cover
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota pontianak,
Kalimantan barat
INDONESIA
BIMASTER
ISSN : -     EISSN : -     DOI : -
Core Subject : Science, Education,
Bimaster adalah Jurnal Ilmiah berkala bidang Matematika, Statistika dan Terapannya yang terbit secara online dan dikelola oleh Jurusan Matematika FMIPA Untan
Arjuna Subject : -
Articles 770 Documents
PENERAPAN METODE ELECTRE UNTUK MENENTUKAN PRIORITAS PENERIMA BERAS MISKIN (RASKIN) Yosi Yosi; Shantika Martha; Nurfitri Imro’ah
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (620.093 KB) | DOI: 10.26418/bbimst.v9i1.38591

Abstract

ELECTRE adalah suatu metode yang dirancang untuk memecahkan masalah dari setiap alternatif yang memiliki lebih dari satu kriteria. Data yang digunakan dalam penelitian ini merupakan data calon penerima RASKIN di Desa X sebanyak 30 kepala keluarga. Alternatif yang digunakan adalah kepala keluarga dari setiap rumah, sedangkan kriterianya adalah usia, pekerjaan, penghasilan, luas bangunan tempat tinggal, jumlah tanggungan, tagihan listrik, dan konsumsi daging dalam seminggu. Berdasarkan analisis yang telah dilakukan terdapat 10 kepala keluarga yang mendapat rekomendasi untuk menerima RASKIN yaitu A14, A28, A29, A22, A12, A17, A8, A6, A9, dan A13. Kata kunci: Alternatif, Kriteria, Kepala keluarga
PENANGANAN OVERDISPERSI DENGAN MODEL BINOMIAL NEGATIF PADA DATA KLAIM ASURANSI KENDARAAN BERMOTOR RODA EMPAT Dhessy Rahmayanti; Setyo Wira Rizki
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 2 (2018): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (137.05 KB) | DOI: 10.26418/bbimst.v7i2.24811

Abstract

Model regresi Poisson pada umumnya digunakan untuk menganalisis data diskrit dengan asumsi ekuidispersi. Ketika asumsi tersebut terlanggar yaitu terjadi overdispersi maka regresi Poisson tidak lagi dapat digunakan. Beberapa metode yang digunakan untuk mengatasi hal ini yaitu Generalized Poisson, Binomial Negatif, dan Quassi likelihood. Penelitian ini menggunakan model Binomial Negatif untuk mengatasi overdispersi pada data klaim asuransi kendaraan bermotor roda empat PT. BUMIDA Kalimantan Barat tahun 2015. Hasil analisis menunjukkan bahwa model Binomial Negatif dengan nilai parameter                          = 0.963 dan  dapat meminimalisir overdispersi yang terjadi pada model Poisson dilihat dari nilai varians yang mengalami penurunan yaitu dari 14,518 pada model Poisson menjadi 3,166 pada model Binomial Negatif. Selain dilihat dari nilai varians yang mengalami penurunan model Binomial Negatif juga memiliki nilai AIC dan BIC yang lebih kecil dibandingkan model Poisson. Hal ini menunjukkan bahwa model Binomial Negatif lebih baik dari pada model Poisson dalam mengatasi overdispersi.   Kata kunci: Regresi Poisson, Overdispersi, Binomial Negatif, Klaim asuransi kendaraan bermotor 
BAGGING CLASSIFICATION TREES UNTUK KLASIFIKASI TINGKAT KESEJAHTERAAN RUMAH TANGGA DI KALIMANTAN BARAT Desi Ayu Wulandari; Dadan Kusnandar; Yudhi Yudhi
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (489.287 KB) | DOI: 10.26418/bbimst.v8i4.36035

Abstract

Metode classification and regression trees (CART) merupakan teknik pohon keputusan untuk analisis klasifikasi variabel respon kategorik maupun kontinu yang dapat diterapkan pada data jumlah besar dan variabel yang banyak. Stabilitas dan kekuatan prediksi pohon klasifikasi diperbaiki dengan metode Bootstrap Aggregating (Bagging) classification trees. Tujuan penelitian ini adalah untuk menentukan nilai ketepatan hasil pengklasifikasian tingkat kesejahteraan rumah tangga di Kalimantan Barat dengan menggunakan bagging classification trees. Data yang digunakan adalah data sekunder dari hasil Survei Sosial Ekonomi Nasional (SUSENAS) Provinsi Kalimantan Barat Tahun 2017 dengan 1400 sampel yang terdiri dari tujuh variabel bebas dan satu variabel terikat. Penelitian ini menghasilkan ketepatan klasifikasi sebesar 57,5% dengan menggunakan metode bagging classification trees. Metode bagging classification trees mampu meningkatkan ketepatan klasifikasi dari 50% pada pohon klasifikasi awal menjadi 57,5% pada bagging classification trees. Dapat disimpulkan bahwa penerapan bagging classification trees lebih baik daripada pohon klasifikasi tanpa bagging karena mampu meningkatan ketepatan klasifikasi sebesar 7,5%.  Kata Kunci: Bagging CART, Pohon Keputusan, Goodness of Split, Ketepatan Klasifikasi
ANALISIS REGRESI DENGAN METODE LEAST ABSOLUTE SHRINKAGE AND SELECTION OPERATOR (LASSO) DALAM MENGATASI MULTIKOLINEARITAS Imi Sartika; Naomi Nessyana Debataraja; Nurfitri Imro’ah
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (466.749 KB) | DOI: 10.26418/bbimst.v9i1.38029

Abstract

Multikolinearitas merupakan salah satu uji asumsi klasik pada analisis regresi. Terjadinya multikolinearitas berarti antara variabel prediktor yang satu dengan yang lainnya saling berkorelasi. Apabila data penelitian mengandung multikolinearitas akan menimbulkan masalah, yaitu dapat mengakibatkan koefisien regresi yang dihasilkan tidak efisien. Salah satu solusi untuk mengatasi masalah tersebut dapat menggunakan metode least absolute shrinkage and selection operator (LASSO). Metode ini menyusutkan koefisien regresi dari variabel prediktor yang memiliki korelasi tinggi menjadi tepat pada nol atau mendekati nol. Koefisien LASSO dicari dengan menggunakan pemrograman kuadratik sehingga digunakan algoritma least absolute and regression (LARS) yang lebih efisien dalam komputasi LASSO. Data penelitian yang digunakan ialah banyaknya kasus pneumonia pada pada balita di 34 puskesmas di Kota Pontianak dan Kabupaten Mempawah. Pada data tersebut terdapat dua variabel prediktor yang mengalami masalah multikolinearitas, yaitu pemberian imunisasi DPT-Hb3-Hib3 (X2)  dan pemberian imunisasi campak (X3), sehingga masalah tersebut akan diatasi menggunakan metode LASSO. Berdasarkan analisis yang telah dilakukan, diperoleh model regresi terbaik menggunakan LASSO pada tahap ketiga saat nilai Cp= 2,62. Hasil analisis tersebut menunjukkan bahwa adanya  perubahan koefisien regresi yang mendekati nol dan tepat nol, yaitu pada variabel  X2 dari 0,285 menjadi 0,192 dan X3 dari -0,024 menjadi 0. Hal ini menunjukkan bahwa multikolinearitas yang terdeteksi telah teratasi. Kata Kunci : multikolinearitas, LASSO, LARS, pneumonia.
MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (1,1) PADA DATA CURAH HUJAN Nurfitri Imro’ah, Ihzal Muhaini, Dadan Kusnandar,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 2 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (682.963 KB) | DOI: 10.26418/bbimst.v9i2.39921

Abstract

Generalized Space Time Autoregressive (GSTAR) adalah salah satu model yang digunakan untuk menganalisis data yang mempunyai ketergantungan lokasi dan waktu. Model GSTAR menghasilkan model ruang waktu yang mengadopsi tahapan-tahapan model Autoregressive Integrated Moving Average (ARIMA). Studi kasus yang digunakan pada penelitian ini adalah data curah hujan di Kota Pontianak, Kabupaten Mempawah dan Kabupaten Kubu Raya dengan periode waktu dari bulan Januari 2008 hingga bulan Desember 2012. Penelitian ini menggunakan prinsip parsimony model, sehingga model yang digunakan adalah GSTAR(1,1). Pendugaan parameter pada model GSTAR(1,1) dilakukan menggunakan metode Ordinary Least Square (OLS) dengan bobot normalisasi korelasi silang. Hasil perhitungan nilai MAPE AR(1) dan GSTAR(1,1) terlalu besar, sehingga model tidak cocok digunakan untuk peramalan pada tiga lokasi. Kata kunci: deret waktu, GSTAR, bobot normalisasi korelasi silang
PERHITUNGAN NILAI CADANGAN PREMI MENGGUNAKAN METODE PREMIUM DIFFERENCE FORMULA DAN PAID-UP FORMULA Hendra Perdana, Nova Novianti, Neva Satyahadewi,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): BIMASTER
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (246.524 KB) | DOI: 10.26418/bbimst.v8i4.35882

Abstract

Nasabah (tertanggung) yang sudah sepakat dengan perjanjian tertulis (polis asuransi) di perusahaan asuransi harus membayarkan premi. Perusahaan asuransi harus menyiapkan dana cadangan, hal ini memungkinkan perusahaan asuransi mendapatkan sumber dana baru untuk menutupi biaya tahun-tahun berikutnya dan mengantisipasi klaim yang akan terjadi pada saat nasabah meninggal dunia. Nilai cadangan asuransi dapat dihitung dengan cara prospektif. Perhitungan cadangan pada penelitian ini menggunakan metode premium difference formula dan metode paid-up formula pada produk asuransi jiwa dwiguna berjangka. Perhitungan metode premium difference formula menunjukkan bahwa cadangan merupakan nilai sekarang aktuaria dari selisih premi (premium difference) yang dibayarkan melebihi dari sisa pembayaran premi berjangkanya. Sementara itu, perhitungan metode paid-up formula diperoleh dengan memfaktorkan nilai sekarang aktuaria santunan yang akan datang dari rumus prospektif. Proses perhitungan nilai cadangan untuk ketiga metode diatas memiliki hasil yang sama dan memiliki perbedaan dalam informasi data. Pada masing-masing metode terdapat satu komponen didalam nilai cadangan yang tidak diketahui. Dalam menyelesaikan sebuah kasus harus diperhatikan setiap komponen yang ada pada masing-masing metode, misalnya pada metode prospektif tidak diketahui besarnya nilai premi bersih tahunan yang dibayarkan mulai tahun ke-t. Pada metode premium difference formula besarnya nilai sekarang aktuaria dari santunan tidak diketahui dan pada metode paid-up formula besarnya nilai anuitas awal tidak diketahui. Kata Kunci: Cadangan prospektif, premium difference, dan paid-up
INVERS MOORE PENROSE SEBAGAI INVERS MATRIKS Mariatul Kiftiah, Yuli Yanti, Helmi,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): BIMASTER
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (308.999 KB) | DOI: 10.26418/bbimst.v8i4.36731

Abstract

Pada umumnya invers matriks hanya dapat dicari untuk matriks persegi dan nonsingular dengan bentuk invers dari suatu matriks  yaitu . Untuk matriks singular dan nonsingular invers matriks berupa invers Moore Penrose yang dapat dicari dengan , dengan  merupakan invers Moore Penrose dari matriks , matriks  dan  merupakan matriks yang diperoleh dari baris tak nol dan kolom yang memuat satu utama dari matriks , setelah dilakukan operasi baris elementer. Penelitian ini bertujuan untuk mengkaji formula invers Moore Penrose dan menerapkan formula yang didapat pada pencarian invers matriks untuk solusi sistem persamaan linear. Hasil yang dipenuhi menyatakan bahwa invers Moore Penrose dari suatu matriks  akan didapat ketika  kata kunci: matriks, invers, invers Moore Penrose
TRANSFORMASI GIVENS DAN PENERAPANNYA Dwi Oktaviana; Evi Noviani; Fransiskus Fran
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (595.188 KB) | DOI: 10.26418/bbimst.v9i1.38900

Abstract

Transformasi Givens merupakan transformasi linear yang menggunakan matriks rotasi Givens. Matriks rotasi Givens dibentuk dari perluasan matriks rotasi pada dimensi dua. Matriks tersebut merupakan sebuah matriks yang ortogonal dan banyak digunakan dalam aljabar numerik. Dua di antara penerapan transformasi Givens yang dibahas pada penelitian ini yaitu pembentukan dekomposisi QR dari sebarang matriks dan penentuan nilai eigen dari matriks persegi. Dekomposisi QR dari sebuah matriks adalah sebuah dekomposisi A = QR, dengan Q adalah sebuah matriks persegi yang ortogonal dan R adalah sebuah matriks segitiga atas. Nilai eigen yang diperoleh dengan menggunakan transformasi Givens adalah nilai pada entri diagonal utama dari matriks segitiga atas A yang telah ditransformasi dengan matriks rotasi Givens.Kata Kunci: rotasi Givens, dekomposisi QR, nilai eigen
PENENTUAN MODEL TERBAIK PADA REGRESI SPLINE MENGGUNAKAN GENERALIZED CROSS VALIDATION (GCV) Yundari, Susnawati, Dadan Kusnandar,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): BIMASTER
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (574.917 KB) | DOI: 10.26418/bbimst.v8i4.35872

Abstract

Regresi nonparametrik merupakan suatu metode statistika yang digunakan untuk mengetahui hubungan antara variabel respon dengan variabel prediktor jika tidak diketahui bentuk kurva regresinya atau tidak terdapat informasi yang lengkap tentang bentuk pola datanya. Pada penelitian ini, digunakan regresi nonparametrik Spline yang bersifat fleksibel dalam mengatasi pola data yang mengalami kenaikan atau penurunan data dengan bantuan titik knot. Diperlukan beberapa langkah dalam menentukan model regresi Spline terbaik yaitu membuat statistik deskriptif dan matriks plot. Penentuan  nilai GCV untuk masing-masing Spline linier, kuadratik, dan kubik dengan satu titik knot. Kemudian dilakukan pengujian asumsi residual. Setelah diperoleh nilai GCV yang paling minimum dan memenuhi asumsi residual, selanjutnya memodelkan persentase penduduk miskin dengan angka melek huruf menggunakan regresi Spline. Studi kasus yang digunakan ialah data persentase penduduk miskin sebagai variabel respon dan angka melek huruf sebagai variabel prediktor. Hasil analisis menunjukkan model regresi nonparametrik Spline linier dengan satu titik knot yang memiliki nilai GCV yang paling minimum. Nilai GCV  yang diperoleh adalah sebesar  dengan titik knotnya adalah   Kata Kunci: Regresi Nonparametrik Spline, GCV, Titik Knot.
PREDIKSI PRODUKSI KELAPA SAWIT DI PTPN XIII DENGAN ADDITIVE OUTLIER PADA MODEL SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (SARIMA) Nurfitri Imro’ah, Nada Syaugia Risti Ahmad, Shantika Martha,
BIMASTER Vol 8, No 4 (2019): BIMASTER
Publisher : BIMASTER

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (756.751 KB)

Abstract

Model SARIMA adalah model yang sesuai untuk data yang memiliki pola musiman. Dalam data biasanya terdapat outlier yang dapat mempengaruhi kesesuaian model sehingga dilakukan deteksi outlier pada model SARIMA untuk mendapatkan model peramalan yang terbaik. Salah satu jenis outlier yaitu additive outlier (AO). Data yang digunakan dalam penelitian ini merupakan data produksi kelapa sawit periode Januari 2010 sampai Desember 2017. Data produksi kelapa sawit di Kalimantan Barat memiliki pola data musiman dan diduga memiliki outlier pada data maka dilakukan pemodelan dan peramalan dengan menggunakan additive outlier pada model SARIMA. Berdasarkan analisis diperoleh bahwa nilai AIC pada model SARIMA adalah sebesar 2.070,72 dan nilai MAPE nya sebesar 25% sedangkan model SARIMA dengan deteksi outlier diperoleh nilai AIC sebesar 1.731,42 dan nilai MAPE sebesar 15,91%. Maka dapat disimpulkan bahwa model SARIMA  dengan deteksi outlier adalah model terbaik untuk peramalan produksi kelapa sawit di PTPN XIII. Kata Kunci: Kelapa sawit, peramalan, SARIMA, outlier

Page 4 of 77 | Total Record : 770


Filter by Year

2012 2025


Filter By Issues
All Issue 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 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 Vol 8, No 1 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya 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 : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 2 (2018): BIMASTER 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