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
 55   56   57   58   59 
PENDANAAN PROGRAM PENSIUN MANFAAT PASTI DENGAN METODE SPREADING GAINS AND LOSSES Assa Trissia Rizal; Setyo Wira Rizki; Hendra Perdana
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.v11i1.51603

Abstract

Pendanaan program pensiun merupakan suatu upaya untuk menyediakan dana yang dilakukan oleh perusahaan dan karyawan sehingga dana yang terkumpul cukup untuk membayar manfaat. Pendanaan program pensiun dilakukan untuk memberikan kesinambungan penghasilan bagi karyawan setelah tidak bekerja. Salah satu pendanaan program pensiun yaitu pendanaan program pensiun manfaat pasti, besarnya iuran yang dibayarkan berfluktuasi dan didasarkan pada perhitungan aktuaria. Tujuan dari penelitian ini yaitu untuk menganalisis pendanaan program pensiun manfaat pasti dalam jangka panjang jika terjadi perbedaan asumsi tingkat suku bunga pengembalian investasi aktuaria, usia peserta, dan gaji peserta dengan menggunakan metode Spreading Gains and Losses. Perhitungan dimulai dengan Tabel Mortalita Indonesia (TMI) tahun 2019 pada laki-laki dengan usia 20 tahun hingga 35 tahun dan usia pensiun 56 tahun serta mengasumsikan tingkat suku bunga pengembalian investasi aktuaria yang digunakan sebesar 2%, 3%, 4%, 5%, 6%, 7%, 8%, 9% dan 10% sedangkan tingkat suku bunga pengembalian investasi aktual sebesar 4,5%. Selanjutnya menghitung normal contribution, actuarial liability, pension fund, loss, unfunded liability, Supplementary Contribution dengan metode Spreading Gains and Losses. Hasil yang diperoleh dari penelitian ini adalah perbedaan antara tingkat bunga suku bunga pengembalian investasi aktuaria dan usia peserta pada metode Spreading Gains and Losses akan mempengaruhi pendanaan program pensiun manfaat pasti dalam jangka panjang. Kata Kunci: Metode Spreading Gains and Losses, Tingkat Bunga
PEMODELAN VOLATILITAS SAHAM MENGGUNAKAN MODEL MARKOV SWITCHING AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (SWARCH)
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 4 (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.v11i4.57010

Abstract

Volatilitas menunjukkan fluktuasi pergerakan harga saham, semakin tinggi volatilitas maka semakin tinggi pula kemungkinan mengalami kerugian. Data deret waktu dalam bidang keuangan memiliki volatilitas yang tinggi dan mempunyai sifat volatility clustering (heteroskedastisitas). Model autoregressive conditional heteroscedasticity (ARCH) mampu memodelkan adanya heterokedastisitas dengan baik namun tidak memperhitungkan adanya perubahan struktur. Perubahan struktur merupakan suatu perubahan pola yang terjadi pada data deret waktu. Markov switching merupakan alternatif pemodelan data deret waktu yang mengalami perubahan struktur, dimana perubahan kondisi yang terjadi pada data dianggap sebagai suatu hasil variabel random tak teramati yang disebut state. Pada penelitian ini diasumsikan state nol untuk volatilitas tinggi dan state satu untuk volatilitas rendah. Tujuan dari penelitian ini adalah untuk menentukan model Markov Switching Autorergressive Conditional Heteroscedascity dalam penerapan data harga saham PT. Industri Jamu dan Farmasi Sido Muncul TBK (SIDO.JK) terhadap volatilitas return saham. Data harga saham SIDO.JK dimodelkan dengan melibatkan markov switching Autorergressive Conditional Heteroscedascity (SWARCH). Hasil penelitian menunjukkan bahwa nilai harga saham harian SIDO.JK dari tanggal 1 Januari 2019 sampai dengan 1 Januari 2020 dapat dimodelkan menggunakan model SWARCH (2,1) dengan ARCH(1) sebagai model variansi bersyarat. Kata Kunci: Volatilitas, State, SWARCH
PEMODELAN DERET WAKTU DETERMINISTIK PADA DATA PENDUDUK KABUPATEN SEKADAU
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 5 (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.v11i5.58279

Abstract

Tujuan peramalan adalah memperkirakan suatu nilai  pada waktu yang akan datang berdasarkan data pada masa lampau. Peramalan jumlah penduduk Kabupaten Sekadau sangat diperlukan karena data jumlah penduduk sering dijadikan sebagai dasar untuk perencanaan pembangunan di waktu yang akan datang. Data jumlah penduduk Kabupaten Sekadau cenderung berpola trend. Tujuan penelitian ini adalah mengkaji dan mengaplikasikan metode pemulusan ekponensial ganda Brown dan metode rata-rata bergerak ganda pada data jumlah penduduk di Kabupaten Sekadau. Data yang digunakan adalah data sekunder yang diperoleh dari Badan Pusat Statistik Provinsi Kalimantan Barat. Metode pemulusan eksponensial ganda brown memiliki parameter ???? terbaik yaitu 0,6, yang didapat untuk peramalan jumlah penduduk kabupaten Sekadau dari tahun 2013 sampai dengan tahun 2021. Nilai MAPE yang diperoleh untuk metode pemulusan eksponensial ganda Brown adalah 0,96028%, menghasilkan bentuk persamaan ramalan . Hasil peramalan tahun 2022 berdasarkan metode tersebut adalah 217274,6 jiwa. Selanjutnya metode rata-rata bergerak ganda diperoleh orde waktu ????????  dengan nilai MAPE terkecil yaitu sebesar 0,941518%. Bentuk persamaan metode rata-rata bergerak ganda . Hasil peramalan tahun 2022 berdasarkan metode rata-rata bergerak ganda adalah 217667,2 jiwa.Kata Kunci: jumlah penduduk, pemulusan eksponensial ganda Brown, rata-rata bergerak ganda
PEMODELAN TINGKAT PENGANGGURAN TERBUKA DI KALIMANTAN BARAT DENGAN PENDEKATAN LINEAR MIXED MODEL Miftahul Zannah; Setyo Wira Rizki; Siti Aprizkiyandari
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 4 (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.v11i4.57773

Abstract

Tingkat Pengangguran Terbuka (TPT) merupakan indikator di bidang ketenagakerjaan untuk melihat dinamika perubahan pengangguran dalam suatu daerah. Angka pengangguran yang rendah dapat mencerminkan pertumbuhan ekonomi dan kesejahteraan penduduk yang baik. Berdasarkan data BPS Kalimantan Barat, Tingkat Pengangguran Terbuka (TPT) secara umum menunjukkan  pola kenaikan mulai tahun 2017 sampai 2020 yang diamati setiap tahun. Kabupaten/Kota di Kalbar memiliki nilai awal  TPT yang berbeda satu sama lain. Keragaman nilai TPT awal dapat dimodelkan menggunakan pendekatan linear mixed model untuk mendapatkan varians yang terjadi dengan menggunakan struktur pengaruh acak. Penelitian ini bertujuan untuk memodelkan keragaman tingkat pengangguran terbuka di Kalimantan Barat serta faktor-faktor yang diduga mempengaruhinya dengan pendekatan linear mixed model. Faktor-faktor yang diduga mempengaruhi tingkat pengangguran terbuka adalah persentase penduduk miskin, persentase penduduk, dan tingkat partisipasi angkatan kerja. Hasil pemodelan TPT dengan pendekatan linear mixed model dapat secara efektif menangkap keragaman yang terjadi pada pola pergerakan antar Kabupaten/Kota. Model terbaik menunjukkan bahwa faktor-faktor yang signifikan mempengaruhi TPT di Kalbar yaitu persentase penduduk miskin dan tingkat partisipasi angkatan kerja dengan pengaruh Kabupaten/Kota. Berdasarkan hasil pemodelan didapatkan kesalahan model terbaik menggunakan MAPE sebesar 14,37% yang artinya akurat. Kata Kunci : Linear Mixed Model, Tingkat Pengangguran Terbuka
PREDIKSI CURAH HUJAN DENGAN METODE ENSEMBLE AVERAGING Siti Rahayu; Shantika Martha; Setyo Wira Rizki
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 4 (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.v11i4.57330

Abstract

ARIMAX merupakan salah satu model perluasan dari model ARIMA dengan penambahan variabel eksogen sebagai variabel bebasnya. Variabel bebas yang digunakan dalam penelitian ini adalah faktor yang mempengaruhi curah hujan yaitu kelembaban udara. Ensemble merupakan teknik peramalan yang mengombinasikan output dari beberapa metode peramalan sebagai nilai suatu ramalan Metode yang digunakan untuk mengombinasikan hasil peramalan dalam penelitian ini adalah metode averaging. Ensemble averaging  didapatkan dari gabungan nilai peramalan beberapa model ARIMAX. Oleh karena itu, untuk menggunakan ensembel averaging diperlukan pemodelan ARIMAX terlebih dahulu. Tujuan dari penelitian ini adalah menggunakan model ARIMAX dengan metode ensemble averaging dalam memprediksi curah hujan di Kabupaten Sintang. Pada model ARIMAX pemodelan dilakukan dengan menetapkan ARIMA sebagai model sementara dengan menambahkan variabel eksogen yaitu variabel kelembaban. Kemudian, memprediksi curah hujan di Sintang menggunakan metode ensemble averaging yaitu rata-rata hasil prediksi yang diperoleh dari model ARIMAX. Data yang digunakan adalah data bulanan dari tanggal 1 Januari 2011 sampai dengan 1 Desember 2018 untuk keperluan peramalan dari bulan Januari sampai Desember 2019. Hasil penelitian menunjukkan bahwa metode ensemble averaging memungkinkan peramalan curah hujan dengan MAPE sebesar 20,28%. Hasil prakiraan untuk beberapa bulan ke depan menunjukkan bahwa curah hujan menurun. Kata kunci: Kelembaban, ARIMAX, MAPE
PEMETAAN RAWAN KEBAKARAN HUTAN DI KALIMANTAN BARAT TAHUN 2020
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 5 (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.v11i5.59892

Abstract

Kebakaran hutan merupakan salah satu faktor utama kerusakan hutan. Kebakaran hutan terjadi setiap tahun terutama di musim kemarau. Dampak negatif yang ditimbulkan dari kebakaran hutan adalah kerusakan ekologis, menurunnya keanekaragaman hayati, merosotnya nilai ekonomi hutan dan produktivitas tanah. Penelitian ini bertujuan untuk memetakan tingkat kerawanan kebakaran hutan di Provinsi Kalimantan Barat dan mengetahui kelas kerawanan setiap wilayah yang ada di Kalimantan Barat berdasarkan jarak titik terhadap sungai dan jarak titik terhadap jalan. Data yang digunakan adalah data hotspot yang tersebar di Kabupaten dan Kota di Kalimantan Barat, peta jarak sungai, dan peta jarak jalan dalam bentuk shapefile. Hasil penelitian menunjukkan bahwa terdapat 5 wilayah di Kalimantan Barat yang termasuk dalam kelas kerawanan sangat tinggi dan 9 wilayah yang termasuk kedalam kelas kerawanan sangat rendah berdasarkan variabel jarak titik terhadap sungai. Sedangkan untuk variabel jarak titik terhadap jalan ada 11 wilayah yang termasuk kedalam kelas kerawanan sangat rendah, dua wilayah yang termasuk kedalam kelas kerawanan tinggi dan satu wilayah termasuk kedalam kelas kerawanan sangat tinggi. Kata Kunci : Kebakaran Hutan, Sistem Informasi Geografis, Tingkat Kerawanan.
PEMODELAN REGRESI HURDLE POISSON UNTUK KASUS PENYAKIT TETANUS NEONATORUM PADA NEONATAL DI KALIMANTAN BARAT Beatrice Beatrice; Naomi Nessyana Debataraja; Nurfitri Imro’ah
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 4 (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.v11i4.57011

Abstract

Data dari kasus penyakit Tetanus Neonatorum merupakan data diskrit berdistribusi Poisson. Variabel indikator yang diduga mempengaruhi terjadinya penyakit Tetanus Neonatorum dapat dianalisis menggunakan metode regresi Poisson. Model regresi Poisson terdapat asumsi equidispersi yaitu rata-rata sama dengan varian. Banyak kasus yang melanggar asumsi equidispersi yaitu disaat varian lebih besar dari rata-rata (overdispersion) atau varian lebih kecil dari rata-rata (underdispersion). Pada penelitian ini ditemukan banyaknya nilai nol (excess zeros) pada variabel dependen. Hal ini merupakan salah satu penyebab terjadinya overdispersi. Analisis yang digunakan untuk mengatasi masalah overdispersi akibat excess zeros adalah regresi Hurdle Poisson. Tujuan dari penelitian ini adalah untuk menganalisis model regresi Hurdle Poisson dan varabel indikator apa saja yang mempengaruhi terjadinya kasus penyakit Tetanus Neonatorum pada neonatal di Kalimantan Barat. Hasil penelitian menunjukkan bahwa jumlah persentase persalinan ditolong oleh tenaga kesehatan () dan persentase ibu hamil melaksanakan program K4 () berpengaruh signifikan terhadap jumlah kasus penyakit Tetanus Neonatorum di Kalimantan Barat tahun 2019 dengan koefisien determinasi (adjusted R Square) sebesar 81,8%. Kata Kunci: Excess zeros, Regresi Hurdle Poisson, Tetanus Neonatorum
PENGELOMPOKAN DATA TIME SERIES PADA DISTRIBUSI LISTRIK MENURUT PROVINSI DI INDONESIA
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 5 (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.v11i5.58281

Abstract

Pengelompokan provinsi-provinsi berdasarkan karakteristik distribusi listrik dapat membuat manajemen kebijakan lebih efisien. Analisis cluster berguna untuk mengelompokkan objek-objek berdasarkan kesamaan karakteristik antar anggota. Pembentukan cluster time series lebih efektif daripada membuat cluster untuk setiap unit atau provinsi. Hal ini karena dapat diterapkan pengelompokan lebih dari satu periode. Tujuan dalam penelitian ini adalah mengelompokkan distribusi listrik pada provinsi di Indonesia menggunakan cluster time series metode hierarki dengan complete linkage. Data yang digunakan merupakan data tahunan dari distribusi listrik menurut provinsi di Indonesia tahun 2017 sampai tahun 2020. Pada penelitian ini kesamaan anggota cluster diukur menggunakan Autocorrelation Function (ACF) distance cluster. Hasil penelitian pengelompokan distribusi listrik di Indonesia menggunakan ACF distance diperoleh sebanyak empat cluster dimana setiap cluster memiliki pola yang berbeda. Cluster 3 dan 4 memiliki pola yang hampir sama, perbedaanya terdapat pada rata-rata distribusi listriknya. Cluster 3 memiliki rata-rata distribusi listrik yang banyak terdiri atas lima provinsi di Indonesia yaitu Sumatera Barat, Bali, DKI Jakarta, Jawa Barat, dan Banten yang mendistribusikan listrik sebanyak 23.317,719 Giga Watt Hour (GWH). Hal ini karena jumlah penduduk yang padat dan terdapat banyak kegiatan industri. Cluster 4 memiliki rata-rata distribusi listrik yang sedikit terdiri atas tiga provinsi di Indonesia yaitu Kepulauan Riau, DI Yogyakarta, dan Sulawesi Tengah dengan mendistribusikan listrik sebanyak 2.179,627 GWH. Hal ini karena kondisi geografi, faktor alam, dan kegiatan ekonomi masyarakat. Pengelompokan yang dibentuk menghasilkan nilai silhouette coefficient sebesar 0,739. Nilai tersebut menunjukkan bahwa cluster yang terbentuk memiliki struktur kuat. Kata Kunci: silhouette coefficient, ACF distance cluster, complete linkage
PENYELESAIAN PERMAINAN SUDOKU DENGAN ALGORITMA DEPTH FIRST SEARCH
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 4 (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.v11i4.57797

Abstract

Permainan sudoku merupakan permainan teka-teki logika.  Permasalahan pada permainan sudoku terdapat beberapa angka yang diberikan sebagai landasan awal pencarian solusi. Angka yang diberikan setidaknya memiliki minimal 17 angka. Algoritma depth first search (DFS) merupakan algoritma pencarian solusi dengan cara mengunjungi simpul secara mendalam dan dimulai dari yang paling kiri dan dilanjutkan pada simpul sebelah kanan. Tujuan dari penelitian ini adalah untuk mengkaji penyelesaian sudoku dengan algoritma DFS. Langkah-langkahnya dimulai dengan mencari kotak kosong dan menentukan kandidat angka yang layak dengan memperhatikan tiap baris, kolom, dan blok sehingga tidak memiliki angka yang sama. Selanjutnya, submasalah dapat dibentuk menjadi pohon berdasarkan algoritma DFS. Berdasarkan hasil penelitian, penyelesaian permainan sudoku dengan bantuan Software Scilab 6.0.2, dari sepuluh percobaan pada tiap banyak angka yang diberikan menghasilkan banyak langkah yang berbeda untuk masing-masing tingkat kesulitan. Tingkat kesulitan sangat mudah dengan banyak angka yang diberikan lebih dari 46 memiliki rata-rata banyak langkah sebanyak 51 dan rata-rata waktu 0,0363702 s. Tingkat kesulitan mudah dengan banyak angka yang diberikan 36-46 memiliki rata-rata banyak langkah 63 dan rata-rata waktu 0,041898188 s. Tingkat kesulitan sedang dengan banyak angka yang diberikan 32-35 memiliki rata-rata banyak langkah 120 dan rata-rata waktu 0,066955348 s. Tingkat kesulitan rumit dengan banyak angka yang diberikan 28-31 memiliki rata-rata banyak langkah 422 dan rata-rata waktu 0,202328263 s. Tingkat kesulitan sangat sulit dengan banyak angka yang diberikan 17-27 memiliki rata-rata banyak langkah 40598 dan rata-rata waktu 17,77871696 s.Kata Kunci: Sudoku, depth first search, logika
MODEL VECTOR AUTOREGRESIVE INTEGRATED MOVING AVERAGE DALAM MERAMALKAN INDEKS HARGA KONSUMEN KOTA PONTIANAK Keke Afriliani; Shantika Martha; Nurfitri Imro’ah
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 11, No 4 (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.v11i4.57332

Abstract

Model vektor autoregressive integrated moving Average (VARIMA) dapat digunakan untuk melakukan peramalan data deret waktu lebih dari satu variabel. Penelitian ini menggunakan data sekunder, yaitu data bulanan deret waktu Indeks Harga Konsumen (IHK) kelompok bahan makanan dan sandang di kota Pontianak Kalimantan Barat dalam periode tahun 2015 sampai tahun 2019. Tujuan penelitian ini yaitu meramalkan IHK kelompok bahan makanan dan sandang kota Pontianak pada periode Januari sampai Desember 2019 dengan model VARIMA. Hasil analisis menunjukan bahwa model VARIMA yang diterapkan terhadap data IHK bahan makanan dan sandang adalah VARIMA (3,1,0). Nilai MAPE untuk model VARIMA (3,1,0) pada masing-masing variabel IHK bahan makanan yaitu 1,14% dan IHK sandang 0,008% sehingga ketepatan hasil peramalan model sangat baik. Kata Kunci : VARIMA, peramalan, IHK

Page 57 of 84 | Total Record : 832

 55   56   57   58   59 

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 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 : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 9, No 1 (2020): BIMASTER Vol 8, No 4 (2019): BIMASTER Vol 8, No 4 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 3 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 3 (2019): BIMASTER 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 : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 4 (2018): BIMASTER 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 Vol 6, No 03 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 02 (2017): BIMASTER Vol 6, No 02 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya 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