ALJABAR MATRIKS

Bila kita mempunyai suatu sistem persamaan linier

2x + 3y + 3z
=0
x + y + 3z
=0
x + 2y z = 0

Maka koefisien tersebut di atas disebut MATRIKS,

dan secara umum dapat dituliskan sbb :

2 3 2
1 1 3

1 2 1

Jajaran bilangan tersebut di atas disebut MATRIKS,

dan secara umum dapat dituliskan sbb :
a11
a
21

a12
a 22

a13
a 23

aij
a2 j

a1n
a 2 n

a31

a32
.

a33
.

a3 j
.

a
i1
a m1

.
.

.
.

.
.

ai 2
am2

ai 3
a m3

aij
a mj

m, n

adalah bilangan bulat 1.

a3n

.
ain

a mn

aij = elemen-elemen dari matriks (i = 1, 2.......m).. (j = 1, 2 .......n)

m banyak baris
orde matriks mxn
n banyaknya kolom
Matriks biasanya ditulis dengan notasi (A)

Macam matriks
Matriks bujur sangkar, bila m = n

1 2 3
4 5 6

7 8 9
Elemen-elemen

mxn

a11, a22, .........., ann

disebut elemen-elemen diagonal utama

Macam matriks

Matriks baris, bila m = 1

2 3 4 5

[ A ]mx1

Matriks kolom, bila n = 1

1
2

3

4
5

[ A ]1x n

Macam matriks
Matriks nol, bila aij = 0 :
0 0 0 0
0 0 0 0

0 0 0 0

TYPE MATRIKS BUJUR SANGKAR

Matriks Diagonal,
Jika semua elemen sama dengan nol, kecuali
elemen-elemen diagonal utamanya.

1 0 0 0
0 2 0 0

0 0 3 0

0 0 0 4

aij = 0
aii 0

TYPE MATRIKS BUJUR SANGKAR

Matriks Satuan (unit matriks).

Jika elemen-elemen diagonal sama
dengan 1 dan elemen-elemen yang lain
sama dengan nol.
1 0 0 0
0 1 0 0

0 0 1 0

= [I]

0 0 0 1
Disebut juga matriks identitas = [ I ]

TYPE MATRIKS BUJUR SANGKAR

Matriks simetris, jika aij = aji

1 2 3
2 0 7

3 7 5
Matriks skew-simetris, jika aij = - aji
1 2 3
2 0 7

3 7
5

OPERASI MATRIKS
Kesamaan matriks
Dua matriks [A] dan [B] dikatakan sama bila

aij = bij
[ A ] dan [ B ] harus mempunyai orde yang sama.

OPERASI MATRIKS

Penjumlahan matriks
Bila [A] dan [B] punya orde yang sama, maka
kedua matriks tersebut bisa dijumlahkan
menjadi matriks [C]

[C] = [A] + [B]

cij = aij +

bij

Sifat-sifat penjumlahan Matriks

[A]+[B]=[B]+[A]
Komutatif
[ A ] + [ B ] + [ C ] = ([ A ] + [ B ]) + [ C ] Assosiatif

EXAMPLE :

[A] =

1 2 3
4 5 6

[C] =

1 0 2 3 3 2
4 1 5 2 6 3

[C] =

1 5 5
5 7 9

[B] =

0 3 2
1 2 3

OPERASI MATRIKS
Perkalian dengan skalar :
Suatu matriks [A] dapat dikalikan dengan bil.skalar
menghasilkan suatu matriks

[D] = k [A]

dij = k . aij
Sifat-sifat perkalian skalar matriks:
k ( [A] + [B] ) = k [A] + k [B]
k ( [A] + [B] ) = ( [A] + [B] ) k

EXAMPLE :

1 2 3
[A]=

4
5
6

[D]=

2 4 6
8 10 12

; k = -2

OPERASI MATRIKS
Perkalian matriks
Matriks [A]mxp dan [B]pxn dapat dikalikan menghasilkan
matriks baru

[E]mxn = [A]mxp [B]pxn

p

eij aik bkj

k 1

dimana :
i = 1, 2, m ;

j = 1, 2, n

k = 1, 2, p

EXAMPLE :
[A] =

2 1 5
1 3 2

;
2 x3

2 x3 1(1) 5 x 2
[E] =
1x3 3(1) 2 x 2

15 15
[E] =

4
12

2x2

3 4
[B] = 1 2

2 1

3x2

2 x 4 1x 2
1x 4

5 x1
3 x 2 2 x1

Sifat-sifat perkalian matriks :

[A] ( [B] + [C] ) = [A] [B] + [A] [C]

; sifat distributif

( [A] + [B] ) + [C] = [A] [B] + [A] [C]

; sifat distributif

[A] ( [B] [C] )

; sifat assosiatif

[A] [B] [B] [A]

[A] [B] = [A] [C] ; belum tentu [B] = [C]

= ( [A] [B] ) [C]

TRANSPOSE MATRIKS
Jika matriks [A] dengan orde m x n
Transpose matriks [A]

= [A]T

adalah matriks berorde n x m dengan baris

dan kolom matriks [A] menjadi kolom dan
baris matrix [A]T
EXAMPLE :

1 2 3

[A] =
4 5 6

2 x3

1 4
[A]T = 2 5

3 6 3x 2

Sifat-sifat dari transpose matriks

( [A]T )T = [A]
( k [A] )T = k [A]T
( [A] + [B] )T = [A]T + [B]T
( [A] [B] )T = [B]T [A]T

DETERMINAN MATRIX BUJUR SANGKAR

[A]2x2 =

a11
a
21

a12

a 22

Det. [A] = A a11 a 22 a1 2 a 21

[B] 3x3

b11
b21
b31

b12
b22
b32

b13
b23
b33

B b11 b22 .b33 b23 b32 b12 b21 .b33 b23 .b31 b13 b21 .b32 b22 .b31

Co-factor bij = ( 1) i+j Minor bij

Untuk matriks dengan orde yang lebih tinggi ( n x n ) cara sama

n

A aik cik ai1ci1 ai 2 ci 2 ....... ain cin

k 1

dimana cik = co-factor aik

INVERS MATRIKS BUJUR SANGKAR

Matriks tidak bisa dibagi dengan matriks lainnya.
Sebagai analogi, digunakan INVERSE dari
matriks tersebut.
Apabila [A] dan [B] adalah matriks bujur sangkar,
dan [A] [B] = [I] = [B] [A], maka
matriks [B] disebut inverse dari matrix [A], dan
matriks [A] adalah inverse dari matriks [B].

Selanjutnya [A] disebut matriks NON SINGULAR

Bila [A] tidak punya inverse disebut matriks
SINGULAR.

Inverse dari matriks [A] biasa ditulis [A]-1

EXAMPLE :
[A] =

6 2 3
1 1

1 0
1

1
[A] [A]-1 = 0
0

0
1
0

; [A]-1 =

1
1

0
0
1

2
3
2

3
3
4

=[I]

Catatan :
Untuk mencari inverse suatu matrix dapat dipakai beberapa
metoda, antara lain : metode ad-joint, metode pemisahan,
metode Gauss-Jordan, metode Cholesky, dsb.

Metode Gauss-Jordan
Akan dicari inversi dari matriks [A]nxn
Langkah-langkah yang dilakukan :
1) Ambil matriks satuan [I]nxn
2) Dengan cara operasi baris, ubahlah matriks [A]
menjadi matriks satuan
3) Proses ke-2 juga dilakukan pada matriks [ I ],
sehingga setelah proses selesai matriks [ I ] telah
berubah menjadi matriks [A]-1

EXAMPLE :
7 3 3
[A]-1 = 1 1 0
1 0
1

1 3 3
[A] = 1 4 3
1 3 4

LANGKAH KE-1

1
1

31
30

0
1

40

LANGKAH KE-4

1 3 3 1 0 0

0
1
0

1
1
0

1 3 4 0 0 1

LANGKAH KE-2

LANGKAH KE-3

3
4

3 1

1 0 3 4 3 0

0
1
0

1
1
0

0 0 1 1 0 1
1 0 0 7

LANGKAH KE-5

3 3

0
1
0

1
1
0

0 0 1 1 0 1

0 0

0 1 0 1 1 0
0 0 1 1 0 1

LANGKAH KE-n

Selesai ?????

MATRIKS ORTHOGONAL
Suatu matriks bujur sangkar [A] disebut matriks
orthogonal
bila [A]-1 = [A]T
[A] [A]T = [A] [A]-1 = [ I ]

EXAMPLE :
[A] =

cos
sin

cos
sin

[A]-1 =

cos
[A] =
sin

sin

cos

sin
cos

sin
cos

Karena [A]-1 = [A]T matriks [A] disebut matriks orthogonal

[T] =

cos
sin

[T]T =

sin
0

cos
sin

sin

cos

cos
0

cos
sin

0
1

[T]-1 =

sin
cos
0

0
0

0
0

Karena [T]-1 = [T]T matriks [T] disebut matriks orthogonal

TEORI DEKOMPOSISI MATRIKS

Bila [A] = sebuah matrix bujur sangkar maka
matriks tersebut dapat diekspresikan dalam
bentuk :
[A] = [L] [U]

a11 a12 a13 ...... a1n

a a a ...... a
2n
21 22 23
a31 a32 a33 ...... a3n

.
.
.
......
.

.
.
. ...... .

a n1 a n 2 a n 3 ...... a nn

nxn

l11 0 0
l l
21 22 0
l31 l32 l33

.
.
.
.
.
.

l n1 l n 2 l n3

[L] = lower triangle matriks

[U] = upper triangle matriks

....

.... 0
.... 0

.... .
.... .

.... l nn

nxn

u11 u i 2 u13 .... u1n

0 u u .... u
22
23
2n

0 0 u 33 .... u 3n.

.
.
.
....
.

.
.
. .... .

0 0 0 .... u nn

nxn

EXAMPLE :
36 27 63
20 25 39

12 14 33

[A]

9 0 0
5 2 0

3 1 7

4 3 7
0 5 2

0 0 8

[L]

[U]

Aplikasi pada solusi persamaan linier simultan :

[A] {X} = [B]
[L] [U] {X} = [B]

misal

[U] {X} = {Y}

[L] {Y} = [B]

{X} = [U]-1 {Y}

{Y} = [L]-1 [B]

dapat diperoleh tanpa
inverse matriks

Sehingga : {X} = [U]-1 [L]-1 [B]

dapat diperoleh tanpa

inverse matriks

SOLUSI PERSAMAAN LINIER SIMULTAN

Persamaan Linier Simultan dengan n buah bilangan tak diketahui
dapat dituliskan sbb :
a11
a21
.
.
.
an1

x1
x1

x1

a12
a22
.
.
.
an 2

x2
x2

x2
a11
a
21

.......... a1n
.......... a2 n
..........
.
..........
.
..........
.
.......... ann
a 21

.... a1n

.
a n1

....

.... a 2 n
.... .

a 22

an 2

.
.... a nn

Secara matriks ditulis,

xn
xn

xn

x1
x
2
.
x
n 1
x n

b1
b2
.
.
.
bn
b1
b
2
= .
b
n 1
bn

[A] {X} = [B]

EXAMPLE :
4x + 3y + z = 13
x + 2y + 3z = 14
3x + 2y + 5z = 22

4 3 1 x
1 2 3

y =
3 2 5 z

[ A] { X } =

13

14

22

[B]

{ X } = [A]-1[B]

4 3 1
x

1 2 3
y
=

z
3 2 5

13

14

22

= ..??????

PARTISI MATRIKS
Suatu matriks bisa dipartisikan menjadi SUB-MATRIKS dengan cara
hanya mengikutkan beberapa baris atau kolom dari matriks aslinya.
Aturan-aturan yang dipakai untuk mengoperasikan matriks partisi
persis sama dengan mengoperasikan matriks biasa

a11
a21
a31

a12

a13

a14

a15

a22
a32

a23
a33

a24
a34

a25
a35

a16

A11 A12 A13

a26 =

A
A
A
21 22 23
a36

dimana ;
a11
A11
a 21

a12
A12
a 22

a13

A21 a31

A22 a32

a15
A13
a 25

a16

a 23

a14

a 24

a33

a34

A23 a35

a36

a 26

EXAMPLE :
5
A 4
10

A B

3
6
3

3 x3

A11

A21

A12
A22

2x2

B1

B2

A A
11 12
A21 A22

A12 B2

5 3

4 6
1
3

2

A21 B1 10

1 5
11

2 4
16

3 2
2

6 4

A22 B2 4 3
14
sehingga ; [ A] [B] 22

28

39
48

70

5
4

1
2

37
44

5
16
4

2 12

32

B1

B2

A11 B1 A12 B2

A21 B1 A22 B2

2 x1

A11 B1

2x2

1
B 2
3

3X 2

2 x1

BEBERAPA RUMUS KHUSUS

[ A ] = Matriks bujur sangkar dan simetris ; orde n x n : aij
[ B ] = Matriks empat persegi panjang ; orde n x m : bij
{ X } = Vektor kolom ; orde n x 1 : xi
{ Y } = Vektor kolom ; orde m x 1 ; yi
Bila ;

T
1 xn

{X }

Maka ;

{X }

xn

A X
{X }

a
i 1

j 1

ij

xi y j

x1

x2

[ A] nxn { X }nx1

....
....

atau sebaliknya ;

[ A] nxn

T
{
X
}
[ A]{ X }
2

EXAMPLE :
x1
X x2
x
3

1 2 3
A 2 4 5
3 5 6

{ X }T [ A]{ X }

x1

x1

= ( x1 x2 x3 ) 2 x1

x2
2x 2

3 x3

4 x2

5 x3

6 x3

3x1 5 x2

1 2 3 x1

x3 2 4 5 x 2
3 5 6 x3

4 x 2 6 x3 4 x1 x2 6 x1 x3 10 x2 x3


1 2 2 x1 4 x2 6 x2 x1 2 x2 3x3
x1

1 2 8 x2 4 x1 10 x3 2 x1 4 x2 5 x3
x2

1 212 x3 6 x1 10 x2 3x1 5 x2 6 x3
x3

x
1

x
2

x
3

1 2 3
2 4 5
3 5 6

x1

x2
x
3

A { X }
{ X }

Bila ;

{X }

1 xn

[B] Y
nxm

mx1

B nxm Y mx1
Maka ;
X
EXAMPLE :
1 2 3 4
B 3x 4 5 6 7 8 { X }3x1 =
9 10 11 12

X B Y x1
T

x2

x1

x2
x
3

{ Y }4x1 =

y1
y
2

y3
y 4

y1
1 2 3 4

x3 5 6 7 8 2
y3

9 10 11 12
y 4

 x1

x2

x3

y1 2 y 2 3 y 3 4 y 4
5y 6y 7y 8y
2
3
4
1
9 y1 10 y 2 11 y 3 12 y 4

y1 2 y 2 3 y 3 4 y 4 x1 5 y1 6 y 2 7 y 3 8 y 4 x 2 9 y1 10 y 2 11 y 3 12 y 4

y1 2 y 2 3 y 3 4 y 4
x1

5 y1 6 y 2 7 y3 8 y4
x2

9 y1 10 y 2 11 y3 12 y 4
x3

x
1

x
2

x
3

1 2 3 4
5 6 7 8
9 10 11 12

y1
y
2
y3
y 4

B Y
X

x3