Nilai Eigen dan Vektor Eigen: Pengantar yang Ramah bagi Pemula

Nilai eigen dan vektor eigen terlihat misterius saat pertama kali Anda menemuinya, tetapi ide yang mendasarinya bersifat intuitif: ketika sebuah matriks mentransformasi suatu vektor, sebagian besar vektor mengalami rotasi dan peregangan. Vektor eigen adalah arah-arah istimewa yang hanya diregangkan, tidak pernah dirotasi. Faktor peregangan itulah yang disebut nilai eigen.

Definisi

Diberikan matriks $n \times n$ bernama $A$, sebuah vektor tak-nol $\mathbf{v}$ adalah vektor eigen dengan nilai eigen $\lambda$ apabila:

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

Secara geometris: $A$ yang beraksi pada $\mathbf{v}$ menghasilkan $\lambda$ kali $\mathbf{v}$ — arah yang sama, hanya diskalakan.

Cara menemukannya — polinomial karakteristik

Penataan ulang menghasilkan $(A - \lambda I)\mathbf{v} = \mathbf{0}$. Agar ada $\mathbf{v}$ yang tak-trivial, matriks $A - \lambda I$ harus singular, yaitu:

$\det(A - \lambda I) = 0$

Persamaan ini dijabarkan menjadi polinomial dalam $\lambda$ yang disebut polinomial karakteristik, berderajat $n$. Akar-akarnya adalah nilai eigen.

Contoh $2 \times 2$ yang dikerjakan

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

1. $A - \lambda I = \begin{pmatrix} 4 - \lambda & 1 \\ 2 & 3 - \lambda \end{pmatrix}$.
2. $\det = (4-\lambda)(3-\lambda) - 2 = \lambda^2 - 7\lambda + 10$.
3. Selesaikan $\lambda^2 - 7\lambda + 10 = 0$: $\lambda = 5$ atau $\lambda = 2$.

Untuk $\lambda = 5$: selesaikan $(A - 5I)\mathbf{v} = 0$, yaitu $\begin{pmatrix} -1 & 1 \\ 2 & -2 \end{pmatrix}\mathbf{v} = 0$, menghasilkan vektor eigen $\mathbf{v}_1 = (1, 1)$.

Untuk $\lambda = 2$: proses serupa menghasilkan $\mathbf{v}_2 = (1, -2)$.

Mengapa vektor eigen penting

• Analisis Komponen Utama (PCA): vektor eigen dari matriks kovarians adalah arah-arah utama variasi dalam data Anda.
• Google PageRank: vektor peringkat adalah vektor eigen dominan dari matriks tautan web.
• Mekanika kuantum: besaran yang dapat diamati adalah operator; nilai eigennya adalah satu-satunya hasil yang bisa Anda ukur.
• Persamaan diferensial: nilai eigen dari matriks sistem memberi tahu apakah solusinya meredam atau meledak.

Rangkuman makna geometris

Untuk matriks 2D, vektor eigen adalah sumbu-sumbu istimewa. Jika Anda menyelaraskan sistem koordinat dengan sumbu-sumbu itu, $A$ menjadi diagonal — penskalaan murni sepanjang setiap sumbu tanpa rotasi. Inilah diagonalisasi, dan ia menjadi fondasi puluhan algoritma.

Kesalahan umum

• Lupa bahwa vektor eigen terdefinisi hingga penskalaan — setiap kelipatan tak-nol dari sebuah vektor eigen juga merupakan vektor eigen.
• Melewati persamaan karakteristik dan mencoba menebak.
• Memperlakukan $\det(A - \lambda I)$ sebagai $\det(A) - \lambda$ — keduanya tidak sama.

Coba dengan AI Matrix Solver

Masukkan matriks Anda ke Matrix Calculator dan minta nilai eigen — setiap langkah ditampilkan.

Referensi terkait:

• Determinant Calculator — diperlukan untuk polinomial karakteristik
• Quadratic Solver — untuk kasus karakteristik $2\times 2$
• Vector Calculator — vektor eigen pada dasarnya adalah vektor