bab2 landasan teori - thesis.binus.ac.idthesis.binus.ac.id/doc/bab2/2006-2-01302-mtif-bab 2.pdfa a a...
TRANSCRIPT
BAB 2
LANDASAN TEORI
2.1 Matriks
2.1.1 Pengertian Matriks
Definisi dari matriks adalah benda (bangun) matematika yang berisi objek-objek
(bisa berupa bilangan, fungsi, dll.) yang tersusun dalam baris-baris dan kolom-kolom
yang memenuhi sifat bahwa setiap barisnya atau kolomnya berisi objek-objek yang
sama banyaknya. Untuk menyatakan suatu matriks dapat dipakai huruf cetak besar atau
miring seperti: A, B, atau Z. Susunan dari matriks A yang memiliki m buah baris dan n
buah kolom adalah sebagai berikut.
A =
⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜
⎝
⎛
mnmm
n
n
aaa
aaaaaa
L
MOMM
L
L
21
22221
11211
Berikut adalah contoh sebuah matriks A yang memiliki tiga buah baris dan tiga
buah kolom.
Contoh 1:
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−
1510214312
= A
Objek-objek pada matriks disebut unsur (elemen) dari matriks, biasa ditulis
dengan huruf cetak kecil miring berindeks dua seperti: aij , bij, cij, dan lain-lain di mana i
6
adalah indeks yang menyatakan letak baris dan j adalah indeks yang menyatakan letak
kolom dari matriks tersebut.
Contoh 2: Pada matriks A contoh sebelumnya, angka 5 terdapat pada baris ketiga
dan kolom kedua ditulis sebagai a32 . Indeks pertama menunjuk pada baris, dan indeks
kedua menunjuk pada kolom.
Kumpulan elemen-elemen dimulai dari elemen kiri atas dan secara diagonal ke
elemen kanan bawah, disebut diagonal utama.
2.1.2 Ukuran dan Bentuk Matriks
Ukuran dari matriks merupakan salah satu sifat penting dari matriks yang
menyatakan banyaknya baris dan kolom. Sebuah matriks dengan m baris dan n kolom
disebut sebagai matriks m kali n, ditulis nm× . Bila dua buah matriks memiliki baris dan
kolom yang sama banyaknya, maka kedua matriks tersebut memiliki ukuran yang sama
(misalkan 23× ).
Contoh 3: Kedua matriks di bawah ini memiliki ukuran yang sama.
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
712661
, ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−−
3572
10π
Sifat penting lain dari sebuah matriks adalah bentuknya. Untuk matriks Mm x n:
Jika m=n, matriks tersebut dikatakan matriks bujur sangkar. Matriks A pada
Contoh 1 di atas, adalah contoh sebuah matriks bujur sangkar.
Jika m=1 (satu) maka matriks disebut matriks baris.
Jika n=1 maka matriks disebut matriks kolom.
7
Contoh 4: ( )521 − disebut matriks baris, sedangkan ⎟⎟⎠
⎞⎜⎜⎝
⎛35
adalah matriks
kolom.
2.1.3 Jenis Matriks dan Operasi Aljabar pada Matriks
Untuk dapat diterapkan pada penyelesaian masalah pada bidang pengetahuan
lainnya, maka perlu diberikan arti tentang kesamaan dua matriks, jumlah dua matriks,
perkalian antar bilangan dengan matriks, perkalian dua matriks, dan lain-lain, yang akan
diberikan pada bagian ini.
Kesamaan Dua Matriks
Definisi: Dua matriks disebut sama, jika keduanya mempunyai ukuran sama dan
dua elemen yang seletak pada kedua matriks nilainya sama.
Contoh 5: Perhatikan matriks-matriks: A = ⎟⎟⎠
⎞⎜⎜⎝
⎛2641
, B = ⎟⎟⎠
⎞⎜⎜⎝
⎛2341
, dan C =
⎟⎟⎠
⎞⎜⎜⎝
⎛−143021
. Di antara ketiga matriks di atas tidak ada yang sama CA ≠ sebab
ukurannya tidak sama, BA ≠ sebab ada unsur yang seletak (yaitu baris ke-2, kolom
pertama) pada kedua matriks tersebut yang nilainya tidak sama.
Penjumlahan Dua Matriks
Definisi: Jika A dan B dua matriks yang berukuran sama, maka A+B adalah
matriks berukuran sama dengan ukuran A dan setiap unsurnya sama dengan jumlah dari
dua unsur di A dan B yang seletak.
8
Contoh 6: A =⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
152326341
,B =⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
− 123496172
, C =⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−3519
21 . Maka berlaku:
A + B = ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
+−+++++++
=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−+
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
235711124113
112532439266137421
123496172
152326341
. Sedangkan
CA + dan B + C tidak terdefinisi.
Sifat:
A+B=B+A (hukum komutatif penjumlahan)
A+(B+C)=(A+B)+C (hukum assosiatif penjumlahan)
Perkalian antara Bilangan dengan Matriks
Definisi: Jika A suatu matriks dan r suatu bilangan kompleks, maka perkalian rA
adalah matriks yang ukurannya sama dengan ukuran A dan setiap unsurnya adalah unsur
di A dikalikan dengan r.
Contoh 7:
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
××××−×××××
=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−
315306312936
135310323)1(343331323
1510214312
3
Sifat:
rA=Ar
r(B+C)=rB+rC
(r+s)C=rC+sC
(rs)C=r(sC)=s(rC)
9
Pengurangan Dua Matriks
Pengurangan dua matriks didefinisikan dengan menggunakan definisi dari
penjumlahan dua matriks dan perkalian antara bilangan dengan matriks, yaitu: Jika A
dan B dua matriks yang berukuran sama, maka BABA )1(−+=−
Contoh 8:
Perhatikan matriks–matriks: ⎟⎟⎠
⎞⎜⎜⎝
⎛=
327641
A , ⎟⎟⎠
⎞⎜⎜⎝
⎛−
=232105
B
Maka ⎟⎟⎠
⎞⎜⎜⎝
⎛−−−−
=−232105
B ,
dan selanjutnya =⎟⎟⎠
⎞⎜⎜⎝
⎛−−−−
+⎟⎟⎠
⎞⎜⎜⎝
⎛=−
232105
327641
BA ⎟⎟⎠
⎞⎜⎜⎝
⎛−
−119504
Perkalian Dua Matriks
Definisi: Jika A matriks berukuran km× dan B berukuran nk × maka perkalian
AB adalah matriks beruukuran nm× yang memenuhi syarat sebagai berikut:
Untuk mendapatkan unsur dari AB yang terletak pada baris ke-i dan kolom ke-j,
perhatikan baris ke-i dari matriks A dan kolom ke-j dari matriks B, selanjutnya kalikan
unsur-unsur yang seletak pada baris dan kolom tersebut, kemudian jumlahkan, hasilnya
merupakan unsur dari matriks AB tersebut di atas.
Dengan kata lain, bila C=AB maka untuk ∑=k
kjikij BAC semua i dan j.
Walaupun ada beberapa matriks yang memiliki sifat AB=BA, secara umum sifat
komutatif perkalian matriks tidak berlaku.
10
Contoh 9:
Perhatikan matriks-matriks: ⎟⎟⎠
⎞⎜⎜⎝
⎛=
043321
A , ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−−=
313825112123
B . Maka
⎜⎜⎝
⎛−×+×+××+−×+××+×+×−×+×+××+−×+××+×+×
=)1(0541330)1(423801433)1(3521133)1(221831231
AB
⎟⎟⎠
⎞⎜⎜⎝
⎛=⎟⎟
⎠
⎞×+×+××+×+×
1423213158929
302423332221
Contoh 10:
Perhatikan matriks-matriks: ⎟⎟⎠
⎞⎜⎜⎝
⎛=
2641
A , ⎟⎟⎠
⎞⎜⎜⎝
⎛=
9672
B . Maka
⎟⎟⎠
⎞⎜⎜⎝
⎛=⎟⎟
⎠
⎞⎜⎜⎝
⎛×+××+××+××+×
=60244326
9276622694716421
AB sedangkan
⎟⎟⎠
⎞⎜⎜⎝
⎛=⎟⎟
⎠
⎞⎜⎜⎝
⎛×+××+××+××+×
=42602244
2946691627426712
BA , berarti BAAB ≠ .
Sifat:
A(BC)=(AB)C (hukum asosiatif perkalian)
A(B+C)=AB+AC (hukum distributif)
(B+C) A =BA+CA (hukum distributif)
r(BC)=(rB)C=B(rC) dengan r adalah bilangan skalar
Transpose Matriks
Definisi: Jika A matriks berukuran nm× , maka matriks transpose dari matriks A
(ditulis C=AT) adalah matriks berukuran mn× yang unsur baris ke-i kolom ke-j nya
11
adalah unsur baris ke-j dan kolom ke-i dari matriks A untuk setiap i dari 1 sampai n dan
j dari 1 sampai m.
Ketika kita melakukan transpose matriks, baris ke-i menjadi kolom ke-i, dan
kolom ke-j menjadi baris ke-j.
Setiap matriks dapat di-transpose.
Contoh 11 ⎟⎟⎠
⎞⎜⎜⎝
⎛=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
036521
053261 T
Sifat:
( ) AA TT =
( ) TTT BABA +=+
( ) TTT ABAB =
Bila AT=A maka A disebut matriks simetris dan Aij=Aji untuk semua i dan j.
Jika AAT −= maka A disebut matriks skew-simetris dan jiij AA −= untuk
semua i dan j.
Elemen diagonal utama dari matriks skew-simetris haruslah bernilai 0, karena
=−= iiii AA 0.
Matriks Nol
Suatu matriks dengan semua unsurnya nol, disebut matriks nol, diberi notasi
Omxn ( nm× ukurannya).
12
Contoh 12
⎟⎟⎠
⎞⎜⎜⎝
⎛=× 00
0022O , ⎟⎟
⎠
⎞⎜⎜⎝
⎛=× 000
00032O ,
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=×
000000000
33O .
Misalkan A matriks berukuran nm× dan O adalah matriks nol berukuran nm× ,
maka berlaku A + O = O + A = A. Jadi matriks nol berperan mirip seperti bilangan real
0 untuk operasi penjumlahan.
Matriks Satuan (Identitas)
Matriks bujur sangkar nnI × yang diagonal utamanya hanya berisi 1 dan unsur
lainnya yang tidak pada diagonal hanya bilangan 0, disebut sebagai matriks
satuan/identitas nn× .
Contoh 13
⎟⎟⎠
⎞⎜⎜⎝
⎛=× 10
0122I ,
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=×
100010001
33I , dll.
Misalkan A matriks berukuran nn× dan I adalah matriks satuan berukuran sama,
maka berlaku nxnnxn IAAAI ⋅==⋅ . Jadi matriks satuan berperan mirip seperti bilangan
real 1 (satu) untuk operasi perkalian.
Invers Matriks
Misalkan A matriks bujur sangkar, matriks B yang memenuhi IBAAB == ,
disebut sebagai invers dari A, sedangkan matriks A yang mempunyai invers disebut
sebagai matriks tak singular atau invertibel.
13
Contoh 14
Matriks ⎟⎟⎠
⎞⎜⎜⎝
⎛=
1134
B merupakan invers dari matriks ⎟⎟⎠
⎞⎜⎜⎝
⎛−
−=
4131
A , sebab
berlaku: ⎟⎟⎠
⎞⎜⎜⎝
⎛=⎟⎟
⎠
⎞⎜⎜⎝
⎛−
−⋅⎟⎟⎠
⎞⎜⎜⎝
⎛=
1001
4131
1134
AB , dan ⎟⎟⎠
⎞⎜⎜⎝
⎛=⎟⎟
⎠
⎞⎜⎜⎝
⎛⋅⎟⎟⎠
⎞⎜⎜⎝
⎛−
−=
1001
1134
4131
BA .
Sedangkan matriks ⎟⎟⎠
⎞⎜⎜⎝
⎛=
0503
C tidak mempunyai invers. Sebab andaikan
terdapat matriks ⎟⎟⎠
⎞⎜⎜⎝
⎛=
2221
1211
dddd
D adalah invers dari matriks C, maka =⋅CD
⎟⎟⎠
⎞⎜⎜⎝
⎛≠⎟⎟
⎠
⎞⎜⎜⎝
⎛++
=⎟⎟⎠
⎞⎜⎜⎝
⎛⋅⎟⎟⎠
⎞⎜⎜⎝
⎛1001
053053
0503
2221
1211
2221
1211
dddd
dddd
tidak mungkin menjadi matriks
satuan.
Dalil berikut menunjukkan bahwa setiap matriks tak singular mempunyai tepat
satu invers.
Dalil 1 (Ketunggalan Invers): Jika A dan B kedua-duanya matriks invers dari C,
maka A=B.
Bukti:
Karena A invers dari C, maka AC = I. Kemudian kalikan kedua ruas persamaan
tersebut dengan B, didapat:
BIBBAC ==)( . Karena AAICBABAC === )()( , maka didapat bahwa
BA = .
Simbol lain untuk menyatakan invers dari matriks A adalah 1−A . Jadi didapat:
IAA =⋅ −1 dan IAA =⋅−1
14
Contoh 15
Diberikan matriks 0, ≠−⎟⎟⎠
⎞⎜⎜⎝
⎛= bcad
dcba
A dan ℜ∈dcba ,,, . Tunjukan bahwa
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
−−−
−−
−=⎟⎟⎠
⎞⎜⎜⎝
⎛−
−−
=−
bcada
bcadc
bcadb
bcadd
acbd
bcadA 11 .
Mudah ditunjukan bahwa
⎟⎟⎠
⎞⎜⎜⎝
⎛−
−⎟⎟⎠
⎞⎜⎜⎝
⎛−
=⎟⎟⎠
⎞⎜⎜⎝
⎛−
−−⎟⎟
⎠
⎞⎜⎜⎝
⎛=⋅ −
acbd
dcba
bcadacbd
bcaddcba
AA 11.1
⎟⎟⎠
⎞⎜⎜⎝
⎛−
−−
=bcad
bcadbcad 0
01 I=⎟⎟⎠
⎞⎜⎜⎝
⎛=
1001
.
Juga
Ibcad
bcadbcaddc
baacbd
bcadAA =⎟⎟
⎠
⎞⎜⎜⎝
⎛=⎟⎟
⎠
⎞⎜⎜⎝
⎛−
−−
=⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛−
−−
=⋅−
1001
00111 .
Dengan demikian, maka untuk matriks 0, ≠−⎟⎟⎠
⎞⎜⎜⎝
⎛= bcad
dcba
A dan
ℜ∈dcba ,,, . Inversnya adalah ⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
−−−
−−
−=⎟⎟⎠
⎞⎜⎜⎝
⎛−
−−
=−
bcada
bcadc
bcadb
bcadd
acbd
bcadA 11
Berikut ini diberikan dalil yang mengatakan bahwa perkalian dari dua matriks
yang tak singular adalah juga matriks tak singular, dan cara untuk mendapatkan invers
dari perkalian dua matriks.
15
Dalil 2:
Jika A dan B dua matriks tak singular, maka AB tak singular dan
( ) 111 −−− = ABAB
Bukti:
Apabila kita dapat menunjukkan bahwa ( ) ( ) ( ) ( ) IABABABAB =⋅=⋅ −−−− 1111 ,
maka kita telah menunjukkan kedua hal tersebut di atas.
Perhatikan bahwa karena A dan B tak singular, maka 1−A dan 1−B ada, juga:
( ) ( )( ) ( ) IAAAIAABBAABABABAB =⋅=⋅⋅=⋅⋅⋅=⋅⋅=⋅ −−−−−−−− 11111111
Dengan cara yang sama,
( ) ( )( ) ( ) IBBBIBBAABBAABABAB =⋅=⋅⋅=⋅⋅⋅=⋅⋅=⋅ −−−−−−−− 11111111
Dalil di atas dapat diperluas untuk tiga (atau lebih) buath matriks. Jadi akan
didapat hal berikut:
Perkalian dari matriks-matriks tak singular akan menghasilkan matriks tak
singular. Invers dari perkalian matriks sama dengan perkalian invers masing-masing
matriks dengan urutannya dibalik.
Contoh 16
⎟⎟⎠
⎞⎜⎜⎝
⎛=⎟⎟
⎠
⎞⎜⎜⎝
⎛=⎟⎟
⎠
⎞⎜⎜⎝
⎛=
7111930
,2358
,1123
ABBA . Dengan memakai cara menentukan
invers matriks 22× seperti pada contoh sebelumnya, didapat:
⎟⎟⎠
⎞⎜⎜⎝
⎛−
−=−
31211A , ⎟⎟
⎠
⎞⎜⎜⎝
⎛−
−=−
83521B , dan ( ) ⎟⎟
⎠
⎞⎜⎜⎝
⎛−
−=−
30111971AB . Juga didapat,
16
⎟⎟⎠
⎞⎜⎜⎝
⎛−
−=⎟⎟
⎠
⎞⎜⎜⎝
⎛−
−⋅⎟⎟⎠
⎞⎜⎜⎝
⎛−
−=⋅ −−
3011197
3121
835211 AB . Jadi tampak ( ) 111 −−− ⋅= ABAB sesuai
dengan dalil 2.
Matriks Berpangkat
Jika A matriks bujur sangkar dan n bilangan asli, maka AAAAn ⋅⋅⋅= L
sebanyak n buah, dan IA =0 .
Lagi, jika A matriks tak singular, maka ( ) 1111 −−−−− ⋅⋅⋅== AAAAA nn L
sebanyak n buah.
Dalil 3:
Jika A matriks tak singular, maka
(i). 1−A matriks tak singular, dan ( ) AA =−− 11
(ii). nA matriks tak singular, ( ) ( )nn AA 11 −−= , berlaku untuk L,2,1,0=n
(iii). Untuk setiap bilangan real tak nol r, matriks rA tak singular; dan
( ) 11 1 −− = Ar
rA
Bukti:
(i). Karena berlaku IAAAA == −− 11 , maka didapat bahwa 1−A tak singular
dan ( ) IA =−− 11
(ii). Untuk n = 0,1 pembuktian nya adalah trivial.
Untuk n = 2,3,... kita gunakan dalil 2 yang diperluas untuk n buah
matriks.
17
(iii). Karena r bilangan real tak nol, maka berlaku
( ) IIAAr
rAr
rA =⋅=⋅⎟⎠⎞
⎜⎝⎛ ⋅=⎟
⎠⎞
⎜⎝⎛⋅ −− 111 11 . Juga ( ) IIAA
rrrAA
r=⋅=⋅⎟
⎠⎞
⎜⎝⎛=⋅⎟
⎠⎞
⎜⎝⎛ −− 111 11 ,
sehingga didapat rA matriks tak singular, dan ( ) 11 1 −− = Ar
rA
Matriks Hessenberg
Sebuah matriks disebut matriks Hessenberg atas jika semua elemen di bawah
subdiagonal hanya bilangan 0 atau 0=ija untuk 1+> ji , dan disebut matriks
Hessenberg bawah jika semua elemen di atas superdiagonal berupa bilangan 0 atau
0=ija untuk 1−< ji .
Contoh 17
Matriks
⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜
⎝
⎛ −
=
64002950413723501
A merupakan matriks Hessenberg atas dan matriks
⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜
⎝
⎛
−=
10820763901470053
B adalah matriks Hessenberg bawah.
2.1.4 Determinan
Jika A adalah matriks berukuran nn× , determinan dari A, ditulis det(A), adalah
bilangan yang kita asosiasikan untuk matriks A. Determinan biasanya didefinisikan
dengan cara kofaktor atau cara permutasi, dan kita akan mendefinisikannya dengan cara
kofaktor. Kita akan mulai dengan definisi det(A) jika A adalah matriks berukuran 22× .
18
Definisi: Jika ⎟⎟⎠
⎞⎜⎜⎝
⎛=
2221
1211
aaaa
A . Determinan dari matriks A adalah
21122211)det( aaaaA −= .
Untuk memudahkan penulisan determinan biasanya ditulis dengan menggunakan
garis vertikal:
2221
1211)det(aaaa
A =
Contoh 18
Determinan untuk matriks ⎟⎟⎠
⎞⎜⎜⎝
⎛−
=3121
A adalah
5)1(2313121
)det( =−−⋅=−
=A . Sedangkan determinan untuk matriks ⎟⎟⎠
⎞⎜⎜⎝
⎛=
8643
B
adalah 064838643
)det( =⋅−⋅==B
Sekarang kita akan mendefinisikan determinan dari matriks berukuran nn×
sebagai jumlah berbobot (weighted sum) dari determinan matriks berukuran
( ) ( )[ ]11 −×− nn . Sebelumnya kita akan memberikan definisi untuk minor dan kofaktor.
Definisi:
Jika A matriks berukuran nn× , dan rsM menyatakan matriks berukuran
( ) ( )[ ]11 −×− nn yang didapat dengan menghapus baris ke-r dan kolom ke-s dari matriks
A, maka rsM disebut matriks minor dari A, dan bilangan )det( rsM disebut minor dari
ars. Lagi, bilangan ( ) ( )ijji
ij MA det1 +−= disebut kofaktor (atau minor bertanda).
19
Contoh 19
Untuk matriks ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−
−=
154332
211A Tentukan matriks minor 11M , 23M , dan 32M .
Juga hitung kofaktor 11A , 23A , dan 32A .
Dengan menghapus baris pertama dan kolom pertama untuk matriks A, kita dapat
11M : ⎟⎟⎠
⎞⎜⎜⎝
⎛ −=
1533
11M . Dengan cara yang sama, matriks minor 23M dan 32M adalah
⎟⎟⎠
⎞⎜⎜⎝
⎛ −=
5411
23M dan ⎟⎟⎠
⎞⎜⎜⎝
⎛−
=32
2132M .
Kofaktor yang bersesuaian, ( ) ( )ijji
ij MA det1 +−= didapat sebagai berikut:
( ) 181531533
1 1111 =+=
−−= +A
( ) 9)45(5411
1 3223 −=+−=
−−= +A
7)43(32
21)1( 23
32 =−−−=−
−= +A
Kita akan menggunakan kofaktor untuk mendefinisikan determinan.
Definisi:
Jika A matriks berukuran nn× , maka determinan dari matriks A adalah
nn AaAaAaA 1112121111)det( +++= L , dengan jA1 adalah kofaktor dari ja1 , nj ≤≤1 .
20
Contoh 20
Hitung )det(A , di mana
⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜
⎝
⎛
−−−−
−=
1232012313212021
A .
Dengan menggunakan definisi determinan di atas, maka
1412111414131312121111 22)det( AAAAaAaAaAaA ++=+++= . Kofaktor A13 tidak perlu
dihitung, karena a13 = 0.
( ) 152312
11302
31201
2123012132
1 1111 −=
−−−
+−
−−−
=−−−−= +A
( ) 182213
11203
31201
1122013131
1 2112 −=⎟⎟
⎠
⎞⎜⎜⎝
⎛−−−
+−
−−−
−−=−−−
−−= +A
( ) 632
233
2213
22312
1232123
3211 41
14 −=⎟⎟⎠
⎞⎜⎜⎝
⎛−
−+
−−−
−−−−
−−=−−−−
−−= +A .
Maka 6312361522)det( 141211 −=−−−=++= AAAA .
Catat bahwa dalam contoh ini, penghitungan determinan matriks berukuran 44×
lebih sederhana karena adanya bilangan nol pada a13. Jelas, bila kita memiliki prosedur
untuk menciptakan bilangan nol, kita dapat menyederhanakan penghitungan determinan
karena kofaktor yang bersesuaian untuk bilangan tersebut tidak perlu dihitung.
2.1.5 Cara Mencari Invers Matriks
Ada beberapa cara untuk mencari invers matriks. Cara khusus untuk mencari
invers matriks untuk matriks berukuran 22× telah dijelaskan di muka. Sedangkan untuk
21
matriks berukuran nn× , dapat dilakukan dengan melakukan eliminasi Gauss-Jordan
atau dengan metode adjoint. Di bawah ini adalah cara mencari invers matriks dengan
metode adjoint
. Misalkan A adalah matriks nn× . Invers dari matriks A atau 1−A dapat dicari
dengan rumus:
TKA
A)det(
11 =− , dengan K adalah matriks kofaktor dari A.
sedangkan yang dimaksud dengan matriks adjoint adalah matriks KT
Contoh 21
Hitung invers dari matriks A, di mana ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
601540321
A
Matriks kofaktor dari A adalah ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−−−
−
45223124524
, dan determinan dari A adalah
22, maka ⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
−
−
−−
=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−−−−
=−
112
111
112
225
223
225
111
116
1112
42453521224
2211A
2.2 Nilai Eigen dan Vektor Eigen
2.2.1 Definisi
Definisi: Secara formal, kita mendefinisikan nilai eigen dan vektor eigen sebagai
berikut:
Misalkan A adalah matriks nn× .
22
Vektor ∈v C n, v tidak nol, disebut suatu vektor eigen dari A apabila terdapat
bilangan λ , ∈λ C sehingga berlaku:
vAv λ=
Bilangan λ disebut nilai eigen (nilai karakteristik) dari A, vektor v disebut
suatu vektor eigen (vektor karakteristik) yang berkorespondensi dengan λ .
Spektrum A, dinotasikan )(Aσ , adalah kumpulan dari semua nilai eigen untuk
matriks A.
Kata eigen didapat dari bahasa Jerman eigen yang berarti “karakteristik”.
Sebuah nilai eigen dari sebuah matriks biasanya direpresentasikan dengan huruf
Yunani λ (dibaca lamda).
Definisi: Suatu vektor eigen disebut vektor eigen dominan dari sebuah matriks
jika vektor eigen itu bersesuaian dengan nilai eigen dengan modulus terbesar untuk
matriks tersebut. Nilai eigen dengan modulus terbesar dari sebuah matriks disebut nilai
eigen dominan.
2.2.2 Cara Menghitung Nilai Eigen dan Vektor Eigen
Dari definisi di atas, maka
0)(0=−
=−vAI
Avvλλ
dengan I adalah matriks identitas.
Tetapi (λI -A) adalah sebuah matriks, jadi kita berusaha menyelesaikan
persamaan Bv=0 di mana B=(λI-A), dan karena v adalah sebuah vektor tak nol, maka
hanya mempunyai solusi taknol jika |B| = det(B) adalah 0. Jadi untuk mencari nilai
eigen, kita beri nilai |λI-A|=0 dan mencari solusi untuk λ. Persamaan |λI-A|=0 disebut
23
persamaan karakteristik, sedangkan suku banyak |λI-A| disebut suku banyak
karakteristik. Akar-akar dari persamaan ini adalah nilai eigen.
Untuk mencari vektor eigen, kita mensubtitusi nilai eigen yang sudah didapat ke
dalam persamaan vAv λ= , atau kernel dari )( AI −λ , yaitu ( ) 0=− vAIλ . Maka kita
akan dapat mencari v yaitu vektor eigen yang bersesuaian dengan nilai eigen λ . Ruang
jawab dari sistem persamaan linear ( ) 0=− vAIλ disebut ruang karakteristik dari A yang
berkorespondensi dengan λ.
Catat bahwa kita tidak memasukkan vektor nol( 0 ) kedalam vektor eigen, karena
vektor nol adalah solusi trivial untuk vAv λ= dan tidak terlalu penting untuk dibahas.
Sebagai tambahan, jika vektor nol diikutkan, maka akan ada tidak berhingga banyak
nilai eigen, karena setiap nilai λ memenuhi 00 λ=A .
Contoh 22 Misalkan kita ingin mencari nilai eigen untuk matriks
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−
−=
101011110
A .
Pertama kita hitung suku banyak karakteristik untuk matriks A:
22101
01111
det)det()( 23 +−−=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−−−−
=−= λλλλ
λλ
λ AIxp
Suku banyak tersebut dapat difaktorisasi menjadi p(λ) = (λ − 2)(λ − 1)(λ + 1).
Maka nilai eigen dari A adalah 2,1, dan -1.
Contoh 23: Cari nilai eigen dan vektor eigen untuk matriks ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−−−
=466353331
A
24
Dengan cara mengekspansi 0=− AIλ , kita dapat mencari nilai eigen:
=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−−−
−⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
466353331
000000
λλ
λ=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−−−+−−−
466353331
λλ
λ
( ) ( ) 042 2 =−+ λλ
Maka, nilai eigen dari matriks A adalah -2 dan 4.
Sekarang kita akan mencari vektor eigen untuk matriks A.
Misal ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
3
2
1
vvv
v adalah vektor eigen untuk matriks A yang berkorespondensi
dengan nilai eigen 2−=λ . Maka:
( ) 0=− vAIλ
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−−−+−−−
000
466353331
3
2
1
vvv
λλ
λ, dan untuk 2−=λ menjadi:
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−−−−−−
000
666333333
3
2
1
vvv
,atau ⎪⎩
⎪⎨
⎧
=−+−=−+−=−+−
066603330333
321
321
321
vvvvvvvvv
,atau 0321 =+− vvv , atau 321 vvv −= .
Himpunan jawab dari sistem persamaan linear homogen di atas, adalah:
25
⎪⎭
⎪⎬
⎫
⎪⎩
⎪⎨
⎧
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛ −= realvv
vv
vvH 32
3
2
32
1 ,⎪⎭
⎪⎬
⎫
⎪⎩
⎪⎨
⎧
ℜ∈⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−+
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛= 3232 ,
101
011
vvvv
Jadi vektor: ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−+
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
101
011
32 vvv dengan sedikitnya satu di antara 2v atau 3v tidak
nol, adalah vektor eigen dari A yang berkorespondensi dengan 2−=λ .
Misal ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
3
2
1
vvv
v adalah vektor eigen untuk matriks A yang berkorespondensi
dengan nilai eigen 4=λ . Maka:
( ) 0=− vAIλ
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−−−+−−−
000
466353331
3
2
1
vvv
λλ
λ, dan untuk 4=λ menjadi:
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−−−−
000
666393333
3
2
1
vvv
, atau ⎪⎩
⎪⎨
⎧
=++−=−+−=−+
06660393
0333
321
321
321
vvvvvv
vvv
, atau ⎩⎨⎧
=−=−+02
03
32
321
vvvvv
, atau ⎩⎨⎧
==
23
21
2vvvv
Himpunan jawab dari sistem persamaan linear homogen di atas, adalah:
26
⎪⎭
⎪⎬
⎫
⎪⎩
⎪⎨
⎧
ℜ∈⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
⎪⎭
⎪⎬
⎫
⎪⎩
⎪⎨
⎧
ℜ∈⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛= 222
2
2
2
2
211
2vvv
vvv
H
Jadi vektor: ⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
211
2vv , dengan 02 ≠v adalah vektor eigen dari A yang
berkorespondensi dengan 4=λ .
Himpunan ⎪⎭
⎪⎬
⎫
⎪⎩
⎪⎨
⎧
ℜ∈⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−+
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛= βαβα ,
101
011
1H adalah ruang karakteristik dari A
yang berkorespondensi dengan 2−=λ .
Sementara ⎪⎭
⎪⎬
⎫
⎪⎩
⎪⎨
⎧
ℜ∈⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛= αα
211
2H adalah ruang karakteristik dari A yang
berkorespondensi dengan 4=λ .
Bila matriks yang ingin dihitung cukup kecil ukurannya, kita dapat
menggunakan cara di atas (menyelesaikan persamaan karakteristik) untuk mencari nilai
dan vektor eigen. Sayangnya, metode ini memiliki keterbatasan. Suku banyak secara
umumnya, untuk orde 4>n tak dapat diselesaikan dengan barisan terbatas (dibuktikan
oleh teorema Abel-Ruffini). Terdapat algoritma mencari akar suku banyak yang efisien
untuk suku banyak berorde tinggi. Namun, mencari akar dari karakter suku banyak ini
mungkin ill-condition.walaupun nilai eigen yang dicari well-condition. Untuk alasan ini,
maka metode ini jarang digunakan.
27
Dengan demikian, maka untuk matriks ukuran besar, kita harus menggunakan
metode numerik, seperti metode Power atau metode QR.
2.3 Metode Power
Ide dasar dari metode ini adalah mencari vektor awal b (bisa saja merupakan
perkiraan vektor eigen atau vektor acak) dan menghitung secara iteratif. Kecuali matriks
nol yang digunakan sebagai vektor awal, hasilnya akan konvergen ke vektor eigen yang
bersesuaian dengan nilai eigen dominan. Dalam praktiknya, vektor harus
dinormalisasikan setiap iterasi. Namun demikian, iterasi dengan Metode Power kurang
begitu berguna. Konvergensinya lambat kecuali untuk matriks khusus, dan tanpa
modifikasi, metode ini hanya dapat mencari nilai eigen dominan (juga vektor eigen yang
bersesuaian). Namun demikian, kita dapat mengerti beberapa algoritma mencari nilai
eigen yang lebih baik sebagai variasi atau berdasar dari Metode Power.
Metode Power secara umum cukup lambat. Khususnya untuk nilai eigen yang
besarnya cukup dekat dengan nilai eigen dominan.
2.4 Metode QR
Untuk menyelesaikan permasalahan mencari nilai eigen pada suatu matriks A,
yang biasa dilakukan adalah dengan mereduksi matriks tersebut menjadi matriks segitiga
T melalui serangkaian transformasi ortogonal, dan lalu mencari nilai eigen untuk matriks
T. Transformasi yang dilakukan pada A memastikan bahwa nilai eigen pada matriks A
dan T adalah sama.
28
Teorema 1
Misalkan A,B,S adalah matriks berukuran nn× . Bila ASSB 1−= , maka nilai
eigen dari matriks A dan B adalah sama.
Bukti:
Cukup dibuktikan bahwa A dan B memiliki suku banyak karakteristik yang
sama.
Untuk t sembarang,
SAtISASSStSBtItpB )(det)det()det()( 111 −=−=−= −−−
)()det()det(det)(detdet)det(det 11 tpAtIAtISSSAtIS A=−=−=−= −−
Teorema 2
Misalkan A,B,S adalah matriks berukuran nn× . Bila ASSB 1−= , dan ∈x C n
merupakan vektor eigen dari matriks B yang berkorespondensi dengan )(Bσλ ∈ , maka
Sx merupakan vektor eigen dari matriks A yang berkorespondensi dengan λ .
Bukti:
Karena ASSB 1−= dan xBx λ= , maka xASxS λ=−1 atau SxASx λ= . Juga
karena S tidak singular dan 0≠x , 0≠Sx , maka Sx merupakan vektor eigen dari
matriks A.
Salah satu cara menyelesaikan masalah nilai eigen dengan transformasi seperti di
atas adalah metode QR. Dasar dari metode QR untuk mencari nilai eigen dari matriks A
adalah fakta bahwa matriks real nn× dapat ditulis menjadi:
A = Q R , dengan QR adalah faktorisasi dari A
29
di mana Q adalah matriks ortogonal dan R adalah matriks segitiga atas. Metode ini
efisien untuk menghitung semua nilai eigen untuk sebuah matriks.
Konstruksi matriks Q dan R adalah sebagai berikut. Matriks-matriks P1,P2, …,Pn-
1 dikonstruksikan sedemikian sehingga RAPPPP nn =−− 1221 L adalah matriks segitiga
atas. Matriks-matriks ini dapat dipilih sebagai matriks ortogonal dan disebut matriks
householder. Bila kita memilih
1221 PPPPQ nnT L−−=
Maka kita memiliki QTA = R dan
QQTA = QR
IA = QR
A = QR
Sedangkan cara mengkonstuksikan matriks P adalah sebagai berikut. Pertama
kita mendefinisikan barisan matriks A1,A2,…,Am,…, Q1,Q2,…,Qm,…, dan R1,R2,…Rm,…
dengan proses berikut:
Langkah pertama:
Set A1 = A, Q1 = Q dan R1 = R
Langkah kedua:
Pertama set A2 = R1Q1; lalu faktorkan A2 sebagai A2 = Q2R2 (faktorisasi QR dari
A2)
30
Langkah ketiga:
Pertama set A3 = R2Q2; lalu faktorkan A3 sebagai A3 = Q3R3 (faktorisasi QR dari
A3)
Langkah ke-m:
Set Am = Rm-1Qm-1; lalu faktorkan Am sebagai Am = QmRm (faktorisasi QR dari Am)
Pada langkah ke-k, matriks Ak kita dapat, pertama dengan menggunakan Qk-1 dan
Rk-1 dari langkah sebelumnya; kedua, Ak difaktorkan menjadi QkRk. Jadi faktorisasi QR
terjadi di setiap langkah. Matriks Am akan condong menjadi matriks segitiga atau hampir
segitiga. Jadi nilai eigen dari Am akan menjadi mudah dihitung.
Teorema 3
Misalkan A adalah matriks segitiga atas/bawah berukuran nn× . Nilai eigen dari
matriks A adalah elemen-elemen diagonal dari matriks A.
Bukti:
Misalkan
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
×××××××××
=
nna
aa
a
A
L
MOMMM
000
000
33
22
11
adalah matriks segitiga atas. Maka
persamaan karakteristiknya adalah 0
000
000
33
22
11
=
−
××−×××−××××−
nna
aa
a
λ
λλ
λ
L
MOMMM
. Dengan
menguraikan determinan, kita dapat 0)())(( 2211 =−−− nnaaa λλλ L .
31
Ide dari faktorisasi QR adalah mencari P1 yang, jika dikalikan dari sebelah kiri
dengan matriks A, akan menghasilkan nol di bawah a11. Yang kita inginkan adalah,
=
⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜
⎝
⎛
nnnn
n
n
aaa
aaaaaa
P
L
MOMM
L
L
21
22221
11211
1
⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜
⎝
⎛
nnn
n
n
aa
aaaaa
L
MOMM
L
L
2
222
11211
0
0
Setelah didapat, kita mencari P2 yang akan menghasilkan:
=
⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜
⎝
⎛
=
nnn
n
n
aa
aaaaa
PAPP
L
MOMM
L
L
2
222
11211
212
0
0
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
nnn
n
n
n
aa
aaaaaaaaa
ˆˆ00
ˆˆ00ˆˆˆ0ˆˆˆˆ
3
333
22322
1131211
L
MOMMM
L
L
L
Proses ini terus berlanjut sampai kita punya
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
==−−
nn
n
n
n
nn
a
aaaaaaaaa
RAPPPP
~000
~~00
~~~0
~~~~
333
22322
1131211
1221
L
MOMMM
L
L
L
L
Metode QR adalah algoritma iteratif yang diterapkan pada serangkaian
transformasi ortogonal Qi pada matriks tridiagonal T sedemikian sehingga matriks T
konvergen pada matriks diagonal D. Matriks D memiliki nilai eigen yang sama dengan
matriks T, maka nilai eigen dari T adalah elemen diagonal dari D. Sebagai tambahan,
perkalian dari transformasi Qi adalah matriks yang kolom-kolomnya adalah vektor eigen
dari T. Metode ini disebut QR karena untuk setiap iterasi, dekomposisi QR pada matriks
Ai (Ai = QR di mana QTQ = I dan R adalah matriks segitiga atas) dikerjakan. Pseudocode
dan flowchart untuk metode QR diberikan di bawah ini.
32
Pseudocode Algoritma QR(A)
1. i = 0
2. A0 = A
3. ULANGI
4. Faktorkan Ai = QiRi
5. Ai+1 = RiQi
6. i = i + 1
7. SAMPAI konvergen
33
Gambar 2.1. Flowchart Algoritma QR
34
Setelah konvergen, matriks An adalah matriks segitiga dengan nilai eigen A
adalah elemen diagonal, dan matriks jnj QQ 1=∏= memiliki kolom-kolom yang
merupakan vektor eigen untuk masing-masing nilai eigen.
2.5 Metode QR dengan Hessenberg
Ada cara yang lebih sederhana untuk mencari nilai eigen dan vektor eigen dari
sebuah matriks, yaitu dengan mengubah matriks tersebut menjadi bentuk Hessenberg,
lalu dilakukan metode QR.
Perubahan matriks menjadi bentuk Hessenberg harus dilakukan dengan
transformasi similar untuk menjamin nilai eigen tetap sama dan vektor eigen dapat
diketahui, yaitu mencari matriks H dimana AQQH 1−= , dengan H merupakan matriks
Hessenberg dan A merupakan matriks yang ingin diketahui nilai eigen dan vektor
eigennya..
Untuk memudahkan komputasi, akan digunakan transformasi householder untuk
mencari matriks Q
Definisi: Misalkan nu ℜ∈ , 0≠u dan nnI × merupakan matriks identitas. Matriks
TT uuuu
IQ 2−= disebut matriks householder.
Setelah matriks H diketahui, maka akan digunakan metode QR untuk mencari
nilai dan vektor eigen matriks H.
35
2.6 Dinamika Populasi
Dinamika populasi adalah ilmu yang mempelajari perubahan dalam jumlah,
komposisi usia, berat, dan sebagainya dalam satu atau beberapa populasi.
Pada awalnya dinamika populasi adalah cabang utama dari matematika biologi,
dan didominasi oleh studi demografi yaitu ilmu yang mempelajari populasi manusia,
struktur dan perubahannya. Namun pada perkembangan selanjutnya, dinamika populasi
tidak hanya mempelajari manusia saja, tetapi juga hewan dan tumbuhan.
Ukuran populasi biasanya dipengaruhi oleh tiga faktor utama , yaitu tingkat
kelahiran/natality, tingkat pertumbuhan/growth rate, tingkat kematian/mortality. Tingkat
perpindahan (imigrasi atau emigrasi) juga merupakan salah satu faktor, tetapi biasanya
tidak diukur.
Cara memodelkan dinamika populasi dapat dilakukan dengan sudut pandang
individual (i-state) di mana kita menelusuri individual-individual dengan karakteristik
yang berbeda (misalkan usia, strata, ukuran, dsb.) atau dapat dilakukan dengan sudut
pandang populasi (p-state) di mana kita mencirikan populasi dengan fungsi kepadatan
(misalkan distribusi usia, atau ukuran, dsb.). Model populasi dasar mencirikan populasi
dengan sebuah variabel p-state Salah satu contohnya adalah dengan memodelkan
pertumbuhan populasi dengan variabel usia. Model tersebut menjelaskan gambaran
populasi yang ada, dan perkiraan gambaran populasi tersebut di masa yang akan datang.
2.7 Model Pertumbuhan Leslie
Model ini pertama dijelaskan oleh Lotka pada tahun 1920-an dan
diformalisasikan pada 1940-an oleh Leslie. Model ini berdasar pada tingkat bertahan
hidup (survival) dan kesuburan (fecundity) berdasarkan umur.
36
pi Kemungkinan bertahan hidup(survive) dari umur i ke umur i+1
fi Banyaknya anak per individual pada umur i
ni(t) Banyaknya individual pada kelas umur i pada waktu t.
Kita mengambil n0 sebagai banyaknya individual yang baru lahir. Jadi:
∑=
=+T
iii ftntn
00 )()1( ,
di mana T adalah umur maksimum seorang individual dapat hidup. Banyaknya
individu dalam kategori umur lainnya ditentukan oleh banyaknya individual yang
bertahan hidup dari tahun sebelumnya. Khususnya,
)()1( 11 tnptn iii −−=+
Secara keseluruhan, hal ini menjelaskan demografi dari populasi, dengan asumsi
untuk saat ini bahwa pi dan fi tidak bervariasi dari tahun ini ke tahun berikutnya. Ini
dapat ditulis dalam bentuk matriks sebagai
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
=
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
+
+++
− )(
)()()(
0000000000000
)1(
)1()1()1(
2
1
0
1
2
1
0
210
2
1
tn
tntntn
pp
pp
ffff
tn
tntntn
TT
T
T
o
MO
L
L
K
M
Singkatnya,
)0()1()( nAtAntn t=−=
Model inilah yang biasa disebut Model Matriks Leslie. Matriks Leslie memiliki
tingkat kesuburan di baris pertama dan tingkat bertahan hidup di subdiagonal, sedangkan
elemen lainnya adalah 0. Tetapi representasi matriks yang lebih umum untuk jenis ini
37
dapat memenuhi kebutuhan untuk model yang lebih luas di mana subpopulasi yang
berubah-ubah sifatnya seiring waktu. Perlu dicatat bahwa tingkat bertahan hidup dalam
contoh di atas memberikan informasi yang cukup banyak, bersama dengan interaksi
yang mungkin terjadi di antara subpopulasi, dan antara subpopulasi dengan lingkungan.
Ini mungkin dibutuhkan untuk kasus tertentu, tetapi tergantung pada bagaimana populasi
global dibagi, kita dapat memliki parameter yang lebih spesifik mengenai hubungan
antara satu subpopulasi dengan state sebelumnya atau antara state sebelumnya dengan
subpopulasi lainnya
Sifat-sifat yang penting dari matriks Leslie antara lain, adalah:
1. Seluruh kelas umur diidentifikasi, masing-masing dengan tingkat kesuburan dan
bertahan hidup mereka masing-masing.
2. Setiap anggota dari kelas umur memiliki kemungkinan yang sama untuk
bertahan hidup ke tahun berikutnya, dan memroduksi keturunan yang sama
banyaknya.
3. Linier – Populasi akan berkembang atau menyusut secara geometris.
4. Seluruh kelas umur bertumbuh (atau menyusut) dalam tingkat yang sama.
5. Pertumbuhan awal bergantung pada struktur umur dari populasi.
6. Reproduksi awal memiliki kontribusi yang lebih banyak daripada tingkat
pertumbuhan populasi daripada tingkat reproduksi akhir. Pada manusia, seorang
wanita yang memiliki tiga orang anak dimulai dari umur 15 tahun memiliki
kontribusi yang sama dengan wanita yang memiliki lima orang anak dimulai dari
umur 30 tahun.
38
2.8 Analisis Nilai Eigen terhadap Model Pertumbuhan Leslie
Kita akan memperhatikan bagimana nilai eigen dan vektor eigen dari matriks
transfomasi pada Model Pertumbuhan Leslie digunakan untuk mempermudah
perhitungan.
Ketika kita dapat memilih beberapa vektor sebagai vektor basis (satu untuk tiap
dimensi dari ruang), kita tentu ingin agar kita dapat menulis vektor sebagai kombinasi
linier dari vektor-vektor basis tersebut. Dalam hal ini, sembarang vektor x dapat ditulis
sebagai jumlah ‘bobot’ dari sembarang vektor (basis) b:
∑=n
iiibwx ,
di mana nilai wi adalah skalar untuk setiap i. Walaupun kita dapat menuliskan
sembarang vektor sebagai vektor basis (asal bukan kelipatan dari vektor basis lainnya),
kita akan menuliskan vektor basis dengan vektor eigen. Salah satu alasan yang ingin
difokuskan adalah, dengan menuliskan vektor eigen sebagai vektor basis akan
menyederhanakan perhitungan untuk transformasi yang akan dilakukan secara berulang-
ulang untuk sebuah vektor. Untuk memperjelas, ingat bahwa transformasi berulang n
kali dalam bentuk Ax berarti Anx. Ini adalah apa yang akan kita cari apabila kita
membaharui nilai secara berulang-ulang menggunakan persamaan diferensial, di mana
xt+1=Axt. Tentu akan lebih sulit untuk menghitung secara langsung An; bahkan untuk
mendapat nilai tersebut kita perlu melakukan seluruh perkalian matriks, yang terlebih
sulit lagi untuk matriks berukuran besar. Tentu akan lebih mudah bila operasi pangkat
yang dilakukan bukan untuk matriks yang mungkin berukuran besar, tetapi hanya untuk
bilangan skalar. Ini adalah apa yang kita dapat apabila kita menggunakan vektor eigen
sebagai vektor basis.
39
Tetapi sebuah matriks berorde nn× belum tentu memiliki tepat n buah vektor
eigen. Kekurangan lainnya adalah adanya trade off pada beban perhitungan karena
adanya fakta bahwa kita harus mengetahui bagaimana cara menulis ulang vektor awal
dalam suku vektor eigen. Dengan kata lain, kita harus mengetahui nilai eigen dan vektor
eigen yang beresuaian; lalu kita harus mencari bobot yang tepat untuk menyatakan
vektor tersebut dalam suku-suku vektor eigen.
Cara mencari nilai dan vektor eigen telah dijabarkan di muka, yaitu dengan
menggunakan algoritma QR.
Setelah kita mengetahui nilai dan vektor eigen, langkah terakhir adalah mencari
bobot. Ingat bahwa sebuah vektor x dapat ditulis sebagai bobot dari vektor eigen, yang
juga dapat ditulis sebagai:
tt Ewx =
di mana E adalah matriks yang kolom-kolomnya adalah vektor eigen yang telah
kita dapatkan, dan w adalah vektor yang mengandung bobot yang kita cari. Vektor w
dapat dicari dengan mengalikan kedua ruas dengan E-1, yang berarti
ttt wIwEwE ==−1
yang sama dengan txE 1− , yang akan kita hitung. Dengan vektor eigen yang telah kita
dapat, dan bobot telah kita dapatkan, kita dapat menyatakan vektor x yang ingin kita
cari dalam suku-suku vektor eigen.
Ada alasan lain mengapa kita ingin menghitung nilai eigen, terlepas dari
kebutuhan untuk mencari vektor eigen, yaitu bahwa kita sedang berusaha menghitung
Anx dengan cara yang lebih mudah. Untuk mendapat nilai ini, kita perlu tiga hal yang
40
telah kita dapat sebelumnya: vektor eigen, nilai eigen, dan bobot. Sekarang kita dapat
membicarakan vektor x dalam suku-suku vektor eigen A. Karena:
∑=n
iii
nn ewAxA
(dengan ei adalah vektor eigen ke-i dari A), dan juga iA λ= untuk setiap ei (dari definisi
nilai eigen), maka kita dapat menulis:
∑∑ ==n
iii
ni
n
iii
nn ewewAxA λ
Persamaan terakhir adalah yang ingin kita cari selama ini. Ini adalah cara untuk
menghitung vektor x setelah ditransformasi n-kali oleh A, tanpa melakukan perkalian
dengan A. Dari sudut yang lain, akan menjadi lebih nyata bila kita mendapatkan nilai
dan vektor eigen dari matriks transformasi, kita sebenarnya memiliki hal yang akan
memberitahu kita tingkah laku ke depan dari sistem yang akan dijelaskan dari state awal
x0 dan sebuah matriks transformasi A.
2.9 Rekayasa Piranti Lunak
2.9.1 Definisi Rekayasa Piranti Lunak
Menurut pendapat Pressman (1991, p.6), terdapat tiga macam pengertian piranti
lunak , yaitu:
1. Instruksi-instruksi (program komputer) yang ketika dijalankan akan
menghasilkan fungsi dan performa yang diinginkan.
2. Suatu kumpulan struktur data yang memungkinkan program untuk memanipulasi
informasi.
41
3. Suatu dokumen-dokumen yang menggambarkan operasi dan kegunaan dari
program.
Sedangkan rekayasa piranti lunak menurut Pressman (1991, p.20) merupakan
penggunaan prinsip-prinsip rekayasa untuk mendapatkan piranti lunak yang ekonomis,
dapat diandalkan, dan dapat dijalankan dengan efisien pada mesin yang ada.
Gambar 2.2 Lapisan-lapisan Rekayasa Piranti Lunak
Rekayasa Piranti Lunak adalah teknologi yang berlapis. Dari gambar 2.2, setiap
rekayasa piranti lunak harus berpijak pada kualitas. Dasar dari rekayasa piranti lunak
adalah proses. Proses rekayasa piranti lunak merupakan perekat dari teknologi dan
membuat pengembangan dari piranti lunak menjadi rasional. Metode rekayasa piranti
lunak menyediakan teknis pembuatan sebuah piranti lunak seperti perancangan proyek
dan estimasi, menganalisa kebutuhan sistem, perancangan struktur data, prosedur
algoritma, arsitektur program, pengkodean, dan pemeliharaan. Alat (tools) rekayasa
piranti lunak menyediakan layanan yang otomatis atau semi otomatis untuk proses dan
metode.
42
2.9.2 Model Rekayasa Piranti Lunak
Model rekayasa piranti lunak yang digunakan adalah Linear Sequential Model
Seringkali disebut sebagai siklus hidup klasik (Classic Life Cycle) atau waterfall model.
Model ini memberikan pendekatan-pendekatan yang sistematik dan berurutan
(sequential) dalam pengembangan suatu software. (Pressman, 2001, p28). Model ini
merupakan model yang paling banyak digunakan.
Gambar 2.3 Model Sekuensial Linear
Tahapan-tahapan yang terdapat dalam Linear Sequential Model adalah sebagai
berikut:
• System Engineering And analysis (Rekayasa dan analisa sistem).
Karena software merupakan bagian dari sistem yang lebih besar, maka setiap
pekerjaan dimulai dari penentuan kebutuhan untuk keseluruhan elemen sistem
dan kemudian mengalokasikan beberapa dari kebutuhan tersebut pada software.
Sistem Engineering dan analysis meliputi pengumpulan kebutuhan pada level
sistem dengan jumlah yang sedikit dari desain top level dan analisa.
43
• Software Requirement Analysis (Analisis kebutuhan piranti lunak).
Analisis kebutuhan piranti lunak merupakan kebutuhan untuk memperoleh
proses yang intensif dan terfokus pada spesialisasi dari software. Untuk
mengerti karakteristik dari program yang akan dibuat, maka pengembang
software harus mengerti dan memahami kebutuhan-kebutuhan software, seperti
fungsi apa saja yang diperlukan, performa software dan antar muka software.
• Design (Perancangan)
Perancangan software merupakan proses dengan langkah yang cukup banyak
yang terfokuskan pada 4 atribut penting dari program, yaitu struktur data,
arsitektur software, detil prosedur, dan karakteristik dari antarmuka.
• Coding (Pengkodean)
Coding merupakan langkah untuk menerjemahkan design ke dalam bentuk yang
dapat dikenali oleh mesin (komputer). Jika pada tahap design difokuskan pada
hal-hal yang detil, maka pada tahap coding difokuskan pada hal yang mekanik.
• Testing (Pengujian)
Testing merupakan langkah yang digunakan untuk menguji program yang telah
dibuat apakah telah sesuai dengan analisis, kebutuhan dan desain seperti yang
telah direncanakan sebelumnya. Testing juga dimaksudkan untuk mencari
kesalahan-kesalahan yang mungkin ada.
• Maintenance (Pemeliharaan)
Maintenance merupakan suatu langkah yang digunakan untuk menjaga dan
memelihara program yang telah dibuat agar tetap berfungsi dengan baik.
44
2.10 UML (Unified Modelling Language)
UML adalah suatu bahasa standar untuk menulis cetak biru (rancangan) piranti
lunak. UML dapat digunakan untuk memvisualisasi (visualizing), menspesifikasikan
(specifying), membentuk (constructing), dan mendokumentasikan (documenting) sistem
piranti lunak (Booch et al, 1999, p13).
Booch, Jacobson dan Rumbaugh menyatakan ada tiga tujuan dibentuknya UML,
yaitu:
1. Untuk memodelkan sistem, dari konsep menjadi suatu objek yang dapat
dijalankan dengan menggunakan teknik berorientasi objek.
2. Untuk menempatkan masalah yang sifatnya skalar ke dalam sistem yang rumit
dan bertujuan kritis.
3. Untuk membuat sebuah bahasa pemodelan yang bisa digunakan oleh manusia
dan mesin.
Berikut adalah beberapa diagram-diagram dalam UML:
1. Class Diagram
Class diagram mengambarkan kumpulan class, interfaces dan collaboration
serta relationships ketiganya (Booch et al, 1999, p25).
Beberapa komponen class diagram antara lain:
• Class
Sebuah class adalah kumpulan objek yang mempunyai attributes, operations,
relationships dan semantics yang sama (Booch et al, 1999, p49).
Class dapat merepresentasikan hal fisik (seperti pelanggan, produk, buku), hal
konseptual (seperti pesanan, pinjaman, pemesanan) atau hal organisasi (seperti
perusahaan atau departemen).
45
Class digambarkan dengan sebuah kotak persegi panjang. Notasi class terdiri
dari 3 bagian yaitu nama class, attribute dan operation.
Gambar 2.4 Notasi class
• Relationships
i. Generalization
Menggambarkan hubungan class yang umum dengan class yang khusus
yang dikenal dengan hubungan subclass/superclass atau child/parent.
ii. Association
Menggambarkan hubungan struktural antara class. Pada association,
terdapat multiplicity dan aggregation.
Multiplicity menggambarkan berapa banyak objek yang mungkin
terhubung dari suatu hubungan association. Multiplicity dinotasikan
dengan 1 atau 1..1, * atau 0..*, 0..1, 1..* atau bilangan tertentu di masing-
masing ujung garis association. Misalkan:
Gambar 2.5 Contoh multiplicity
Aggregation adalah association yang mempunyai hubungan “bagian dari”.
Misalkan:
46
Gambar 2.6 Contoh aggregation
2. Use Case Diagram
Use case diagram menggambarkan sekumpulan use case dan actor serta
hubungan antara keduanya.
Beberapa komponen dari use case diagram:
• Actor
Actor mewakili peran pengguna dalam hubungannya dengan use case. Actor
dapat saja berupa seorang manusia, alat perangkat keras atau sistem lain.
Gambar 2.7 Notasi actor
• Use case
Use case menjelaskan sekumpulan urutan, di mana masing-masing urutan
mewakili interaksi “benda” di luar sistem (actor) dengan sistem itu sendiri
(Booch et al, 1999, p220). Sebuah use case mewakili sebuah functional
47
requirement dari sistem secara keseluruhan. Use case menggambarkan apa yang
dilakukan oleh sistem, bukan bagaimana sistem melakukannya.
Gambar 2.8 Notasi use case
• Flow of events
Flow of events menggambarkan perilaku sistem dengan kalimat yang jelas
sehingga bisa dimengerti dengan mudah oleh orang di luar sistem.
• Include
Include relationship di antara use case-use case berarti sebuah use case dasar
memasukkan perilaku dari use case lain secara eksplisit. Include relationship
digunakan untuk menggambarkan use case yang berulang.
Gambar 2.9 Contoh include relationship
• Extend
Extend relationship di antara use case-use case berarti use case dasar
memasukkan perilaku dari use case lain secara tidak langsung. Extend
relationship digunakan untuk menggambarkan variasi dari tingkah laku normal.
48
Gambar 2.10 Contoh extend relationship
3. Activity Diagram
Activity Diagram menggambarkan flow (aliran) dari sebuah aktivitas ke aktivitas
lainnya dalam sistem.
Komponen Keterangan
Initial state, yaitu menyertakan awal dimulainya suatu
aktivitas.
Final state, yaitu menyatakan berakhirnya suatu aktivitas.
State, menggambarkan aktivitas yang merepresentasikan
kinerja dari suatu operasi
Pada transition dapat dituliskan ekspresi sebagai guard
(kondisi yang menentukan aliran kontrol, ditandai dengan
tanda “[ ]”).
Decision, menggambarkan kontrol dari aliran yang bersifat
kondisional.
Forking dan joining dipergunakan untuk menggambarkan
aliran kontrol yang berjalan secara paralel atau bersamaan.
Tabel 2.1 Tabel notasi activity diagram
49
4. Statechart Diagram
Statechart Diagram menggambarkan sebuah state machine, yang terdiri dari
state, transition, event dan aktivitas (Booch et al, 1999, p25). Statechart diagram hampir
sama dengan activity diagram. Keduanya sama-sama menggambarkan flow of control.
Bedanya activity diagram menggambarkan flow of control dari suatu aktivitas ke
aktivitas, sedangkan statechart diagram menggambarkan flow of control dari suatu state
ke state lainnya.