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
 61   62   63   64   65 
ANALISIS KESTABILAN MODEL DINAMIKA POPULASI ANJING RABIES DENGAN VAKSINASI Dede Roberta; Mariatul Kiftiah; Woro Budiartini Partiwi
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 1 (2018): 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.v7i1.23928

Abstract

Penyakit rabies merupakan suatu penyakit yang disebabkan oleh virus Lyssavirus yang bersifat menular dan dapat menyerang ke semua spesies mamalia. Dinamika populasi anjing rabies dalam selang waktu                          dapat diformulasikan dalam bentuk model matematika. Model matematika pada populasi anjing rabies dengan vaksinasi berdasarkan asumsi dan parameter yang mempengaruhinya. Model matematika nonlinear dinamika populasi anjing rabies dengan vaksinasi yang digunakan terdiri dari sub-populasi anjing rentan ( , anjing terinfeksi rabies  dan anjing yang telah divaksinasi . Formulasi model matematika yang telah dibentuk selanjutnya dianalisis untuk mengetahui perilaku dari sistem dengan menggunakan simulasi nilai parameter. Analisis kestabilan dari sistem dalam penelitian ini adalah stabil asimtotik dan tidak stabil. Simulasi model matematika menunjukkan bahwa laju kelahiran alami dan persentase vaksinasi sangat mempengaruhi dinamika sub-populasi anjing yang terinfeksi rabies dalam suatu populasi.Kata kunci : model matematika, rabies, parameter, routh-hurwitz
PENERAPAN ANALISIS KOMPONEN UTAMA UNTUK MEREDUKSI VARIABEL DALAM PENGUKURAN DESAIN HELM Sri Jumiati; Shantika Martha; Nurfitri Imro’ah
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 7, No 3 (2018): 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.v7i3.26554

Abstract

Analisis Komponen Utama (AKU) adalah salah satu metode yang dapat digunakan untuk mereduksi ukuran variabel dari yang berukuran besar dan saling berkorelasi menjadi ukuran yang lebih kecil dan tidak saling berkorelasi. Pada penelitian ini dilakukan analisis komponen utama pada data desain pembuatan helm american football. Berdasarkan analisis yang dilakukan, dapat disimpulkan bahwa komponen utama pertama memberikan kontribusi sebesar 47,81%, sebagai rata-rata tertimbang dari ke lima variabel. Komponen utama kedua memberikan kontribusi sebesar 23,47%, membentuk bobot negatif terhadap variabel  dan bobot positif terhadap variabel  dan  sebagai perbandingan. komponen utama kedua membandingkan ukuran dari mata ke kepala bagian belakang (  dengan ukuran dari mata ke kepala bagian atas  dan ukuran dari telinga ke kepala bagian atas . Dua komponen utama yang terbentuk dapat menjelaskan proporsi kumulatif sebesar 71,28%.                                                           Kata kunci: analisis komponen utama, matriks korelasi
METODE MAXIMUM LIKELIHOOD DALAM PENAKSIRAN MODEL SPATIAL AUTOREGRESSIVE (Studi Kasus: Indeks Pembangunan Manusia Seluruh Provinsi di Indonesia pada Tahun 2016) Henny Priandini Amalia; Yundari Yundari; Helmi Helmi
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 3 (2019): 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.v8i3.33585

Abstract

Indeks Pembangunan Manusia (IPM) adalah suatu indikator tingkat kualitas hidup manusia melalui berbagai faktor yang mempengaruhi. Pembangunan manusia terus mengalami kemajuan seiring dengan meningkatnya Indeks Pembangunan Manusia (IPM). Data IPM setiap tahunnya pasti berbeda-beda, hal ini memungkinkan adanya saling ketergantungan dari faktor-faktor yang mempengaruhi IPM dengan terjadinya korelasi antardaerah. Permasalahan ini dapat dimodelkan dalam bentuk pemodelan spasial. Salah satu pemodelan spasial adalah model Spatial Autoregressive (SAR). Pada penelitian ini dilakukan pemodelan SAR dengan tujuan untuk menganalisis adanya dependensi spasial dari beberapa lokasi dan pengaruh faktor-faktor dari suatu variabel independen. Pada estimasi model SAR digunakan metode Maximum Likelihood dan diterapkan pada kasus IPM seluruh provinsi di Indonesia pada tahun 2016. Hasil penelitian diperoleh bahwa terdapat dependensi lag spasial antarprovinsi yang berarti provinsi yang berdekatan memiliki nilai yang cenderung mirip. Uji dependensi spasial dilakukan pada matriks pembobot dengan metode queen contiguity dan diperoleh nilai p-value signifikan pada 5%. Hal ini menunjukkan bahwa terdapat dependensi spasial antarprovinsi. Berdasarkan model yang telah diperoleh untuk masing-masing tetangga, disimpulkan bahwa semakin banyak jumlah tetangga sangat berpengaruh terhadap nilai estimasi persentase indeks pembangunan manusia seluruh provinsi di Indonesia pada tahun 2016. Kata Kunci : Regresi Spasial, Dependensi Spasial, IPM, Spatial Autoregressive. 
MENENTUKAN LINTASAN TERPENDEK PADA JALUR PENGANGKUTAN KELAPA SAWIT MENGGUNAKAN ALGORITMA BELLMAN- FORD (Studi Kasus: PT. Perkebunan Nusantara XIII Kebun Parindu Afdeling Inti I) Adventa, Maria Wisda; Noviani, Evi; Helmi, Helmi
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 5 (2023): 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.v12i5.70910

Abstract

Lintasan terpendek merupakan lintasan dari suatu tempat ke tempat lain yang memiliki bobot minimum. Dalam proses produksi atau distribusi suatu perusahaan berupaya untuk menghabiskan biaya distribusi yang minimum termasuk PT. Perkebunan Nusantara XIII Kebun Parindu Afdeling Inti I yang merupakan salah satu perusahaan kelapa sawit yang berada di Kabupaten Sanggau. Perusahaan ini memerlukan informasi tentang lintasan terpendek dalam pengangkutan kelapa sawit untuk membawa muatan sawit dari Tempat Pengumpulan Hasil (TPH) menuju Pabrik Kelapa Sawit (PKS). Algoritma Bellman-Ford merupakan salah satu cara untuk menentukan lintasan terpendek dalam teori graf. Algoritma ini menghitung seluruh jarak terpendek yang berasal dari simpul awal ke simpul tujuan. Penelitian ini bertujuan untuk menentukan lintasan terpendek menggunakan algoritma Bellman-Ford pada jalur pengangkutan kelapa sawit di PT. Perkebunan Nusantara XIII Kebun Parindu Afdeling Inti I. Penelitian ini dimulai dengan mengambil data jarak antar tempat yang didapatkan dari google maps selanjutnya dilakukan proses penghitungan bobot pada setiap simpul untuk mendapatkan bobot terkecil sehingga didapat lintasan terpendek dengan simpul-simpul yang saling berhubungan, simpul tersebut merupakan nama jalan/lokasi. Berdasarkan hasil penelitian diperoleh lintasan terpendeknya dengan simpul 1"“2"“3"“4"“5"“13"“16"“21"“22 yaitu dimulai dari TPH Perkebunan Kelapa Sawit PTPN XIII Kebun Parindu Afdeling inti 1 melewati Jl. Mawang, Jl. Raya Bonti, Jl. Puskesmas, Jl. Pusat Damai, Jl. Tapang, Jl. Perintis, serta melalui Jl. PKS Parindu hingga ke tempat tujuan yaitu pabrik kelapa sawit PTPN XIII Kebun Parindu dengan jarak 18.791 meter.  Kata Kunci : Teori Graf, PT. Perkebunan Nusantara XIII, Lintasan Terpendek
PEMODELAN REGRESI LINEAR MENGGUNAKAN METODE THEIL (STUDI KASUS: JUMLAH PENDUDUK MISKIN DAN TINGKAT PENGANGGURAN TERBUKA) Amarrullah, Rido; Martha, Shantika; Andani, Wirda
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 4 (2023): 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.v12i4.70083

Abstract

Metode Theil adalah salah satu metode regresi nonparametrik yang digunakan saat asumsi kenormalan residual tidak terpenuhi pada model regresi linear sederhana. Penelitian ini bertujuan untuk membentuk model regresi linear sederhana dengan metode Theil dari data dengan residual data tidak berdistribusi normal. Data yang digunakan pada penelitian ini adalah data semesteran jumlah penduduk miskin (Y) dan tingkat pengangguran terbuka (X) di Indonesia Tahun 2012 hingga 2022 sebanyak 21 data. Terlebih dahulu dilakukan analisis regresi antara X dan Y, selanjutnya lakukan pengujian asumsi kenormalan residual data. Jika residual tidak berdistribusi normal, maka untuk mendapatkan model regresi linear sederhana dari data digunakanlah metode Theil. Setelah dilakukan analisis dengan metode Theil didapatlah model regresi linear sederhana Ŷ i = 18932,085 + 1495,988 X i , dengan nilai koefisien determinasi R 2 sebesar 0,493 (49,3%). Dari model yang didapat bisa diambil kesimpulan bahwa terdapat pengaruh positif antara tingkat pengangguran terbuka terhadap jumlah penduduk miskin, sehingga setiap kali tingkat pengangguran terbuka naik, jumlah penduduk miskin juga ikut naik. Sedangkan nilai koefisien determinasi menunjukkan bahwa sebesar 49,3% kemampuan variabel tingkat pengangguran terbuka menjelaskan tentang variabel jumlah penduduk miskin. Sedangkan sisanya sebesar 50,7% dijelaskan oleh variabel-variabel lain diluar penelitian ini.Kata kunci: Metode Theil, Regresi Parametrik dan Nonparametrik
PERAMALAN INFLASI DI INDONESIA MENGGUNAKAN MODEL VARIASI KELENDER REGARIMA Alfonsia, Eriska Clara
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 6 (2023): 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.v12i6.71430

Abstract

Inflasi adalah sebuah faktor kunci yang memberikan informasi mengenai perubahan harga barang dan layanan yang digunakan oleh masyarakat. Peramalan inflasi sangat penting karena membantu pemerintah dalam merencanakan kebijakan untuk menjaga stabilitas moneter di masa mendatang. Secara umum, kita dapat melakukan peramalan inflasi dengan dua pendekatan, yaitu melalui analisis runtun waktu dan hubungan sebab-akibat. Salah satu teknik pemodelan yang digunakan adalah model RegArima yang menggabungkan model ARIMA dan variabel dummy yang memperhitungkan efek kalender dengan panjang periode yang bervariasi setiap tahunnya. Penelitian ini memiliki tujuan untuk memprediksi inflasi di masa depan menggunakan model RegArima yang memperhitungkan variasi kalender. Dalam penelitian ini, model RegArima menggabungkan regresi dari variabel dummy yang dipilih secara khusus dan hasil peramalan terbaik dari model ARIMA yang diterapkan pada sisa-sisa (residual) dari regresi variabel dummy tersebut. Hasil penelitian menunjukkan bahwa inflasi di Indonesia mengalami puncak tertinggi pada bulan Januari dan Juli 2023 dipengaruhi oleh variasi kalender, sementara tingkat inflasi terendah tercatat pada bulan Mei 2023 jika dibandingkan dengan bulan-bulan lainnya.  Kata Kunci :peramalan, inflasi, ARIMA, regresi, dummy
PEMODELAN JUMLAH SISWA PUTUS SEKOLAH MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION Selvia, Eva; Imro’ah, Nurfitri; Andani, Wirda
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 4 (2023): 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.v12i4.70078

Abstract

Jumlah siswa putus sekolah (Y) merupakan data cacah sehingga analisis yang tepat untuk memodelkannya adalah dengan regresi Poisson. Namun terdapat asumsi yang harus dipenuhi yaitu equisdispersi atau rata-rata harus sama dengan varians. Pada kenyataannya, terdapat suatu kondisi dimana nilai varians lebih besar dari pada nilai rata-rata atau disebut overdispersi. Salah satu alternatif yang dapat digunakan untuk masalah overdispersi pada data cacah adalah regresi Binomial negatif. Regresi Binomial negatif ini kurang tepat jika digunakan pada data yang mengandung heterogenitas spasial atau keragaman antar wilayah. Pengembangan model regresi yang memperhatikan masalah heterogenitas spasial serta masalah overdispersi pada variabel responnya yaitu Geographically Weighted Negative Binomial Regression (GWNBR). Penelitian ini bertujuan untuk memodelkan serta menentukan faktor apa saja yang mempengaruhi jumlah siswa putus sekolah pada jenjang pendidikan dasar menggunakan metode GWNBR. Hasil penelitian yang diperoleh yaitu terdapat dua kelompok kabupaten/kota berdasarkan variabel yang signifikan. Kelompok pertama dipengaruhi oleh semua variabel prediktor, sedangkan kelompok kedua dipengaruhi oleh variabel rasio siswa terhadap guru, tingkat pengangguran terbuka, dan rata-rata pengeluaran perkapita selama sebulan.  Kata Kunci : Putus Sekolah, Overdispersi, Heterogenitas Spasial
PENERAPAN METODE KARUSH KUHN-TUCKER DALAM OPTIMASI BIAYA PRODUKSI KOPI Ningrum, Indri Novita; Kiftiah, Mariatul; Pasaribu, Meliana
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 5 (2023): 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.v12i5.71155

Abstract

UMKM Kopi Liberika Kayong Utara (KOPILIKA) merupakan salah satu UMKM di bidang produksi kopi bubuk. Produksi kopi sebagian dilakukan secara manual sehingga memerlukan waktu yang lama dan tenaga kerja yang banyak. Dengan begitu, pengembalian modal untuk produksi selanjutnya memerlukan waktu yang tidak sebentar. Akibatnya, biaya produksi untuk proses selanjutnya berubah dan bahkan meningkat. Pada penelitian ini, diselidiki biaya minimum yang dapat dikeluarkan oleh produsen untuk memproduksi KOPILIKA. Hal tersebut dilakukan melalui penerapan metode Karush Kuhn-Tucker (KKT). Selain itu, salah satu software yaitu Geogebra dilibatkan untuk menentukan fungsi tujuan yang nonlinear. Dalam optimasi biaya produksi, terdapat kendala-kendala yang perlu dipertimbangkan seperti kendala kapasitas produksi. Metode KKT memiliki keunikan untuk menggabungkan aturan khusus (berupa kendala) dan mencari solusi optimum terbaik dalam satu pendekatan. Oleh karena itu, dapat diperoleh titik optimum yang memenuhi syarat KKT, termasuk keseimbangan antara fungsi tujuan (misalnya, biaya produksi) dan kendala-kendala yang ada. Permasalahan biaya produksi dimodelkan secara matematik, kemudian dibentuk fungsi Lagrange dan dianalisis setiap persamaan yang terbentuk agar memenuhi syarat KKT. Berdasarkan hasil yang diperoleh, produksi optimum KOPILIKA adalah kopi kemasan menarik 80 bungkus dengan massa 200 gram, kopi kemasan biasa 500 bungkus dengan massa 200 gram, dan kopi kemasan biasa 200 bungkus dengan massa 100 gram dengan biaya minimum yang dikeluarkan UMKM sebesar Rp ,- per bulan.Kata Kunci : Fungsi Lagrange, Nonlinear, Biaya Produksi
PEMODELAN TITIK PANAS DI KALIMANTAN BARAT DENGAN METODE GENERALIZED SPACE TIME AUTOREGRESSIVE KALMAN FILTER Agustine, Claudya Viranny
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 5 (2023): 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.v12i5.70925

Abstract

Provinsi Kalimantan Barat ialah satu diantara wilayah yang seringkali mengalami kebakaran hutan juga lahan, yang menyebabkan polusi udara serta kerusakan lingkungan. Oleh karena itu, diperlukan penanganan yang sistematis untuk mencegah terjadinya Kebakaran hutan juga lahan bisa dijelaskan dan memakai data titik api yang diambil dari citra satelit MODIS Aqua-Terra. Untuk menganalisis jumlah titik panas dari waktu ke waktu dan lokasi yang berbeda, kita bisa memakai pendekatan Generalized Space Time Autoregressive (GSTAR), yang menjadi perluasan atas metode Space Time Autoregressive (STAR). Model GSTAR memiliki parameter-parameter yang bervariasi, dan kita dapat mengestimasi parameter ini memakai cara Ordinary Least Square (OLS). Untuk mengoptimalkan model GSTAR, kita juga menerapkan cara Kalman Filter, yang membantu dalam meminimalkan kesalahan kovarian. Tujuan atas penelitian ini ialah menentukan model GSTAR Kalman Filter.Data yang digunakan adalah data titik panas empat kabupaten di Kalimantan Barat dari Januari 2015 hingga Desember 2020. Data yang didapat diolah atas beberapa tahapan, yaitu identifikasi model, menentukan orde GSTAR, penerapan bobot lokasi invers jarak, estimasi parameter model GSTAR memakai OLS, diagnostic checking model GSTAR dan peramalan dengan model GSTAR.Setelah dilakukan peramalan dengan model GSTAR dilanjutkan dengan perbaikan nilai RMSE dengan menggunakan Kalman Filter. Hasil penelitian mengungkapkan bahwa RMSE atas model GSTAR guna berbagai tempat adalah sebagai berikut: 0,1658 untuk Kabupaten Ketapang, 0,4208 untuk Kabupaten Sanggau, 0,2691 untuk Kabupaten Sintang, dan 0,3299 untuk Kabupaten Kapuas Hulu. Di sisi lain, nilai RMSE dari model GSTAR yang telah dioptimalkan dengan Kalman Filter adalah 0,1324 untuk semua lokasi. Dari temuan ini, dapat disimpulkan bahwa GSTAR Kalman Filter secara konsisten menghasilkan prediksi yang lebih akurat terkait jumlah titik panas di semua lokasi, dibandingkan dengan GSTAR yang tidak menggunakan metode Kalman Filter.  Kata Kunci : Titik Panas, GSTAR, GSTAR Kalman Filter, RMSE.
PENYELESAIAN PERSAMAAN DIFERENSIAL BIASA TAK LINEAR ORDE DUA MENGGUNAKAN METODE DEKOMPOSISI NATURAL Nisa, Khairun; Kiftiah, Mariatul; Yudhi, Yudhi
BIMASTER : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 4 (2023): 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.v12i4.70481

Abstract

Metode Dekomposisi Natural (MDN) merupakan suatu metode untuk menyelesaikan persamaan diferensial. MDN adalah kombinasi dari teori Transformasi Natural dan Dekomposisi Adomian. Pada penelitian ini dikaji penyelesaian Persamaan Diferensial Biasa (PDB) tak linear orde dua homogen koefisien konstan menggunakan MDN. Langkah-langkah penyelesaian PDB tak linear orde dua homogen koefisien konstan menggunakan MDN diawali dengan menentukan sifat-sifat Transformasi Natural. Kemudian PDB ditransformasi dengan Transformasi Natural. Selanjutnya, langkah dilanjutkan dengan menggantikan nilai awal yang telah diberikan. Kemudian, dilakukan invers Transformasi Natural pada kedua ruas persamaan untuk mendapatkan solusi bagian linear. Langkah berikutnya yaitu menentukan nilai awal iterasi yang diperoleh dari solusi bagian linear dan mengaplikasikan Metode Dekomposisi Adomian untuk mendapatkan solusi bagian tak linear. Pada tahap akhir, solusi yang dihasilkan diformulasikan dalam bentuk deret. Hasil pembahasan menunjukkan PDB tak linear orde dua homogen kofisien konstan menggunakan MDN dapat menghasilkan solusi eksak maupun solusi hampiran.  Kata Kunci : Transformasi Natural, Dekomposisi Adomian, Sifat-sifat Transformasi Natural.

Page 63 of 84 | Total Record : 832

 61   62   63   64   65 

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 : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 4 (2019): BIMASTER Vol 8, No 3 (2019): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 8, No 3 (2019): BIMASTER Vol 8, No 2 (2019): Bimaster : 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 Vol 6, No 03 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 02 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 6, No 02 (2017): BIMASTER Vol 6, No 01 (2017): BIMASTER Vol 6, No 01 (2017): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 5, No 03 (2016): BIMASTER Vol 5, No 02 (2016): BIMASTER Vol 5, No 01 (2016): BIMASTER Vol 4, No 03 (2015): BIMASTER Vol 4, No 01 (2015): BIMASTER Vol 4, No 2 (2015): BIMASTER Vol 3, No 03 (2014): BIMASTER Vol 3, No 02 (2014): BIMASTER Vol 3, No 01 (2014): Bimaster Vol 2, No 03 (2013) Vol 2, No 02 (2013): Bimaster Vol 2, No 1 (2013): BIMASTER Vol 1, No 01 (2012): BIMASTER More Issue