Tugas Rutin Komputasi FUNGSI EIGEN DAN NILAI EIGEN Disusun Oleh : Kelompok 2 Asina Sofia Harianja 8196175004 Gusrianta 8196175006 Mathias Pandiangan 8196175004 Dosen Pengampu : Dr. Makmur Sirait, M.Si Dr. Rita Juliani, S.Si., M.Si PROGRAM MAGISTER PENDIDIKAN FISIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI MEDAN 2020 KATA PENGANTAR Puji syukur penulis ucapkan kepada Tuhan Yang Maha Esa, karena limpahan Rahmat dan Karunia-Nya kelompk 1 dapat menyelesaikan penulisan makalah Fisika Komputasi “Fungsi Eigen dan Nilai Eigen”. Dalam penyelesaian makalah ini tidak terlepas dari bantuan berbagai pihak. Oleh karena itu penulis mengucapkan terimakasih kepada pihak-pihak yang telah banyak membantu terutama kepada : 1. Dr. Makmur Sirait, M.Si selaku Dosen Mata Kuliah Fisika Komputasi Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Medan 2. Rekan-rekan seperjuangan yang telah banyak membantu dalam penulisan makalah, terimakasih atas dorongan semangat yang telah diberikan. Kelompk 1 juga meminta maaf atas segala kesalahan dan kekhilafan baik yang disengaja maupun tanpa disengaja. Penulis menyadari makalah ini masih jauh dari kesempurnaan dikarenakan keterbatasan ilmu dan pengetahuan penulis. Untuk itu penulis sangat mengharapkan kritikan dan saran dari semua pihak. Semoga makalah ini dapat bermanfaat bagi penulis dan kita semua. Medan, Maret 2020 Kelompok 1 DAFTAR ISI Kata pengantar ...........................................................................................................i Daftar isi .....................................................................................................................ii Bab I Pendahuluan 1.1 Latar Belakang ........................................................................................1 1.2 Rumusan Masalah ...................................................................................1 1.3 Tujuan Penulisan ....................................................................................1 Bab II Pembahasan 2.1 Defenisi eigen value, vector, dan ruang eigen ......................................3 2.2 Sifat eigen value dan eigen vektor ........................................................11 2.3 Diagnolisasi ..........................................................................................15 2.4 Matriks Simetris ....................................................................................17 2.5 Mencari Nilai Eigen Dengan Cara Analisis ..........................................18 2.6 Implementasi Matlab Untuk Nilai Eigen .............................................. Bab III 3.1 Penutup Kesimpulan........................................................................................... DAFTAR PUSTAKA ............................................................................................... BAB I PENDAHULUAN 1.1. Latar Belakang Biasanya jika suatu matriks A berukuran mxm dan x suatu vektor pada Rm, tidak ada hubungan antara vektor x dan vektor Ax. Tetapi seringkali kita menemukan suatu vektor tak nol x tertentu sedemikian hingga x dan Ax merupakan pergandaan satu sama lain dan berlaku Ax=x dengan A matrik berukuran m x m dan suatu skalar. Kejadian inilah yang dinamakan nilai eigen dan vektor eigen (eigen value dan eigen vektor) dan merupakan kejadian yang sering dijumpai dalam matriks. Eigen value dan eigen vektor secara implisit dinyatakan sebagai fungsi elemen-elemen dari sebuah matriks bujur sangkar (square matrix). Pembahasan ini, erat kaitannya dengan materi-materi determinan dan ruang vektor. Dalam bagian ini akan dipelajari bagaimana mendapatkan eigen value dan eigen vektor dari suatu matriks bujur sangkar dan sifat- sifatnya serta penerapannya dalam diagonalisasi. Pada banyak aplikasi yang mengikutsertakan analisa matriks bujur sangkar, informasi kunci dari analisa didapatkan dari eigen value dan eigen vektor ini. Sebagai contoh dalam penentuan penguraian nilai singular dan penguraian spektral, dimana aplikasi ini banyak dipakai dalam pemodelan. 1.2 Rumusan Masalah Adapun rumusan masalah dalam makalah ini adalah 1. Bagaimana cara menyelesaikan persamaan fungsi dan nilai eigen? 2. Bagaimana membuat program MATLAB dalam menyelesaikan persamaan fungsi dan nilai eigen? 1.3 Tujuan Adapun tujuan dalam makalah ini adalah 1. Mampu menyelesaikan persamaan fungsi dan nilai eigen 2. Mampu membuat program MATLAB persamaan persamaan fungsi dan nilai eigen dalam menyelesaikan BAB II PEMBAHASAN 2.1 Definisi Eigen value, Eigen vektor, dan Eigen space (Ruang Eigen) Jika A adalah matriks m x m, maka setiap skalar λ memenuhi persamaan Ax x (1.1) untuk m 1 vektor x 0, disebut eigen value dari A. Vektor x disebut eigen vektor dari A yang berhubungan dengan eigen value , dan persamaan (1.1) diatas disebut persamaan eigen value-eigen vektor A. Kadang-kadang eigen value dan eigen vektor juga dinyatakan sebagai latents root and vectors atau karekteristik roots dan vektor. Persamaan (1.1) dapat juga dituliskan sebagai A x 0 (1.2) Setiap nilai eigen value harus memenuhi persamaan determinan, A 0 (1.3) yang dikenal sebagai persamaan karakteristik A. Dengan menggunakan definisi suatu determinan, kita bisa mengamati bahwa persamaan karakteristik adalah sebuah polinomial derajat ke-m dalam . Karena itu, skalar 0, …, m- 1 seperti halnya persamaan karakteristik diatas dapat juga dinyatakan sebagai m m1 m1 1 0 0 Karena polinomial derajat m memiliki m (roots), berarti suatu matriks m m memiliki m eigen value, karena itu terdapat m skalar 1, …, m yang memenuhi persamaan karakteristik. Apabila semua eigen value A adalah real, kadang-kadang kita jumpai eigen value terbesar ke-i matriks A sebagai i(A). Dengan kata lain eigen value A dapat juga dituliskan sebagai 1(A) m(A). Persamaan karakteristik dapat digunakan untuk mencari eigen value matriks A. Kemudian dapat juga digunakan dalam persamaan eigen value-eigen vektor untuk mencari eigen vektor. Dari eigen vektor yang telah diperoleh, dalam bebarapa penerapan, seperti penguraian nilai singular dan spektral, yang digunakan adalah eigen vektor ternormalisasi. Eigen vektor ternormalisasi adalah eigen vektor dimana tiap-tiap elemen dibagi dengan panjang vektor tersebut. Untuk lebih jelasnya perhatikan contoh berikut : Contoh 1 Tentukan eigen value dan eigen vektor dari matriks A berukuran 33 sebagai berikut 5 −3 3 𝐴 = [4 − 2 3] 4 −4 5 Jawab : Dengan menggunakan definisi 1.3, persamaan karakteristik A adalah, 5−𝜆 |𝐴 − 𝜆𝐼| = [4 4 −3 −2−𝜆 −4 3 3] 5−𝜆 (5 ) 2(2 ) 3(4) 2 4(3) 2 3(4)(2 ) 3(4)(5 ) 3(4)(5 ) = 3 82 17 10 = 5 2 0 Jadi, dari hasil di atas diperoleh tiga eigen value A, yaitu : 1 = 5 , 2 = 2 dan 3=1 Untuk mendapatkan eigen vektor A yang bersesuaian dengan 1 = 5, kita harus menyelesaikan persamaan diperoleh sistem persamaan sebagai berikut, 𝑥1 5 − 3 3 𝑥1 [4 − 2 3] [𝑥2 ] = 5 [𝑥2 ] 𝑥3 4 − 4 5 𝑥3 yang ekuivalen dengan persamaan-persamaan : 5x1 3x 2 3x3 5x1 4x1 2x 2 3x3 5x2 4x1 4x 2 5x3 5x3 Atau x2 x3 4x 3x3 7x2 x x2 ….. (a) (b) …… ….. (c) Ax = 5x, sedemikian hingga Dari persamaan (a), misal jika kita ambil x2 = 1 maka x3 = 1, sehingga dengan persamaan (c) diperoleh dan x1 = 1. Sehingga eigen vektor dari A yang bersesuaian dengan 1 = 5 adalah x = (1, 1, 1)T. Dari persamaan x2 = x3 dan x1 = x2 , anda dapat mengambil sembarang x2 yang lain, pasti akan memenuhi persamaan tersebut. Dari hal ini dapat dikatakan bahwa eigen vektor tidak tunggal. Dengan cara yang sama, sekarang untuk 2 = 2, kita harus menyelesaikan persamaan Ax = 2x, sedemikian hingga diperoleh sistem persamaan sebagai berikut, 5x1 3x2 3x3 2x1 4x1 2x2 3x3 2x2 4x1 4x2 5x3 2x3 Dari persamaan diatas kita peroleh : 3x2 3x3 7x1 4x1 3x3 4x2 4x1 4x2 7x3 Akan terpenuhi jika x1 = 1, x2 = 1 maka x3 = 0 . Sehingga eigen vektor dari A yang bersesuaian dengan 2 = 2 adalah x = (1, 1, 0)T. Dan untuk 3 = 1, kita harus menyelesaikan persamaan Ax = x, sedemikian hingga diperoleh sistem persamaan sebagai berikut, 5x1 3x2 3x3 x 4x1 2x2 3x3 x2 4x1 4x2 5x3 x3 Dari persamaan diatas kita peroleh : 3x2 3x3 4x1 4x1 3x3 3x2 4x1 4x2 4x3 Akan terpenuhi jika x1 = 0 , x2 = 1 maka x3 = 1 . Sehingga eigen vektor dari A yang bersesuaian dengan 3 = 1 adalah x = (0, 1, 1)T. Dari ketiga eigen vektor tersebut kita dapatkan eigen vektor yang ternormalisasi : Panjang eigen vektor yang bersesuaian dengan 1 = 5 adalah √12 + 12 + 12 = √3 Panjang eigen vektor yang bersesuaian dengan 2 = 2 adalah : √12 + 12 + 0 = √2 Panjang eigen vektor yang bersesuaian dengan 3 = 1 adalah : √0 + 12 + 12 = √2 Sehingga eigen vektor yang ternormalisasi yang berhubungan dengan eigen value 5,2,1 : 𝑇 𝑇 (1⁄√3 , 1⁄√3 , 1⁄√3) , (1⁄√2 , 1⁄√2 , 0) , (0, 1⁄√2 , 1⁄√2) 𝑇 Eigen vektor ternormalisasi akan tunggal, kecuali untuk tandanya saja, sehingga nilai eigen vektor tersebut kita kalikan dengan -1 juga merupakan eigen vektor yang lain. Eigen value dan eigen vektor mempunyai interpretasi geometri yang sederhana, misalnya jika merupakan eigen value dari matriks A yang bersesuaian dengan eigen vektor x. Vektor Ax merupakan perkalian skalar dari x dengan eigen value nya, sehingga panjang dari vektor Ax x. Tanda plus minus tergantung kepada tanda dari . Contoh 2 Dari matriks segitiga atas, tentukan eigen value dan eigen vektornya 𝑎11 𝑎12 𝑎13 0 𝑎22 𝑎23 [0 0 𝑎33 0 0 0 𝑎14 𝑎24 𝑎34 ] 𝑎44 Jawab : Dengan mengingat bahwa determinan dari matriks segitiga adalah perkalian diagonal utama maka kita dapatkan : 𝑎11 − 𝜆 𝑎12 𝑎13 𝑎14 0 𝑎22 − 𝜆 𝑎23 𝑎24 |𝐴 − 𝜆𝐼| = [ ] 0 0 𝑎33 − 𝜆 𝑎34 0 0 0 𝑎44 − 𝜆 = (𝑎11 − 𝜆)(𝑎22 − 𝜆)(𝑎33 − 𝜆)(𝑎44 − 𝜆) Sehingga persamaan karakteristiknya adalah : ( 11 )(a22 )(a33 )(a44 ) 0 dan diperoleh eigen value nya adalah : 11; a22 ; a33 dan a44 yang merupakan elemen-elemen diagonal utama dari A Teorema 1.1 Jika A adalah suatu matriks segitiga (segitiga atas atau segitiga bawah atau matriks diagonal) berukuran m x m, maka eigen value dari A adalah elemen-elemen diagonal utama dari A. Contoh 3 Tentukan eigen value dan eigen vektornya dari matriks berikut : 1 2 𝐴= −1 [ 5 0 0 2 3 0 −8 4 − 8] Jawab : ½ Berdasarkan teorema 1, diatas dengan mudah dapat kita tentukan eigen value dari matriks A yaitu ; dan Pada prakteknya eigen value dan eigen vektor dari suatu matriks tidak selalu bernilai real, kadang suatu matriks mempunyai eigen value dan eigen vektor bilangan komplek. Perhatikan contoh berikut : Contoh 4 Perhatikan pada matriks 2 2 berikut, 𝐴=[ 1 1 ] −2 − 1 Tentukan persamaan karekteristik, dan tentukan eigen valuenya. Jawab : Dengan definisi 5.3, persamaan karakteristik matriks A dapat ditentukan : 1 |𝐴 − 𝜆𝐼| = [ 1 − 𝜆 ] = −(1 − 𝜆)(1 + 𝜆) + 2 = 𝜆2 + 1 = 0 −2 −1−𝜆 Sehingga eigen value dari A adalah √−1 atau √−1 i dan √−1 i. Untuk menentukan eigen vektor yang berhubungan dengan i , kita tentukan x = (x1,x2)T = (y1 + iz1, y2 + iz2)T. Untuk mendpatkan nilai y1, z1, y2, z2 kita gunakan persamaan Ax = ix. Demikian juga untuk menentukan eigen vektor yang berhubungan dengan i , kita tentukan x = (x1,x2)T = (y1 - iz1, y2 - iz2)T. Untuk mendapatkan nilai y1, z1, y2, z2 kita gunakan persamaan Ax = -ix. Untuk mendapatkan eigen vektor, lakukan sebagai latihan. Dalam prakteknya, untuk menentukan persamaan karakteristik, eigen value dan eigen vektor dari suatu matriks yang berukuran besar (4x4 atau lebih), tentulah bukan hal yang mudah. Perhatikanlah contoh berikut : Contoh 5 Tentukan persamaan karakteristik, eigen value dan eigen vektor dari matriks A berikut: 10 𝐴 = [4 0 −9 −2 0 0 0 −2 0 0] −7 Jawab : Dengan menggunakan bantuan paket program Matlab, untuk menyelsaikan matriks diatas, langkah pertama adalah memasukkan nilai dari matriks A sebagai berikut : » A=[10 -9 0 0;4 -2 0 0;0 0 -2 -7;0 0 1 2] A = 10 -9 0 0 4 -2 0 0 0 0 -2 -7 0 0 2 1 inilah bentuk matriks A. Untuk mendapatkan persamaan karakteristik dari matriks A, lakukan perintah sebagai beikut : » poly(A) ans = 1.0000 -8.0000 19.0000 -24.0000 48.0000 Dari hasil diatas ekivalen dengan bentuk persamaan: 14 - 83 + 192 - 24 + 48 Untuk mendapatkan eigen value, lakukan perintah sebagai berikut : » eig(A) ans = 4.0000 4.0000 0 + 1.7321i 0 - 1.7321i Jadi eigen value dari matriks A adalah 4, 4, 1.7321i dan -1.7321i. Nampak bahwa matriks A mempunyai eigen velue bilangan kompleks. Untuk mendapatkan nilai eigen vektor, yang bersesuaian dengan eigen veluen, lakukan perintah » [V,D]=eig(A) V= D= 0.8321 0.8321 0 0 0.5547 0.5547 0 0 0 0 -0.6124 - 0.7071i -0.6124 + 0.7071i 0 0 4.000 0 0 0 0 4000 0 0 0 0 0 0 0 + 0.3536i 0 + 1.7321i 0 0 - 0.3536i 0 0 - 1.7321i dimana V berisikan eigen vektor ternormalisasi dari matriks A dan D adalah matriks Diagonal dengan elemen diagonal adalah eigen value yang bersesuaian dengan eigen vektor. - Kolom pertama matriks V merupakan eigen vektor ternormalisasi eigen vektor ternormalisasi eigen vektor ternormalisasi yang bersesuaian dengan eigen value 4 - Kolom kedua matriks V merupakan yang bersesuaian dengan eigen value 4 - Kolom ketiga matriks V merupakan yang bersesuaian dengan eigen value 1.7321i - Kolom keempat matriks V merupakan eigen vektor ternormalisasi yang bersesuaian dengan eigen value - 1.7321i Untuk matriks yang sederhanapun anda dapat menentukan persamaan karakteristik, eigen value dan eigen vektor dengan program Matlab. Coba anda kerjakan kembali contoh 6.1 sampai dengan contoh 6.44, dengan menggunakan bantuan program Matlab, bandingkan hasilnya dengan penghitungan manual. Dalam beberapa kondisi, kita menginginkan bekerja dengan himpunan semua eigen vektor yang dihubungkan dengan suatu eigen value. Kumpulan semua eigen vektor SA() yang berhubungan dengan eigen value tertentu, disebut ruang eigen dari A yang bersesuaian dengan . Dimana SA()={x:xRm dan Ax = x}. Teorema 2 Jika SA() adalah ruang eigen dari matriks A berukuran m x m yang bersesuaian dengan maka SA() adalah sub ruang vektor dari Rm. Bukti : Dengan menggunakan definisi : jika x SA(), maka Ax = x. Maka jika x SA() dan y SA(), maka untuk skalar dan berlaku : A(x + y) = Ax + Ay =( x)+ (y) = (x+ y) Akibatnya (x+ y) SA() dan SA() merupakan ruang vektor Contoh 6 Diberikan matriks A sebagai berikut : 2 𝐴 = [0 0 −1 1 0 0 0] 1 tentukan ruang eigennya. Jawab : Langkah pertama, menentukan persamaan karakteristik dari matriks A sebagai berikut : 2−𝜆 [0 0 −1 0 1−𝜆 0 ] = (1 − 𝜆)2 (2 − 𝜆) = 0 0 1−𝜆 maka diperoleh eigen value dari A adalah 1 dan 2. Untuk mendapatkan SA(1) , selesaikan persamaan Ax = x. 𝑥1 2 − 3 0 𝑥1 [0 1 0 ] [𝑥2 ] = [𝑥2 ] 𝑥3 0 0 1 𝑥3 ekiuvalen dengan persamaan : 2x x2 x x x2 x2 x2 x3 x3 Misal jika kita pilih x1 = 0 maka x2 = 0 dan kita pilih x3 = 1 . Sehingga eigen vektor dari A yang bersesuaian dengan 1 = 1 adalah x = (0, 0, 1)T. Pilihan lain yang juga memenuhi adalah untuk x1 = 1 maka x2 = 1 dan kita pilih x3 = 0 . Sehingga eigen vektor dari A yang bersesuaian dengan 1 = 1 adalah x = (1, 1, 0)T. Juga merupakan eigen vekor dari A. dimana dua vektor tersebut bebas secara linear, maka vektor-vektor ini membentuk suatu basis untuk ruang 1 = 1. eigen yang bersesuaian dengan Sehingga SA(1) adalah sub ruang yang merentang dengan basis (x1 ,x2). SA(1) merupakakan bidang dalam R3. Untuk mendapatkan SA(2) , selesaikan persamaan Ax = 2x 𝑥1 2 − 1 0 𝑥1 [0 1 0 ] [𝑥2 ] = 2 [𝑥2 ] 𝑥3 0 0 1 𝑥3 2x1 x2 2x1 x2 2x2 x3 2x3 Untuk persamaan diatas yang memenuhi adalah untuk x2 = 0 dan x3 = 0 dan sembarang nilai dari x1, misal kita beri nilai 1 atau kelipatannya. Sehingga eigen vektor dari A yang bersesuaian dengan 1 = 2 adalah x = (1, 0, 0)T. Sehingga SA(2) adalah garis dalam R3 yang diberikan oleh {(a,0,0)T ; -< a < } Contoh 7 Perhatikan pada matriks 3 3 berikut, 1 𝐴 = [0 0 2 1 2 3 0] 1 Persamaan karakteristik dari A adalah |AI| = (1)³ = 0, A memiliki eigen value 1 yang berulang tiga kali. Eigenvalue-eigenvektor persamaan Ax = x menghasilkan tiga persamaan skalar. x1 2x2 3x3 x1 x2 x2 2x2 x3 x3 yang mempunyai pemecahan vektor untuk bentuk x = (a,0,0)T. Jadi, meskipun perkalian eigen value 1 adalah 3, ruang eigen yang bersesuaian SA(1) = {(a,0,0)T; -a } adalah hanya berdimensi satu 2.2 Sifat-sifat Eigen value dan Eigen vektor Pada bagian ini, kita buat beberapa hasil yang berguna yang bersesuaian dengan eigen value. Bukti dari hasil pada teorema pertama kita dapat dengan mudah diperoleh menggunakan persamaan karakteristik atau persamaan eigen value-eigen vektor. Teorema 3 Jika diberikan matriks Am x m. Maka, T a) Eigen value A adalah sama dengan eigen value A b) A matriks singular jika dan hanya jika sedikitnya satu eigen value A sama dengan 0 c) Elemen-elemen diagonal A adalah eigen value A, jika A merupakan matriks segitiga d) Eigen value BAB -1 sama dengan eigen value A, jika B merupakan matriks nonsingular m x m e) Setiap eigen value A adalah +1 atau -1, jika A merupakan matriks orthogonal. Bukti : Buktikan teorema 3 sebgai latihan. Kita perhatikan pada contoh 6 bahwa memungkinkan untuk dimensi sebuah ruang eigen yang dikaitkan dengan eigen value lebih kecil daripada perkalian . Teorema berikut menjelaskan bagaimana jika dim{SA()}r. Teorema 4 Anggap adalah eigen value dari matriks A m m, dengan perkalian r 1, maka 1 dim{SA()} r Bukti : Jika adalah eigen value A, dengan definisi terdapat x 0 yang memenuhi persamaan eigen value-eigen vektor Ax = x dan, jelas, dim{SA()}1. Sekarang, diberikan k = dim{SA()}, dan x1,,xk. akan menjadi eigen vektor independen linear yang bersesuaian dengan . Bentuk nonsingular matriks X berukuran mm yang mana vektor k ini sebagai kolom k, yaitu, X mempunyai bentuk X X 1 X 2 , dimana X 1 x1 ,, xk dan X2 adalah m (m k). Karena setiap kolom X1 adalah eigen vektor A yang bersesuaian dengan eigen value , kemudian AX1 = X1, dan 𝑋 −1 𝑋1 = [ 𝐼𝑘 ] (0) Mengikuti dari kenyataan bahwa X-1X=Im. Sebagai hasilnya kita dapatkan, X 1 AX X 1 AX 1 AX 2 X 1 X 1 AX 2 =[ 𝜆𝐼𝑘 𝐵1 ] (0) 𝐵2 dimana B1 dan B2 menyatakan pemisahan matriks X-1AX2. Jika adalah eigen value 0 = |𝑋 −1 𝐴𝑋 − 𝜇𝐼𝑚 | = | dimana persamaan (𝜆 − 𝜇)𝐼𝑘 (0) terakhir 𝐵1 | = (𝜆 − 𝜇)𝑘 |𝐵2 − 𝜇𝐼𝑚−𝑘 | 𝐵2 − 𝜇𝐼𝑚−𝑘 diperoleh dengan mengulangi penggunaan rumus perluasan kofaktor untuk sebuah determinan. Jadi, haruslah merupakan eigen value X-1AX dengan perkalian sedikitnya k. Hasilnya sekarang mengikuti karena, berdasarkan teorema 5.3 (d), eigen value X-1AX adalah sama seperti halnya A. Jika eigen value dan eigen vektor suatu matriks A diperoleh, maka Anda dapat dengan mudah mencari eigen value dan eigen vektor dari sembarang pangkat bilangan bulat positif dari A. Misalnya jika adaalah suatu eigen value dari A dan x adalah eigen vektor yang bersesuaian, maka : A2x = A(Ax) = A(x) = (Ax) = (x) = 2x Yang menunjukkan bahwa 2 merupakan eigen value dari A2 dan x merupakan eigen vektor yang bersesuaian. Secara umum, perhatikan teorema berikut : Teorema 5 Diberikan merupakan eigen value matriks A m m dan x eigen vektor yang berhubungan. Maka, a) Jika n adalah integer 1, n adalah eigen value dari An yang berhubungan dengan eigen vektor x b) Jika A adalah nonsingular, -1 adalah eigen value dari A-1 yang berhubungan dengan eigen vektor x Bukti : Untuk bagian (a) dengan menggunakan hubungan Ax = λx yang berulang, sehingga kita mempunyai An x An1 Ax A n1 x An1 x n x Untuk membuktikan poin (b), perkalian awal persamaan eigen value-eigen vektor Ax x dengan A-1, memberikan persamaan x A1 x (1.4) Karena A nonsingular, berdasarkan teorema 6.2(b) kita tahu bahwa λ ≠ 0, sehingga pembagian kedua sisi dengan λ menghasilkan A1 x λ1 x yang mana merupakan persamaan eigen value-eigen vektor untuk A-1, dengan eigen value λ-1 dan eigen vektor x. Contoh 8 Lihat kembali matriks A pada contoh 6. Tentukan eigenvalue dan eigenvektor dari A7 ! Jawab : Dari contoh soal 6, telah diperoleh bahwa eigen value dari matriks A adalah = 1 dan = 2. Dengan menggunakan teorema 5 maka = 27 = 128 dan = 17= 1 merupakan eigen value dari A7. Eigen vektor dari A yang bersesuaian dengan = 1 adalah x = (0, 0, 1)T. Dan eigen vektor dari A yang bersesuaian dengan = 27 = 128 adalah x = (1, 0, 0)T Dalam mempelajari matriks dan statistik lebih lanjut, anda akan sering berhubungan dengan trace dan determinan suatu matriks. Jika eigen value dari suatu matriks sudah diperoleh, maka untuk mendapatkan trace ataupun determinan dari suatu matriks anda akan dapat menentukan dengan mudah. Perhatikan teorema berikut : Teorema 6 Diberikan A berupa matriks m × m dengan eigen value λ1, , λm. Maka (a) tr(A) i1λ i (b) A i1λ i Bukti : (Tunjukkan sebagai latihan) Hal penting dalam statistika adalah mengetahui kebebasan linear dari beberapa vektor. Penerapan dari kebebasan linear telah anda kenal dalam penentuan rank, basis, dimensi ataupun dalam penyelesaian dari sistem persamaan linear yang telah dibahas pada modul-modul sebelumnya. Dalam kaitannya dengan kebebasan linear, juga ada kaitannya dengan eigen value dari suatu matriks. Teorema berikut memberikan kondisi yang cukup untuk serangkaian eigen vektor yang independen secara linear. Teorema 7 Anggap x1, ,xr adalah eigen vektor matriks A berdimensi m × m, dimana r m. Jika eigen value yang bersesuaian λ1, ,λr adalah λi ≠ λj untuk semua i ≠ j, maka vektor x1, ,xr independen secara linear. Bukti : Pembuktian kita dilakukan dengan cara berkebalikan, karenanya kita mulai dari asumsi bahwa vektor x1, ,xr adalah independen secara linear. Kemudian h adalah bilangan integer terbesar untuk x1, ,xh yang independen secara linear. Kumpulan yang seperti itu dapat ditemukan karena x1, yang menjadi eigen vektor, tidak boleh sama dengan 0 (nol), dan karenanya independen secara linear. Vektor-vektor x1, ,x h+1 haruslah bergantung secara linear (linearly dependent), jadi skalar yang ada 1, ,h+1 dengan sedikitnya dua skalar yang tidak boleh sama dengan nol karena menyebabkan eigen vektor menjadi vektor null, sehingga 1 x h1 xh1 0 Penyelesaian persamaan di atas untuk sisi sebelah kiri dengan mengalikannya dengan (Ah+1I), kita dapatkan 1 A λ h1 x1 h1 A λ h1 xh1 1 Ax1 λ h1 x1 h1 Axh1 λ h1 xh1 1 λ1 λ h1 x1 h λh λ h1 xh juga harus sama dengan 0. Tetapi x1, ,xh linear independen sehingga berlaku 1 λ1 λh1 h λh λh1 0 Kita mengetahui bahwa sedikitnya salah satu dari skalar 1, , h tidak sama dengan nol dan sebagai contoh, jika i adalah satu dari skalar-skalar yang tidak nol, maka kita harus memiliki λi = λh+1. Hal ini bertolak belakang dengan kondisikondisi yang disebutkan dalam teorema, jadi vektor-vektor x1, , xr haruslah independen linear. 2.3. Diagonalisasi Jika eigen value λ1, , λm dari matriks A berukuran m×m semuanya adalah berbeda, maka sesuai dengan teorema 6.7 bahwa matriks X = (x1,, xm) adalah nonsingular, dimana x i adalah eigen vektor yang berhubungan dengan λi. Berlaku pula dengan persamaan eigen value-eigen vektor Axi = λixi, yaitu jika tentukan matriks diagonal = diag(λ1, , λm), maka AX=X. Perkalian persamaan ini dengan X-1 menghasilkan X-1AX = . Setiap matriks persegi yang dapat ditransformasikan ke matriks diagonal melalui perkalian diawal matriks (postmultiplication) dengan sebuah matriks nonsingular dan perkalian diakhir matriks (premultiplication) dengan inversnya disebut dapat didiagonalkan (diagonalizable). Jadi, suatu matriks persegi dengan eigen value berbeda adalah diagonalizable. Jelasnya, apabila sebuah matriks adalah diagonalizable, rank-nya sama dengan jumlah eigen value yang tidak nol, karena rank(A) = rank(X-1AX) = rank() Contoh 9 Pertimbangkan matriks berukuran 2 x2 berikut : 1 𝐴=[ 0 1 0 ];𝐵 = [ 1 0 1 ] 0 tentukan rank dari matriks A dan B. Jawab : Dapat anda tentukan dengan mudah bahwa rank dari matriks A dan B adalah 1. Dan diperoleh persamaan karakteristik dari A adalah (1 ) 0 , sehingga eigen value dari A adalah 0 dan 1, jadi dalam kasus ini rank dari A adalah sama dengan jumlah eigen value yang tidak nol. Perhatikan untuk matriks B, persamaan karakteristik dari B adalah 2 = 0, sehingga eigen value dari B adalah 0 yang diulang sebanyak dua kali. Disini rank dari B lebih besar dari jumlah eigen value yang tidak sama dengan nol. Contoh 10 Diberikan matriks A sebagai berikut : 0 𝐴=[ 1 1 0 2 0 −2 1] 3 Tentukan suatu matriks X yang mendiagonalkan matriks A. Jawab : Dari matriks tersebut dapat kita tentukan persamaan karakteristiknya adalah (1)(-2)2 = 0 dan didapatkan basis-basis untuk ruang eigen : = 2 diperoleh e1 = (-1 0 1)T dan e2 =(0 1 0)2 =1 diperolah e3 = (-2 1 1)T sehingga ada tiga vektor basis dan matriks A dapat didiagonalkan, −1 𝐴=[ 0 1 0 1 0 −2 1 ] mendiagonalkan A 1 dimana: 1 𝑋 −1 𝐴𝑋 = [ 1 −1 0 1 0 1 0 1 ] [1 −1 1 0 2 0 − 2 −1 1] [ 0 3 1 0 1 0 −2 2 1 ] = [0 1 0 0 2 0 0 0] 1 yang merupakan matriks diagonal dengan elemen diagonalnya adalah eigen value. Teorema 8 Diberikan matriks A berukuran m×m dengan eigen value λ1, , λm, dan 𝑚 ∏(𝐴 − 𝜆𝑖 𝐼) = (0); 𝑖=1 yaitu, jika λ m m1 λ m1 1 λ 0 0 adalah persamaan karakteristik A, maka A m m1 A m1 1 A 0 0 2.4 . Matriks Simetris Banyak sekali aplikasi-aplikasi value dan eigen vektor, matriks yang yang melibatkan salah satunya adalah matriks simetri mempunyai beberapa sifat khusus eigen simetri. Dimana yang berkaitan dengan eigen value dan eigen vektor. Teorema 9 Jika A adalah matriks simetri berukuran m x m, maka: a) eigen value dari A semuanya bilangan real, dan b) vektor-vektor eigen dari ruang eigen yang berbeda orthogonal Bukti : a) Misal i merupakan eigen value dari A dan x +y = iz merupakan eigen vektor yang bersesuaian, dimana i 1 . Akan kita tunjukkan bahwa =0 Substitusikan ekspresi λ dan x ke dalam persamaan eigen value eigenvector Ax = λx A y iz i y iz (1.5) Perkalian (1.5) dengan (y iz) menghasilkan T y iz T A( y iz) i y iz ( y iz) T yang disederhanakan menjadi y’TAy + z TAz = (+ i)(yTy + z Tz), karena y TAz = z TAy berlaku simetri A. Sekarang x ≠ 0 berimplikasi bahwa (yTy + z Tz) > 0, dan konsekuensinya kita harus mempunyai = 0 karena sisi kiri persamaan di atas adalah real. Substitusikan = 0 ke dalam persamaan (1.5) hasilnya adalah Ay + iAz = y + iz Jadi, x= y + iz akan menjadi eigen vektor A yang berhubungan dengan λ = sepanjang y dan z memenuhi Ay = y, Az = z dan sedikitnya tidak ada salah satu yang bernilai 0 sehingga x ≠ 0. Sebuah eigenvector real kemudian dibentuk dengan memilih y ≠ 0 sedemikian hingga Ay = y dan z = 0. Jadi terbukti bahwa eigen value dari A semuanya bilangan real. b) Anggap x1 dan x2 adalah eigen vektor yang bersesuaian dengan eigen value x1 dan x2 yang berbeda dari matriks A. Kita ingin menunjukkan bahwa x1 .x2 = 0. Menurut teori hasil kali titik pada modul Ruang Vektor, dan kesimetrisan A, diperoleh : Ax1 .x2 = x1 .A Tx2 = x1 .A Tx2 (1.6) Tetapi x1 adalah eigen vektor yang bersesuaian dengan 1 dan eigen vektor persamaan yang bersesuaian dengan2, sehingg x2 adalah (1.6) menghasilkan hubungan : 1x1 .x2 = x1 . 2 x2 yang dapat ditulis kembali menjadi : (1 - 2 )( x1 .x2 ) = 0 (1.7) Tetapi (1 - 2 ) 0, karena 1 dan 2 dianggap berbeda. Jadi dari persamaan 1.7 dapat kita simpulkan bahwa x1 .x2 = 0. Yang berarti x1 dan x2 ortogonal. Telah kita lihat bahwa himpunan eigen vektor dari sebuah matriks A ukuran m×m adalah linear independen jika eigen value yang terasosiasi semuanya adalah berbeda satu sama lainnya. Sekarang akan kita tunjukkan, jika A simetris, kita bisa bahas lebih lanjut. Anggaplah x dan y adalah eigenvector A yang berhubungan dengan eigen value λ dan , dimana λ ≠ . Maka, karena A simetris, berlaku bahwa λxT y (λx)T y (Ax)T y xT AT y xT (Ay) xT (γy) γxT y Karena λ ≠ kita harus mempunyai xTy = 0, yaitu eigenvector yang berhubungan dengan eigen value yang berbeda haruslah orthogonal. Sehingga, jika m eigen value A adalah berbeda, maka serangkaian eigenvector yang berhubungan akan membentuk kelompok vektor yang saling orthogonal. Akan kita tunjukkan bahwa hal itu masih memungkinkan apabila A mempunyai eigen value yang beragam. Sebelumnya kita perlu hasil berikut : Teorema 10 Sebuah matriks A simetris m × m dan x adalah vektor tidak nol m × 1. Maka untuk sembarang r ≥ 1, ruang vektor spanned by vektor x, Ax, …, Ar-1x, memuat sebuah eigen vektor A. 2.5. Mencari Nilai Eigen Dengan Cara Analitis 1) Nilai Eigen Sebelumnya telah dijelaskan bahwa nilai eigen merupakan nilai karakteristik suatu matriks. Secara sederhana, nilai eigen merupakan nilai yang mempresentasikan suatu matriks dalam perkalian dengan suatu vektor, dapat ditulis sebagai: Ax = λx di mana A suatu matriks persegi (n,n), x merupakan vektor (n,1), dan λ merupakan nilai eigen dari matriks A. Nilai eigen matriks A dapat dicari dengan Ax−λx = 0 (A−λ)x = 0 Misalkan diberikan A matriks 3x3 dan vektor x −8 𝐴 = [−14 −22 21 31 45 a −9 − 13] dan x = [b] c − 19 Berdasarkan persamaan (A−λ)x = 0 dapat dituliskan [ a −8 − 𝜆 21 −9 b [ −14 31 − 𝜆 − 13 ] ] = 0 −22 45 − 19 − 𝜆 c Untuk mencari nilai λ yang sesuai, terlebih dahulu dihitung determinan dari (A−λ) dengan metode Sarrus (khusus matriks 3x3) atau ekspansi kofaktor. Menggunakan ekspansi kofaktor baris pertama, diperoleh det(A − λ) = (−8 − λ) | 31 − λ 45 (−9) |−14 31 − λ| −22 45 = −λ3 + 4λ2+ 4 λ− 16 −14 −13 −13 | − (21) | |+ −22 −19 − λ −19 − λ Polinomial yang didapatkan di atas disebut polinomial karakteristik. Berdasarkan persamaan (A−λ)x = 0, diketahui jika x tidak nol maka A−λ harus sama dengan nol. Hal ini berarti det(A−λ) = 0. Dengan demikian, diperoleh persamaan −λ3 + 4λ2+ 4 λ− 16 = 0 Jika dicari dengan pemfaktoran atau dengan bantuan Matlab, diperoleh −λ3 + 4λ2 + 4λ – 16 = (λ+2)(−λ+2)(λ−4) sehingga didapatkan ketiga nilai eigen yaitu λ=2, λ=−2 dan λ=4. Jelaslah untuk matriks persegi orde-n akan memberikan persamaan karakteristik orde-n pula. Dengan begitu, matriks persegi orde-n memiliki paling banyak n nilai eigen (bisa kurang jika ada akar kembar). Cara spesial untuk memperoleh polinomial karakteristik matriks 2x2 dan 3x3 ialah: - matriks 2x2: det(A) − λ⋅trace(A) + λ2 - matriks 3x3: det(A) − λ⋅(M11+M22+M33)+λ2⋅trace(A)−λ3 dengan Mij adalah Minor dari matriks A. 2) Vektor Eigen Vektor eigen x merupakan solusi dari matriks A−λ untuk setiap nilai λ yang ada di mana x≠0. Misalkan pada matriks A tadi mempunyai tiga nilai eigen, maka vektor eigennya juga ada tiga. Misalkan untuk λ = 2, substitusikan nilai λ ke dalam persamaan: [ [ a −8 − 𝜆 21 −9 −14 31 − 𝜆 − 13 ] [b] = 0 −22 45 − 19 − 𝜆 c −8 − (2) −14 −22 21 −9 a 0 31 − (2) − 13 ] [b] = [0] 45 − 19 − (2) c 0 −10 21 −9 a 0 b [−14 29 −13] [ ] = [0] −22 45 −21 c 0 SPL di atas dapat diselesaikan dengan metode Gauss atau Gauss-Jordan. Metode Crammer tak dapat digunakan karena matriks di atas tidak memiliki solusi sejati (determinannya = 0). Jadi kita hanya dapat memperoleh solusi trivialnya dengan menyatakan a, b, dan c misalkan dalam c. Dengan metode Gauss, matriks pada −10 21 −9 a 0 ruas kiri persamaan [−14 29 −13] [b] = [0] dapat diubah menjadi matriks −22 45 −21 c 0 segitiga melalui operasi baris elementer (OBE) yaitu: −10 21 −9 −9 4 4 −13] 𝑂21 (−14/10) = [ 0 − − ] 𝑂31 (−22/10) 10 10 −21 −22 45 −21 −10 21 −9 −10 21 −9 4 4 4 4 0 − − = 10 10 𝑂32 (−3) = [ 0 − − ] 10 10 12 12 0 0 0 0 − − [ 10 10] −10 21 −9 a 0 Dengan demikian, persamaan [−14 29 −13] [b] = [0] dapat ditulis ulang −22 45 −21 c 0 −10 21 [−14 29 −22 45 menjadi: −10 21 −9 a 0 [ 0 −0,4 −0,4] [b] = [0] c 0 0 0 0 jika a,b,c kita nyatakan dalam c, diperoleh −0,4b − 0,4c = 0 −10a + 21b − 9c = 0 Dari kedua persamaan di atas diperoleh b = −c dan a = −3c. Jadi vektor eigen untuk λ = 2 ialah −3c −3 x1 = [ −c ] = [−1] c 1 Dengan cara serupa, untuk λ = −2, jika ditelusuri diperoleh 1 c 4 1 x2 = [ 1c ] = [2] 2 4 c dan untuk λ=4 c 1 x3 = [c] = [1] c 1 2.6. Implementasi MATLAB Untuk Mencari Nilai Eigen Nilai Eigen Di bawah ini akan dijelaskan cara mencari nilai eigen untuk persamaan matriks. Langkah-langkah dengan MATLAB: 1. Sebagai langkah awal buka program Matlab pada desktop sehingga akan terbuka program dengan memunculkan kotak dialog MATLAb dan Comman Window. 2. Buat M-file baru pada Comman Window dengan cara mengklik menu File pada Comman Window dan pilih New kemudian M-File seperti gambar di bawah ini: 3. Maka akan muncul kotak M-File baru seperti pada gambar di bawah ini: 4. Masukkan kode program ke program MATLAB sebagai berikut dengan cara mengketikkannya pada kotak dialog M-File . Catatan : Jika ada kode/script program yang sudah baku dan lengkap seperti kode program dibawah ini, maka copy-paste saja kode tersebut ke kotak dialog M-File. Jika tidak lengkap, maka harus diketik ulang dan direvisi dimana terdapat kesalahannya. Script/kode tersebut diketahui tidak lengkap jika setelah di jalankan programnya ternyata eror. Kode Program : Coding : clc; disp ( ' NILAI EIGEN DAN VEKTOR EIGEN' Z=input('Mariks Z = '); disp('Matriks Z ='); disp(Z); dA=det(Z); [ba,ka]=size(Z); disp('nilai eigen matriks Z='); disp(eig(Z)); ); BAB III PENUTUP 3.1. Kesimpulan 1. Kefleksibelan persamaan yang dimaksud adalah kita dapat dengan bebas memasukkan nilai matriks yang akan dicari nilai eigennya apakah angka 0, bilangan negatif maupun bilangan positif dengan syarat utama yaitu matriknya harus matriks persegi 2. Jumlah nilai eigen dari matriks persegi ditentukan oleh ordo matriksnya. Jika matriksnya berordo 2x2 maka nilai eigen matriksnya ada 2, jika matriksnya berordo 3x3 maka nilai eigen matriksnya ada 3 dan seterusnya untuk matriks persegi nxn yang lain. Jadi, matrik berordo nxn maka jumlah nilai eigennya sebanyak n. 3. Pangkat maksimal dari polynomial karakteristik matriks ditentukan oleh ordo matriksnya. Jika matriksnya berordo 2x2, maka polynomial karakteristik matriksnya memiliki pangkat maksimal 2, begitupula untuk matriks 3x3 maka pangkat maksimalnya 3 dan seterusnya untuk matriks persegi nxn yang lain. Jadi, matrik berordo nxn maka polynomial karakteristiknya berpangkat maksimal n. 4. Polinomial karakteristik dan nilai eigen dari matriks A yang dicari menggunakan matlab sesuai dengan yang dicari menggunakan metode analitis. DAFTAR PUSTAKA Fachruddin, Imam. 2013. Metode Numerik. Jakarta : UI Press Sartono, Arif. 2006. Penggunaan Metode Numerik dan MATLAB Dalam Fisika. Jakarta : UI Press Nugroho, Fahrudin. 2013. Pemrograman dan Metode Numerik (Untuk Fisika). Catatan Kuliah Fisika. Sahyar. 2013. Algoritma dan Pemrograman Mengunakan Matlab. Medan : UNIMED Press Wibawati. 2007. Eigenvalue dan Eigenvektor. Modul5_Nilai_Eigen. Zakaria, Ulfah. 2010. Metode Numerik. Jakarta: UNILA Press