MAKALAH ALJABAR LINEAR

APLIKASI NILAI EIGEN, VEKTOR EIGEN, DAN DIAGONALISASI

PADA BIDANG ILMU KOMPUTER

DOSEN PENGAMPU :
Dr. Arman, S.Si., M.Si.

DISUSUN OLEH :
Yulinar (F1G121089)

PROGRAM STUDI ILMU KOMPUTER

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HALU OLEO
KENDARI
2023
 KATA PENGANTAR

Puji syukur kehadirat Allah Ta’ala yang telah melimpahkan Rahmat dan karunia-Nya
sehingga saya dapat menyelesaikan makalah ini huna memenuhi tugas mandiri untuk mata kuliah
Aljabar Linear, dengan judul “Aplikasi Nilai Eigen, Vektor Eigen, dan Diagonalisasi Pada
Bidang Ilmu Komputer”.
Saya menyadari sepenuhnya bahwa makalah ini masih jauh dari kata sempurna oleh
karena itu saya harapkan segala bentuk saran serta masukkan bahkan kritikan yang membangun
dari berbagai pihak. Dan saya berharap makalah ini dapat memeberikan manfaat bagi dunia
pendidikan.

Kendari, 20 Juni 2023

Penyusun

ii
 DAFTAR ISI

KATA PENGANTAR...................................................................................................................ii
DAFTAR ISI.................................................................................................................................iii
BAB I PENDAHULUAN.............................................................................................................1
1.1 Latar Belakang......................................................................................................................1
1.2 Rumusan Masalah................................................................................................................1
1.3 Tujuan....................................................................................................................................1
BAB II PEMBAHASAN..............................................................................................................3
2.1 Nilai Eigen, Vektor Eigen dan Diagonalisasi Pada Konteks Aljabar...............................3
2.2 Menghitung Nilai Eigen dan Vektor Eigen Dari Suatu Matriks......................................4
2.3 Proses Diagonalisasi Pada Matriks.......................................................................................7
2.4 Contoh Pengaplikasian Dari Nilai Eigen, Vektor Eigen, dan Diagonalisasi Pada
Bidang Ilmu Komputer........................................................................................................9
BAB III KESIMPULAN1...........................................................................................................13
3.1 Kesimpulan...........................................................................................................................13
3.2 Saran.....................................................................................................................................13
DAFTAR PUSTAKA...................................................................................................................14

iii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Matematika adalah ilmu yang menjadi dasar semua disiplin ilmu yang ada baik itu ilmu
social, esakta, sains dan teknologi. Salah satu dari cabang ilmu matematika adalah aljabar
linear, yang dalam pengaplikasiaanya mencakup beberapa bidang seperti fisika, teknik,
ekonomi, dan ilmu komputer.
Aljabar linear adalah ilmu yang mempelajari sistem persamaan linear dan transformasi
linear. Sistem persamaan linear adalah kumpulan persamaan linear yang harus diselesaikan
secara bersamaan. Transformasi linear adalah fungsi matematika yang memetakan vektor dari
satu ruang vektor ke ruang vektor lainnya, dan mempertahankan sifat-sifat tertentu seperti
garis lurus dan orisentasi. Aljabar linear juga mempelajari konsep-konsep seperti ruang
vektor, matriks, determinan, dan nilai eigen. Konsep-konsep ini sangat penting dalam
pemrosesan data dan analisis numerik.
Aljabar linear adalah cabang matematika yang mempelajari struktur dan sifat-sifat sistem
linier. Konsep-konsep seperti nilai eigen, vektor eigen, dan diagonalisasi adalah bagian
integral dari aljabar linear dan memiliki peran penting dalam menganalisis matriks dan
transformasi linier.
1.2 Rumusan Masalah
Adapun rumusan masalah yang akan dibahas pada makalah ini adalah sebagai berikut:
a. Apa itu nilai eigen, vektor eigen dan diagonalisasi dalam konteks aljabar?
b. Bagaimana cara menghitung nilai eigen dan vector eigen dari suatu matriks?
c. Bagaimana proses diagonalisasi dilakukan pada matriks?
d. Apa contoh penerapan dari aplikasi nilai eigen, vector eigen, dan diagonalisasi?
1.3 Tujuan
Adapun tujuan yang akan dicapai dari makalah ini adalah sebagai berikut:
a. Untuk mengetahui apa itu nilai eigen, vektor eigen dan diagonalisasi dalam konteks
aljabar.
b. Untuk mengetahui cara menghitung nilai eigen dan vector eigen dari suatu matriks.
c. Untuk mengetahui proses diagonalisasi dilakukan pada matriks.

1
d. Untuk mengetahui contoh penerapan dari aplikasi nilai eigen, vector eigen, dan
diagonalisasi.

2
 BAB II
PEMBAHASAN

2.1 Nilai Eigen, Vektor Eigen dan Diagonalisasi Pada Konteks Aljabar
Nilai eigen adalah nilai karakteristik dari suatu matriks berukuran n × n, sementara vektor
eigen adalah vektor kolom bukan nol yang bila dikalikan dengan suatu matriks berukuran
akan menghasilkan vektor lain yang memiliki nilai kelipatan dari vektor eigen itu sendiri.
Definisi tersebut berlaku untuk matriks dengan elemen bilangan real dan akan mengalami
pergeseran ketika elemen berupa bilangan kompleks.
Jika A adalah matriks n × n, maka vektor tak-nol x di dalam ∈ R n dinamakan vektor
eigen (eigenvector) dari A jika Ax sama dengan perkalian suatu skalar λ dengan x,
yakni,
A x =λx
Dalam hal ini skalar λ merupakan nilai eigen (eigenvalue) dari A
dan x dikatakan vektor eigen yang bersesuaian dengan λ.
Untuk menentukan nilai λ, dari persamaan A x =λx sebelumnya dirubah dahulu
menjadi persamaan berikut:
¿ λI)x =0= (λI – A)x

Agar persamaan tersebut memiliki penyelesaian tak trivial maka dapat ditentukan
melalui nilai det¿ λI) yaitu det¿ λI) = det(λI – A)=0. Persamaan det¿ λI) = det(λI –
A)=0 ini disebut persamaan karakteristik. Banyaknya nilai eigen aksimal adalah n buah.
Dari nilai eigen yang telah diperoleh, maka dapat ditentukan ruang solusi atau ruang
eigen untuk x, dengan memasukkan nilai eigen yang diperoleh kedalam persamaan ¿ λI)x
=0. Dari ruang eigen bersesuaian dengan nilai eigen tertentu dapat dicari minimal sebuah
basis ruang eigen yang saling bebas linier. Bebas linier adalah apabila suatu himpunan,
persamaan vector mempunyai satu-satunya pemecahan, vektor eigen yang berhubungan
dengan λ adalah vektor-vektor tak-nol dalam ruang eigen.
Untuk diagonalisasi, matriks bujur sangkar merupakan salah satu syarat dalam
menentukan diagonalisasi dalam sebuah matriks. Salah satu jenis matriks bujur sangkar yang
sering digunakan dalam berbagai aplikasi atau penelitian adalah matriks diagonal.

3
 Diagonalisasi matriks merupakan suatu proses terhadap matriks persegi A untuk mencari
matriks diagonal D (diagonal) yang similar terhadap matriks A. Matriks D dikatakan similar
terhadap A jika terdapat matriks invertibel P (pendiagonal) sedemikian sehingga D =
P AP . Tetapi tidak semua matriks bujur sangkar dapat didiagonalisasikan, tergantung dari
−1

jumlah basis ruang eigen yang dimiliki. Jika matriks bujur sangkar berukuran n dan basis
ruang eigen yang bebas linier berjumlah n juga, maka matriks tersebut dapat
didiagonalisasikan. Tetapi jika jumlahnya kurang dari n maka tidak dapat
didiagonalisasikan.

2.2 Menghitung Nilai Eigen dan Vektor Eigen Dari Suatu Matriks
Berikut ini adalah contoh soal untuk menghitung nilai eigen dan vector eigen dari suatu
matriks:

a) Diketahui A = [ 22 31]
Tentukanlah nilai eigen dan vector eigen dari matriks A!
 Nilai eigen
Dalam pengerjaannya yang harus dilakukan adalah mencari nilai eigen dari matriks
tersebut, maka dapat digunakan persamaan karakteristik berikut ini
¿ λI)=0 atau (λI – A)=0
Berikutnya menentukan persamaan karakteristik untuk menemukan nilai eigennya.
Persamaan karakteristik dari A adalah det ¿ λI)=0.

[ 22 31] -λ[ 10 01]= [ 22 31] =[ 2−λ2 3

1− λ ]
Dengan persamaan karakteristik maka diperoleh:

det¿ λI)= [ 2−λ2 ] =0

3
1− λ
( 2− λ ) ( 1−λ )−(3)(2)=0
Lakukan perkalian distributif:
2
2−2 λ−1 λ+ λ −6=0
2
λ −3 λ−4=0
Faktorkan persamaan yang telah didapatkan untuk mengetahui nilai λ .

4
 2
λ −3 λ−4=0
( λ -4)( λ +1)=0
Dari hasil kofaktor yang didapat diketahui λ 1=4 dan λ 2=-1, dan nilai tersebut adalah nilai
eigen.

 Vektor eigen
Tentukan vektor eigen untuk λ 1=4.

¿ 4I) = [ 2−42 ][ ]
3 −2 3
=
1−4 2 −3
Gunakan ¿ 2I) kedalam SPL, yaitu:
¿ 4I)x=0.

[−22 −33 ]( xx ) = (00)

1

Gunakan metode operasi baris elementer terhadap matriks koefisiennya:

[ ] [ ]
−3 −3
[ −2 3 1
2 −3 2]
− B1~
1
2
2 −1
B B
2+ 1~
1
0 0
2

Maka matriks yang dihasilkan dari metode OBE adalah:

[ (] xx ) = (00)
−3
1 1
2
2
0 0
Misalkan
3
x 1− x 2 = 0 => x 1=¿ 3 ¿
2 2

Dimisalkan
❑
= t , t ∈R

()
3
( ) ❑
x2 = t 2
1
x 2= 2s, s ∈ R❑

()
3
( )
❑
x2 = t 2 =s
1
3
2
, s ∈R
❑
()
5
 Untuk basis ruang eigen (himpunan vektor yang bersesuaian dengan lambda) λ 1=4

adalah (32).
Tentukan vektor eigen untuk λ 2=-1, dengan cara yang sama untuk mencari vector eigen

=4. Maka dihasilkan vektor eigen untuk λ 2=-1 adalah (−11).

[
b) Diketahui B = −2 1 0
]
4 0 1

−2 0 1

Tentukanlah nilai eigen dan vector eigen dari matriks B!

 Nilai eigen
Dalam pengerjaannya yang harus dilakukan adalah mencari nilai eigen dari matriks
tersebut, maka dapat digunakan persamaan karakteristik berikut ini
¿ λI)=0 atau (λI – B)=0
Berikutnya menentukan persamaan karakteristik untuk menemukan nilai eigennya.
Persamaan karakteristik dari A adalah det (λI – B)=0.

λ
[ ][ - = -
] [ ][
= 2
][ ]
1 0 0 4 0 1 λ 0 0 4 0 1 λ−4 0 −1
0 1 0 −2 1 0 0 λ 0 −2 1 0 λ−1 0
0 0 1 −2 0 1 0 0 λ −2 0 1 2 0 λ−1
Dengan persamaan karakteristik maka diperoleh:

det ((λI – B)= 2

[ ]
λ−4 0 −1
λ−1 0 =0
2 0 λ−1
Untuk proses selanjutnya menggunakan metode sarrus:

[ ]
λ−4 0 −1 λ−4 0
det= 2 λ−1 0 2 λ−1
2 0 λ−1 2 0
= ((( λ -4)( λ -1)( λ -1))+0+0) - ((-2 λ +2)+0+0)
= ( λ -4) (λ -1) (λ -1)+2 (λ -1)
= ( λ -1) ((λ -4)( λ -1)+2)
= ( λ -1) ( λ 2 -5 λ +4+2)

6
 = (λ -1) (λ -2) (λ -3)
Dari hasil metode sarrus dapat diketahui λ 1=1, λ 2=2, dan λ 3=3 dan nilai tersebut adalah
nilai eigen.

 Vektor eigen
Tentukan vektor eigen untuk λ 1=1.

(B-1I) =
[ 0 = 2 0 0
][ ]
1−4 0 −1 −3 0 −1
2 1−1
2 0 1−1 2 0 0

Gunakan (B-1I)kedalam SPL, yaitu:

(B-1I)x = 0

[ ]( ) ( )
x2 = 0
−3 0 −1 x1 0
2 0 0
2 0 0 x3 0

-3 x 1 - x 3= 0
2 x 1= 0
x 1=0
-3(0) - x 3= 0
x 3= 0
x 2=t
Maka dapat dinyatakan solusinya adalah:

( )() () t = t 1 , t ∈ R❑
x1 0 0
x2 =
x3 0 0

Untuk basis ruang eigen (himpunan vektor yang bersesuaian dengan lambda) λ 1=1

()
0
adalah 1
0

7
 Tentukan vektor eigen untuk λ 2=2, dengan cara yang sama untuk mencari vector eigen

( )
1
=1. Maka dihasilkan vektor eigen untuk λ 2=2 adalah −2 .
−2

Bagitu pula ketika menentukan vector eigen untuk λ 3= 3, maka dihasilkan vector eigen

( )
1
λ 3= 3 adalah −1 .
−1

2.3 Proses Diagonalisasi Pada Matriks

Melanjutkan dari contoh soal sebelumnya yang telah diketahui nilai eigen dan vector
eigen dari matriks, maka pada tahap ini akan dicari diagonalisasi dari matriks tersebut,
adalah sebagai berikut:
a) Diketahui untuk nilai eigen untuk matriks A adalah λ 1=4 dan λ 2=-1. Untuk vektor

eigennya λ 1= (32) dan λ = (−11). Maka dapat ditentukan diagonalisasi dari matriks A
2

adalah sebagai berikut:

D=[ 40 −10 ]
A=[
2 1]
2 3

( 32 −11 ) => P
P = ( P 1, P 2 ¿ ¿ −1
=
1
3−(−2)
1 1
−2 3 ( )
= (
5 −2 3 )
−1 1 1 1
P

Matriks diagonal: D = . A.P

D= (
1 1 1
5 −2 3 ) [ 22 31] (32 −1
1 )
D= ( )[
1 1 1 (2.3)+(3.2) (2.−1)+(3.1)
5 −2 3 (2.3)+(1.2) (2.−1)+(1.1) ]
D= (
1 1 1
5 −2 3 ) [ 128 11]

8
 D= [
1 (1.12)+(1.8) (1.1)+(1.−1)
5 (−2.12)+(3.8) (−2.1)+(3.−1) ]
D= [ ]1 20 0
5 0 −5

D=[
0 −1 ]
4 0

b) Diketahui untuk nilai eigen untuk matriks B adalah λ 1=1, λ 2=2, dan λ 3= 3. Untuk vektor

() ( ) ( )
0 1 1
eigennya λ 1= λ
1 , 2= −2 , dan = −1 . Maka dapat ditentukan diagonalisasi dari
0 −2 −1
matriks B adalah sebagai berikut:

[ ]
0 1 1
P = ( P1, P2, P3) = 1 −2 −1
0 −2 −1

[ ][ ] [ ][ ]
0 1 1 1 0 0 1 −2 −1 0 1 0
−1
P = 1 −2 −1 0 1 0 B1  B2 ~ 0 1 1 1 0 0 B1= 2.B2+B1 ~
0 −2 −1 0 0 1 0 −2 −1 0 0 1

[ ][ ] [ ][ ]
1 0 1 2 1 0 1 0 1 2 1 0
B1= 2.B2+B1 ~ 0 1 1 1 0 0 B3 = 2.B2+B3 ~ 0 1 1 1 0 0
0 −2 −1 0 0 1 0 0 1 2 0 1

[ ][ ] [ ][ ]
1 0 0 0 1 −1 1 0 0 0 1 −1
B1= -1.B3+B1 ~ 0 1 1 1 0 0 B3 = 1.B3+B2 ~ 0 1 0 −1 0 −1
0 0 1 2 0 1 0 0 1 2 0 1

[ ]
0 1 −1
−1
P = −1 0 −1
2 0 1

Matriks diagonal: D = . B.P

[ ][ ][ ]
0 1 −1 4 0 1 0 1 1
D = −1 0 −1 −2 1 0 1 −2 −1
2 0 1 −2 0 1 0 −2 −1

[ ]
(0−2+2) (0+1+0) (0+0−1)
= (−4+ 0+2) (0+ 0+0) (−1+0−1)
(8+0−2) (0+ 0+0) (2+0+1)

9
 [ ][ ]
0 1 −1 0 1 1
= −2 0 −2 1 −2 −1
6 0 3 0 −2 −1

[ ]
( 0+1+0) (0−2+2) (0−1+1)
= (0+ 0+0) (−2+0+ 4) (−2+0+2)
(0+ 0+0) (6+0−6) (6+0−3)

[ ]
1 0 0
D= 0 2 0
0 0 3

2.4 Contoh Pengaplikasian Dari Nilai Eigen, Vektor Eigen, dan Diagonalisasi Pada Bidang
Ilmu Komputer
Pengaplikasian dari nilai eigen, vektor eigen dan diagonalisai pada bidang ilmu
komputer sangatlah banyak, tetapi ada salah satu yang penerapannya akan dibahas pada
makalah ini yaitu kriptografi. Pada bidang ini nilai eigen, vektor eigen dan diagonalisasi
memainkan peran penting dalam aspek kriptografi, nilai eigen dan vektor eigen digunakan
dalam algoritma enkripsi untuk menghasilkan hasil enkripsi yang aman dan tidak dapat
dibalik secara mudah. Sementara untuk diagonalisasi digunakan yang melibatkan nilai eigen
dan vektor eigen, untuk mengubah bentuk matriks menjadi bentuk diagonal. Hal ini akan
mempermudah dalam pengolahan data dan analisis matematis lebih lanjut dalam algoritma
kriptografi, selain itu juga dapat meningkatkan keefisiensi dan keamanan algoritma.
Kriptografi berasal dari bahasa Yunani, terdiri dari dua suku kata yaitu kripto dan
graphia. Kripto artinya menyembunyikan, sedangkan graphia artinya tulisan. Kriptografi
adalah ilmu yang mempelajari teknik-teknik matematika yang berhubungan dengan aspek
keamanan informasi, seperti kerahasiaan data, keabsahan data, integritas data, serta
autentikasi data. Tetapi tidak semua aspek keamanan informasi dapat diselesaikan dengan
kriptografi. Kriptografi tidak hanya menyediakan alat untuk keamanan pesan, tetapi juga
sekumpulan teknik yang digunakan untuk menjamin kerahasiaan informasi tersebut.
Kriptografi hill cipher merupakan salah satu teknik kriptografi klasik yang cukup kuat
karena menggunakan operasi matriks yang cukup kompleks.
Hill cipher merupakan salah satu algoritma kriptografi simetris yang menggunakan
matriks sebagai kuncinya. Proses enkripsi dimulai dengan mengkonversikan plaintext

10
kedalam angka, selanjutnya angka-angka tersebut dikelompokkan menjadi beberapa blok,
dimana masing-masing blok terdiri dari m anggota sesuai dengan ordo matriks kunci
K(mxm). Chipertext akan didapatkan dengan menggunakan persamaan C = K * P.
Proses deskripsi diawali dengan mengkonversikan chipertext kedalam angka. Seperti
halnya pada proses enkripsi, angka-angka tersebut dikelompokkan menjadi beberapa blok
dengan anggota masing-masing blok sebanyak m, lalu dicari plaintext dengan persamaan P =
K-1 * C.
Algoritma kriptografi diartikan sebagai langkah-langkah tuk mengubah teks terang
menjadi teks sandi ataupun sebaliknya Secara umum algoritma kriptograf terbagi menjadi 2
(dua) yaitu:
a) Algoritma enkripsi/dekripsi adalah langkah-langkah atau tahapan dalam melakukan
proses pengubahan teks terang menjadi teks sandi teks sandi menjadi teks terang. Dalam
proses enkripsi/dekripsi ini kunci merupakan input yang harus diberikan selain teks
terang untuk menyandi ataupun teks sandi untuk membuka sandi. Sehingga kunci ini
harus dijaga agar tidak jatuh kepihak yang tidak berkepentingan. Enkripsi adalah proses
dimana informasi atau data yang hendak dikirim diubah menjadi bentuk yang hampir
tidak dikenali sebagai informasi awalnya dengan menggunakan algoritma tertentu.
Dekripsi adalah kebalikan dari enkripsi yaitu mengubah kembali bentuk tersamar
tersebut menjadi informasi awal.
b) Algoritma hash merupakan langkah-langkah dalam melakukan fungsi yang mengubah
input yang panjangnya sembarang dan mengkonversinya menjadi output dengan
panjang yang tetap (fixed) (umumnya berukuran jauh lebih kecil daripada ukuran
semula). Algoritma ini bersifat satu arah, sehingga input tidak dapat diperoleh dengan
memasukkan kembali output kedalam algoritma hashnya.
Dalam kriptografi bertujuan untuk memberikan layanan keamanan berupa aspek-aspek
keamanan yang diantaranya adalah:
a) Kerahasiaan (confidentiality) adalah layanan yang ditujukan untuk menjaga agar pesan
tidak dapat dibaca oleh pihak-pihak yang tidak berhak.
b) Integritas data (data integrity) adalah layanan yang menjamin bahwa pesan masih asli
atau belum pernah dimanipulasi selama pengiriman.

11
c) Otentikasi (authentication) adalah layanan yang berhubungan dengan identifikasi, baik
mengidentifikasi kebenaran pihak-pihak yang berkomunikasi (user autehentication).
d) Non-repudiation adalah layanan untuk menjaga entitas yang berkomunikasi melakukan
penyangkalan.
Berdasarkan sifat kuncinya, kriptografi dibagi menjadi dua, yaitu kriptografi simetris
dan kriptografi asimetris. Pada kriptografi simetris, proses enkripsi dan dekripsi dilakukan
menggunakan kunci rahasia yang sama. Sedangkan pada kriptografi asimetris, proses
enkripsi dan dekripsinya menggunakan kunci yang berbeda, yaitu kunci publik untuk
enkripsi, dan kunci rahasia yang digunakan untuk dekripsi.
Berdasarkan waktu kemunculannya, kriptografi dibedakan menjadi dua, yaitu
kriptografi klasik dan kriptografi modern. Pada kriptografi klasik, proses enkripsi
menggunakan perhitungan yang sederhana dan dapat dilakukan secara manual. Sedangkan
pada kriptografi modern, proses enkripsi menggunakan perhitungan yang rumit dan
melibatkan bilangan yang besar, sehingga diperlukan bantuan komputer.
Untuk peran dari pengaplikasian nilai eigen, vektor eigen dan diagonalisasi mengapa
dikatakan penting dalam kriptografi? Ini dikarenakan ketiganya memiliki peran dalam
konteks keamanan kriptografi, nilai eigen dan vektor eigen digunakan untuk menciptakan
kunci yang kuat dan melindungi data dari serangan. Dengan menggunakan nilai eigen dan
vektor eigen, algoritma enkripsi dapat menghasilkan hasil enkripsi yang sulit untuk
dipecahkan tanpa pengetahuan kunci yang tepat. Selain itu, nilai eigen dan vektor eigen juga
digunakan dalam analisis keamanan algoritma untuk mengidentifikasi kerentanan dan
kelemahan dalam desain kriptografi.
Diagonalisasi juga memiliki aplikasi penting dalam kriptografi. Dalam proses
diagonalisasi, matriks dapat diubah menjadi bentuk diagonal yang memudahkan pengolahan
data dan analisis matematis lebih lanjut. Dalam konteks kriptografi, diagonalisasi dapat
meningkatkan keamanan algoritma dengan memperkenalkan kompleksitas matematis yang
tinggi dan membuat enkripsi lebih sulit untuk dipecahkan. Selain itu, diagonalisasi juga
dapat meningkatkan efisiensi dalam pengolahan data, mempercepat operasi kriptografi, dan
mempermudah analisis keamanan pada algoritma yang terlibat.

12
 BAB III
KESIMPULAN

3.1 Kesimpulan
Adapun kesimpulan dari makalah ini adalah sebagai berikut:
a) Nilai eigen adalah nilai karakteristik dari suatu matriks berukuran, sementara vektor
eigen adalah vektor kolom bukan nol yang bila dikalikan dengan suatu matriks
berukuran akan menghasilkan vektor lain yang memiliki nilai kelipatan dari vektor eigen
itu sendiri. Untuk diagonalisasi, matriks bujur sangkar merupakan salah satu syarat
dalam menentukan diagonalisasi dalam sebuah matriks. Salah satu jenis matriks bujur
sangkar yang sering digunakan dalam berbagai aplikasi atau penelitian adalah matriks
diagonal.
b) Untuk mencari nilai eigen dan vektor eigen maka dapat digunakan persamaan
karakteristik yaitu, ¿ λI)=0 atau (λI – A)=0.
c) Untuk mencari diagonalisasi dari matriks bujur sangkar maka dapat digunakan rumus D
= P−1 AP , untuk mencari diagonalisasinya.
d) Pada bidang ini nilai eigen, vektor eigen dan diagonalisasi memainkan peran penting
dalam aspek kriptografi, nilai eigen dan vektor eigen digunakan dalam algoritma
enkripsi untuk menghasilkan hasil enkripsi yang aman dan tidak dapat dibalik secara
mudah. Sementara untuk diagonalisasi digunakan yang melibatkan nilai eigen dan vektor
eigen, untuk mengubah bentuk matriks menjadi bentuk diagonal. Hal ini akan
mempermudah dalam pengolahan data dan analisis matematis lebih lanjut dalam
algoritma kriptografi, selain itu juga dapat meningkatkan keefisiensi dan keamanan
algoritma.

3.2 Saran
Saya berharap makalah ini dapat menambah wawasan bagi pembaca agar tertarik untuk
mengetahui materi mengenai Nilai Eigen, Vektor Eigen, dan Diagonalisasi. Serta dapat
meningkatkan keingintahuan akan ilmu baru.

13
 DAFTAR PUSTAKA

Abdurrois, Dorrah Aziz, and Aang Nuryaman. 2017. “Diagonalisasi Secara Uniter Matriks
Hermite Dan Aplikasinya Pada Pengamanan Pesan Rahasia.” Prosiding Seminar Nasional
Metode Kuantitatif, no. 978: 308–27.

Agustina, E. R., & Kurniati, A. (2015). Pemanfaatan kriptografi dalam mewujudkan keamanan
informasi pada e-voting di indonesia. In Seminar Nasional Informatika (SEMNASIF) (Vol.
1, No. 3).

Alawiyah, Tuti, Program Studi, and Ilmu Komputer. 2016. “Modifikasi Kriptografi Hill Cipher
Kunci Matriks” 2 (1): 27–36.

Amin, Miftakul M. 2016. “Komunikasi Berbasis Teks.” Jurnal Pseudocode III (September):
129–36.

Aryani, Fitri, and Rosi Azwanti Dwi Maisyitah. 2015. “Nilai Eigen Dan Vektor Eigen Dari
Matriks Kompleks Bujursangkar Ajaib.” Jurnal Sains Matematika Dan Statistika 1 (2): 10.
https://doi.org/10.24014/jsms.v1i2.1954.

Hengki, Heronimus, Helmi, and Mariatul Kiftiah. 2015. “Diagonalisasi Matriks Kompleks.”
Buletin Ilmiah Mat.Stat. Dan Terapannya (Bimaster) 04 (3): 337–46.

Rinaldi Munir, Bambang Riyanto, and Sarwono Sutikno. 2006. “Penerapan Sistem Kriptografi
Kunci-Publik Untuk Membentuk” 2006 (Snati).

14