Nilai Eigen

Muhammad Rizqy Hermawan1), Annisa Lathifah2), Ade Agung Harnawan3)

Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Lambung Mangkurat
Banjarbaru, Indonesia

Email korespodensi : rizqyhermawan0102@gmail.com

ABSTRACT− A matrix is a set of numbers arranged rectangular according to rows and columns. In
mathematical matrices can be used to handle linear models, such as finding solutions to systems of
differential equations with sets of several differential equations that are converted into matrix form, so that
the matrix form can be changed into the form of eigenvalue equations or characteristic values with matrices
which is sized nn (square matrix). In this article the author will discuss about determining the eigenvalues
and eigenvectors of the tridiagonal matrix in the form of complexes α, β and b. Then, determine the
Eigenvalues and Eigenvectors of the Tridiagonal Matrix Before discussing the determination of the
eigenvalues and eigenvectors of the matrices in the equation. First the definition of eigenvector and
eigenvector is given first. Suppose that A is a matrix of size n x n (with real or complex elements), then the
nonzero vector x in Rn is called the eigenvector of A if Ax is a scalar multiple of x, that is, Ax = λx.
Eigenvalue is a characteristic value of a matrix of size n x n, while a vector is a nonzero column vector which
when multiplied by a matrix of size x x n will produce another vector that has a multiple value of the Eigen
vector itself. The definition applies to matrices with elements of real numbers and will experience a shift
when the elements are complex numbers. For each Eigenvalue there are different Eigen vector pairs, but not
all matrix equations have Eigenvalue and Eigenvector vectors. Eigenvalues and Eigenvectors are useful in
the matrix calculation process, where both can be applied in the fields of pure Mathematics and Applied
Mathematics such as linear transformations.
KEYWORD : Eigenvalues; Eigenvectors; Matrix ; Jacobian.

PENDAHULUAN memulai penelitiannya pada persamaan

Pada awal abad ke-19, Augustin Louis
Cauchy telah membuat sebuah karya tulis di
mana dia membuktikan suatu teori mengenai
nilai Eigen yang dikaitkan dengan
transformasi linear. Karya tulis Cauchy juga
berpengaruh terhadap perkembangan teori
spektral pada awal tahun 1870. Terlebih dari
itu, Cauchy merupakan penemu dari istilah
persamaan karakteristik.
Pada masa yang sama, Charles Strum
mengembangkan ide Joseph Fourier dan pada
akhirnya melengkapi teorema Cauchy di
mana dia menemukan bahwa matriks simetris
dengan elemen bernilai real memiliki nilai
Eigen yang bernilai real juga. Pada tahun
1858, seorang ahli matematika Prancis
bernama Charles Hermite menunjukkan
bahwa nilai Eigen dari matriks Hermitian
adalah nyata dan dia juga menciptakan istilah
ortogonal. Di awal abad ke-20, David Hilbert
integral non-homogen dengan menggunakan
parameter dan kemudian menemukan istilah
eigen untuk mengacu kepada nilai Eigen dan
vektor Eigen.
Nilai Eigen adalah nilai karakteristik
dari suatu matriks berukuran n x n, sementara
vektor adalah vektor kolom bukan nol yang
bila dikalikan dengan suatu matriks
berukuran n x n akan menghasilkan vektor
lain yang memiliki nilai kelipatan dari vektor
Eigen itu sendiri. Definisi tersebut berlaku
untuk matriks dengan elemen bilangan real
dan akan mengalami pergeseran ketika
elemen berupa bilangan kompleks. Untuk
setiap nilai Eigen ada pasangan vektor Eigen
yang berbeda, namun tidak semua persamaan
matriks memiliki nilai Eigen dan vektor
Eigen. Nilai Eigen dan vektor Eigen berguna
dalam proses kalkulasi matriks, di mana
keduanya dapat diterapkan dalam bidang

1
2 Nama praktikan penyusun artikel. NIM
Matematika murni dan Matematika terapan
seperti transformasi linear. Perhitungan nilai
dan vektor Eigen tetap menggunakan
perhitungan matriks dasar, yaitu
penjumlahan matriks dan perkalian matriks.
Perhitungan dimulai dengan mencari nilai
Eigen, kemudian dengan nilai Eigen diperoleh
(dapat berjumlah lebih dari 1 nilai) akan
dihitung vektor Eigen untuk masing - masing
nilai yang memenuhi persamaan.
Dalam Matriks ada yang dinamakan
matriks Fuzzy dan ini berkaitan juga bila
diselesaikan untuk membahas nilai eigen.
Membahas nilai eigen matriks fuzzy dan
beberapa sifatnya melalui persamaan
karakteristik, akan tetapi tidak menjelaskan
pendefinisian operasi pengurangannya.
Mengingat bahwa himpunan matriks fuzzy
persegi hanya merupakan suatu semi ring
yang dengan kata lain belum tentu terjamin
eksistensi invers penjumlahannya maka perlu
dijelaskan pendefinisian operasi pengurangan
pada saat membahas nilai eigen tersebut. Hal
ini perlu dilakukan karena pada saat
membahas mengenai persamaan karakteristik
akan melibatkan operasi pengurangan.
Selanjutnya, karena himpunan matriks
permutasi fuzzy merupakan suatu semi
lapangan dan operasi pengurangan telah
didefinikan dalam rangka untuk
memodifikasi invers penjumlahan, maka akan
dapat dimungkinkan untuk melakukan
pembahasan mengenai nilai eigen dan sifat-
sifatnya pada matriks permutasi fuzzy
melalui persamaan karakteristik(Wardayani &
Suroto, 2016).
Banyak metode untuk menghitung
determinan matriks. Metode-metode tersebut
adalah metode Sarrus, metode Minor-
Kofaktor, metode Chio, metode Eliminasi
Gauss, metode Dekomposisi matriks dan
metode Dogson. Determinan juga berperan
dalam mencari nilai eigen dan vektor eigen.
Nilai eigen adalah nilai karakteristik dari
suatu matriks berukuran sementara
vektor eigen adalah vektor kolom bukan nol
yang bila dikalikan dengan suatu matriks
berukuran akan menghasilkan vektor lain
yang memiliki nilai kelipatan dari vektor
eigen itu sendiri. Definisi tersebut berlaku
untuk matriks dengan elemen bilangan real
dan akan mengalami pergeseran ketika
elemen berupa bilangan kompleks. Pada
penulisan ini akan dibahas penentuan nilai
eigen dan vector eigen dari matriks kompleks
bujur sangkar ajaib (3 x 3) dan (4 x 4) (Aryani
& Maisyitah, 2015).
Untuk mencari nilai eigen dari matriks
A yang berukuran n n, maka kita perlu
memperhatikan kembali definisi vektor eigen
dan nilai eigen, yaitu Ax = λx. Bentuk ini
dapat kita tulis sebagai berikut :
Ax=λ I x
( λ I − A) x=0
( A−λ I ) x=0 (1)
Supaya λ menjadi nilai eigen, maka harus ada
penyelesaian yang tidak nol dari persamaan
(1) ini. Menurut teorema dalam bahasan
sebelumnya, maka persamaan (1) akan
mempunyai penyelesaian tak nol
(mempunyai penyelesaian non trivial) jika
dan hanya jika :
Det ( A−λ I )=0 (2)
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.
Det (λ I – A) ≡ f(λ) yaitu berupa polinom
dalam λ yang dinamakan polinom
karakteristik. Dari pemahaman definisi di
atas, jelas bahwa jika A adalah matriks n n,
maka persamaan karakteristik dari matriks A
mempunyai derajat n dengan bentuk :
Det
( A−λ I ) =f ( λ )=a0 + a1 x 1 +a2 x2 +…+ an−1 x n−1 +a n x n=¿
0 (3)
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(Ayres, 1982).
Setelah kita memahami bagaimana
mencari nilai-nilai eigen hubungannya
dengan persamaan karakteristik, maka
sekarang akan beralih ke masalah untuk
mencari vektor eigen. Menurut definisi
terdahulu bahwa vektor eigen dari matriks A
yang bersesuaian dengan nilai eigen λ adalah
vektor x yang tidak nol dan haruslah
memenuhi Ax = λ x. Dengan kata lain, secara
ekuivalen tentunya vektor eigen yang
bersesuaian dengan nilai eigen λ adalah
vektor yang tak nol dalam ruang penyelesaian
(λ I – A) x = 0. Ruang penyelesaian ini kit
anamakan sebagau ruang eigen (eigen space)
dari matriks A yang bersesuaian dengan nilai
eigen. Ruang penyelesaian dari sistem
persamaan linear (λ I – A) x = 0 atau (A - λ I) x
= 0 dinamakan ruang eigen dari matriks A
yang berukuran n x n. Jika A matriks m n,
maka vektor x yang tidak nol di Rn disebut
vektor eigen (eigen vector) dari A jika Ax
adalah kelipatan skalar dari x, yaitu Ax = λ x
untuk suatu skalar λ. Skalar λ dinamakan
nilai eigen (eigen value) dari A. 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.
Det(λ I – A) ≡ f(λ) yaitu berupa polinom
dalam λ yang dinamakan polinom
karakteristik(Anton, 1987).
Matriks adalah himpunan bilangan-
bilangan yang disusun secara empat persegi
panjang menurut baris dan kolom. Dalam
matematika matriks dapat digunakan untuk
menangani model-model linear, seperti
mencari penyelesaian sistem persamaan
diferensi dengan himpunan-himpunan dari
beberapa persamaan diferensi yang diubah ke
dalam bentuk matriks, sehingga bentuk
matriks tersebut dapat diubah ke dalam
bentuk persamaan nilai eigen atau nilai
karakteristik dengan matriks yang berukuran
n n (matriks bujur sangkar). Pada artikel ini
penulis akan membahas tentang menentukan
nilai eigen dan vektor eigen dari matriks
tridiagonal yang berbentuk kompleks α, β
dan b. Kemudia, menentukan Nilai Eigen dan
Vektor Eigen dari Matriks Tridiagonal
Sebelum mendiskusikan penentuan nilai
eigen dan vektor eigen dari matrik pada
3
persamaan. Terlebih dahulu diberikan definisi
tentang nilai eigen dan vektor eigen.
Misalkan A adalah matriks berukuran n x n
( dengan elemen-elemen real atau kompleks),
maka vektor tak nol x di dalam R n dinamakan
vektor eigen dari A jika Ax adalah kelipatan
skalar dari x, yakni, Ax = λx. Untuk suatu
skalar λ ( real atau kompleks ). Maka λ
dinamakan nilai eigen atau nilai karakteristik
dari A dan x dikatakan vektor eigen yang
bersesuaian dengan λ. Selanjutnya akan
dibahas nilai eigen dan vektor eigen dari
matriks tridiagonal yang mana untuk kasus α
= β = 0 matriks An (σ) dan polinomial
karakteristiknya ∆n(σ) dinotasikan berturut-
turut dengan An0 (σ) dan ∆n0(σ)(Sari, Sri &
Asli, 2015).
Dengan Tujuan dari praktikum ini
adalah agar dapat menjelaskan strategi dan
konsep dasar dari perhitungan nilai eigen,
dan dapat mengimplementasikan metode
perhitungan nilai eigen dalam program
terkait kasus-kasus sederhana.
METODE PENELITIAN
Praktikum ini dilaksanakan pada Senin,
tanggal 13 Maret 2020, pada pukul 08.00
WITA sampai selesai. Yang bertempat di
Laboratorium Fisika Komputasi. Fakultas
Matematika dan Ilmu Pengetahuan Alam
Universitas Lambung Mangkurat Banjarbaru.
Pada praktikum ini dilaksanakan tugas
eksperimen dengan menggunakan codeblcok,
dan Wxmaxima sebagai pembanding hasil
dari perhitungan. Eksperimen yang dilakukan
yaitu menghitung nilai eigen dan vektor
eigennya dari beberapa matriks dibawah ini.
Dengan menggunakan Komputasi pada
listing, dan membandingkannya dengan
WxMaxima. Dalam hal ini, yang pertama
dilakukan adlah memasukkan listing program
dalam aplikasi codeblock dan wxmaxima,
listing ini telah tertera di dalam modul
praktikum yang terdapat pada lampiran. Ada
3 buah matriks yang akan di uji dimana dua
matriks ordo 3 dan satu matriks ordo 4.
Dalam WxMaxima dibandingkan hasil yang
diapat pada codeblock. Yaitu nilai vektor dan
nilai eigennya. Program yang digunakan
4 Nama praktikan penyusun artikel. NIM

adalah mencari nilai eigen terbesar, dan adalah 0. Didapatkan vektor eigen dalam
dengan metode jacobian. Lalu bentuk kolom adalah :
membandingkan dengan wxmaxima. 0 1 0
HASIL DAN PEMBAHASAN 1 0 1
Dalam perhitungan pertama, yaitu pada 0 0 0
matriks A yang memiliki ordo 3 :
2 2 −1 Dan dalam imaginer adalah :
−5 9 −3 0 0 0
−4 4 1 0 0 0
Dari matriks di atas dengan menggunakan 0 0 0
program pertama,untuk mendapatkan Nilai Lalu, hasil ini dibandingkan dengan
Eigen terbesar dan vektor eigennya. Dengan WxMaxima, didapatkan :
nilai awal vektor eigennya adalah [ 11 1 ] dan - Nilai Eigennya
akurasi yang dimasukkan sebesar 0,00001.
[[(−0.8660254037844386%i−0.5)( 1.828275852433815%
Didapatkan nilai untuk nilai eigen
terbesarnya adalah 3 dan vector eigennya
adalah [ 0,7778−1−0,7778 ] . Kemudian Vektor eigennya adalah :
Kemudian pada Program kedua, metode
Jacobi didapatkan nilai eigennya adalah ¿
[12 9] untuk bagian real, dan untuk bagian
imaginernya adalah [11 1] dengan error kode
19 %i 133 1
19 ( −12 − √ 3%i
2 ) 5
adalah 0. Kemudian untuk Vektor eigen
bagian real didapatkan :
( 3
+
54 () √32%i + −12 )+ 9 19 %i + 133
3
+ , 1
3
0 1 0
1 0 1
23 2

( 23
3
2
54 ) 3

0 0 0
Untuk imaginernya : 19 %i 133 13 19 5
0 0 0
0 0 0
( 3
2 32
+
54
+
9 ) (
19%i 133
3
2
+
54 )
1
3
+ ¿ , [1,1,1]¿ ,
3

0 0 0 23
Hasil ini kemudian dibandingkan dengan ¿
nilai yang didapat pada WxMaxima untuk 1 2
5 3 3 1 3 1
nilai eigen adalah [ [ 4,5,3 ] , [ 1,1,1 ] ] . Kemudian
vektor eigennya adalah
3 ( 2 ) (
3
−19 2 19 3 %i+133 + 19 3 %i+133 2 ) (2 3
3
3 2
%i−7 2 3
228
[[[4,5,3 ],[1,1,1]], [[[1,1,0]],[[ 1,2,1]] ,[[0,1,2]]]] ¿
.
Pada perhitungan kedua, yaitu pada 2
1 1 3 2 2
matriks B yang juga berordo 3 : − 52 ( 3
√ 3 %i+ 2 )(19 3 %i+133 ) +(−19 2 3 √ 3 %i−19 2 3 )(19
3 2
3

1 1 2 228
( 2 1 1
1 1 3 ) ¿
4 10 3 2 2 2 3
Dari program pertama diapatkan nilai eigen (2 3 √ 3 %i+ 2 3 )(19 3 2 %i+133) 3 +(19 2 3 −19 2 3 √ 3 %i)(19 3 2 %i+
terbesar dengan nilai awal dan akurasi 228
perhitungannya sama dengan matriks A
adalah 4,5070 dan vektor eigennya adalah Pada Matriks terahkhir yaitu matiks C
[0,77810,7289 1]. Kemudian dengan program yang memiliki ordo 4 :
B didapatkan di bagian real = 1 13, lalu dalam 1 1 12
imaginernya adalah1 11 1 error kodenya 2 1 11
3 2 12 1 1 3
2
2 2
−( 5 2 √ 3 %i+ 2 )(19 3 %i+133 ) +(−19 2 √ 3 %i−19 2 )(1
3
3 3 2 3 3
2 1 14
Dari nilai atas juga dilakukan perhituungan 228
menggunakan program A dan B, kemudian ¿
4 10 3 2 2 2 3
membandingkan dengan WxMaxima.
(2 3 √ 3 %i+ 2 3 )(19 3 2 %i+133) 3 +(19 2 3 −19 2 3 √ 3 %i)(19 3 2 %
Pada program A nilai eigen terbesarnya
228
adakah 6,6345, lalu vektor eigennya adalah
Dari ketiga metode yang digunakan, penari
[0,6070 0,5478 0,8726 1]. Kemudian pada
nilai eigen dan vektor eigen dilihat bahwa
Program B dengan Metode Jacobi, didapatkan
sedikit lebih sulit dalam penggunaan Program
nilai eigennya adalah 1 1 1 4, dan dalam
dengan menggunakan program a dan juga
imaginernya adalah 1 1 1 1, dengan error
program b dibanding dengan Wxmaxima.
adalah 0, pada vektor eigen didapatkan :
Dimana tingkat ketelitian masih lebih
0 0 10
mumpuni untuk Wxmaxima, juga
1 0 00
0 1 00 memasukkan deklarasi atau nilai yang
0 0 01 dinginkan lebih memudahkan dalam
Kemudian untuk vektor eigennya adalah Wxmaxima dbandingkan dengan program
0 0 00 dalam Code Block.
0 0 00
0 0 00 KESIMPULAN
0 0 00 Kesimpulan yang idapatkan dari
Hasil kedua program ini dibandingkan praktikum ini adalah :
dengan Wxmaxima, didapati nilai eigennya : 1. Konsep dasar dan strategi dalam
menyelesaikan nilai eigen dapat
¿ diselesaikan dengan metode pangkat
−1 √ 3%i
19 %i 133 13 √3 %i −1
19
2
−
2 ( 5 ) dan metode Jacobian

)( ) 2. Implementasi kasus yang dilaksanakan

( 3
2 32
+
54 2
+
2
+
9
19 %i 133 3
3
+
(54
1
+ ,
3
)
adalah pada matriks dengan ordo 3 x 3
dan matriks ordo 4 x 4, untuk mencari
23 2 nilai eigen terbesar, juga vektor
19%i 133 13 19 5 eigennya,
( 3
+ ) + + ¿ ,[1,1,1]¿
54 19 %i 133 13 3
23 2
9( 3
+ )
2
54 DAFTAR PUSTAKA
23 Ayres, F. (1982). Theory and Problems of
Lalu untuk Vektor eigennya adalah : ¿ Matrice.
−1 √ 3%i
1
19 %i 133 3 √3 %i −1
19
2
−( 2 5 ) Singapore: Schaum’s Outline, Mc-Graw

( 3
2 32
+
54 2
+
)(
2
+
9
)19 %i 133 3 3
(3
+
54
1
+ ,

)
Hill Book Company.
Anton, H. (1987). Elementary Linear Algebra,
5th Edition. New York: John Wiley &
23 2 Sons.
19 %i 133 13 19 5 Aryani, F. and Maisyitah, R.A.D., 2015. Nilai
( 3
2 32
+
54
+
9 3
2
) (
19%i 133 3 3
+
54
1
+ ¿ , [1,1,1]¿ ,

)
Eigen Dan Vektor Eigen Dari Matriks
Kompleks Bujursangkar Ajaib. Jurnal
23 Sains Matematika dan Statistika, 1 (2), 10-
¿
5 3
1
3
2
1 3
16.
1
3 ( 2 ) (
3
−19 2 19 3 %i+133 + 19 3 %i+133 2 )(
3
Sari,2N.
2 3 3 2 %i−7 )
3 M., Sri, G., & Asli, S.(2015).
−152
¿ ¿ , Nilai Eigen Dan Vektor
Menentukan
228
¿ Eigen Dari Matriks Tridiagonal. JOM
FMIPA, 2(1), 194-204.

5
6 Nama praktikan penyusun artikel. NIM

Wardayani, A., & Suroto. (2016). Nilai Eigen

Matriks Permutasi Fuzzy Berordo 2×2
dan 3×3. Jurnal Matematika Integratif,
12(2), 99-106.

LAMPIRAN
Hasil Compile
a. Program A
- Matriks A

- Matriks B

- Matriks B

- Matriks C

- Matriks C

b.Program B
- Matriks A

c. WxMaxima
- Matriks A
 - Matriks B

- Matriks C