cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota pontianak,
Kalimantan barat
INDONESIA
BIMASTER
Published by Universitas Tanjungpura
ISSN : -     EISSN : -     DOI : -
Core Subject : Science, Education,
Decision Sciences, Operations Research & Management Mathematics
Bimaster adalah Jurnal Ilmiah berkala bidang Matematika, Statistika dan Terapannya yang terbit secara online dan dikelola oleh Jurusan Matematika FMIPA Untan
Arjuna Subject : -
Articles 22 Documents
 1   2   3 
Search results for , issue "Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya" : 22 Documents clear
MODEL ARIMA SEMIPARAMETRIK Helmi, Rosi Pratiwi, Yundari,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v11i1.52192

Abstract

Pada pemodelan stokastik asumsi error diperlukan untuk memvalidasi suatu model. Error yang baik adalah error yang kecil, berdistribusi normal dan memenuhi sifat keacakan. Metode Autoregressive Integrated Moving Average (ARIMA) merupakan salah satu model stokastik yang memperhatikan asumsi error tersebut. Pada penelitian ini, error model dimodifikasi agar diperoleh error yang lebih kecil namun tetap memenuhi asumsi error. Model yang diusulkan adalah model ARIMA Semiparametrik. Model ARIMA semiparametrik merupakan teknik pemodelan yang menggabungkan model ARIMA parametrik (konvensional) dengan model nonparametrik. Tujuan dari penelitian ini adalah untuk membandingkan hasil pemodelan ARIMA semiparametrik dengan model ARIMA parametrik pada data Indeks Harga Saham Gabungan (IHSG). Langkah-langkahnya diawali dengan metode ARIMA secara parametrik, selanjutnya dilakukan pemodelan nonparametrik pada error yang dihasilkan oleh metode ARIMA parametrik. Hasil penelitian menunjukkan bahwa analisis data deret waktu menggunakan model ARIMA semiparametrik ini menghasilkan model estimasi yang lebih baik dari model ARIMA parametrik. Hal ini dapat dilihat dari nilai RMSE yang diperoleh yaitu senilai 59,224. Kata Kunci : estimasi, deret waktu, regresi kernel, ARIMA
PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) PADA DATA KECELAKAAN LALU LINTAS DI KOTA PONTIANAK Siti Aprizkiyandari, Anisa Nuraeni, Shantika Martha,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v11i1.51606

Abstract

Model regresi poisson menganalisis sebuah hubungan antara peubah respon diskrit dengan satu atau lebih peubah prediktor yang diasumsikan dengan nilai mean dan varians yang sama yang disebut sebagai equisdispersi. Ketika nilai varian lebih dari nilai mean atau yang disebut sebagai overdispersi, regresi poisson tidak layak untuk digunakan. Salah satu penyebab dari overdispersi adalah banyaknya nilai 0 pada sebuah data variabel Y. Untuk mengatasi masalah tersebut dapat menggunakan metode Zero Inflated Negative Binomial (ZINB). Tujuan penelitian ini yaitu menerapkan metode ZINB pada data kecelakaan lalu lintas di Kota Pontianak karena data mengandung banyak nilai 0 pada variabel Y, dan untuk melihat faktor-faktor apa saja yang berpengaruh terhadap jumlah kematian akibat kecelakaan lalu lintas di kota Pontianak. Penelitian ini menggunakan data sekunder yang tersedia di Dirjen Lalu Lintas Polisi Resort di Kota Pontianak yang terdiri dari jumlah kematian akibat kecelakaan lalu lintas (Y) sebagai variable respon dan variable bebas berupa faktor manusia ( ), faktor kendaraan ( ), faktor jalan ( ), dan faktor lingkungan ( ). Berdasarkan hasil analisis dari model ZINB diperoleh bahwa faktor yang paling berpengaruh untuk kasus kematian akibat kecelakaan lalu lintas adalah faktor manusia dan faktor kendaraan itu sendiri.Kata kunci: Regresi Poisson, Overdispersi, Zero Inflated Negative Binomial (ZINB).
PENGELOMPOKAN KABUPATEN/KOTA DI KALIMANTAN BARAT BERDASARKAN INDEKS PEMBANGUNAN MANUSIA DENGAN LATENT CLASS CLUSTER ANALYSIS Setyo Wira Rizki, Izza Azzahara, Naomi Nessyana Debataraja,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v11i1.51598

Abstract

Indeks pembangunan manusia (IPM) mengukur pencapaian penduduk dalam mengakses hasil pembangunan untuk memperoleh pendapatan, kesehatan, pendidikan, dan sebagainya. Pembangunan manusia di Kalimantan Barat terus mengalami peningkatan selama periode 2010 hingga 2019. Pengelompokan Kabupaten/Kota di Kalimantan Barat perlu dilakukan sebagai bahan perencanaan dan evaluasi sasaran program pemerintah. Penelitian ini bertujuan untuk menganalis pengelompokan Kabupaten/Kota di Kalimantan Barat berdasarkan IPM tahun 2019 dengan menggunakan metode latent class cluster analysis (LCCA). Adapun indikator yang digunakan adalah tingkat partisipasi angkatan kerja (TPAK), tingkat pengangguran terbuka (TPT), persentase penduduk miskin, tingkat kedalaman kemiskinan, tingkat keparahan kemiskinan, angka harapan hidup (AHH), rata-rata lama sekolah (RLS), pertumbuhan ekonomi, harapan lama sekolah (HLS), angka melek huruf (AMH). Metode ini menggunakan algoritma expectation maximization (EM) dan metode Newton Raphson sebagai tahapan estimasi parameter. Selanjutnya pemilihan model dilakukan berdasarkan nilai BIC terkecil dan pengelompokan objek kedalam cluster dilakukan menggunakan peluang posterior. Kesimpulan dari hasil pengelompokan ini adalah terbentuknya dua cluster. Cluster pertama terdiri dari 10 Kabupaten di Kalimantan Barat dengan melihat aspek tingkat partisipasi angkatan kerja, persentase penduduk miskin, tingkat kedalaman kemiskinan, tingkat keparahan kemiskinan dengan rata-rata IPM sebesar 65,83 persen. Sedangkan pada cluster dua terdiri dari empat Kabupaten/Kota di Kalimatan Barat dengan melihat aspek tingkat pengangguran terbuka, angka harapan hidup, rata-rata lama sekolah, pertumbuhan ekonomi, harapan lama sekolah, dan angka melek huruf dengan rata-rata IPM sebesar 71,08 persen.Kata kunci: Indeks Pembangunan Manusia, Latent Class Cluster Analysis (LCCA), Expectation maximization, Newton Rapshon,  Peluang Posterior.
PENENTUAN SEMUA MINIMUM SPANNING TREE (MST) DENGAN MENGGUNAKAN ALGORITMA ALL MST Fransiskus Fran, Sri Pariyani, Yundari,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v11i1.52711

Abstract

Minimum spanning tree (MST) pada graf berbobot  adalah graf terhubung yang memuat semua titik pada graf  tanpa sirkuit dan memiliki jumlah bobot paling minimum dari semua sisi. Untuk menentukan MST dari suatu graf terhubung berbobot, terdapat beberapa algoritma yang dapat digunakan, salah satunya adalah algoritma Kruskal. Dengan menggunakan algoritma Kruskal, diketahui hanya mampu menghasilkan satu MST sedangkan terdapat graf terhubung berbobot yang memungkinkan memiliki MST yang tidak tunggal. Oleh karena itu, algoritma Kruskal dimodifikasi menjadi algoritma All MST yang dapat digunakan untuk menentukan semua MST. Pada artikel ini dibahas tentang penentuan semua MST pada graf berbobot dengan menggunakan algoritma All MST. Artikel ini dimulai dengan menentukan MST awal menggunakan algoritma Kruskal, dengan bobot MST totalnya dinotasikan sebagai . MST awal inilah yang akan menghasilkan kemungkinan-kemungkinan MST lainnya pada setiap submasalah. Kemudian, dengan menggunakan algoritma Depth First Search (DFS), semua submasalah ini akan dibentuk menjadi pohon berakar. Berdasarkan hasilnya, menunjukkan bahwa algoritma All MST dapat digunakan untuk mendapatkan semua MST. Selain itu, diperoleh bahwa semua submasalah dapat dibentuk menjadi pohon berakar dengan pola kunjungan setiap submasalah yaitu DFS. Selanjutnya, untuk semua MST yang terbentuk dari algoritma All MST menghasilkan masing-masing MST yang berbeda. Kata Kunci : algoritma Kruskal, pohon berakar, algoritma Depth First Search
DEKOMPOSISI MATRIKS-MATRIKS OPERASIONAL DARI POLINOMIAL BERNSTEIN Yudhi, Sarah Aljona, Evi Noviani,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v11i1.51575

Abstract

Dalam penelitian ini, dikaji matriks Polinomial Bernstein(ϕ(x)). Matriks Polinomial Bernstein(ϕ(x)) adalah matriks kolom yang memuat elemen berupa Polinomial Bernstein. Polinomial Bernstein         memiliki matriks-matriks operasional yaitu matriks operasional integral(Ρ), matriks operasional diferensial(D) dan matriks operasional hasilkali(V̂). Matriks Polinomial Bernstein dapat didekomposisikan menjadi ϕ(x)=Atm(x) dengan A adalah matriks koefisien dari Polinomial  Bernstein dan tm(x) adalah vektor kolom dari variabel Polinomial Bernstein. Dengan menggunakan ϕ(x)=Atm(x), dapat diperoleh dekomposisi matriks operasional integral dari Polinomial  Bernstein adalah P=AΛB yang memenuhi integral(ϕ(t) dt dengan batas bawah 0 dan batas atas x)≈Pϕ(x). Selain itu, dapat diperoleh pula dekomposisi matriks operasional diferensial dari Polinomial Bernstein adalah D=AFA–1 yang memenuhi d(ϕ(x))/dx=Dϕ(x) dan dekomposisi matriks operasional hasilkali dari Polinomial Bernstein adalah  V̂= ṼA T yang memenuhi  vTϕ(x)ϕ(x) T≈ ϕ(x) TV̂. Kata Kunci: matriks Polinomial Bernstein, matriks operasional diferensial, matriks operasional integral, matriks operasional hasilkali
PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL MENGGUNAKAN TRANSFORMASI LAPLACE Sari, Hastina Kurnia
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v11i1.52195

Abstract

Persamaan diferensial parsial (PDP) dapat diselesaikan secara analitik dan numerik. Salah satu penyelesaian PDP secara analitik adalah dengan menggunakan transformasi Laplace. Metode ini banyak digunakan untuk menyelesaikan masalah syarat awal dan syarat batas. Dalam artikel ini dicari penyelesaian PDP dengan menggunakan transformasi Laplace. Penyelesaian PDP menggunakan transformasi Laplace dilakukan dengan cara mentransformasikan persamaan tersebut dan mensubstitusikan nilai awal yang diberikan sehingga diperoleh dalam bentuk persamaan diferensial biasa (PDB). Selanjutnya dengan menyelesaikan solusi umum dari PDB tersebut substitusikan syarat batas yang telah ditransformasikan. Kemudian ditransformasikan kembali sehingga diperoleh penyelesaian persamaan diferensial parsial. Kata kunci : Nilai Awal, Syarat Batas, Persamaan Diferensial Biasa
ANALISIS DISKRIMINAN DENGAN K FOLD CROSS VALIDATION UNTUK KLASIFIKASI KUALITAS AIR DI KOTA PONTIANAK Neva Satyahadewi, Linda Mardiana, Dadan Kusnandar,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v11i1.51608

Abstract

Bagi masyarakat Kota Pontianak kebutuhan air untuk higiene sanitasi sebagian besar bersumber dari sungai. Maka penting bagi masyarakat untuk mengetahui sejauh mana tingkat kualitas air yang saat ini mereka manfaatkan untuk kebutuhan sehari-hari. Analisis diskriminan adalah metode untuk mengklasifikasi suatu objek atau sampel ke dalam salah satu dari dua kelompok atau lebih. Tujuan penelitian ini adalah mengklasifikasikan tingkat pencemaran air berdasarkan indeks pencemaran. Metode k fold cross validation digunakan untuk memperoleh hasil akurasi yang maksimal dari fungsi analisis diskriminan. Penelitian ini menggunakan data primer 42 sampel air di kota Pontianak. Variabel dependen yang digunakan merupakan hasil dari perhitungan indeks pencemaran terdiri dari kategori tercemar ringan dan tercemar sedang. Variabel independen terdiri dari fluorida, kesadahan, nitrat, dan DO. Langkah-langkah penelitian yaitu menentukan indeks pencemaran yang digunakan sebagai variabel dependen, menguji asumsi normal multivariat dan kesamaan matriks varian-kovarian, membagi data dengan metode k fold cross validation, dan melakukan proses klasifikasi analisis diskriminan. Model diskriminan terbaik diperoleh pada eksperimen kedua adalah  dengan nilai Apparent Error Rate (APER) terendah yaitu sebesar 0,21. Kata kunci: analisis diskriminan, k fold cross validation, indeks pencemaran.
ANALISIS TEKNIKAL SAHAM MENGGUNAKAN INDIKATOR MOVING AVERAGE CONVERGENCE DIVERGENCE (MACD) Hendra Perdana, Khapidz Mahendra, Neva Satyahadewi,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v11i1.51602

Abstract

Analisis teknikal saham merupakan suatu metode pembacaan grafik data historis saham untuk mengetahui pergerakan saham. Metode ini banyak digunakan oleh para trader dalam menentukan waktu untuk mengambil posisi dalam membeli atau menjual suatu saham. Penelitian ini bertujuan untuk menganalisis perhitungan indikator teknikal saham dengan menggunakan metode Moving Average Convergence Divergence (MACD) dan menentukan waktu untuk jual dan beli saham. MACD berguna menunjukkan trend harga saham yang sedang terjadi dan membantu untuk menentukan daerah jenuh jual dan jenuh beli sebagai sinyal untuk trader untuk membeli atau menjual saham. Perhitungan MACD ini berbasis EMA (Exponential Moving Average) dimana EMA merupakan pergerakan rata-rata yang terboboti secara eksponensial, dengan periode jangka pendek yang digunakan adalah 12, periode jangka panjang yang digunakan adalah 26, dan periode standar sebagai signal line yang digunakan adalah 9. Pengambilan keputusan jika MACD > Signal line maka terjadi bullish, sebaliknya jika MACD < Signal line maka terjadi bearish. Bullish merupakan indikasi sinyal untuk melakukan beli saham, sedangkan bearish indikasi sinyal untuk melakukan jual saham. Berdasarkan studi kasus menggunakan data saham di LQ-45 diketahui bahwa sinyal beli dan jual saham pada PT. Bukit Asam Tbk (PTBA) sebanyak 3 sinyal, yaitu pada tanggal 26 Februari 2019 terdapat sinyal untuk melakukan beli karena MACD line berada diatas signal line yang berarti akan terjadi trend naik (bullish). Pada tanggal 28 Februari 2019 terdapat sinyal untuk melakukan jual karena MACD line berada dibawah signal line yang berarti akan terjadi trend turun (bearish). Kemudian pada tanggal 13 Maret 2019 terdapat sinyal untuk melakukan beli karena MACD line berada diatas signal line yang berarti akan terjadi trend naik.Kata Kunci: analisis teknikal, saham, MACD, EMA.
ANALISIS BIPLOT DAN PROCRUSTES PADA INDIKATOR INDEKS PEMBANGUNAN MANUSIA DI KALIMANTAN BARAT Hendra Perdana, Reni Kurniawati, Setyo Wira Rizki,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v11i1.51591

Abstract

Indeks pembangunan manusia menjadi tolok ukur pencapaian pembangunan manusia yang lebih berkualitas. Tiga dimensi dasar IPM yaitu meliputi pengetahuan, standar hidup layak, serta umur panjang dan hidup yang sehat. Penelitian ini bertujuan untuk memetakan wilayah kabupaten/kota dan indikator indeks pembangunan manusia ke dalam sebuah grafik menggunakan analisis biplot. Serta menentukan kemiripan dan besar perubahan konfigurasi geometris grafik biplot pada tahun 2019 dan 2020. Kemiripan dan besar perubahan hasil pemetaan kedua grafik dilihat dengan menggunakan analisis procrustes. Hasil analisa grafik biplot menunjukkan bahwa indikator dengan keberagaman tertinggi yaitu pada angka harapan hidup. Kota Pontianak dan Kota Singkawang merupakan wilayah dengan indikator IPM relatif tinggi dibandingkan wilayah lainnya. Berdasarkan analisis procrustes menunjukkan bahwa tingkat kemiripan hasil pemetaan grafik biplot yaitu sebesar 99,9% dengan besar perubahan konfigurasi sebesar 0,01%. Dengan kata lain, nilai indikator indeks pembangunan manusia secara multivariat di Kalimantan Barat pada tahun 2019 dan 2020 sangat mirip dan pola perubahan yang terjadi sangat kecil.  Kata Kunci : Biplot, procrustes, indeks pembangunan manusia (IPM)
METODE GENERALISASI UNTUK MENCARI AKAR KUADRAT MATRIKS BERORDO 2×2 Fransiskus Fran, Fereccella Zunetta, Nilamsari Kusumastuti,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v11i1.52197

Abstract

Suatu matriks ???? dikatakan akar kuadrat dari matriks ????, dinotasikan sebagai √????, jika ???? memenuhi (????^2)= ????. Akar kuadrat suatu matriks tidak dapat ditentukan secara langsung dengan mengakarkan entri-entrinya, oleh karena itu diperlukan suatu metode khusus untuk mencarinya. Salah satu metode yang digunakan adalah metode Cayley-Hamilton, tetapi metode ini hanya dapat diterapkan pada matriks definit positif, yaitu matriks yang semua nilai eigennya bernilai positif. Sedangkan untuk matriks definit negatif dan indefinit, metode Cayley-Hamilton ini tidak dapat digunakan. Untuk itu, pada artikel ini dibahas mengenai metode lain yang merupakan generalisasi dari metode Cayley-Hamilton, yaitu metode generalisasi untuk mencari akar kuadrat dari sebarang matriks persegi berordo 2*2. Berdasarkan Teorema Cayley-Hamilton persamaan karakteristik dari matriks ???? adalah (λ^2)- (tr(A))λ+det(A)=0. Dimisalkan matriks ???? memenuhi ????=????^2 maka berlaku det(????)=±√(det(????)) dan tr(????)=±√(tr (????)±(2√(det(????))). Jika tr(A)≠0 maka matriks ???? ditentukan melalui persamaan ???? =1/(tr(A))*(???? +det(????)I). Jika tr(A)=0, maka (????^2)∊I dengan I={αI⃒α∊ℂ}, sehingga matriks ???? ditentukan melalui persamaan ????=√α√I, dengan √I  adalah akar kuadrat dari matriks identitas I.Kata Kunci: determinan matriks, Metode Cayley-Hamilton, trace matriks.

Page 2 of 3 | Total Record : 22

 1   2   3 

Filter by Year

2022 2022


Reset
Filter By Issues
All Issue Vol 14, No 5 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 4 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 3 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 2 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 14, No 1 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 6 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 5 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 4 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 3 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 2 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 13, No 1 (2024): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 6 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 5 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 4 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 3 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya (dalam proses) Vol 12, No 3 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 2 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 1 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 5 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 4 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 2 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 1 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 4 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 3 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 2 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 1 (2021): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 4 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 3 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 3 (2020): BIMASTER Vol 9, No 2 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 2 (2020): BIMASTER Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): BIMASTER Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): BIMASTER Vol 8, No 3 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 3 (2019): BIMASTER Vol 8, No 2 (2019): BIMASTER Vol 8, No 2 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 1 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 1 (2019): BIMASTER Vol 7, No 4 (2018): BIMASTER Vol 7, No 4 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 3 (2018): BIMASTER Vol 7, No 3 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 2 (2018): BIMASTER Vol 7, No 2 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 1 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 1 (2018): BIMASTER Vol 6, No 03 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 03 (2017): BIMASTER Vol 6, No 02 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 02 (2017): BIMASTER Vol 6, No 01 (2017): BIMASTER Vol 6, No 01 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 5, No 03 (2016): BIMASTER Vol 5, No 02 (2016): BIMASTER Vol 5, No 01 (2016): BIMASTER Vol 4, No 03 (2015): BIMASTER Vol 4, No 01 (2015): BIMASTER Vol 4, No 2 (2015): BIMASTER Vol 3, No 03 (2014): BIMASTER Vol 3, No 02 (2014): BIMASTER Vol 3, No 01 (2014): Bimaster Vol 2, No 03 (2013) Vol 2, No 02 (2013): Bimaster Vol 2, No 1 (2013): BIMASTER Vol 1, No 01 (2012): BIMASTER More Issue