-λ)(2-λ) – 4 = 0
10 - 5λ - 2λ + λ
2
– 4 = 0
λ
2
- 7λ + 6 = 0
• eigenvalue yang didapat adalah λ
1
= 1 dan λ
2
=6
3. Mencari eigenvektor matrik A
λ
1
= 1
( A – λI)x = 0
( �
5 2
5 2
� - �
1 0
0 1
� ) �

1

2
� = �
0
0


4 2
2 1
� �

1

2
� = �
0
0

2x
1
+ x
2
= 0
x
1
=-
1
2
x
2
= - 0,5 x
2

Proses normalisasi

1

=

1

1


1

1/2
=

1

2

�(

1

2) �

1

2
��
1/2
=

−0,5
2

2

�(−0,5
2

2
) �
−0,5
2

2
��
1/2


=

−0,5
1

2
�0,25
2
2
+
2
2

1/2
=

−0,25
1

2

2√
1,25
= �
−0.4472
0.8944

λ
2
= 6
( A – λI)x = 0
( �
5 2
2 2
� - �
6 0
0 6
� ) �

1

2
� = �
0
0


−1 2
2 −4
� �

1

2
� = �
0
0

-x
1
+ 2 x
2
= 0
x
1
= 2 X
2

Proses normalisai

2

=

1

1


1

1/2
=

1

2

�(

1

2) �

1

2
��
1/2
=

2 X
2

2

�(2 X
2

2
) �
2
2

2
��
1/2


=

2
1

2
�4
2
2
+
2
2

1/2
=

2
1

2

2
√5
= �
0.8944
0.4472

Sehingga eigenvektor yang didapat dari
1


2

adalah X = �
−0,4472 0,8944
0,8944 0,4472

4. Menentukan Δ
Δ = �

1
0
0
2
� = �
1 0
0 6

5. Mencari SVD dengan rumus A = X Δ X
T

A = �
−0,4472 0,8944
0,8944 0,4472
� �
1 0
0 6
� �
−0,4472 0,8944
0,8944 0,4472

= �
−0,4472 5,3664
0,8944 2,6832
� �
−0,4472 0,8944
0,8944 0,4472

= �
5 2
2 2
� maka terbukti nilai X Δ X
T
= A = �
5 2
2 2

Contoh 3:
Menghitung SVD matriks A(
mxn)
= A
(3x2)
A=
(
(
(
¸
(

¸

0 1
1 0
1 1

Jawab:
A
T
=
(
¸
(

¸

0 1 1
1 0 1

A
T
A =
(
¸
(

¸

0 1 1
1 0 1
(
(
(
¸
(

¸

0 1
1 0
1 1
=
(
¸
(

¸

2 1
1 2

Eigenvalue A
T
A
0
0
0
2 1
1 2
=
(
¸
(

¸


(
¸
(

¸

λ
λ
 0
2 1
1 2
=


λ
λ

(2- λ )
2
-1=0
4-4 λ + λ
2
-1=0
λ
2
-4 λ +3=0
( λ -3)( λ -1)=0
λ
1
=1 λ
2
=3


Eigenvektor A
T
A
• Untuk λ
1
=1
0 ) (
1
= − x I A λ
(
¸
(

¸

=
(
¸
(

¸

(
¸
(

¸



0
0
2 1
1 2
2
1
x
x
λ
λ

(
¸
(

¸

=
(
¸
(

¸

(
¸
(

¸



0
0
1 2 1
1 1 2
2
1
x
x

(
¸
(

¸

=
(
¸
(

¸

(
¸
(

¸

0
0
1 1
1 1
2
1
x
x

x
1
+ x
2
= 0  x
1
= - x
2
Proses Normalisasi
( ) ( )
2
1
2
2
2 2
2
2
2
1
2
1
2 1
2
1
*
1
|
|
.
|

\
|
|
|
.
|

\
| −

|
|
.
|

\
| −
=
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
=
x
x
x x
x
x
x
x
x x
x
x
x

| |
(
(
(
(
¸
(

¸


=
|
|
.
|

\
| −
=
+
|
|
.
|

\
| −
=
2
1
2
1
2
2
2
2
2
1
2
2
2
2
2
2
x
x
x
x x
x
x






• Untuk λ
1
=3
0 ) (
2
= − x I A λ
(
¸
(

¸

=
(
¸
(

¸

(
¸
(

¸



0
0
2 1
1 2
2
1
x
x
λ
λ

(
¸
(

¸

=
(
¸
(

¸

(
¸
(

¸



0
0
3 2 1
1 3 2
2
1
x
x

(
¸
(

¸

=
(
¸
(

¸

(
¸
(

¸



0
0
1 1
1 1
2
1
x
x

-x
1
+ x
2
= 0  x
1
= x
2

Proses Normalisasi
( ) ( )
2
1
2
2
2 2
2
2
2
1
2
1
2 1
2
1
*
2
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
=
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
=
x
x
x x
x
x
x
x
x x
x
x
x
| |
(
(
(
(
¸
(

¸

=
|
|
.
|

\
|
=
+
|
|
.
|

\
|
=
2
1
2
1
2
2
2
2
2
1
2
2
2
2
2
2
x
x
x
x x
x
x

Sehingga eigenvektor A
T
A

¸


=
2
1
2
1
X
(
(
(
(
¸
(
2
1
2
1

AA
T
=
(
(
(
¸
(

¸

0 1
1 0
1 1
(
¸
(

¸

0 1 1
1 0 1
=
(
(
(
¸
(

¸

1 0 1
0 1 1
1 1 2


Eigenvalue AA
T

0
0 0
0 0
0 0
1 0 1
0 1 1
1 1 2
=
(
(
(
¸
(

¸


(
(
(
¸
(

¸

λ
λ
λ
 0
1 0 1
0 1 1
1 1 2
=



λ
λ
λ

( λ − 2 )( ) 1 λ − ( ) 1 λ − +0+0-( ) 1 λ − -( ) 1 λ − =0
( λ
2
-2λ +1)(2- λ )-(2-2 λ )=0

2
-4λ +2- λ
3
-2λ - λ -2+2λ =0
- λ
3
-3λ =0
- λ ( λ
2
-3)=0  λ =0 ; λ =1 ; λ =3
Eigenvektor AA
T
• Untuk λ
1
= 0
0 ) (
1
= − x I A λ
(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

(
(
(
¸
(

¸




0
0
0
1 0 1
0 1 1
1 1 2
3
2
1
x
x
x
λ
λ
λ

(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

(
(
(
¸
(

¸

0
0
0
1 0 1
0 1 1
1 1 2
3
2
1
x
x
x

2x
1
+ x
2
+ x
3
=0 ; x
1
+ x
2
= 0 ; x
1
+ x
3
= 0
x
2 =
- x
1
; x
3
= - x
1



Proses Normalisasi

1

=

1

2

3

�[

1

2

3] �

1

2

3
��
1
2


1

=


1

1

1

�[

1

1

1
] �

1

1

1
��
1
2

1

=


1

1

1

(3
1
2
)
1
2

=


1

1

1

√3
1
=







1
√3

1
√3

1
√3









• Untuk λ
2
= 1
(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

(
(
(
¸
(

¸




0
0
0
1 0 1
0 1 1
1 1 2
3
2
1
x
x
x
λ
λ
λ

(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

(
(
(
¸
(

¸

0
0
0
0 0 1
0 0 1
1 1 1
3
2
1
x
x
x

x
1
+ x
2
+ x
3
=0 ; x
1
= 0 ; x
1
= 0
x
3
= - x
2

Proses Normalisasi

2

=

1

2

3

�[

1

2

3] �

1

2

3
��
1
2

2

=

0

3

3

�[0 −
3

3
] �
0

3

3
��
1
2


2

=

0

3

3

(2
3
2
)
1
2

=





0

1
2
√2
1
2
√2







• Untuk λ
3
= 3
(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

(
(
(
¸
(

¸




0
0
0
1 0 1
0 1 1
1 1 2
3
2
1
x
x
x
λ
λ
λ

(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

(
(
(
¸
(

¸




0
0
0
2 0 1
0 2 1
1 1 1
3
2
1
x
x
x

-x
1
+ x
2
+ x
3
=0 ; x
1
– 2x
2
= 0 ; x
1
– 2x
3
= 0
x
2
=
1
2
x
1;
x
3
=
1
2
x
1


Proses Normalisasi

3

=

1

2

3

�[

1

2

3] �

1

2

3
��
1
2

3

=

1
1
2

1
1
2

1

��
1
1
2

1
1
2

1
� �

1
1
2

1
1
2

1
��
1
2

3

=

1
1
2

1
1
2

1

�1
1
2

1
2

1
2

=

1
1
2

1
1
2

1

1,2247
1
= �
0,8165
0,4082
0,4082

Mencari Nilai P:
P = AQ∆
-1

= �
1 1
0 1
1 0
� �

1
√2
1
√2
1
√2
1
√2
� �
1
√1
0
0
1
√3

=




0 √2
1
√2
1
√2

1
√2
1
√2





1
√1
0
0
1
√3

=





0
√6
3
√2
2
√6
6

√2
2
√6
6






A = P∆Q
=





0
√6
3
√2
2
√6
6

√2
2
√6
6






1 0
0 √3
� �

√2
2
√2
2
√2
2
√2
2

=





0 √2
√2
2
√2
2

√2
2
√2
2







√2
2
√2
2
√2
2
√2
2


= �
1 1
0 1
1 0


Contoh 4
Menghitung SVD matriks A
(mxn)
= A
(2x3)

Dapatkan Singular Value Decomposition (SVD) dari matrik yang berukuran mxn berikut ini :
B
(2×3)
=
(
¸
(

¸

2 2 4
4 2 2

Jawab:
1. Menghitung Matrik B
T
B dan BB
T
B
T
B = C =
(
¸
(

¸

(
(
(
¸
(

¸


2 2 4
4 2 2
2 4
2 2
4 2
=
(
(
(
¸
(

¸



20 4 16
4 8 4
16 4 20

BB
T
= D =
(
(
(
¸
(

¸


(
¸
(

¸

2 4
2 2
4 2
2 2 4
4 2 2
=
(
¸
(

¸

24 12
12 24

2. Mencari Eigenvalue (λ) dari Matrik B
T
B dan BB
T

Eigenvalue Matrik B
T
B: |C-λI= 0
0
0 0
0 0
0 0
20 4 16
4 8 4
16 4 20
=
(
(
(
¸
(

¸


(
(
(
¸
(

¸



λ
λ
λ

0
20 4 16
4 8 4
16 4 20
=
− −
− −

λ
λ
λ

⇒ |(20−λ)(8−λ)(20−λ) + 4(−4)16 + 16(4)(−4)| − |16(8−λ)16 + (−4)
2
(20−λ) + 4
2
(20−λ)| =
0
⇒ |−λ
3
+ 48λ
2
−720λ + 3200 −256 −256| − |256(8−λ) + 16(20−λ) + 16 (20−λ)| = 0
⇒ (−λ
3
+ 48λ
2
−720λ + 2688) − (2048 − 256λ + 320 − 16λ + 320 −16λ) = 0
⇒ (−λ
3
+ 48λ
2
−720λ + 2688) − (2688 − 288λ) = 0
⇒ −λ
3
+ 48λ
2
− 432λ = 0
⇒ −λ(λ
2
− 48λ − 432) = 0
⇒ −λ (λ − 12)(λ − 36) = 0
λ
1
= 0, λ
2
= 12, dan λ
3
= 36
Jika dinyatakan dalam bentuk matrik diagonal ∆
1
2
=
(
(
(
¸
(

¸

36 0 0
0 12 0
0 0 0

Eigenvalue Matrik BB
T
: |D-λI= 0
0
0
0
24 12
12 24
=
(
¸
(

¸


(
¸
(

¸

λ
λ

0
24 12
12 24
=


λ
λ

⇒ |(24−λ)(24−λ) − 12
2
| = 0
⇒ (λ
2
− 48λ + 576 − 144) = 0
⇒ λ
2
− 48λ + 432 = 0
⇒ (λ − 12) (λ − 36) = 0
λ
1
= 12 dan λ
2
= 36

Jika dinyatakan dalam bentuk matrik diagonal ∆
2
2
=
(
¸
(

¸

36 0
0 12

Pada proses mencari eigenvalue matrik B
T
B (matrik C) didapatkan λ
1
= 0, mengacu pada
prosedur penyelesaian SVD matrik m×n terdapat catatan bahwa: jika dalam perhitungan
eigenvalue didapatkan λ = 0 maka untuk prosedur perhitungan eigenvalue λ = 0 diabaikan
yang berakibat eigenvektor untuk kolom λ = 0 pada prosedur selanjutnya akan dihilangkan
dari matrik eigenvektornya.. Sehingga, matrik diagonal ∆
1
2
= ∆
2
2
= ∆
2
.

2
=
(
¸
(

¸

36 0
0 12


3. Mencari Eigenvektor Matrik B
T
B dan BB
T

Untuk λ
1
= 0
Eigenvektor Matrik B
T
B:
• Untuk λ
1
= 0 (C – 


1
x = 0
0
20 4 16
4 8 4
16 4 20
1
=
(
(
(
¸
(

¸

− −
− −

x
λ
λ
λ

0
0 20 4 16
4 0 8 4
16 4 0 20
3
12
11
=
(
(
(
¸
(

¸

(
(
(
¸
(

¸

− −
− −

x
x
x

0
20 4 16
4 8 4
16 4 20
3
12
11
=
(
(
(
¸
(

¸

(
(
(
¸
(

¸



x
x
x

(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

+ −
− +
+ +
0
0
0
20 4 16
4 8 4
16 4 20
13 12 11
13 12 11
13 12 11
x x x
x x x
x x x

|
|
|
.
|

\
|
= + −
= − +
= + +
0 20 4 16
0 4 8 4
0 16 4 20
13 12 11
13 12 11
13 12 11
x x x
x x x
x x x

Eliminasi Pers.1 dan Pers.3:
20x
11
+ 4x
12
+ 16x
13
= 0
16x
11
– 4x
12
+ 20x
13
= 0
+
36x
11
+ 36x
13
= 0
x
11
+ x
13
= 0
x
11
= – x
13
Pers.4

Subsitusikan Pers.4 ke Pers.2
4(−x
13
) + 8x
12
− 4x
13
= 0
8x
12
− 8x
13
= 0
x
12
= x
13
Pers.5


Pers.1

Pers.2

Pers.3

Proses normalisasi untuk
1
x :
*
1
x =
( )
2 / 1
1 1
1
x x
x
T
=
2 / 1
13
12
11
13 12 11
13
12
11
) (
|
|
|
.
|

\
|
|
|
|
.
|

\
|
|
|
|
.
|

\
|
x
x
x
x x x
x
x
x
=
2 / 1
13
13
13
13 13 13
13
13
13
) (
|
|
|
.
|

\
|
|
|
|
.
|

\
| −

|
|
|
.
|

\
| −
x
x
x
x x x
x
x
x

=
|
|
|
|
.
|

\
|

=
|
|
|
.
|

\
| −
=
+ +
|
|
|
.
|

\
| −
3 / 1
3 / 1
3 / 1
) 3 ( ) (
2 / 1 2
13
13
13
13
2 / 1 2
13
2
13
2
13
13
13
13
x
x
x
x
x x x
x
x
x
=
|
|
|
.
|

\
| −
5774 , 0
5774 , 0
5774 , 0


• Untuk λ
2
= 12 (C – λ
2
Ι)
2
x = 0
0
20 4 16
4 8 4
16 4 20
2
=
(
(
(
¸
(

¸

− −
− −

x
λ
λ
λ

0
12 20 4 16
4 12 8 4
16 4 12 20
23
22
21
=
(
(
(
¸
(

¸

(
(
(
¸
(

¸

− −
− −

x
x
x

0
8 4 16
4 4 4
16 4 8
23
22
21
=
(
(
(
¸
(

¸

(
(
(
¸
(

¸


− −
x
x
x

(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

+ −
− −
+ +
0
0
0
8 4 16
4 4 4
16 4 8
23 22 21
23 22 21
23 22 21
x x x
x x x
x x x

|
|
|
.
|

\
|
= + −
= − −
= + +
0 8 4 16
0 4 4 4
0 16 4 8
23 22 21
23 22 21
23 22 21
x x x
x x x
x x x

Eliminasi Pers.1 dan Pers.3:
8x
21
+ 4x
22
+ 16x
23
= 0
16x
21
– 4x
22
+ 8x
23
= 0
+
24x
21
+ 24x
23
= 0
x
21
+ x
23
= 0
x
21
= – x
23
Pers.4
Subsitusikan Pers.4 ke Pers.2
4(−x
23
) − 4x
22
− 4x
23
= 0
−4x
22
− 8x
23
= 0
x
22
= −2x
23
Pers.5
Proses normalisasi untuk
2
x :
*
2
x =
( )
2 / 1
2 2
2
x x
x
T
=
2 / 1
23
22
21
23 22 21
23
22
21
) (
|
|
|
.
|

\
|
|
|
|
.
|

\
|
|
|
|
.
|

\
|
x
x
x
x x x
x
x
x
=
2 / 1
23
23
23
23 23 23
13
23
23
2 ) 2 (
2
|
|
|
.
|

\
|
|
|
|
.
|

\
|


− −
|
|
|
.
|

\
|


x
x
x
x x x
x
x
x

Pers.3

Pers.2

Pers.1

=
|
|
|
|
.
|

\
|


=
|
|
|
.
|

\
|


=
+ +
|
|
|
.
|

\
|


6 / 1
6 / 2
6 / 1
) 6 (
2
) 4 (
2
2 / 1 2
23
23
23
23
2 / 1 2
23
2
23
2
23
23
23
23
x
x
x
x
x x x
x
x
x
=
|
|
|
.
|

\
|


4082 , 0
8165 . 0
4082 , 0


• Untuk λ
3
= 36 (C – λ
3
Ι)
3
x = 0
0
20 4 16
4 8 4
16 4 20
3
=
(
(
(
¸
(

¸

− −
− −

x
λ
λ
λ

0
36 20 4 16
4 36 8 4
16 4 36 20
33
32
31
=
(
(
(
¸
(

¸

(
(
(
¸
(

¸

− −
− −

x
x
x

0
16 4 16
4 28 4
16 4 16
33
32
31
=
(
(
(
¸
(

¸

(
(
(
¸
(

¸

− −
− −

x
x
x

(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

− −
− −
+ + −
0
0
0
16 4 16
4 28 4
16 4 16
33 32 31
33 32 31
33 32 31
x x x
x x x
x x x

|
|
|
.
|

\
|
= − −
= − −
= + + −
0 16 4 16
0 4 28 4
0 16 4 16
33 32 31
33 32 31
33 32 31
x x x
x x x
x x x





Pers.1

Pers.3

Pers.2

Eliminasi Pers.1 dan 4 × Pers.2:
−16x
31
+ 4x
32
+ 16x
33
= 0
16x
31
– 112x
32
+ 16x
33
= 0
+
108x
32
= 0
x
32
= 0 Pers.4
Subsitusikan Pers.4 ke Pers.3
16x
31
− 4(0) − 16x
33
= 0
16x
31
− 16x
33
= 0
x
31
= x
33
Pers.5
Proses normalisasi untuk
3
x :
3
x =
( )
2 / 1
3 3
3
x x
x
T
=
2 / 1
33
32
31
33 32 31
32
32
31
) (
|
|
|
.
|

\
|
|
|
|
.
|

\
|
|
|
|
.
|

\
|
x
x
x
x x x
x
x
x
=
2 / 1
33
33
33 33
13
33
0 ) 0 (
0
|
|
|
.
|

\
|
|
|
|
.
|

\
|
|
|
|
.
|

\
|
x
x
x x
x
x

=
|
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|
=
+
|
|
|
.
|

\
|
2 / 1
0
2 / 1
) 2 (
0
) (
0
2 / 1 2
33
33
33
2 / 1 2
33
2
33
33
33
x
x
x
x x
x
x
=
|
|
|
.
|

\
|
7071 , 0
0
7071 , 0



Sehingga, eigenvektor yang didapatkan adalah:
X =
(
(
(
¸
(

¸


− −
7071 , 0 4082 , 0 5774 , 0
0 8165 , 0 5774 , 0
7071 , 0 4082 , 0 5774 , 0

Akan tetapi, untuk prosedur selanjutnya eigenvektor yang digunakan adalah eigenvektor dari
kolom yang nilai eigenvalue (λ) lebih dari nol (positif).
Q =
(
(
(
¸
(

¸



7071 , 0 4082 , 0
0 8165 , 0
7071 , 0 4082 , 0


Eigenvektor Matrik BB
T
:
• Untuk λ
1
= 12 (D – λ
1
I)
1
x = 0
0
24 12
12 24
1
=
(
¸
(

¸



x
λ
λ

0
12 24 12
12 12 24
12
11
=
(
¸
(

¸

(
¸
(

¸



x
x

0
12 12
12 12
12
11
=
(
¸
(

¸

(
¸
(

¸

x
x

(
¸
(

¸

=
(
¸
(

¸

+
+
0
0
12 12
12 12
12 11
12 11
x x
x x

|
|
.
|

\
|
= +
= +
0 12 12
0 12 12
12 11
12 11
x x
x x

12x
11
+ 12x
12
= 0
x
11
+ x
12
= 0
x
11
= – x
12
Pers.3

Pers.1

Pers.2

Proses normalisasi untuk
1
x :
*
1
x =
( )
2 / 1
1 1
1
x x
x
T
=
2 / 1
12
11
12 11
12
11
) (
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
x
x
x x
x
x
=
2 / 1
12
12
12 12
12
12
) (
|
|
.
|

\
|
|
|
.
|

\
| −

|
|
.
|

\
| −
x
x
x x
x
x

=
|
|
.
|

\
|

=
|
|
.
|

\
| −
=
+
|
|
.
|

\
| −
2 / 1
2 / 1
) 2 ( ) (
2 / 1 2
12
12
12
2 / 1 2
12
2
12
12
12
x
x
x
x x
x
x
=
|
|
.
|

\
| −
7071 , 0
7071 , 0


• Untuk λ
2
= 36 (D – λ
2
I)
2
x = 0
0
24 12
12 24
2
=
(
¸
(

¸



x
λ
λ

0
36 24 12
12 36 24
22
21
=
(
¸
(

¸

(
¸
(

¸



x
x

0
12 12
12 12
22
21
=
(
¸
(

¸

(
¸
(

¸



x
x

(
¸
(

¸

=
(
¸
(

¸


+ −
0
0
12 12
12 12
22 21
22 21
x x
x x

|
|
.
|

\
|
= −
= + −
0 12 12
0 12 12
22 21
22 21
x x
x x

−12x
21
+ 12x
22
= 0
−x
21
+ x
22
= 0
x
21
= x
22
Pers.3
Pers.1

Pers.2

Proses normalisasi untuk
2
x :
*
2
x =
( )
2 / 1
2 2
2
x x
x
T
=
2 / 1
22
21
22 21
22
21
) (
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
x
x
x x
x
x
=
2 / 1
22
21
22 21
22
21
) (
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
x
x
x x
x
x

=
|
|
.
|

\
|
=
|
|
.
|

\
|
=
+
|
|
.
|

\
|
2 / 1
2 / 1
) 2 ( ) (
2 / 1 2
22
22
21
2 / 1 2
12
2
21
22
21
x
x
x
x x
x
x
=
|
|
.
|

\
|
7071 , 0
7071 , 0


Sehingga, eigenvektor yang didapatkan adalah:
Y =
(
¸
(

¸

7071 , 0 7071 , 0
7071 , 0 7071 , 0


4. Dekompisisi Nilai Singular (SVD) Matrik B
Diketahui: ∆
2
=
(
¸
(

¸

36 0
0 12
⇒ ∆ =
(
¸
(

¸

=
(
¸
(

¸

6 0
0 464 , 3
36 0
0 12


-1
=
(
¸
(

¸

12 / 1 0
0 12 / 1
=
(
¸
(

¸

1667 , 0 0
0 2887 , 0

Didapatkan:
P
1
= B Q
1

-1

P
1
=
(
¸
(

¸

(
(
(
¸
(

¸



(
¸
(

¸

1667 , 0 0
0 2887 , 0
7071 , 0 4082 , 0
0 8165 , 0
7071 , 0 4082 , 0
2 2 4
4 2 2

P
1
=
(
¸
(

¸

(
¸
(

¸

− 1667 , 0 0
0 2887 , 0
2426 , 4 4494 , 2
2426 , 4 4494 , 2

P
1
=
(
¸
(

¸

− 7071 , 0 7071 , 0
7071 , 0 7071 , 0

Dekomposisi matrik B = P
1
∆ Q
1
T

B =
(
¸
(

¸
− −
(
¸
(

¸

(
¸
(

¸

− 7071 , 0 0 7071 , 0
4082 , 0 8165 , 0 4082 , 0
6 0
0 464 , 3
7071 , 0 7071 , 0
7071 , 0 7071 , 0

B =
(
¸
(

¸
− −
(
¸
(

¸

− 7071 , 0 0 7071 , 0
4082 , 0 8165 , 0 4082 , 0
2426 , 4 4494 , 2
2426 , 4 4494 , 2

B =
(
¸
(

¸

0001 , 2 0000 , 2 9999 , 3
9999 , 3 0000 , 2 0001 , 2

B =
(
¸
(

¸

2 2 4
4 2 2




Vector Norms and Matrix Norms
VECTOR NORM
Norm merupakan konsep yang dimaksudkan untuk memperluas pengertian
magnitude atau “besar” sebuah besaran scalar dan vector atau bisa juga norm
mendefinisikan panjang suatu vector di ruang Euclidean (system koordinat yang
lazim digunakan. Untuk lebih mudahnya, pada konsep panjang kita dapat
membandingkan mana yang lebih besar antara dua buah vector yaitu dengan
membandingkan panjang keduanya.
Norm didefinisikan dengan symbol ||•||
Besaran vektorx =(x
i
) ∈R
n
dinyatakan "panjang" atau "besar"-nya dengan norm dari
x, dilambangkan oleh ||x||. Dalam literature dikenal ada 3 buah definisi tentang ||x||:
1. norm-1 : ||x||
1


=
n
i
i
x
1
;
2. norm-2 : ||x||
2
≡||x|| ≡

=
n
i
i
x
1
2
= (x
T
x)
1/2
;
3. norm- ∞ : ||x||

≡ max(
i
x ; i = 1,2,..,n ).
Ketiga definisi ini masing-masing memenuhi 3 sifat-dasar, yaitu definit positif,
homogeny dan memiliki sifat ketidaksamaan segitiga. Antara lain :
(i) Positif ||x|| ≥0
Pembuktian : Vector x = 3i + 4j. Maka||x|| =
2 2
4 3 + = 25 = 5
Vector x = -3i -4j. Maka||x|| =
2 2
) 4 ( ) 3 ( − + − = 25 = 5
Jadi norm dari suatu vector akan selalu bernilai positif untuk semua nilai vector (baik
itu positif maupun negative)
(ii) Definit positif ||x|| = 0 jika dan hanya jika x = 0
(iii) Homogen ||αx|| = |α|.||x|| ,dimana α merupakan nilai skalar
Pembuktian :
Misalkan α = 5 dan x = 3i+4j.
Maka ||αx|| = |α|.||x||
||5(3i+4j)|| = |5|.||3i+4j||
||15i + 20j|| = |5|.5

2 2
20 15 + = 25
625 = 25
25 = 25 (Terbukti)

(iv) Sifat segitiga ||x+y|| ≤ ||x||+||y||
Pembuktian :
Misalkan x = 3i+4j , y = 2i+3j
Maka ||x+y|| ≤ ||x||+||y||
||(3i+2i) + (4j+3j)|| ≤ ||3i+4j|| + ||2i+3j||
||5i + 7j|| ≤ 5 + 3,605

2 2
7 5 + ≤ 5 + 3,605
8,602 ≤ 8,605 (Terbukti)

MATRIX NORM
Norm juga digunakan pada matriks. Ruang matriks M
n
adalah suatu ruang
vector berdimensi n
2
. Dengan demikian sifat-sifat norm vektor di ruang berdimensi-
hingga tetap berlaku di sana. Perbedaannya, untuk sembarang A dan B di M
n
kita
dapat mengalikan keduanya yang menghasilkan matriks baru AB di Mn juga.
Sangatlah wajar jika kita menginginkan suatu ukuran matriks yang memberikan
hubungan antara ukuran ketiganya
Suatu fungsi||.||: M
n
→ R disebut norm matriks jika untuk sembarang A,
B∈Mn berlaku lima sifat berikut:
(1). ||A||≥ 0 untuk norm matrix akan selalu bernilai positif
(1a).||A||= 0 jika dan hanya jika A = 0
(2). ||cA||= |c|.||A|| untuk semua scalar kompleks c.
(3). ||A + B||≤ ||A||+ ||B||
(4). ||AB||≤ |A|.||B||(sub-multiplikatif)

Pada definisi di atas keempat sifat pertama tidak lain merupakan sifat-sifat norm
vektor. Adapun sifat terakhir ditambahkan untuk menghubungkan “ukuran” matriks –
matriks A, B dan hasil perkalian keduanya yaitu matriks AB. Inilah yang membedakan
Norm matriks dengan norm vektor.
Dengan melihat keterkaitan antara ruang Mn dan Cn maka kita dapat mendefinisikan
suatu norm di Mn dengan melibatkan norm di Cn seperti pada definisi berikut.

Norm matriks yang dibangunoleh norm vector. (Induced Norm)
Misalkan ||.|| adalah norm vector di C
n
(n merupakan kolom matriks) dan C
m
(m
merupakan baris matriks) ,yaitu ||.|| :C
m x n
→R, didefinisikan matrix p-norm :
||A||
p
= max{||Ax||
p
: x ∈C
n
dengan ||x|| = 1
= max {
||||
||||
: x ∈ C
n
dengan ||x|| ≠ 0}
Untuk p = 1, 2, dan ∞

Untuk p =1
||A||
1
= max
1≤≤
∑ |

=1
| ,nilai maksimum dari masing-masing
penjumlahan kolom matriks.

Contoh :
A = �
3 5 7
2 6 4
0 2 8


||A||
1
= max (3+2+0, 5+6+2, 7+4+8) = max (5,13,19) = 19
Jadi ||A||
1
= 19

Untuk p = ∞
||A||

= max
1≤≤
∑ |

=1
| ,nilai maksimum dari masing-masing
penjumlahan baris matriks.

Contoh :
A = �
3 5 7
2 6 4
0 2 8


||A||

= max (3+5+7, 2+6+4, 0+2+8) = ma x(15,12,10) = 15
Jadi ||A||

= 15

Untuk p= 2 atau sering disebut dengan Euclidian norm / spectral norm.
||A||
2
= ||A|| = �λ max( ∗ ) = (akar dari nilai eigen maksimal dari (A transpose x A)

Contoh :
A = �
2 1
4 3

A* = �
2 4
1 3

A*A =�
2 4
1 3
� �
2 1
4 3
�= �
20 14
14 10

λ max( ∗ ) = |SI – (A*A)|
= |�
0
0
� - �
20 14
14 10
�|
=|�
−20 −14
−14 −10
�|
= (S-20)(S-10) - 196
= S
2
- 30S + 200 -196
= S
2
-30S + 4
S
1,2
=
− ± √
2
−4
2

=
30 ± �(−30)
2
−4(4)
2

=
30 ± √900−16
2

= 15 ±14,86
S
1
= 15 + 14,86 = 29,86 (nilai eigen maksimal)
S
2 =
15 –14,86 = 0,14

Jadi ||A||
2 =
||A|| =

29,86 = 5,4644

FROBENIOUS NORM
Matriks norm yang lain yang sering digunakan adalah frobenius form. Frobenius
form dituliskan:
||A||
f
:= �( ∗ ) = �
∑ ∑ ||
2
=1

=1
= �∑

2

Lebih mudahnya, perhitungan frobenius form adalah akar dari jumlah kuadrat nilai
eigen dari (A transpose x A).

Contoh:
A = �
2 1
4 3

A* = �
2 4
1 3

A*A =�
2 4
1 3
� �
2 1
4 3
�= �
20 14
14 10

λ max( ∗ ) = |SI – (A*A)|
= |�
0
0
� - �
20 14
14 10
�|
=|�
−20 −14
−14 −10
�|
= (S-20)(S-10) - 196
= S
2
- 30S + 200 -196
= S
2
-30S + 4
S
1,2
=
− ± √
2
−4
2

=
30 ± �(−30)
2
−4(4)
2

=
30 ± √900−16
2

= 15 ±14,86
S
1
= 15 + 14,86 = 29,86
S
2 =
15 –14,86 = 0,14

Maka ||A||
f
= �
1
2
+
2
2
= �29,86
2
+ 0,14
2
= 29.86