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 832 Documents
 45   46   47   48   49 
PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN PERMASALAHAN GIZI BALITA MENGGUNAKAN METODE FUZZY SUBTRACTIVE CLUSTERING Silvia Andriany; Dadan Kusnandar; Hendra Perdana
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 3 (2021): 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.v10i3.48340

Abstract

Peningkatan gizi merupakan salah satu tujuan dari SDGs karena berkaitan dengan pembangunan sumber daya manusia. Pemerintah selalu mengupayakan untuk menyelesaikan permasalahan gizi balita di Indonesia dengan mengimplementasikan berbagai program namun karena kondisi geografis yang kompleks mengakibatkan terjadinya perbedaan angka permasalahan gizi sehingga program tersebut akan menjadi beragam. Oleh karena itu untuk dapat membantu pemerintah dalam mengimplementasikan program penurunan angka permasalahan gizi di Indonesia dilakukan penelitian dengan mengelompokkan provinsi berdasarkan permasalahan gizi. Pada penelitian ini digunakan penerapan metode fuzzy subtractive clustering dalam mengelompokkan 34 provinsi di Indonesia berdasarkan permasalahan gizi balita. Fuzzy subtractive clustering merupakan algoritma tak terawasi yang dapat membentuk jumlah cluster sesuai dengan kondisi data sehingga memiliki hasil yang konsisten dalam mengelompokkan anggota-anggotanya. Data yang digunakan dalam penelitian ini adalah prevalensi underweight, prevalensi stunting dan prevalensi wasting pada tahun 2019. Hasil dari penelitian ini menghasilkan jari-jari terbaik sebesar 0,4 dengan nilai CTM sebesar 0,52564 yang menghasilkan 3 cluster. Cluster 1 terdapat 9 provinsi yaitu Sumatera Utara, Sumatera Barat, Sumatera Selatan, Riau, Jambi, Jawa Timur, Sulawesi Tenggara, Papua Barat dan Papua. Cluster 2 terdapat 12 provinsi yaitu Aceh, Nusa Tenggara Timur, Nusa Tenggara Barat, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Sulawesi Tengah, Sulawesi Selatan, Gorontalo, Sulawesi Barat, Maluku dan Maluku Utara. Dan cluster 3 terdapat 13 provinsi meliputi Bengkulu, Lampung, Kepulauan Bangka Belitung, Kepulauan Riau, DKI Jakarta, Jawa Barat, Jawa Tengah, DI Yogyakarta, Banten, Bali, Kalimantan Timur, Kalimantan Utara dan Sulawesi Utara. Kata Kunci: Permasalahan gizi, Analisis cluster, Fuzzy subtractive clustering
PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN MODEL EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY Annisa Fitri; Dadan Kusnandar; Hendra Perdana
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 3 (2021): 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.v10i3.47408

Abstract

Indeks Harga Saham Gabungan (IHSG) merupakan cerminan dari kegiatan pasar modal Indonesia secara umum. Peningkatan IHSG menunjukkan kondisi pasar modal sedang bullish, sebaliknya jika menurun menunjukkan kondisi pasar modal sedang bearish. Data di sektor keuangan seperti data indeks saham, biasanya bersifat acak dan memiliki volatilitas yang tinggi serta varian error yang tidak konstan (heteroskedastisitas). Maka dari itu, model runtun waktu yang dapat digunakan adalah ARCH/GARCH. Namun, model GARCH mengabaikan efek asimetris pada data. Nelson (1991) mengembangkan model GARCH yang mengakomodasi kemungkinan adanya respon volatilitas yang asimetris. Model ini disebut dengan model Exponential GARCH (EGARCH). Tujuan dari penelitian ini adalah untuk menerapkan model EGARCH pada peramalan nilai IHSG. Data yang digunakan adalah data nilai close IHSG periode 8 Januari 2018 sampai 31 Agustus 2020. Residual dari model GARCH (1,1) digunakan untuk uji efek asimetris. Model terbaik yang digunakan untuk peramalan nilai IHSG adalah EGARCH (1,1). Kata Kunci : IHSG, Asimetris, EGARCH.
PERBANDINGAN METODE FUZZY CLUSTERING MEANS DAN SINGLE LINKAGE PADA PENGELOMPOKAN SAHAM LQ45 Rafika Aufa Hasibuan; Setyo Wira Rizki; Hendra Perdana
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 3 (2021): 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.v10i3.48546

Abstract

Investasi merupakan kegiatan penanaman modal yang bertujuan untuk mendapatkan keuntungan di masa datang. Investasi yang dilakukan seorang investor memiliki risiko yang sebanding dengan return yang ditawarkan. Banyaknya saham yang berada di indeks LQ45, merupakan salah satu kendala bagi investor dalam memilih kelompok saham terbaik untuk diinvestasikan. Oleh sebab itu, analisis cluster berguna untuk memudahkan investor atau manajer investasi dalam mengelompokkan saham-saham terbaik yang berada di indeks LQ45. Penelitian ini menggunakan data saham harian yang terdaftar di indeks LQ45, pada tanggal 3 Februari 2020 sampai 30 Juli 2020. Adapun data return bulanan yang digunakan yaitu rata-rata dari return harian pada bulan tersebut. Tujuan Penelitian ini membandingkan dua analisis cluster yaitu fuzzy clustering means dan single linkage berdasarkan return saham dan selanjutnya membandingkan hasil pengelompokan dari kedua metode tersebut sehingga dapat diketahui metode terbaik yang dapat digunakan untuk mengelompokkan saham berdasarkan return saham. Analisis yang digunakan untuk membandingkan kedua metode tersebut menggunakan nilai dari rata-rata return. Berdasarkan hasil dari rata-rata return, metode fuzzy clustering means menunjukkan hasil tertinggi yaitu sebesar 0,166% pada cluster ke 4 dengan kelompok ke-3, sedangkan pada single linkage terdapat dua cluster yang menunjukkan hasil tertinggi yaitu pada cluster ke 3 dengan kelompok ke-1 dan cluster ke 4 dengan kelompok ke-1 dengan nilai rata-rata return yang sama yaitu sebesar 0,106%.  Kata Kunci: Saham, LQ45, Analisis cluster, Return saham
PEWARNAAN HARMONIS PADA GRAF LILI DAN GRAF PERTEMANAN Robiandi Robiandi; Nilamsari Kusumastuti; Fransiskus Fran
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 3 (2021): 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.v10i3.47409

Abstract

Pewarnaan titik adalah pemberian warna pada titik-titik graf G sedemikian sehingga untuk setiap dua titik  u,v ∈ V(G) yang bertetangga mendapat warna berbeda. Misalkan G graf tak berarah dengan  u,v ∈V(G) dan  (u,v) ∈ E(G). Jika titik u diwarnai dengan warna a dan titik v diwarnai dengan warna b, maka pasangan warna yang terbentuk saat u dan v bertetangga dinotasikan dengan (a,b). Berdasarkan fakta pada graf tak berarah, sisi (u,v) = (v,u)  sehingga untuk setiap warna a,b pasangan warna (a,b)= (b,a). Pewarnaan harmonis pada graf sederhana G  adalah pewarnaan titik sedemikian hingga setiap pasang warna muncul maksimum satu kali. Bilangan kromatik harmonis pada graf G adalah minimum banyaknya warna yang diperlukan untuk mewarnai semua titik G dengan pewarnaan harmonis. Pada penelitian ini dibahas tentang pewarnaan harmonis pada graf lili (ln) dan graf pertemanan (Fn). Graf lili adalah graf yang dibentuk dari penggabungan graf bintang (S1,n) dan graf lintasan (Pn). Graf pertemanan dibentuk dari n salinan (digandakan sebanyak n  kali) graf sikel (C3). Bilangan kromatik harmonis diperoleh dengan mencari pola pewarnaan harmonis pada setiap graf. Dari penelitian diperoleh bilangan kromatik harmonis pada graf lili adalah 2n + 3 untuk setiap  bilangan asli dengan n ≥ 2. Bilangan kromatik harmonis pada graf pertemanan adalah 2n + 3 untuk setiap n bilangan asli dengan n ≥ 2.Kata Kunci: pewarnaan titik, pasangan warna, bilangan kromatik harmonis.
MODEL LOGISTIC SMOOTH TRANSITION AUTOREGRESSIVE PADA PRODUKSI KELAPA SAWIT Nurfitri Imro’ah, Benedikta Nusti Chandra, Naomi Nessyana Debataraja,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 3 (2021): 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.v10i3.48756

Abstract

Kelapa sawit merupakan salah satu sumber penghasilan bagi warga di Kalimantan Barat, oleh karena itu sangat penting bagi petani dan perusahaan kelapa sawit untuk mendapatkan hasil produksi yang optimal, sehingga diperlukan sebuah perencanaan. Metode peramalan merupakan metode yang tepat digunakan untuk membantu dalam membuat sebuah perencanaan ataupun tindakan pencegahan. Jumlah produksi kelapa sawit yang berfluktuasi dapat mengakibatkan terjadinya pola nonlinier. Model yang dapat digunakan pada data deret waktu nonlinier adalah model Logistic Smooth Transition Autoregressive (LSTAR). Penelitian ini bertujuan untuk melakukan estimasi parameter model LSTAR dan model penerapannya pada produksi kelapa sawit di PT. XYZ. Tahapan pengerjaan dimulai dengan membagi data menjadi in-sample dan out-sample, kemudian melihat plot deret waktu dan menguji kestasioneran data. Setelah data stasioner dilakukan pengujian nonlinieritas, membuat plot PACF dan menentukan orde LSTAR. Langkah selanjutnya mengestimasi parameter LSTAR dan membentuk model LSTAR, melakukan estimasi produksi kelapa sawit pada data out-sample. Langkah terakhir melakukan uji diagnostik. Hasil penelitian menunjukkan model LSTAR(4,2) adalah model terbaik dengan MAPE sebesar 17,07% yang berarti kemampuan model yang digunakan baik. Kata Kunci : LSTAR, Nonlinier, Peramalan
PENERAPAN PEWARNAAN GRAF PADA PENEMPATAN BAHAN KIMIA MUDAH MENYALA Studi Kasus: Laboratorium Kimia FMIPA UNTAN Meliana Pasaribu, Risa Damayanti, Yundari,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 3 (2021): 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.v10i3.47436

Abstract

Laboratorium Kimia Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) Universitas Tanjungpura (UNTAN) memiliki bahan kimia mudah menyala. Bahan tersebut memerlukan pengaturan penyimpanan yang tepat untuk meminimalisir kecelakaan kerja di Laboratorium. Bahan kimia mudah menyala yang tersedia di Laboratorium Kimia FMIPA UNTAN berjumlah 17 bahan yang terdiri dari Asetonitril, Etanol, Metanol, Ether, Acetic Anhydrida, Tert-Butanol, Ethyl Asetat, Butanol, Aseton, Cycloheksan, Petroleum Benzen, Pyridin, Asetaldehydrad, 2 Propanol, 1 Propanol, Benzen, dan Benzol. Teori pewarnaan graf (graph colouring) dapat digunakan dalam pengaturan penyimpanan bahan kimia mudah menyala. Salah satu algoritma yang dapat digunakan yaitu algoritma Welch-Powell. Algoritma ini digunakan untuk mengetahui bilangan kromatik dari suatu graf. Bilangan kromatik akan menentukan jumlah minimum lemari pada penyimpanan bahan kimia mudah menyala. Berdasarkan hasil penelitian, bahan kimia mudah menyala di Laboratorium Kimia FMIPA UNTAN dapat dikonstruksikan ke dalam bentuk graf bipartit dengan bilangan kromatik yang diperoleh yaitu dua. Oleh karena itu jumlah minimum lemari penyimpanan yang diperlukan di Laboratorium Kimia FMIPA UNTAN yaitu dua lemari.  Kata Kunci: Bilangan kromatik, kecelakaan kerja, graf.
INVERS MATRIKS DENGAN MENGGUNAKAN METODE FADDEEV DAN ALGORITMA LEVERRIER-FADDEEV Humaira Ichlashi Amaliah; Evi Noviani; Yudhi Yudhi
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 4 (2021): 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.v10i4.49602

Abstract

Suatu matriks jika dikalikan dengan inversnya, akan menghasilkan matriks identitas dan dikatakan memiliki invers jika determinan dari matriks tersebut tidak sama dengan nol. Penelitian ini membahas tentang menentukan invers dari suatu matriks dengan menggunakan metode Faddeev dan menentukan polinomial karakteristik dan invers matriks dengan menggunakan algoritma Leverrier-Faddeev. Langkah-langkah dalam menentukan invers matriks dengan menggunakan metode Faddeev yaitu dengan menentukan matriks iterasi dengan nilai trace sehingga diperoleh invers matriks. Langkah-langkah dalam menentukan invers matriks dengan menggunakan algoritma Leveerrier-Faddeev yaitu dengan menentukan nilai koefisien dekomposisi polinomial karakteristik dan matriks dekomposisi iterasi dengan nilai trace sehingga diperoleh invers matriks. Hasil dari penelitian ini menunjukkan bahwa invers matriks dapat dicari dengan menghitung nilai trace dari matriks tersebut dan juga  dapat memperoleh polinomial karakteristik dari matriks tersebut. Kata Kunci : invers matriks, trace matriks, polinomial karakteristik.
REPRESENTASI ADJOIN PADA ALJABAR LIE Fransiskus Fran, G. A. Yoga Tri Utama, Nilamsari Kusumastuti,
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 4 (2021): 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.v10i4.49603

Abstract

Aljabar Lie g adalah suatu ruang vektor atas lapangan F yang dilengkapi dengan pemetaan bilinear (disebut bracket Lie dan dinotasikan dengan [-,- ]), bersifat anti-simetri, dan memenuhi aksioma identitas Jacobi. Salah satu contoh dari aljabar Lie adalah himpunan semua operator linear dari ruang vektor V yang dinotasikan dengan gl(V) . Salah satu topik yang dibahas dalam teori aljabar Lie adalah teori representasi. Teori representasi pada aljabar Lie dapat mereduksi permasalahan dalam aljabar abstrak ke dalam aljabar linear dengan cara merepresentasikan setiap anggotanya ke dalam bentuk pemetaan linear pada ruang vektor. Representasi dari g atas V adalah suatu homomorfisma Lie π dari aljabar Lie g ke gl(V). Beberapa macam representasi pada aljabar Lie antara lain, representasi standar, representasi trivial, dan representasi adjoin. Fokus pada penelitian ini adalah untuk mengkonstruksi representasi adjoin pada aljabar Lie dan mempelajari teori yang menyertainya.Kata Kunci: ruang vektor, bracket Lie, aljabar, representasi, derivasi
PREDIKSI DATA JUMLAH PENUMPANG KERETA DENGAN EFEK VARIASI KALENDER PADA MODEL SARIMAX Hayati Hayati; Naomi Nessyana Debataraja; Shantika Martha
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 4 (2021): 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.v10i04.49536

Abstract

Kereta api menjadi salah satu transportasi alternatif masyarakat untuk melakukan aktivitasnya dalam hal pekerjaan maupun pariwisata untuk jarak tempuh yang jauh. Untuk menjaga kenyamanan penumpang, PT Kereta Api Indonesia (KAI) harus terus meningkatkan sarana dan prasarananya. Oleh karena itu, diperlukan prediksi jumlah penumpang untuk membantu PT KAI mempersiapkan fasilitas-fasilitas serta mengantisipasi kenaikan jumlah penumpang. Penelitian ini bertujuan memprediksi jumlah penumpang kereta dengan model SARIMAX. Data yang digunakan yaitu data jumlah penumpang kereta pada tahun 2014 hingga 2018. Data tersebut memiliki pola musiman pada hari raya keagamaan dan libur akhir tahun. Hari raya keagamaan termasuk efek variasi kalender, karena selalu bergeser setiap tahunnya. Tahapan pengerjaan dimulai dari membagi data menjadi in-sample dan out-sample. Selanjutnya dilakukan uji stasioner untuk mengetahui apakah data sudah stasioner atau tidak. Pada data yang sudah stasioner, dilakukan pemodelan SARIMA. Kemudian, ditambahkan variabel dummy pada model SARIMA yang telah diperoleh. Uji signifikansi dilakukan pada variabel dummy. Setelah itu, dilakukan uji estimasi parameter dan uji diagnostik pada model SARIMA yang sudah ditambahkan variabel dummy. Model yang diperoleh untuk memprediksi data jumlah penumpang kereta wilayah Sumatera adalah model SARIMAX (1,1,1)(1,1,0)^12   dengan nilai MAPE sebesar 3,54%. Ini berarti model yang digunakan dalam kategori sangat baik.Kata Kunci : Kereta, SARIMAX, runtun waktu
PENENTUAN POLA PEMBELIAN PRODUK MENGGUNAKAN METODE ALGORITMA APRIORI PADA TOKO B-MART Yogi Pratama; Dadan Kusnandar; Shantika Martha
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 10, No 4 (2021): 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.v10i4.49686

Abstract

Kemajuan teknologi informasi saat ini berperan penting terhadap pertumbuhan jumlah data yang dikumpulkan dan disimpan dalam basis data yang berukuran besar. B-MART adalah salah satu toko yang bergerak di bidang retail. Dengan jumlah data transaksi yang terkumpul cukup besar, dibutuhkanlah informasi untuk mengetahui pola kebiasaan konsumen dalam membeli barang. Salah satu metode yang digunakan untuk mengetahui pola pada data yaitu teknik analisis association rules dengan metode algoritma apriori. Oleh sebab itu, tujuan dari penelitian ini yaitu menentukan pola pembelian produk di toko B-MART dengan metode algoritma apriori. Algoritma apriori merupakan suatu prosedur untuk mencari pola antara item dalam suatu data set yang ditentukan. Tahapan-tahapan teknik analisis association rules dengan metode algoritma apriori yaitu meliputi tahap knowledge discovery in database (KDD), pembentukan frequent itemset, analisis pola frekuensi tinggi dengan parameter nilai support, pembentukan association rules dengan parameter nilai confidence dan lift ratio. Berdasarkan pembahasan dengan menggunakan batasan nilai minimum support 0,0003 (0,03%), nilai minimum confidence 0,95 (95%) dan nilai lift ratio ≥ 1, didapatkan hasil yaitu tiga aturan asosiasi pola pembelian produk di toko B-MART.  Kata Kunci: Basis Data, Association Rules, Algoritma Apriori

Page 47 of 84 | Total Record : 832

 45   46   47   48   49 

Filter by Year

2012 2025


Reset
Filter By Issues
All Issue Vol 14, No 6 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya 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 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