Contoh Soal Eigen Vektor Lengkap dengan Pembahasan Langkah demi Langkah: Membedah Logika Transformasi Linear

Halo, Sobat Matematika! Bagaimana kabar eksplorasi logikamu hari ini? Saya harap kamu tetap semangat untuk menyelami dunia angka dan matriks yang penuh keajaiban. Di tahun 2026 ini, pemahaman tentang Aljabar Linear bukan lagi sekadar syarat lulus ujian di bangku kuliah, melainkan menjadi fondasi utama dalam memahami kecerdasan buatan (AI), pengolahan citra digital, hingga analisis struktur bangunan.

Baca juga:Kumpulan Contoh Soal TKB Terbaru dan Tips Menjawabnya dengan Benar

Salah satu konsep yang paling “ikonik” namun sering dianggap sulit adalah Eigen Vektor dan Eigen Value. Mungkin kamu pernah bertanya, “Kenapa sih kita harus belajar ini?” Bayangkan sebuah matriks sebagai “kekuatan” yang bisa memutar atau menarik sebuah objek. Nah, Eigen Vektor adalah arah-arah istimewa yang tetap setia pada jalurnya, mereka tidak berputar, hanya memanjang atau memendek. Menarik, bukan? Artikel ini akan menuntunmu memahami konsep ini melalui contoh soal yang dibedah secara mendalam langkah demi langkah. Mari kita mulai!

Apa Itu Sebenarnya Eigen Vektor?

Secara teknis, jika kita memiliki matriks persegi $A$ dan sebuah vektor tidak nol $\mathbf{v}$, maka $\mathbf{v}$ disebut sebagai eigen vektor dari $A$ jika memenuhi persamaan berikut:

$$A\mathbf{v} = \lambda\mathbf{v}$$

Di sini, $\lambda$ (lambda) adalah skalar yang kita sebut sebagai Eigen Value (nilai eigen). Persamaan ini memberi tahu kita bahwa ketika matriks $A$ dikalikan dengan vektor $\mathbf{v}$, hasilnya hanyalah vektor $\mathbf{v}$ yang dikalikan dengan sebuah angka. Arahnya tetap sama!

Untuk mencari nilai eigen dan vektor eigen, kita harus menyelesaikan persamaan karakteristik:

$$\det(A – \lambda I) = 0$$

Di mana $I$ adalah matriks identitas. Mari kita langsung terjun ke contoh soal praktis agar kamu bisa melihat bagaimana logika ini bekerja.

Contoh Soal: Matriks Ordo $2 \times 2$

Diberikan sebuah matriks $A$ sebagai berikut:

$$A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix}$$

Tentukanlah nilai eigen ($\lambda$) dan vektor-vektor eigen ($\mathbf{v}$) yang bersesuaian dengan matriks tersebut!

Langkah 1: Mencari Nilai Eigen ($\lambda$)

Langkah pertama adalah menyusun persamaan karakteristik $\det(A – \lambda I) = 0$.

$$A – \lambda I = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix} – \lambda \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}$$

$$A – \lambda I = \begin{pmatrix} 4-\lambda & 1 \\ 2 & 3-\lambda \end{pmatrix}$$

Sekarang kita hitung determinannya:

$$\det \begin{pmatrix} 4-\lambda & 1 \\ 2 & 3-\lambda \end{pmatrix} = 0$$

$$(4-\lambda)(3-\lambda) – (1)(2) = 0$$

$$12 – 4\lambda – 3\lambda + \lambda^2 – 2 = 0$$

$$\lambda^2 – 7\lambda + 10 = 0$$

Persamaan kuadrat ini sangat mudah difaktorkan:

$$(\lambda – 5)(\lambda – 2) = 0$$

Jadi, kita mendapatkan dua nilai eigen:

$\lambda_1 = 5$ dan $\lambda_2 = 2$.

Langkah 2: Mencari Eigen Vektor untuk $\lambda_1 = 5$

Setelah mendapatkan nilai eigen, kita harus mencari vektor $\mathbf{v} = \begin{pmatrix} x_1 \\ x_2 \end{pmatrix}$ yang memenuhi $(A – \lambda I)\mathbf{v} = 0$.

Substitusikan $\lambda = 5$ ke dalam matriks $(A – \lambda I)$:

$$\begin{pmatrix} 4-5 & 1 \\ 2 & 3-5 \end{pmatrix} \begin{pmatrix} x_1 \\ x_2 \end{pmatrix} = \begin{pmatrix} 0 \\ 0 \end{pmatrix}$$

$$\begin{pmatrix} -1 & 1 \\ 2 & -2 \end{pmatrix} \begin{pmatrix} x_1 \\ x_2 \end{pmatrix} = \begin{pmatrix} 0 \\ 0 \end{pmatrix}$$

Dari baris pertama, kita mendapatkan persamaan:

$$-x_1 + x_2 = 0 \implies x_1 = x_2$$

Perhatikan bahwa baris kedua ($2x_1 – 2x_2 = 0$) akan memberikan hasil yang sama. Ini menunjukkan kita memiliki kebebasan dalam memilih nilai. Jika kita pilih $x_2 = 1$, maka $x_1 = 1$.

Jadi, eigen vektor pertama adalah:

$$\mathbf{v}_1 = \begin{pmatrix} 1 \\ 1 \end{pmatrix}$$

(Atau kelipatannya, seperti $\begin{pmatrix} 2 \\ 2 \end{pmatrix}$).

Langkah 3: Mencari Eigen Vektor untuk $\lambda_2 = 2$

Sekarang kita lakukan hal yang sama untuk nilai eigen kedua, $\lambda = 2$.

Substitusikan $\lambda = 2$ ke dalam matriks $(A – \lambda I)$:

$$\begin{pmatrix} 4-2 & 1 \\ 2 & 3-2 \end{pmatrix} \begin{pmatrix} x_1 \\ x_2 \end{pmatrix} = \begin{pmatrix} 0 \\ 0 \end{pmatrix}$$

$$\begin{pmatrix} 2 & 1 \\ 2 & 1 \end{pmatrix} \begin{pmatrix} x_1 \\ x_2 \end{pmatrix} = \begin{pmatrix} 0 \\ 0 \end{pmatrix}$$

Kedua baris memberikan persamaan yang identik:

$$2x_1 + x_2 = 0 \implies x_2 = -2x_1$$

Jika kita pilih $x_1 = 1$, maka $x_2 = -2$.

Jadi, eigen vektor kedua adalah:

$$\mathbf{v}_2 = \begin{pmatrix} 1 \\ -2 \end{pmatrix}$$

Analisis Hasil: Apa Maknanya?

Sobat, mari kita tinjau hasil kita. Matriks $A$ memiliki dua “jalur” istimewa:

1. Sepanjang garis $y = x$ (vektor $\begin{pmatrix} 1 \\ 1 \end{pmatrix}$), matriks ini akan memperpanjang objek sebanyak 5 kali lipat.
2. Sepanjang garis $y = -2x$ (vektor $\begin{pmatrix} 1 \\ -2 \end{pmatrix}$), matriks ini akan memperpanjang objek sebanyak 2 kali lipat.

Di luar dua garis ini, setiap vektor yang dikalikan dengan $A$ pasti akan berubah arahnya. Inilah keajaiban Eigen Vektor; mereka adalah sumbu-sumbu stabilitas dalam sebuah transformasi linear.

Mengapa Langkah demi Langkah Itu Penting?

Banyak orang terjebak saat mengerjakan soal ini karena terburu-buru menghitung determinan. Berikut adalah tips agar kamu tidak salah langkah:

• Cek Persamaan Karakteristik: Jika hasil faktormu tidak menghasilkan angka yang bulat atau cantik, cek kembali perkalian pelangi $(4-\lambda)(3-\lambda)$. Kesalahan tanda negatif sering terjadi di sini.
• Sistem Persamaan Linier: Saat mencari vektor, matriks $(A – \lambda I)$ harus selalu singular (baris-barisnya berkelipatan). Jika kamu mendapatkan hasil $x_1 = 0$ dan $x_2 = 0$ sebagai satu-satunya solusi, berarti nilai $\lambda$ yang kamu hitung sebelumnya salah.
• Normalisasi: Dalam dunia nyata (seperti pemrograman Python atau MATLAB), eigen vektor sering dinormalisasi agar panjangnya menjadi 1.

Aplikasi di Dunia Nyata 2026

Di tahun 2026, konsep yang baru saja kita kerjakan ini digunakan dalam algoritma Principal Component Analysis (PCA). PCA digunakan untuk menyederhanakan data raksasa. Misalnya, dalam pengenalan wajah, Eigen Vektor digunakan untuk mengekstrak fitur paling menonjol dari ribuan pixel (sering disebut Eigenfaces). Tanpa nilai eigen, komputer kita akan sangat lambat memproses gambar karena harus menghitung setiap pixel secara manual.

Tabel Ringkasan Prosedur

Baca juga:Universitas Teknokrat Indonesia Masuk Daftar Kampus Terbaik Nasional 2025 Versi UniRanks

Penutup

Belajar matematika memang membutuhkan kesabaran, tapi bayangkan kepuasan saat kamu berhasil memecahkan kode di balik sebuah matriks. Eigen vektor mengajarkan kita bahwa dalam setiap perubahan atau transformasi yang kacau sekalipun, selalu ada arah yang tetap konsisten dan stabil.

Penulis: marfel