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 21 Documents
 1   2   3 
Search results for , issue "Vol 11, No 3 (2022): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya" : 21 Documents clear
PEMODELAN DATA PERSENTASE PENDUDUK MISKIN DI INDONESIA MENGGUNAKAN SUR-SEM DATA PANEL Ira Mona; Shantika Martha; Hendra Perdana
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (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.v11i3.54617

Abstract

Kemiskinan adalah ketidakmampuan seseorang memenuhi kebutuhan dasarnya untuk bertahan hidup, baik untuk bahan makanan maupun bukan makanan. Kemiskinan seringkali melibatkan pemeriksaan interaksi spasial antara satu lokasi dengan sekitarnya. Penelitian ini bertujuan menganalisis variabel yang berpengaruh signifikan terhadap tingkat persentase penduduk miskin di Indonesia dengan menggunakan model SUR-SEM (Seemingly Unrelated Regression-Spatial Error Model) data panel. Model SUR-SEM merupakan model yang mengkombinasikan model SUR dan model SEM yang struktur autoregressive hanya terdapat pada error-nya, sedangkan model SUR-SEM data panel adalah penggabungan dari model data panel dengan mempertimbangkan efek temporal dan spasial dalam suatu sistem persamaan regresi. Pada penelitian ini difokuskan pada data persentase penduduk miskin berbentuk data panel dari 34 provinsi di Indonesia selama 5 tahun (2015-2019), karena data yang digunakan adalah data panel maka dilakukan pemilihan model regresi data panel yaitu menggunakan uji Chow dan uji Hausman. Selanjutnya dilakukan analisis uji efek spasial yaitu dependensi spasial dan heterogenitas spasial dengan matriks pembobot Queen Contiguity dan mengestimasi parameter dengan metode Maximum likelihood pada model SUR- SEM data panel. Hasil dari penelitian ini variabel yang berpengaruh signifikan terhadap persentase penduduk miskin setiap tahunnya yaitu rata-rata lama sekolah (X_6) dan angka harapan hidup (X_9). Kata Kunci: Data Panel, Pembobot Spasial, SUR-SEM.
ESTIMASI DATA SPASIAL BERPENCILAN PADA LAJU INFLASI DI PULAU JAWA MENGGUNAKAN METODE ROBUST KRIGING Erna Yulianti; Dadan Kusnandar; Nur’ainul Miftahul Huda
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (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.v11i3.55951

Abstract

Inflasi adalah keadaan perekonomian suatu negara dengan kecenderungan naiknya harga barang dan jasa yang pada umumnya berlangsung secara terus-menerus. Perhitungan inflasi di Indonesia dilakukan setiap bulannya oleh Badan Pusat Statistik berdasarkan perubahan Indeks Harga Konsumen (IHK) antar periode waktu. Namun, perhitungan inflasi masih terbatas hanya pada beberapa kabupaten/kota, sehingga untuk mengatasi ketidaktersediaan data pada lokasi yang tidak dilakukan perhitungan dapat diketahui menggunakan analisis Geostatistik yaitu dengan metode Kriging. Estimasi kriging pada suatu data spasial dapat menghasilkan estimasi yang kurang tepat apabila terdapat pencilan dalam data. Penelitian ini bertujuan mengestimasi laju inflasi di wilayah Pulau Jawa menggunakan metode Robust Kriging. Robust Kriging merupakan pengembangan dari metode Ordinary Kriging yang mentransformasikan bobot semivariogram klasik menjadi semivariogram yang robust terhadap pencilan dalam data. Banyaknya observasi dalam penelitian ini berjumlah 26 kabupaten/kota yang ada di Pulau Jawa. Berdasarkan hasil analisis dan pembahasan diperoleh bahwa model semivariogram teoritis laju inflasi terbaik adalah semivariogram teoritis model Gaussian dengan nilai MSE sebesar 0,00107. Hasil estimasi laju inflasi menggunakan semivariogram terbaik diperoleh nilai estimasi terendah berada di Kota Semarang yaitu sebesar 0,57% dan hasil estimasi laju inflasi tertinggi berada di Kota Probolinggo yaitu sebesar 0,76%.  Kata Kunci : Inflasi, Pulau Jawa, Geostatistik, Robust Kriging.
PENERAPAN METODE EXTENDED KALMAN FILTER PADA KASUS PERTUMBUHAN PENDUDUK DI KOTA PONTIANAK Siti Masitah; Yundari Yundari; Nur’ainul Miftahul Huda
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (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.v11i3.55448

Abstract

Pertumbuhan penduduk adalah bertambah atau berkurangnya jumlah penduduk di suatu daerah. Jumlah penduduk memiliki pengaruh penting diantaranya dalam hal tingkat pengangguran dan pertumbuhan ekonomi, sehingga perlu adanya estimasi jumlah penduduk sebagai salah satu cara dalam hal perencanaan kesejahteraan masyarakat. Penelitian ini bertujuan untuk mengestimasi pertumbuhan penduduk Kota Pontianak dengan metode Extended Kalman Filter (EKF). Estimasi ini dilakukan dengan membandingkan dua asumsi model yaitu model persamaan pertumbuhan logistik dengan asumsi linier dan model persamaan pertumbuhan logistik dengan asumsi parabolik terbuka ke bawah.Hasil estimasi didapatkan dengan melakukan beberapa langkah, yaitu melakukan pengumpulan data jumlah penduduk Kota Pontianak tahun 1990-2020, menentukan laju pertumbuhan penduduk dan ambang batas populasi, melakukan diskritisasi pada model pertumbuhan logistik menggunakan metode beda hingga maju, menghitung matriks Jacobi dan menambahkan noise pada model pertumbuhan logistik, mengimplementasikan algoritma EKF, serta menganalisis hasil simulasi penggunaan metode EKF. Simulasi dilakukan sebanyak tiga kali menggunakan 7, 15 dan 31 data pengukuran. Analisis yang dilakukan adalah membandingkan model pertumbuhan logistik yang digunakan. Hasil simulasi menunjukkan bahwa model pertumbuhan logistik dengan asumsi fungsi populasi parabolik lebih sesuai dengan pertumbuhan penduduk Kota Pontianak pada keseluruhan simulasi yang dilakukan dan hasil estimasi jumlah penduduk menggunakan metode EKF dengan data pengukuran yang lebih besar memberikan hasil yang relatif lebih baik. Kata Kunci:  Penduduk, Pertumbuhan Logistik, Extended Kalman Filter
MODEL MULTI STATUS UNTUK PRODUK ASURANSI LONG TERM CARE Siti Septiani Rahayu Putri; Dadan Kusnandar; Hendra Perdana
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (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.v11i3.55035

Abstract

Asuransi Long Term Care (LTC) adalah jenis asuransi kesehatan yang menyediakan manfaat biaya perawatan medis selama jangka waktu dan manfaat kematian bila tertanggung meninggal dunia. Produk asuransi ini dapat dimodelkan dengan model multi status. Model multi status merupakan proses stokastik dengan subjek dapat berpindah status pada sejumlah status yang ditentukan. Penelitian ini bertujuan untuk memodelkan produk asuransi LTC, kemudian menentukan matriks transisi rantai markov. Selanjutnya model multi status dibentuk dengan menyusun matriks transisi. Model multi status yang digunakan berupa penderita penyakit kritis di Indonesia. Status yang digunakan terdiri dari delapan status, yaitu sehat, sakit kanker, sakit jantung, sakit stroke, meninggal karena sakit dari masing-masing penyakit, dan meninggal karena lainnya. Kata Kunci:  Multi status, rantai markov
ANALISIS METODE HYBRID ARIMA–SVR PADA INDEKS HARGA SAHAM GABUNGAN Clara Vista Magdalena Sihombing, Shantika Martha, Nur’ainul Miftahul Huda
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (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.v11i3.54618

Abstract

Data runtun waktu dapat mengandung komponen linier atau nonlinier. Komponen linier dapat dimodelkan dengan Autoregressive Integrated Moving Average (ARIMA), sedangkan komponen nonlinier dimodelkan dengan Support Vector Regression (SVR). Namun, pada kenyataannya, runtun waktu memiliki komponen linier dan nonlinier secara bersamaan. Salah satu metode yang dapat mengatasi komponen linier dan nonlinier adalah Hybrid ARIMA–SVR yang merupakan metode gabungan dari model ARIMA dan SVR. Pada penelitian ini, metode yang digunakan adalah Hybrid ARIMA–SVR dengan studi kasus harga penutupan Indeks Harga Saham Gabungan (IHSG). Rentang waktu IHSG dari 1 Januari 2020 sampai 31 Oktober 2021. IHSG diasumsikan tidak stasioner, serta mengandung komponen linier dan nonlinier secara bersamaan. Tujuan dari penelitian ini adalah memodelkan data IHSG menggunakan model Hybrid ARIMA–SVR, serta membandingkan metode ARIMA dengan metode Hybrid ARIMA–SVR pada data IHSG. Proses penelitian dimulai dengan membentuk model ARIMA dari data training IHSG dan menentukan residual ARIMA. Apabila residual ARIMA nonlinier, maka dapat dibentuk model SVR dari residual ARIMA. Hasil dari penelitian ini yaitu model ARIMA (3,1,3) dan parameter SVR yaitu parameter C, γ, dan ε berturut-turut sebesar 2^(-6,75), 2^(-2,25), dan 0,1  . Nilai MAPE model ARIMA untuk data training dan testing sebesar 0,997% dan 0,733%, sedangkan untuk  Hybrid ARIMA–SVR sebesar 0,971% dan 0,708%. Kesimpulan yang diperoleh yaitu model terbaik untuk IHSG adalah Hybrid ARIMA–SVR, karena memiliki nilai MAPE yang lebih kecil dibandingkan model ARIMA. Oleh karena itu, nilai IHSG diprediksi lima hari ke depan dengan model Hybrid ARIMA–SVR. Kata Kunci: model hybrid, linier, nonlinier
KONTROL OPTIMAL MODEL MANGSA PEMANGSA DENGAN PERTAHANAN PADA MANGSA Yuni Wulandari; Mariatul Kiftiah; Yudhi Yudhi
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (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.v11i3.56043

Abstract

Satu diantara model matematika interaksi antara makhluk hidup adalah model mangsa pemangsa. Model mangsa pemangsa menggambarkan interaksi dua spesies antara spesies pemangsa dengan mangsanya. Pada penelitian ini, model yang digunakan yaitu model pertahanan pada mangsa dan dikendalikan dengan pemberian makanan alternatif pada pemangsa (C). Pemberian makanan alternatif bertujuan untuk memenuhi kebutuhan makanan pemangsa agar berkurangya pemangsa memakan mangsa. Penyelesaian dalam penelitian ini menggunakan Prinsip Maksimum Pontryagin dengan diperoleh suatu kontrol optimal C*. Laju perubahan mangsa dan pemangsa dalam model diilustrasikan dengan simulasi numerik. Hasil simulasi numerik yang telah dilakukan menunjukkan mangsa menurun menuju kepunahan dan pemangsa meningkat. Pemberian makanan alternatif pada pemangsa yang terbatas dan pemangsa meningkat sehingga seiring bertambahnya waktu menyebabkan mangsa menjadi punah. Hal ini menunjukkan bahwa pemberian makanan alternatif pada pemangsa tidak efektif dalam jangka waktu yang panjang. Kata Kunci : model mangsa pemangsa, pertahanan, makanan alternatif, kontrol optimal, Prinsip Maksimum Pontryagin
PREDIKSI REALISASI PENERIMAAN PAJAK BUMI DAN BANGUNAN PROVINSI KALIMANTAN BARAT DENGAN MODEL GREY-MARKOV(1,1) Dea Rizki Darmawanti; Yundari Yundari; Nur’ainul Miftahul Huda
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (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.v11i3.55449

Abstract

Pajak Bumi dan Bangunan (PBB) merupakan salah satu pajak yang wajib dibayar warga negara Indonesia hanya satu kali dalam setahun. Pengoptimalan penerimaan PBB daerah Provinsi Kalimantan Barat, perlu dilakukan untuk kelancaran pembagunan di daerah Provinsi Kalimantan Barat. Badan Pusat Statistik (BPS) biasanya melakukan proyeksi realisasi penerimaan PBB. Pada data realisasi penerimaan PBB, data yang tersedia terbatas dan jumlahnya tidak terlalu besar. Model prediksi yang digunakan adalah Model Grey-Markov(1,1). Penelitian ini bertujuan mengkaji bentuk Model Grey-Markov(1,1)  dan memprediksi realisasi penerimaan PBB pada tahun 2021. Tahap awal dalam penelitian ini adalah membentuk data penerimaan PBB ke dalam bentuk barisan, tahap kedua menghitung nilai dengan mengakumulasi data penerimaan PBB atau Accumulated Generating Operation (AGO). Selanjutnya menentukan nilai tengah atau rata-rata dari dua data yang berdekatan atau Mean Generating Operation (MGO) dan menentukan nilai parameter Model Grey(1,1). Hasil peramalan Model Grey(1,1)  dimodifikasi dengan rantai markov dengan empat interval keadaan sehingga diperoleh hasil prediksi Model Grey-Markov(1,1). Hasil penelitian ini menunjukkan bahwa, pada tahun 2021 prediksi realisasi penerimaan PBB adalah Rp.447.889.085. Data prediksi ini memiliki nilai akurasi  yaitu 9,67% yaitu berarti model sangat baik.. Kata Kunci: Badan Pusat Statistik, Rantai Markov, Model Grey(1,1)
ANALISIS VALUE AT RISK PADA PORTOFOLIO SAHAM DENGAN STUDENT T-COPULA Rovi Christova; Neva Satyahadewi; Setyo Wira Rizki
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (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.v11i3.55429

Abstract

Investasi merupakan salah satu alternatif dalam bisnis yang cukup berkembang, terutama investasi saham. Harga saham sering mengalami perubahan yang sulit diprediksi, sehingga investor perlu mengetahui besar risiko yang akan dihadapinya. Salah satu cara untuk mengukur risiko adalah dengan menghitung Value at Risk (VaR). Nilai VaR didapatkan dengan melakukan simulasi Monte Carlo. Simulasi Monte Carlo merupakan metode yang paling kuat untuk mengukur VaR karena simulasi Monte Carlo melakukan percobaan berulang kali dengan pembangkitan bilangan acak sehingga didapatkan nilai random pada probabilitas frekuensi tertentu. Data finansial cenderung tidak berdistribusi normal, bersifat heterokedastisitas, dan memiliki ekor gemuk. Untuk menghasilkan perhitungan VaR yang akurat pada data finansial yang berekor gemuk, maka digunakan VaR dengan fungsi student t-copula. Langkah pengerjaannya adalah menghitung nilai return saham, lalu mencari nilai statistik deskriptif. Setelah itu, memeriksa sifat autokorelasi dan heterokedastisitas, dilanjutkan memeriksa nilai ekstrem dengan Pareto tail. Tahap selanjutnya, estimasi parameter student t-copula, lalu melakukan simulasi student t-copula. Dan tahap terakhir yaitu, menghitung nilai VaR. Penelitian ini menggunakan harga saham penutupan (saham harian) periode 4 November 2015 sampai 3 November 2020. Portofolio yang digunakan yaitu Bank BRI (BBRI) dan Indofood (INDF). Berdasarkan hasil analisis, nilai VaR yang diperoleh menggunakan fungsi Student t-copula dengan tingkat kepercayaan 95% sebesar 0,8635% dari portofolio yang terbentuk. Nilai VaR ini adalah persentase risiko kerugian yang mungkin didapatkan dalam 1 hari kedepan, untuk investasi pada saham BBRI dan INDF.  Kata Kunci: Investasi, Portofolio, VaR, student t-copula
ANALISIS KINERJA PORTOFOLIO OPTIMAL SAHAM LQ-45 DENGAN METODE MEAN-GINI MENGGUNAKAN Sintia Margun; Neva Satyahadewi; Hendra Perdana
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (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.v11i3.54959

Abstract

Investasi pada aset keuangan memiliki daya tarik tersendiri, karena pemodal dapat membangun portofolio. Seorang investor pasti akan memilih portofolio yang optimal. Mean-Gini digunakan untuk membentuk portofolio optimal dengan saham penyusun portofolionya diurutkan berdasarkan nilai estimasi koefisien Gini serta menggunakan bantuan Excel Solver untuk mendapatkan bobot portofolio optimal dan menghitung nilai indeks Sharpe untuk mendapatkan portofolio optimal. Penelitian ini bertujuan membentuk portofolio, menghitung nilai bobot portofolio optimal pada masing-masing saham, menghitung nilai expected return dan risiko portofolio pada saham, dan mengukur kinerja portofolio saham dengan metode Mean-Gini berdasarkan nilai indeks Sharpe tertinggi. Data yang digunakan dalam penelitian ini adalah data harga penutupan saham bulanan yang konsisten dan memiliki nilai mean return positif pada periode Januari 2020 sampai dengan Maret 2021. Hasil penelitian ini menunjukkan bahwa metode Mean-Gini menghasilkan portofolio optimal yaitu pada portofolio ketiga yang terdiri dari 4 kode saham, diantaranya adalah CPIN (Charoen Pokphand Indonesia), INCO (International Nickel Indonesia), JPFA (Japfa Comfeed Indonesia), dan INKP (Indah Kiat Pulp & Paper). Nilai indeks Sharpe tertinggi sebesar 33,82% dengan nilai expected return terbesar 1,08% dan nilai koefisien Gini atau risiko sebesar 0,33%. Kata Kunci: metode Mean-Gini, portofolio optimal, indeks Sharpe
ANALISIS PEMBENTUKAN PORTOFOLIO OPTIMAL INVESTASI SAHAM JII DENGAN METODE CAPITAL ASSET PRICING MODEL Winny Chindrianti; Setyo Wira Rizki; Nurfitri Imro’ah
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 3 (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.v11i3.56144

Abstract

Investasi keuangan pada surat berharga seperti saham banyak diminati oleh investor. Keuntungan berinvestasi saham yaitu mendapatkan tambahan pendapatan berupa capital gain dan dividen. Semakin tinggi tingkat keuntungan yang didapat, maka tingkat risiko juga akan semakin tinggi. Tingkat risiko yang tinggi dapat diminimalisir dengan upaya diversifikasi investasi melalui pembentukan portofolio saham. Metode yang bisa memberikan pertimbangan dalam pembentukan portofolio saham adalah metode Capital Asset Pricing Model (CAPM). Tujuan dari penelitian ini yaitu untuk menganalisis pembentukan portofolio optimal saham dengan CAPM, serta menganalisis penerapan CAPM dalam pengambilan keputusan investasi saham. Data yang digunakan yaitu data harga saham penutupan bulanan pada saham Jakarta Islamic Index (JII) periode Juni 2018 sampai September 2021. Teknik pengambilan sampel menggunakan teknik purposive sampling. Langkah penelitian setelah data diperoleh yaitu menghitung return saham individu, menguji normalitas return saham individu, menghitung return saham pasar, dan menguji pengaruh return saham individu terhadap return saham pasar. Selanjutnya dilakukan perhitungan nilai beta tiap saham, menghitung expected return, melakukan penyusunan kombinasi portofolio serta pembobotan tiap saham pembentuk portofolio. Kemudian dilakukan pengukuran kinerja portofolio dengan indeks sharpe, perbandingan kinerja dari kombinasi portofolio yang telah disusun, dan langkah terakhir yaitu diperoleh portofolio optimal. Hasil dari penelitian ini menunjukkan bahwa dari sejumlah portofolio yang telah disusun diperoleh portofolio optimal dengan nilai indeks sharpe terbesar dibentuk dari kombinasi empat saham. Dengan demikian, investor bisa menanamkan modal pada portofolio tersebut dengan proporsi alokasi dana pada saham BRPT sebesar 7,5%, saham INCO sebesar 25,3%, saham WIKA sebesar 45,4%, dan saham ANTM sebesar 21,7%. Kata Kunci: return, saham, portofolio, CAPM

Page 2 of 3 | Total Record : 21

 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 Vol 12, No 3 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya (dalam proses) 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 Vol 9, No 3 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 2 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 2 (2020): BIMASTER Vol 9, No 1 (2020): BIMASTER Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): BIMASTER Vol 8, No 3 (2019): BIMASTER Vol 8, No 3 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 2 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 2 (2019): BIMASTER 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 : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 3 (2018): BIMASTER 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 : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 01 (2017): BIMASTER 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