NILAI EIGEN dan VEKTOR EIGEN

Nilai Eigen dan Vektor Eigen
Nilai eigen dan vektor eigen suatu matriks didefinisikan sebagai berikut.
Definisi 3.1
Misalkan A
n × n
, maka vektor x ≠ 0 di R
n
disebut vektor eigen (eigen vektor) dari A
jika Ax adalah kelipatan skalar dari x, yaitu Ax = λx untuk suatu skalar λ. Skalar λ
dinamakan nilai eigen (eigen value) dari A.
Ax = λx ⇔ Ax = λIx
⇔ (λI – A)x = 0
⇔ (A - λI)x = 0
Persamaan di atas akan mempunyai penyelesaian tak nol (mempunyai penyelesaian non
trivial) jika dan hanya jika: det (λ I – A) = 0
Persamaan det (λ I – A) = 0 dengan λ sebagai variabel disebut persamaan karakteristik
dari matriks A. Akar-akar atau skalar-skalar yang memenuhi persamaan ini adalah nilai-
nilai eigen (nilai-nilai karakteristik) dari matriks A. Dengan kata lain, untuk menentukan
nilai eigen suatu matriks, maka kita harus menentukan dahulu persamaan karakteristiknya.
Det (λ I – A) ≡ f(λ) yaitu berupa polinom dalam λ yang dinamakan polinom karakteristik.
Dengan demikian jika A
n × n
, maka persamaan karakteristik dari matriks A
mempunyai derajat n dengan bentuk
det (λ I – A) = f(λ) = a
0
+ a
1
x
1
+ a
2
x
2
+ … + a
n
-
1
x
n - 1
+ a
n
x
n
= 0
Menurut teorema dasar aljabar kita dapatkan bahwa persamaan karakteristik
tersebut mempunyai paling banyak n penyelesaian yang berbeda (Ingat metode Horner dan
persamaan pangkat tinggi). Jadi, suatu matriks yang berukuran n
×
n paling banyak
mempunyai n-nilai eigen yang berbeda.
Berikut ini diberikan contoh-contoh soal yang berkaitan dengan nilai eigen dan
persamaan karakteristik suatu matriks.
Contoh 3.1.
1
1. Matriks A =
1
]
1

¸



1 4
3 5
mempunyai vector eigen x =
1
]
1

¸

4
2
, karena Ax merupakan
kelipatan dari x, yaitu Ax =
1
]
1

¸



1 4
3 5
1
]
1

¸

4
2
=
1
]
1

¸



4
2
= -1
1
]
1

¸

4
2
= -x. Dengan demikian
λ = -1 adalah nilai eigen dari matriks A.
2. Tentukan nilai eigen dan vektor eigen dari matriks
1
1
1
]
1

¸

− −
− −
− −
2 6 6
1 5 7
1 1 3
.
Untuk menentukan nilai eigen dan vektor eigen, kita harus membentuk persamaan
karakteristik. Misal
1
1
1
]
1

¸

− −
− −
− −
2 6 6
1 5 7
1 1 3
= A.
Persamaan karakteristik: det (λI – A) = 0
⇒det
0
2 6 6
1 5 7
1 1 3
1 0 0
0 1 0
0 0 1
·

,
_

¸
¸
1
1
1
]
1

¸

− −
− −
− −

1
1
1
]
1

¸

λ

⇒det

,
_

¸
¸
1
1
1
]
1

¸

+ −

− +
2 6 6
1 5 7
1 1 3
λ
λ
λ
= 0
⇒(λ + 3)(λ – 5)(λ + 2) – 6 – 42 – 6(λ – 5) + 6(λ + 3) + 7(λ + 2) = 0
⇒λ
3
– 12λ – 46 = 0
⇒(λ + 2)
2
(λ– 4) = 0
⇒λ = -2; λ = 4
Jadi nilai eigen adalah -2 dan 4.
Untuk menentukan vektor eigen kita misalkan vektor eigen tersebut x = (a,b,c), dan kita
mencari x yang memenuhi (λI – A)x = 0
2

0
2 6 6
1 5 7
1 1 3
1 0 0
0 1 0
0 0 1
·

,
_

¸
¸

,
_

¸
¸
1
1
1
]
1

¸

− −
− −
− −

1
1
1
]
1

¸

c
b
a
λ


0
2 6 6
1 5 7
1 1 3
·

,
_

¸
¸

,
_

¸
¸
1
1
1
]
1

¸

+ −

− +
c
b
a
λ
λ
λ
Untuk λ = -2 ⇒
0
0 6 6
1 7 7
1 1 1
·

,
_

¸
¸

,
_

¸
¸
1
1
1
]
1

¸




c
b
a
.
Matriks yang bersesuaian:
1
1
1
]
1

¸




0
0
0
0 6 6
1 7 7
1 1 1

1
1
1
]
1

¸




0
0
0
0 1 1
7
1
1 1
1 1 1

1
1
1
]
1

¸


0
0
0
0 1 1
7
1
0 0
1 0 0
Diperoleh: c = 0 dan a = b
Andai a = t, maka b = t, dan c =0.
Jadi vector eigen yang bersesuaian dengan λ = -2 adalah t
1
1
1
]
1

¸

0
1
1
.
Untuk λ = 4 ⇒
0
6 6 6
1 1 7
1 1 7
·

,
_

¸
¸

,
_

¸
¸
1
1
1
]
1

¸




c
b
a
.
Matriks yang bersesuaian:
1
1
1
]
1

¸




0
0
0
6 6 6
1 1 7
1 1 7

1
1
1
]
1

¸



0
0
0
1 1 1
0 0 0
1 1 7

1
1
1
]
1

¸

− 0
0
0
1 1 1
0 0 0
0 0 6
Diperoleh: a = 0 dan b = c
3
Andai c = t, maka b = t, dan a = 0.
Jadi vector eigen yang bersesuaian dengan λ = 4 adalah t
1
1
1
]
1

¸

1
1
0
.
3. Tentukan nilai eigen dan vektor eigen dari matriks
1
1
1
]
1

¸

1 0 0
0 2 0
0 1 1
.
Persamaan karakteristik: det (λI – A) = 0
⇒det
0
1 0 0
0 2 0
0 1 1
1 0 0
0 1 0
0 0 1
·

,
_

¸
¸
1
1
1
]
1

¸


1
1
1
]
1

¸

λ

⇒det

,
_

¸
¸
1
1
1
]
1

¸



− −
1 0 0
0 2 0
0 1 1
λ
λ
λ
= 0
⇒(λ – 1)(λ – 2)(λ – 1) = 0
⇒λ = 1; λ = 2
Jadi nilai eigen adalah 1 dan 2.
Penentuan vektor eigen sebagai berikut.
(λI – A)x = 0

0
1 0 0
0 2 0
0 1 1
1 0 0
0 1 0
0 0 1
·

,
_

¸
¸

,
_

¸
¸
1
1
1
]
1

¸


1
1
1
]
1

¸

c
b
a
λ


0
1 0 0
0 2 0
0 1 1
·

,
_

¸
¸

,
_

¸
¸
1
1
1
]
1

¸



− −
c
b
a
λ
λ
λ
Untuk λ = 1 ⇒
0
0 0 0
0 1 0
0 1 0
·

,
_

¸
¸

,
_

¸
¸
1
1
1
]
1

¸



c
b
a
.
Diperoleh: a = s; b = 0; dan c = t.
4
Jadi vector eigen yang bersesuaian dengan λ = 1 adalah s
1
1
1
]
1

¸

0
0
1
+ t
1
1
1
]
1

¸

1
0
0
.
Untuk λ = 2 ⇒
0
1 0 0
0 0 0
0 1 1
·

,
_

¸
¸

,
_

¸
¸
1
1
1
]
1

¸

c
b
a
.
Diperoleh: a = b dan c = 0
Andai b = t, maka a = t, dan c =0.
Jadi vector eigen yang bersesuaian dengan λ = 2 adalah t
1
1
1
]
1

¸

0
1
1
.
Ruang Eigen
Vektor eigen suatu matriks A
n× n
yang bersesuaian dengan nilai eigen λ berada
dalam ruang penyelesaian (λI – A)x = 0. Ruang penyelesaian ini dinamakan ruang eigen
(eigen space) matriks A. Secara jelas ruang eigen didefinisikan sebagai berikut.
Definisi 3.2.
Ruang penyelesaian sistem persamaan linear (λI – A)x = 0 atau (A - λI)x = 0
dinamakan ruang eigen dari matriks A
n× n
.
Contoh 3.2.
Tentukan basis untuk ruang eigen dari matriks:
A =
1
1
1
]
1

¸

− −
− −
− −
2 6 6
1 5 7
1 1 3
.
B =
1
1
1
]
1

¸

1 0 0
0 2 0
0 1 1
5
Penyelesaian:
Untuk menentukan basis ruang eigen suatu matriks harus melalui langkah-langkah berikut.
♥ membentuk persamaan karakteristik
♥ menentukan nilai eigen dengan menyelesaikan persamaan karakteristik
♥ menentukan vector eigen yang bersesuaian dengan nilai eigen yang diperoleh
Berdasarkan Contoh 3.1. matriks A dan matriks B sudah diperoleh nilai eigen dan vector
eigennya, yaitu:
1. Nilai eigen matriks A =
1
1
1
]
1

¸

− −
− −
− −
2 6 6
1 5 7
1 1 3
adalah -2 dan 4.
Vektor eigen yang bersesuaian dengan λ = -2 adalah vector tak nol x = t
1
1
1
]
1

¸

0
1
1
. Jadi,
vector
1
1
1
]
1

¸

0
1
1
merupakan suatu basis untuk ruang eigen dari matriks A yang bersesuaian
dengan λ = 1. Sedangkan vektor eigen yang bersesuaian dengan λ = 4 adalah vector tak
nol x = t
1
1
1
]
1

¸

1
1
0
. Jadi, vektor
1
1
1
]
1

¸

1
1
0
merupakan suatu basis untuk ruang eigen dari matriks A
yang bersesuaian dengan λ = 4.
2. Nilai eigen matriks B =
1
1
1
]
1

¸

1 0 0
0 2 0
0 1 1
adalah 1 dan 2.
6
Vektor eigen yang bersesuaian dengan λ = 1 adalah vector tak nol x = s
1
1
1
]
1

¸

0
0
1
+ t
1
1
1
]
1

¸

1
0
0
.
Jadi, vektor
1
1
1
]
1

¸

0
0
1
dan
1
1
1
]
1

¸

1
0
0
merupakan basis untuk ruang eigen dari matriks B yang
bersesuaian dengan λ = 1. Sedangkan vektor eigen yang bersesuaian dengan λ = 2
adalah vector tak nol x = t
1
1
1
]
1

¸

0
1
1
. Jadi, vektor
1
1
1
]
1

¸

0
1
1
merupakan suatu basis untuk ruang
eigen dari matriks A yang bersesuaian dengan λ = 2.
DIAGONALISASI
Diagonalisasi bertujuan untuk mencari matriks P sehingga P
-1
AP menjadi matriks
diagonal misalkan D, dimana A akan similar dengan D sehingga kita dapat mengatakan
bahwa sejumlah sifat yang melekat pada D juga ada di A. Dalam matriks diagonal, dengan
mudah kita akan mendapatkan nilai eigen, vektor-vektor eigen dan menghitung
determinan.
Prosedur pendiagonalan matriks A adalah:
1. Carilah n vektor eigen yang bebas linier, namakan p1, p2, …, pn.
7
Definisi: Matriks kuadrat A dinamakan dapat didiagonalisasi jika terdapat matriks P
yang mempunyai invers sehingga P
-1
AP adalah matriks diagonal; matriks P dikatakan
mendiagonalisasi A.
Teorema. Jika A adalah matriks kuadrat n x n, maka pernyataan-pernyataan berikut
ekivalen:
a. A dapat didiagonalisasi
b. A mempunyai n vektor yang bebas linier
2. Buatlah matriks P yang mempunyai p1, p2, …, pn sebagai vektor-vektor kolomnya
3. Matriks P
-1
AP akan diagonal dengan λ1, λ2, …, λn sebagai entri-entri matriks diagonal
yang berurutan, dimana λi adalah nilai-nilai eigen yang bersesuaian dengan vector eigen
pi, untuk I = 1, 2, … , n
Contoh:
1. Carilah matriks P yang mendiagonalkan
1
1
1
]
1

¸



·
5 0 0
0 3 2
0 2 3
A
Langkah 1. Dapat ditunjukkan bahwa nilai-nilai Eigen untuk A adalah λ = 1 dan λ = 5
(Buktikan).
Dari λ = 1, kita dapatkan:

1
1
1
]
1

¸

·
1
1
1
]
1

¸

1
1
1
]
1

¸




0
0
0
4 0 0
0 2 2
0 2 2
3
2
1
x
x
x
Dengan menyelesaikan persamaan diatas, akan kita peroleh: x3 = 0;
misalkan x2 = t, maka x1 = t. Dan vektor eigen =
1
1
1
]
1

¸

0
1
1
t
8
Dan dari λ = 5, kita dapatkan vektor eigen =
1
1
1
]
1

¸

+
1
1
1
]
1

¸

1
0
0
0
1
1
s r
Vektor-vektor
1
1
1
]
1

¸

0
1
1
,
1
1
1
]
1

¸

0
1
1
dan
1
1
1
]
1

¸

1
0
0
merupakan basis untuk suatu ruang vektor Eigen.
Langkah 2. Dengan demikian kita dapat membentuk matriks P =
1
1
1
]
1

¸

1 0 0
0 1 1
0 1 1
Langkah 3. Dan matriks diagonal yang dihasilkan adalah D =
1
1
1
]
1

¸

5 0 0
0 5 0
0 0 1
(Periksa bahwa P
-
1
AP = D !)
Perhatikan bahwa letak nilai eigen di matriks D harus bersesuaian dengan vektor eigen di P, jika
pemilihan vektor eigen pada langkah 2 menjadi:
1
1
1
]
1

¸

0 1 0
1 0 1
1 0 1
Maka matriks diagonalnya menjadi:
1
1
1
]
1

¸

1 0 0
0 5 0
0 0 5
2. Carilah matriks diagonal untuk A =
1
]
1

¸



1 2
2 3
det
1
]
1

¸


− +
1 2
2 3
λ
λ
= (λ + 3)( λ – 1) + 4 = (λ + 1)
2
= 0
9
λ = -1 merupakan satu-satunya nilai eigen yang akan bersesuaian dengan vektor eigen =
1
]
1

¸

1
1
t
Karena ruang eigen hanya mempunyai 1 vektor basis, maka A tidak dapat didiagonalkan.
Teorema ini tidak berlaku sebaliknya, artinya bila A dapat didiagonalisasi tidak berarti bahwa A
mempunyai n nilai eigen yang berbeda.
DIAGONALISASI ORTOGONAL ; MATRIKS SIMETRIK
Definisi:
Matriks A kuadrat dinamakan dapat didiagonalisasi secara ortogonal jika terdapat matriks P yang
ortogonal sehingga P
-1
AP = ( P
t
AP ) diagonal ; matriks P dikatakan mendiagonalisasi A secara
ortogonal
Kita mempunyai dua pertanyaan yang akan ditinjau:
1. Matriks – matriks manakah yang dapat didiagonalisasi secara ortogonal?
2. Bagaimana kita mencari matriks ortogonal untuk melaksanakan diagonalisasi?
Untuk membantu kita menjawab pertanyaan pertama kita akan memerlukan definisi berikut.
Definisi:
Matriks A kuadrat kita namakan simetrik jika A = A
t
Contoh:
Jika A =
1
1
1
]
1

¸


7 0 5
0 3 4
5 4 1
maka A =
1
1
1
]
1

¸


7 0 5
0 3 4
5 4 1
= A
Dengan demikian A simetrik.
Teorema selanjutnya merupakan alat utama untuk menentukan apakah sebuah matriks
dapat didiagonalisasi secara ortogonal. Dalam teorema ini dan untuk teorema selebihnya dari
10
Teorema. Jika matriks A yang berukuran n x n mempunyai n nilai eigen
yang berbeda, maka A dapat didiagonalisasi.
bagian ini, ortogonal akan berarti ortogonal yang bertalian dengan hasil kali dalam Euclidis pada
R
n.
Teorema 1:
Jika matriks A adalah matriks n x n, maka pernyataan berikut ekivalen satu sama lain.
a. A dapat didiagonalisasi secara ortogonal
b. A mempunyai himpunan ortonormal dari n vektor eigen
c. A adalah simetrik
Teorema 2:
Jika A adalah matriks simetrik, maka vektor – vektor eigen dari ruang eigen yang berbeda akan
ortogonal.
Sebagai konsekuensi dari teorema ini maka kita dapatkan prosedur berikut untuk
mendiagonalisasi matriks simetrik secara ortogonal.
Langkah 1. Carilah basis untuk masing – masing ruang eigen dari A
Langkah 2. Terapkanlah proses Gram Schmidt ke masing – masing basis ini untuk mendapatkan
basis ortonormal untuk setiap ruang eigen.
Langkah 3. Bentuklah matriks P yang kolom – kolomnya adalah vektor – vektor basis yang
Dibangun dalam langkah 2, matriks ini akan mendiagonalkan A secara ortogonal
Pembetulan dalam prosedur ini sudah seharusnya jelas. Teorema 2 menjamin bahwa
vektor – vektor eigen dari ruang – ruang eigen yang berbeda akan ortogonal, sedangkan
penerapan proses Gram-Schmidt menjamin bahwa vektor – vektor eigen yang didapatkan dalam
ruang eigen yang sama akan ortonormal. Jadi, keseluruhan himpunan vektor eigen yang
didapatkan dengan prosedur ini akan ortonormal.
Contoh 13
Carilah matriks ortogonal P yang mendiagonalisasi
A =
1
1
1
]
1

¸

4 2 2
2 4 2
2 2 4
Pemecahan: Persamaan karakteristik A adalah
11
Det(λI – A ) = det
1
1
1
]
1

¸

− − −
− − −
− − −
4 2 2
2 4 2
2 2 4
λ
λ
λ
= (λ - 2)
2
(λ - 8) = 0
Jadi, nilai – nilai eigen A adalah λ = 8.
Kita simpulkan bagian ini dengan menyatakan dua sifat penting dari matriks simetrik.
Teorema 3
a. Persamaan karakteristik matriks A simetrik hanya mempunyai akar – akar riil
b. Jika nilai eigen λ dari matriks simetrik A diulangi k kali sebagai akar persamaan
karakteristik tersebut, maka ruang eigen yang bersesuaian dengan λ adalah ruang
berdimensi k.

Sumber:
http://xover5.jkt.3d.x.indowebster.com/download-
vip/11/p16fn4abdu1q0171ohgd1fgv1acj5.pdf/%5Bwww.indowebster.com%5D-
Nilai_Eigen_dan_Vektor_Eigen.pdf
12